自动驾驶“加速走来”？技术层面仍充斥着各类风险

最近，无论是在政策支持层面还是在企业层面，自动驾驶都在升温。

在政策层面，中国一直是鼓励的日前，交通运输部发布《自动驾驶车辆运输安全服务指南》公开征求意见业内人士表示，近期的政策动作都围绕着同一个字mdashmdash商业着陆

最近几天，百度在其2022百度世界大会上发布了第六代量产无人车Apollo RT6在自动驾驶领域，核心点其实是什么水平的车辆可以商业化笔者认为，没有安全员的自动驾驶商业化运营，一上来就不应该被允许

自动驾驶比赛的核心焦点是L4级别。

L3是自动驾驶，但是L3有一个很大的问题:L3需要人类驾驶员在必要的时候随时接管那么，什么时候有必要呢由于现实中复杂的路况，人类驾驶员对L3产生了过度信任和完全不信任的两极分化心态完全的不信任让L3技术变得毫无意义，而过度依赖L3则会导致大量的交通事故

L4是有限区域的无人驾驶技术所以未来几年自动驾驶的应用仅限于几个领域，包括:出租车，公交车，干线物流，终端配送，公园景区，矿区，港口，环卫安保，机场等等所有的应用基本上都是在有限的领域

第一，无人，封闭区域操作用于景区，工业物流园，矿区，港口，机场等低速游览车，L4在这方面比较简单，自动驾驶可以在轨道车和传送带的基础上进行优化目前，无人仓储在物流领域已经非常成熟

第二，自行车智能化视觉神经网络和高精地图下的智障也是自行车智能特斯拉是另外一种它希望建立一个强大的智能视觉神经网络，并拒绝使用激光雷达和高精度地图实践证明，特斯拉的自动驾驶停留在L3阶段最乐观的看法是，达到L4的门槛还需要10年

第三，车路协同辅助下的自动驾驶整个智能自行车系统非常昂贵，但它只扫描周围的环境，无法了解100米以外的情况，所以有智能车辆基础设施合作系统通过通信基站，在部分道路上设置专用网络通信，实现车与人，车与车，车与路的通信道路协调下的自动驾驶将昂贵的感知系统放在道路两侧的车辆内部，让车辆更充分地接收环境信息，真正降低了自动驾驶的难度笔者认为，未来车路协同可能是城市智能交通升级的一部分，是基础设施，但在自动驾驶中的作用主要是辅助性的

看似顺利，技术层面却充满了各种风险。

看似一切顺利，其实技术层面存在各种风险。总结这些风险并结合中国的现状，大概有以下四个问题:

第一，自动驾驶还是薛定谔的安全加州有自动驾驶路测在路测中，有一项自动驾驶技术，每10万公里安全员干预次数仍然为零安全员介入的问题包括:高精地图问题，视觉感知障碍，软件稳定性问题，传感系统问题导致紧急制动，轨迹优化，红绿灯识别错误，车道错误，误识别等自动驾驶技术似乎已经到了一个瓶颈

二，迷雾中的高精地图高精地图是自动驾驶技术的标配，但目前高精地图还是一个壁垒很高的领域，数据采集的成本很高伴随着道路的变化，高精度地图必须不断修正地图信息即使解决了这些问题，政策上对一些高精地图数据的开放也有限制，使得自动驾驶车辆往往无法量产但是Robotaxi对高精度地图数据的要求确实降低了，因为它是在某个城区内运行的高精地图企业只需采集本地高精地图信息，并保证高精地图数据及时更新但这一方面需要政府完全开放某个区域的高精地图信息

第三，模拟路试和真实路试技术上可以参考美国加州的做法，通过路测数据发放运营牌照，应该是官方确定的理论上，自动驾驶需要数百亿公里的道路测试数据才能达到安全阈值但现实中并非如此2021年8月，谷歌Waymo的数据里程为3600万公里，模拟里程为320亿公里2022年7月，百度阿波罗测试里程达到2700万公里，模拟里程也达到10亿公里如果实际路测里程不足，模拟模拟里程毕竟模拟里程还是虚拟环境下的行驶数据由于自动驾驶的核心是自行车智能中的AI视觉神经网络，而深度学习神经网络是AI机器学习的一种，所以自动驾驶的发展依赖于驾驶数据的积累虚拟环境仍然不能代替真实的路测，因为现实远比仿真环境更不可预测，问题也更多

第四，测试环境不同于开放环境量产自动驾驶车辆的环境更加复杂用户不是专业人士他们不知道什么时候接管自动驾驶车辆，他们不会维护系统以保持其稳定性工业上有一个词，叫鲁棒性，是指系统在异常和危险情况下的生存能力测试经常在稳定的环境中运行，但现实中并没有稳定的环境

综上所述，Robotaxi下的自动驾驶越来越完善，但真的到了可以量产和全面铺开的地步吗笔者认为，我们首先需要一套自动驾驶系统能力的评估体系，各地需要进行道路测试来验证各种自动驾驶技术的成熟度，而不是一开始就允许自动驾驶在没有安全人员的情况下进行商业化运营