ldquo欧阳锋三问rdquo写

撰文

赵玲伟编辑

陈昊出品｜汽车产经

最近，李想（理想汽车创始人、董事长兼CEO）和夏一平（集度汽车CEO）在社交平台上就激光雷达的个数和位置辩了起来。

作为一个新品类，激光雷达目前在行业内存在各种不同的技术路线。对于车企来说，选择适合自己的方案，让产品尽快落地才是王道。

整个自动驾驶行业（除了马斯克）都在等激光雷达成熟，因为只有摄像头、毫米波雷达的辅助驾驶在此之前确实出现了不少事故。

不久前的湖南岳阳国道上，一台开启辅助驾驶的小鹏P7丝毫未减速地撞上了一辆侧翻在路上的货车——一样的辅助驾驶，一样的侧翻货车，这和近两年国内外特斯拉的两起事故如出一辙。

小鹏汽车的回应是，初步判断车主在使用ACC+LCC过程中，没有保持对车辆前方环境的观察并及时接管车辆所致。

好巧不巧，今年小鹏汽车推送城市NGP（智能导航辅助驾驶）的计划已经箭在弦上。不仅小鹏，极狐与华为合作的HI版车型也会推出类似的高阶辅助驾驶功能。

于是，在新一代高阶辅助驾驶开始上路的当口，人们对它的判断在质疑和信任之间不断拉扯。

站在高阶辅助驾驶的元年，车企真的准备好了吗？

NO.1[“看不清”]

视觉+毫米波雷达有bug，激光雷达待验证

这不是小鹏P7第一次“栽”在辅助驾驶上了。

去年9月，一台小鹏P7在打开NGP的情况下与前方板车发生追尾。当时技术博主

冯偲分析，“感知模块的两个冗余的检测系统都未发现障碍物的存在”。

当时，辅助驾驶感知系统通常由摄像头+毫米波雷达组成，摄像头需要使用大量的样本训练目标检测。但像是前方的平板车、侧翻在路中的货车这样的小概率情况，在实际训练数据中数量和占比都很少，事故发生时通过摄像头可能认不出这是需要注意的危险。

摄像头的能力只能不断上探，目前理想L9搭载的摄像头已经达到了万像素，但是在米以上的范围对于物体识别还是停留在车辆等大型物体上，对于行人、锥桶等还停留在米左右。而真正的人眼，可以识别到米外的锥桶并作出反应。

不过，摄像头过高的像素会让车载芯片陷入算力黑洞，摄像头、芯片算力和算法就会形成自己卷自己的局面。

只依靠摄像头识别很难解决各种cornercase（长尾场景），即便是“算法天花板”特斯拉，它的纯视觉自动驾驶方案也已经出现了大大小小许多事故，比如把侧翻的货车认成白云，造成了无法挽回的悲剧。

搭档的毫米波雷达在感知中也存在许多问题——首先对于静态以及相对静止的障碍物存在比较大的漏检，其次毫米波雷达的检测过于灵敏，会有很多虚检的情况，到处报警。

有行业专家表示，两者组合起来时，一般将视觉作为主传感器，雷达作为辅助传感器。所以，可能在雷达检测到了障碍物，但视觉没有识别出来时，决策系统选择相信视觉。此时，驾驶员的接管就十分重要。

总之，只能说样本采集和训练的不足。在小鹏、蔚来、特斯拉等车企的产品说明书中，均摆出了大量驾驶辅助系统识别度较低或无法启用的工况。

cornercase是目前所有自动/辅助驾驶系统面临的难题。无论是摄像头还是毫米波雷达对于不规则形状物体和静止物体的识别都存在缺陷，这需要激光雷达才能够弥补——这个小东西被认为是L3乃至L4级别自动驾驶的荣耀徽章。

不过，按照同济大学汽车学院教授朱西产的说法，激光雷达目前没有一家能够真正实现量产，即使可以批量生产，成本也相当高。“智能网联汽车示范区采购的无人驾驶汽车及路端感知的高分辨率激光雷达，很多企业是不承诺‘质保期’的。而目前量产车型上采用的16线机械扫描激光雷达及一下全固态、混合固态激光雷达，可靠性还是能够保证的。但是这些量产的激光雷达，角分辨率不够高，造成探测距离不够远。”。

作为一家激光雷达企业，Innoviz中国区总经理苏淑萍最近也印证了这个说法——激光雷达到现在为止都还不是一个完全成熟进入大规模量产的阶段。

她在采访中表示，“我觉得至少年产50万台以上，激光雷达才能叫大规模量产上车，所以这个时间段我认为还是在年到年，甚至之后”。

在效果方面，朱西产在汽车产经的采访中表示，“目前所有的激光雷达的角分辨率都无法支持米以上的道路散落物检测，那就无法支持HWP---在高速公路上km/h的自动驾驶。ECER的ALKS是高速公路TJP功能，目前的激光雷达产品是能够支持0-60km/h车速范围的自动驾驶感知和响应，努力一下，有些公司的产品能够做到高速公路上最高车速80km/h的自动驾驶。但是，对于HWP，用户的期望是最高车速km/h的自动驾驶。”。

如果把场景换到更日常的城市道路上，可能对硬件的能力要求没有那么高，但压力就来到了软件方面。

NO.2[“算不准”]AI库难全，算法算不准

卡耐基梅隆大学ArgoLab人工智能无人驾驶研究中心首席科学家将自动驾驶迟迟难以落地的原因归结为两点：底层技术和真实应用场景。

从目前的的情况来看，底层技术的发展已经可以应对大多数交通场景，但真实的路况却仍然变幻莫测，自动驾驶技术的发展就困在这5%的cornercase中。

有专家分析，算法需要大量路测场景实验不断测试和优化，场景数据越多算法的决策就会越准确，但如果遇到库里没有相对应的场景，算法可能就无计可施。

但把所有场景都录入自动驾驶系统又几乎不可能，这就需要机器具备思考的能力，也就是在算法、数字领域有突破性的发展。

朱西产表示，“自动驾驶的高清摄像头目前只能把‘人’也当成这样的‘线框框’进行区分，即便认出来是个人，但是没有处理人的朝向、胳膊腿的状态，很难判断这个人接下来5秒钟内的运动意图，而人类驾驶员根据行人的姿态甚至眼神，结合经验，判断行人运动意图的能力还是非常强的”。

也就是说，人工智能很难处理意外。

好在，面对“未知的不安全场景”，4月初五部委发布了《关于试行汽车安全沙盒监管制度的通告》的规则，启动汽车安全沙盒监管试点工作。

沙盒监管作为一种针对技术创新的柔性监管制度，可以为企业提供一个测试平台和测试周期，在不违反原则性准入标准和监管底线的基础上，鼓励企业在不完全掌握产品风险时，自愿开展进一步测试，最大限度地防范产品应用风险。

通过沙盒监管不断完善数据库是目前的大方向，但“意外情况数据库”永远无法%完美，车企的系统只能不断降低风险。

从车企层面来看，这道难题的解题思路很清晰——找人。算法是自动驾驶的核心能力之一，而算法的核心就是专业人才。

“没有一家公司（自动驾驶）是从头开始做的，百度自动驾驶前前后后四批人都被挖走，小鹏跟特斯拉官司打得不亦乐乎，包括Cruise的人都是不断跳槽，全世界都是这样”。

朱西产告诉汽车产经，各家公司的人才反复横跳，让它们的技术路线逐渐大同小异，能力也越来越趋向同一水平。

比如小鹏NGP的起点是研发副总裁吴新宙的入职，蔚来去年年底放弃封闭的Mobileye，挖来了研发总监任少卿做自动驾驶摄像头的算法团队，才真正意义上开始全栈自研。

近期，蔚来、理想、小鹏和特斯拉的自动驾驶相关人才又出现了新一波动荡，可能与资本有关。

就目前来说，朱西产认为，全栈自研更大的意义在于吸引资本的