自動駕駛的寒冬似乎降臨。年初的拉斯維加斯CES到近期在上海的亞洲CES，智能網聯在汽車上的應用依然是大家關注的重點，但是對自動駕駛的展示已經顯示出明顯降溫。

與此同時，曾經喊出豪言壯語的各大廠商，都在模糊自動駕駛汽車的上市時間，或者在已經確定的車型宣傳上，備注“特定的、受限的適用范圍”。

從喧囂到轉折

2016年開始的喧囂似乎依然清晰，Waymo、Uber的自動駕駛路測讓業內為之一振，也讓許多汽車企業倍感壓力。

之后我們見證了Waymo和Uber向汽車企業采購幾千幾萬臺汽車用于無人駕駛車輛研發、改制和生產，也見證了通用汽車和福特汽車對自動駕駛的巨額投入，除此之外還有許多傳統車企和崛起的中國汽車企業的吆喝。

在那個時候，2020年似乎成為一個新時代的開始，自動駕駛的元年將近，業內帶著復雜的情感，疑慮但充滿期待

自動駕駛這場由Waymo單方面挑起的軍備競賽，在2018年的夏天出現了戲劇性的轉折，先是Waymo的首席執行官約翰?克拉富西克(John Krafcik)坦誠，無人駕駛（L5）是有局限的，而且承認在今后的很長一段時間內，自動駕駛汽車都會需要司機的協助。

隨后，蘋果的聯合創始人史蒂夫-沃茲尼亞克(Steve Wozniak)也表示，汽車在沒有方向盤的情況下自動駕駛不太可能。

今年的4月，曾經押注無人駕駛的福特，新任的CEO吉姆?哈克特(Jim Hackett)就來自福特的自動駕駛業務部門，在接受采訪時他也表示，完全無人駕駛汽車的到來仍需時日，現在大家對于無人車的普及都過于樂觀了。

從2016年開始，自動駕駛的橫空出世也曾經帶給我們驚喜。但隨著時間的流逝，無人駕駛車輛的車禍、對于安全員的討論、企業之間對于“出走者”的訴訟……這漸漸讓嘆息多于驚喜。

無人駕駛汽車又一次令人無可奈何地循著技術成熟度曲線(The Hype Cycle)，很快的度過“過高期望的峰值”，正在快速墜入“泡沫化的谷底”。

單車智能的缺陷

自動駕駛的興起與“人工智能”的蓬勃發展密不可分。在1956年香農(Claude Shannon)在達特茅斯學院和幾位年輕學者討論如何用機器模仿人類在各個方面的智能，并且提出“人工智能”一詞，開啟時代。

自動駕駛的研究架構中，自然也追隨著理論框架，把人類駕駛汽車的行為進行拆解，并且試圖利用算法和機器智能提升整個行為的安全和效率。

人類駕駛汽車的過程粗略拆分，可以分為以下幾個步驟，首先觀察周圍車輛情況、交通指示燈，然后依據自己的目的地方向，通過油門、剎車和方向盤，進行加速/減速、轉彎/變道，以及剎車的操作。

這個過程在自動駕駛的研究中被細分為感知層、決策層和控制層。依據推演，傳感器、機器以及人工智能算法的結合，將完全超越人類駕駛的過程。

首先，人類對于周遭情況的觀察，因為天氣、視線盲點以及自身的身體疲勞、反應速度、情緒等原因，會出現觀察的盲區，并基于這些盲區做出不安全的決策。

那組合式的傳感器可以以汽車為中心進行360°全覆蓋掃描，并且觀察區域可以拓展到百米范圍。這樣的觀察區域是人類司機完全無法匹敵的。

其次，對于駕駛動作的決策，以AlphaGo為代表的機制智能已經證明了在速度、精確度等方面機器可以遠超過人類，并且保持長期的可重復性。

這一點人類因為智能的局限性以及情緒的波動性，完全無法和機器匹敵。

再次，當機器做出決策后，通過線控系統將信號傳遞到汽車的轉向系統、制動系統和傳動系統，可以確保信號的快速性以及準確性。

這一點人類的手腳配合無法達到電子信息毫秒級的傳輸速度，并且許多時候也會“忙中出錯”，錯把油門當剎車。

最后，人類駕駛員在初始條件下的感知、決策和控制三個步驟是有間隔的，只有當積累一定里程，成為“老司機”之后，才能達成“眼手腳”的協同配合。

而機器學習當然可以極大加快學習的過程和進度，使得協同配合的達成時間大大縮短，出手就是老司機水平。

紙面上的推演似乎一切完美無瑕，但正如前不久人工智能頂尖學者，斯坦福大學的李飛飛教授在與歷史學者，《人類簡史》、《未來簡史》作者，尤瓦爾?赫拉利( Yuval Noah Harari)對談中強調的，世界的存在不是兩個群體，真是的社會遠比這個復雜，除了算法之外，還有很多玩家和規則。

在自動駕駛研究進入深水區的時候，傳感器、芯片以及數據的問題，正在使得“單車智能”越來越呈現出他的不完美。

（1）多傳感器融合

作為外部路況探測的傳感器，其收集的信息將作為駕駛決策的輸入，是駕駛決策的重要保障。

可以說，沒有完整的信息，就不可能支持決策系統做出正確、安全的駕駛決定。雖然眾多的傳感器在單一指標上可以超越人眼，但是融合的難題以及隨之而來的成本困境，成為自動駕駛演進過程中面臨的第一個嚴峻考驗。

目前，許多豪華車品牌的汽車都配備有先進的駕駛員輔助系統(ADAS)，利用配備的傳感器，包括攝像頭、雷達、超聲波、激光雷達等，幫助駕駛者探測路面情況，并且給予提醒和警示，甚至在不安全情況下進行自動緊急剎車，保障安全。

但是大部分ADAS功能都是獨立工作的，彼此之間不會交換信息，后視攝像頭、環視系統和前方攝像頭等往往起到不同的作用，承擔不同的功能。

當傳感器的功能只是提供預警信息以及緊急剎車等等，其自身的局限性還在可控范圍之內。但是當我們對傳感器的要求是需要承擔自動駕駛級別的感知時，每種不同的傳感器的缺點使得單一要素無法承擔重任，比如攝像頭測距能力有限，而雷達也缺少較高的分辨率。

所以需要不同傳感器組合使用，基于不同傳感器輸入的內容，更加準確的感知周圍的環境。

此時，多傳感器融合(Multi-Sensor Data Fusion，MSDF)的問題就擺在了從業者面前。首先，不同傳感器采集的數據類型不同，其次，不同傳感器對于物體的檢測會出現不同的情況（例如雙重檢測、部分檢測等），需要進行數據的修正、融合等（例如Harmonize, Reconcile, Integrate, Synthesize等），描述出較為準確的外部路況信息。

處理數據的方式也有多種方法，但無論是情況排序法、加權投票法、優先到達法等等，都各有優劣。

在此基礎上，還需要考慮最終的操作是由哪個器件決定的，在哪里完成數據處理，并且如何將傳感器的數據發送到中央電子控制單元(ECU)。

集中式處理和分布式是兩個極端情況，大部分處理都在區間之內，但如何平衡依然是難點。

此外，多傳感器帶來的線束問題也是“甜蜜的煩惱”。根據西門子的最新研究，目前汽車上的線束總長度已經達到1.5英里，而傳感器所帶來的線束長度將超過1.5英里。

如何在汽車的空間范圍內合理科學的布局這些線束，并且盡可能的降低熱量，也是實踐過程中遇到的難題。

（2）芯片的性能

多傳感器的問題同時也埋下了下一個問題的隱患，那就是芯片的性能。

如果需要更全面的了解外部路況信息，就需要部署更多的傳感器；更多的傳感器就對融合提出了更高的要求，而且在高速度的情況下，由于路況信息的變化，所帶來的數據信息也更為海量。

根據英特爾的測算，一臺自動駕駛的汽車，配置了GPS、攝像頭、雷達和激光雷達等傳感器，每天將產生約4TB待處理的傳感器數據，如此巨大的數據量必須有強大的計算設備來支撐。

如果我們打開現階段進行展示或者測試的自動駕駛汽車的后備箱，都會發現有一個很大的“計算平臺”。

這正是自動駕駛車輛的大腦和決策機構。

如上文所說，眾多傳感器向“計算平臺”輸入數據，“計算平臺”實時處理海量的數據，并且在信息整合提煉的基礎上，比對位置的車輛信息，基于高精地圖以及已經設定的路徑規劃，進行決策，決定車輛的行駛狀態，并且向控制單元信號輸出決策和控制信號。

但是隨之而來的是一個之前被科技行業所忽略的問題，強大的計算平臺同時也產生許多熱量，自動駕駛汽車配備的計算平臺，一定需要同時配備散熱設備。

所以，強大算力加上低能耗，成為了自動駕駛汽車廠商的追求。而即使是英偉達這樣的頂級GPU企業，也在算力和功耗的平衡上幾乎達到了天花板。

所以近年來，專用計算平臺更多的走進人們的視野，包括谷歌投入應用的AI專用芯片TPU、國內頂尖創業公司地平線推出的BPU，特斯拉也在投入巨資進行自動駕駛芯片的研究。

還有另外的問題，實現自動駕駛，到底需要多少算力？實現L3級別的自動駕駛，也許需要2TOPS，也有可能是需要20TOPS，真的沒有人說得清楚。

而且，這還只是L3級別，真的進入L4級別，算力的要求勢必將呈現出技術級的上升。

（3）成本與性能的平衡

在描述完多傳感器融合以及芯片性能的困局后，其背后的商業困局也自然呈現。

增加許多的傳感器必然將確保外部感知的準確性，芯片性能的提升也將有利于決策的提高，但這一切的背后，都將是成本的巨大提高。

以筆者所經歷的來看，目前在國內市場，傳感器加上芯片、處理系統等，成本價格基本抵得上一輛入門款的A級轎車，其次還要加上眾多研發人員和工程人員的時間投入。

也有法國的研究機構統計，2018年正在測試的每輛自動駕駛汽車的平均價格是20萬美元。

成本的背后更為重要的是責任（Liability）的轉移。

在有人駕駛時代，駕駛者當然是第一責任人，自己做出車輛操控決策，并對可能的后果負責。但是當汽車廠商或者出行廠商推出自動駕駛車輛后，由于是廠商提供的車輛“自動”進行操控的決策，因此責任將轉移到廠商這邊。

為了降低其可能承擔的風險以及后續的損失，廠商自然需要增加足夠的冗余，以保證產品達到車規級的安全。

而高昂的成本是消費者不愿意買單的，特別是在早期，當自動駕駛的功能非常有限，而且實現還需要在特定條件下才能觸發，更加削弱了消費者買單的意愿。

（4）數據、場景的本地性和通用性

正如老司機需要經歷時間和眾多路況才能練成“眼手腳”的協調配合，自動駕駛汽車的決策能力提升也需要建立在大量有效的路測數據基礎上的決策算法的提升。

按照業內普遍的觀點，自動駕駛企業需要100億英里的架勢數據來優化其自動駕駛系統。

但這是人類不可能完成的任務，即便是取得指數級領先優勢的Waymo，其自動駕駛汽車的路測里程累計也只是2000萬公里的量級（2000萬公里幾乎相當于繞了地球整整500圈）。

業內其他的自動駕駛企業也利用仿真測試作為真實道路路測的補充，加快研發的進展。

但還是，即使如偉大的Waymo，目前的無人車隊也更多在車流量較少的鳳凰城進行測試。（而且這一切還是基于Waymo應用的最佳的傳感器加計算平臺的組合，如果進入交通情況更為復雜的城市，現有的硬件和算法是否可以進行支撐，也是未知。）數據的多樣化以及豐富性同樣也是不足的，所以有業內人士指出，由于數據本地性問題，Waymo的商業化路徑是否可以拓展，依然存在疑問。

自動駕駛初創公司NuTonomy的首席運營官道格?帕克（Doug Parker）的表述也說明了數據可拓展性面臨的難題，他說，目前開發的大多數自動駕駛汽車技術都是基于特定的地理位置，因此很難推廣到新城市，因為要在系統中計入新的規則和新的駕駛行為。

無論美國和中國的自動駕駛企業都面臨現實的挑戰，如果更換一個城市進行測試，有很大部分需要重新開始。

綜上所述，單車智能的方案曾經帶給業內諸多驚喜，但伴隨研發和測試進入深水區，多傳感器融合的問題、芯片算力和能耗的問題，以及數據本地性無法通用化的問題慢慢浮出水面，而且已經遇到了發展的瓶頸，只能在諸多限制條件下做艱難的平衡。

同時，作為商業化的產品，必須還要考慮性能和價格之間的平衡，而高成本又成為目前“壓垮”自動駕駛商業化的稻草。

在一扇門悄悄關閉的時候，另一扇窗正在慢慢開啟。

單車智能漸漸式微，而車路協同的概念越來越得到業內的關注。