原文：自动驾驶 https://www.key-iot.com.cn/自动驾驶

大家好，今天咱们来聊聊自动驾驶这个话题。说实话，十年前谁要跟我说以后车能自己开，我肯定觉得这人在吹牛，但现在你看满大街的特斯拉、小鹏、理想都在秀自动驾驶，这玩意儿是真的来了。不过我发现很多人对自动驾驶的认知还停留在"车自己会开"这么简单的概念上，实际上这里面的门道可多了去了。今天我就给大家从头到尾扒一遍，从自动驾驶的历史讲到现在的技术，再到未来的趋势，保证让你看完之后跟朋友吹牛的时候能多几个谈资。

第一章：自动驾驶的前世今生——原来一百年前就开始折腾了

你可能不信，自动驾驶这个概念最早出现在1920年代，对，就是那个还在用蒸汽机、女人刚开始剪短发的年代。那会儿美国有个叫Houdina Radio Control的公司，整了一辆无线电遥控车在纽约百老汇大街上跑，虽然严格来说这是遥控而不是自动驾驶，而且后面还得跟着一辆车用无线电操控，但这个脑洞已经很超前了。你想想那会儿连电视都还没普及呢，人家就敢想着让车自己跑了。到了1939年，通用汽车在纽约世界博览会上展示了"未来高速公路"的概念，他们的想法是在车道里埋电磁线圈，汽车跟着信号走，就像现在的磁悬浮列车那样。这个思路现在看起来有点傻，因为你得把全国的高速公路都挖开重新埋线圈，这成本得多高啊，但在那个年代这已经是最先进的想法了。人家至少敢想啊，不像现在有些公司只会抄来抄去。

真正开始动真格的是1960年代。那会儿计算机刚刚出现，大得跟房间一样，但已经有人开始琢磨用机器视觉来让车识别道路了。俄亥俄州立大学搞了个项目，用摄像头和计算机识别道路标记，虽然速度慢得跟蜗牛似的，估计还没人走路快，但这是真正意义上的"机器视觉"驾驶，是个里程碑式的突破。然后到了1980年代，有个德国教授叫Ernst Dickmanns，这老哥是个狠人，他搞出了一个大新闻——让一辆奔驰面包车在高速公路上以96公里时速自动行驶！这在当年简直是黑科技，因为那会儿的计算机运算能力还非常有限，他居然能让车实时处理图像并做出驾驶决策。这老哥后来被称为"自动驾驶之父"，虽然名气不如马斯克，但论技术贡献绝对是开山鼻祖级别的。

真正让自动驾驶火起来的是2004年到2007年的DARPA挑战赛。DARPA是啥？就是美国国防部高级研究计划局，这帮人专门搞各种听起来像科幻的军事项目，互联网就是他们搞出来的。2004年他们办了第一届无人车挑战赛，奖金100万美元，让各路高手开发无人车在沙漠里跑142英里。结果呢？所有车都没跑完全程，最好成绩的车也就跑了7.4英里就趴窝了，有的车撞到了灌木丛，有的车翻车了，有的车莫名其妙就停了。但这个比赛彻底点燃了科技圈的热情，因为大家发现这事儿虽然难，但不是完全不可能。第二年2005年再办比赛的时候，斯坦福大学的"斯坦利"跑完了全程，拿了冠军。这辆车用的技术栈后来基本成了行业标准：激光雷达扫描环境、GPS定位、惯性导航、机器视觉识别路况，这套组合拳一直用到现在。

2007年的城市挑战赛更牛逼，因为这次不是在空旷的沙漠里跑了，而是在模拟城市环境中行驶，要求车辆遵守交通规则、礼让行人、避让其他车辆、在十字路口判断路权等等，这才是真正的难题。卡内基梅隆大学的"Boss"拿了冠军，但更重要的是这次比赛的参赛团队后来很多都成了自动驾驶领域的中坚力量。你现在看到的Waymo、Aurora、Argo AI等公司的创始人和核心团队，很多都是从那个时候出来的。可以说DARPA这三届比赛培养了整整一代自动驾驶工程师，这个影响比奖金本身重要多了。

2009年是个关键节点，因为这一年谷歌悄悄启动了自动驾驶项目，也就是后来独立出来的Waymo。谷歌为啥要搞这个？因为当时谷歌的联合创始人拉里·佩奇看到了DARPA比赛的成果，觉得这玩意儿有搞头，而且谷歌本身就有地图、AI、数据中心这些基础设施，搞自动驾驶算是顺理成章。谷歌用的路子很简单粗暴：堆传感器、堆算力、堆地图数据。他们在车顶上装了个转得飞快的激光雷达，看起来像个警灯，然后配上一堆摄像头和毫米波雷达，再加上谷歌自己采集的超高精度地图，整套系统成本高得吓人。但人家谷歌不差钱啊，而且他们的目标从一开始就不是L2、L3这种半吊子辅助驾驶，而是直奔L4完全自动驾驶去的，这个格局就不一样。

这个时期传统车企也坐不住了，因为他们突然发现一个互联网公司居然跑来抢饭碗了。奔驰、宝马、奥迪这些豪华品牌开始在旗舰车型上配备各种驾驶辅助功能，虽然距离真正的自动驾驶还远着呢，但至少在营销上可以说"我们也有自动驾驶技术"。2014年特斯拉推出了Autopilot，这才是真正让普通消费者开始关注自动驾驶的产品。特斯拉的营销策略很激进，直接把这玩意儿叫"Autopilot"（自动驾驶），虽然法律上只是L2级别的驾驶辅助，但马斯克在推特上各种吹，搞得很多车主真以为可以撒手不管了。这也导致了后来出了几起事故，有人开着Autopilot看手机、甚至睡觉，结果撞车了。但不管怎么说，特斯拉确实把自动驾驶这个概念推向了大众市场，让更多人知道了这个技术。

从2016年到现在2025年，自动驾驶市场进入了"战国时代"，各路诸侯都在抢地盘。技术路线上分成了两大派系，一派是以Waymo、百度Apollo为代表的"激光雷达派"，他们的理念是传感器越多越好，激光雷达、毫米波雷达、摄像头全都要，再配合高精地图，确保万无一失。另一派是以特斯拉为代表的"纯视觉派"，马斯克的逻辑很简单：人开车只靠眼睛就够了，为什么机器还要激光雷达？而且激光雷达太贵了，一个好的激光雷达要几万美元，这怎么量产？所以特斯拉坚持只用摄像头，靠神经网络硬刚，把成本压到最低。这两派吵了好几年，到现在也没个定论，因为各有各的道理，也各有各的问题。国内市场就更热闹了，小鹏的城市NGP可以在城市道路自动驾驶，华为的ADS据说是国内最强的城市领航系统，理想的AD Max主打全栈自研，蔚来的NOP+在高速公路上表现也很不错。这些公司为了证明自己的技术牛逼，隔三差五就发布新的演示视频，展示各种复杂路况下的表现，卷得不行。

第二章：自动驾驶分级——L0到L5到底啥意思？别再被销售忽悠了

很多人买车的时候销售跟你说"我们这车有自动驾驶功能"，你一听哇好高级，结果提车后发现不过就是个自适应巡航，这就是被忽悠了。所以咱们得先搞清楚自动驾驶的分级标准，这是SAE（美国汽车工程师学会）定义的，从L0到L5一共六个等级，每个等级的差别可大了去了。L0级就是完全没有自动化，ABS、ESP这些安全辅助系统不算自动驾驶，因为它们只是在紧急情况下介入，平时不管你的驾驶操作。L1级是驾驶辅助，能帮你干一件事，比如自适应巡航（ACC）能自动保持跟前车的距离，或者车道保持（LKA）在你偏离车道时帮你纠正方向，但你得随时准备接管，双手不能离开方向盘，眼睛不能离开路面。这个级别其实没啥好吹的，现在十万块的车基本都有。

L2级是部分自动化，能同时控制方向盘、油门和刹车，这就有点意思了。现在市面上大部分所谓的"自动驾驶"都是L2级，包括特斯拉的Autopilot、小鹏的NGP、蔚来的NOP等等。L2能干的事情比L1多多了，比如在高速公路上它可以自动跟车、自动变道、自动超车，看起来确实挺智能的。但是有个致命的问题：法律责任还是你的！不管系统多智能，只要出了事故，保险公司和交警认的还是驾驶员。所以你必须时刻监控系统的运行，手得随时准备接管方向盘，眼睛得盯着路况。很多特斯拉车主喜欢开着Autopilot看手机、看视频，这是非常危险的，出了事保险都不一定赔。而且L2系统的能力是有限的，遇到施工路段、复杂路口、恶劣天气，它经常会罢工，这时候就得靠你自己了。所以别被厂家的营销话术忽悠了，L2就是辅助驾驶，不是自动驾驶。

L3级是有条件自动化，这个等级很微妙，也很尴尬。在特定条件下，比如高速公路、低速拥堵路段，系统可以完全接管驾驶，你可以玩手机、看视频、甚至闭眼休息。但是当系统觉得自己搞不定的时候，会提前几秒钟通知你接管，你得在规定时间内（一般是5-10秒）响应，把控制权拿回来。这里面的问题在于法律责任的划分：系统接管期间如果出事了，责任算车企的；但如果系统要求你接管而你没及时响应，出事了还是你的锅。这就很尴尬了，因为你怎么证明是系统的问题还是你的问题呢？万一系统突然要求你接管，而你正好在玩手机反应慢了半拍，这责任咋算？所以很多车企干脆跳过L3，直接从L2做到L4，省得扯皮。目前真正量产L3的只有奔驰的Drive Pilot（在德国和美国部分州合法）和本田的Legend（日本，但已经停产了），其他厂商都在观望。奔驰为了推L3也是下了血本，他们承诺在系统接管期间如果出事故，责任由奔驰承担，这魄力还是挺牛的。

L4级是高度自动化，这才是真正意义上的自动驾驶。在限定区域内，比如特定的城市、园区、矿区，车辆可以完全自主驾驶，不需要人类干预，甚至可以没有方向盘和踏板。法律责任完全归车企或运营方，乘客只管坐着就行了。但注意这个"限定区域"很关键，L4不等于可以全天候、全场景使用。比如Waymo的Robotaxi现在在美国凤凰城、旧金山运营，但只在这些城市的特定区域内，而且天气不好的时候会停运。百度的Apollo Go在北京、上海、武汉等城市也有类似服务，但覆盖范围还是很有限。你不能指望开着L4的车从北京一路跑到上海，因为系统的高精地图、路测数据、应急预案都是针对特定区域准备的，出了这个区域系统就不敢保证了。所以L4现在主要用于Robotaxi、无人配送、园区摆渡这些场景，离真正的"买一辆L4私家车想去哪就去哪"还远着呢。

L5级是完全自动化，这就是科幻级别的了。任何场景、任何天气、任何路况都能搞定，车里可以完全没有驾驶相关的设备，方向盘、踏板、仪表盘统统不要，就是个移动的客厅或者办公室。你说想去西藏，它就能自己开到西藏；你说想在沙漠里越野，它也能搞定；哪怕突然下暴雨、下大雪、起大雾，它照样能安全地把你送到目的地。这听起来很美好对吧？但现实是L5目前还只是纸面概念，别说量产了，连靠谱的原型车都没有。为什么？因为现实世界太复杂了，你永远想不到会遇到什么奇葩情况。比如有个熊孩子突然冲到马路上，或者前面有个老大爷推着三轮车逆行，或者修路工人随便摆了个路障，这些corner case（边缘情况）多得数不清。人类司机遇到这些情况可以根据经验随机应变，但机器要覆盖所有可能性，这个工程量大得吓人。所以业内普遍认为L5在可预见的未来（比如2030年之前）不太可能实现，甚至有人说永远实现不了。不过科技发展谁说得准呢，说不定哪天突破了呢。

第三章：自动驾驶的技术栈——到底用了哪些黑科技？

原文：自动驾驶 https://www.key-iot.com.cn/自动驾驶

咱们聊完了历史和分级，现在说说技术，看看自动驾驶到底是怎么实现的。整个自动驾驶系统可以分成几个层次：感知层、决策层、控制层，再加上定位和地图这两个基础设施。感知层就是车的"眼睛和耳朵"，负责看清楚周围环境；决策层是"大脑"，负责判断该怎么开；控制层是"手脚"，负责执行具体的操作。这几层缺一不可，而且得配合得天衣无缝才行。先说感知层，这是最关键也是争议最大的部分，因为不同厂商的技术路线差别很大。主流的传感器有三种：摄像头、激光雷达、毫米波雷达，各有优缺点。

摄像头是最便宜也是信息量最大的传感器。你想啊，摄像头能看到颜色、能识别交通标志、能看清车道线，这些都是其他传感器做不到的。而且摄像头的分辨率可以做得很高，现在的车用摄像头一般都是1080p甚至4K的，能看得清清楚楚。特斯拉就是纯视觉派的代表，他们用8个摄像头覆盖车辆周围360度，然后用神经网络处理图像，识别出道路、车辆、行人、障碍物等等。马斯克的逻辑是人开车就靠眼睛，机器为啥不行？而且摄像头便宜啊，一个车用摄像头就几百块钱，量产成本低。但摄像头的问题也很明显：受光线影响太大。大晴天的时候看得很清楚，但逆光、夜晚、雨雪天气就抓瞎了。你可能会说现在不是有夜视摄像头吗？确实有，但效果还是比不上白天。而且摄像头没法直接测距，只能通过双目视觉或者深度学习推算距离，精度不如激光雷达。所以纯视觉方案对算法的要求特别高，得用非常强大的神经网络才能搞定，这也是为什么特斯拉要自研FSD芯片的原因。

激光雷达（LiDAR）是另一个极端，贵但好用。激光雷达的工作原理是发射激光束，然后测量反射回来的时间，从而精确计算出距离，精度可以达到厘米级。而且激光雷达不受光线影响，白天黑夜都一样用，雨雪天气稍微差点但也能凑合。激光雷达最牛逼的地方是它能生成点云地图，就是把周围环境的每个点的三维坐标都扫描出来，这样机器就能非常清楚地知道哪里有障碍物、障碍物有多大、距离多远。Waymo、百度这些公司就是激光雷达派的代表，他们的车顶上都有个转得飞快的机械式激光雷达，看起来特别科幻。但激光雷达的问题就是太贵了，早期的Velodyne 64线激光雷达要7万美元一个，这谁受得了？不过这几年随着固态激光雷达和半固态激光雷达的出现，成本已经降到了几千块钱，量产车开始用得起了。现在很多国产新能源车都开始配激光雷达了，比如小鹏P5、蔚来ET7、理想L9等等，都是为了提升自动驾驶的能力。

毫米波雷达是个折中方案，不贵但有用。毫米波雷达用的是无线电波，可以测量障碍物的距离和相对速度，不受天气影响，雨雪雾天都能正常工作。而且毫米波雷达穿透力强，可以看到前方几百米远的物体，这对高速行驶很有用。缺点是分辨率比较低，只能告诉你前面有东西，但具体是什么东西得靠摄像头或者激光雷达来判断。现在的车一般会装好几个毫米波雷达，前面一个长距离的用于自适应巡航，四周各一个短距离的用于盲区监测和停车辅助。毫米波雷达技术比较成熟，价格也便宜，一个几十到几百块钱，所以基本上所有L2及以上的车都会配。理想的配置是摄像头+激光雷达+毫米波雷达三者结合，互相弥补不足，这样才能覆盖各种场景。但马斯克觉得这是浪费钱，他认为纯视觉就够了，只要算法足够强大。到底谁对谁错，现在还没定论，得等几年看看市场表现。

定位和地图是自动驾驶的基础设施，车得知道自己在哪、要去哪、怎么走。普通的GPS定位精度只有几米，这对自动驾驶来说是不够的，因为车道才三四米宽，几米的误差可能就开到别的车道去了。所以自动驾驶用的是RTK-GPS（实时动态差分GPS），精度可以达到厘米级。RTK-GPS的原理是在地面上设立基站，基站的位置是精确已知的，然后把GPS信号的误差算出来，再通过无线通信发给车辆，车辆就能修正自己的位置。但RTK-GPS也有局限性，比如在隧道里、高楼林立的市区、树木茂密的地方，GPS信号会被遮挡，这时候就得靠惯性导航（IMU）来补充。惯性导航用加速度计和陀螺仪测量车辆的运动，短时间内精度很高，但时间长了会漂移。所以实际应用中是GPS、RTK、IMU再加上视觉定位、激光雷达定位多种手段融合，确保车辆始终知道自己的精确位置。

地图方面分成两种，一种是普通的导航地图，就是我们平时用高德、百度导航看到的那种，精度大概几米到十几米，只能告诉你哪条路通往哪里，但具体每条车道怎么走、路口信号灯在哪、路边有什么障碍物，这些信息是没有的。所以自动驾驶需要高精地图（HD Map），精度要达到10厘米级别，把每条车道的宽度、曲率、坡度，每个路口的拓扑结构，每个信号灯的位置，每个路边的护栏、路牙、指示牌都标注得清清楚楚。有了高精地图，车辆就像有了一个超级详细的攻略，知道前方会遇到什么，提前做好准备。但高精地图的问题是制作成本太高，需要专门的测绘车装着各种传感器跑遍每一条路，然后人工标注，一公里高精地图的成本可能要几万块钱。而且道路会变化啊，修路、改道、新增路口，地图得不断更新，这又是一笔持续的投入。Waymo、百度这些公司在高精地图上投入了巨资，但也只覆盖了有限的城市。特斯拉又是个另类，他们坚持不用高精地图，认为依赖高精地图的方案没法规模化，因为你不可能把全世界的路都采集一遍。特斯拉的方案是用众包的方式，让每辆车都充当采集车，把路况信息实时上传到云端，然后用AI生成实时地图。这个思路很超前，但技术难度也更大，到底行不行得通还得看实际效果。

决策层是自动驾驶的大脑，负责根据感知到的信息做出驾驶决策。这里面用到的技术主要是人工智能，包括深度学习、强化学习、规则引擎等等。早期的自动驾驶系统用的是规则引擎，就是工程师手写一堆规则：如果前面有车就保持距离，如果有行人就刹车，如果红灯就停车，等等。这种方法的好处是逻辑清晰、可解释性强、出了问题容易排查，但问题是现实世界太复杂了，你不可能把所有情况都写成规则。比如有个外卖小哥骑着电动车逆行，你该避让还是停车？有个老大爷闯红灯，你该怎么办？有辆车加塞，你该让还是不让？这些情况都需要人类司机的经验和判断，很难用规则描述。所以现在主流的方案是用深度学习，让神经网络从海量的驾驶数据中学习人类司机是怎么处理各种情况的。特斯拉在这方面走得最激进，他们收集了全球几百万辆特斯拉的驾驶数据，用这些数据训练神经网络，让机器模仿人类的驾驶行为。这个方案的优点是可以处理各种复杂的、无法用规则描述的场景，缺点是不可解释性，你不知道机器为什么做出这个决策，出了问题也不知道该怎么改进。

控制层是自动驾驶的手脚，负责把决策层的命令转化成具体的操作：转动方向盘、踩油门、踩刹车。这部分技术相对成熟，因为传统的车辆控制系统已经发展了几十年了。但自动驾驶对控制精度的要求更高，比如变道的时候要丝滑，不能让乘客感到不舒服；刹车的时候要平稳，不能一脚踩死；转弯的时候要精确控制转向角度，不能压线。这就需要非常精细的PID控制器或者更先进的MPC（模型预测控制）算法。另外还得考虑车辆的动力学特性，比如轮胎的抓地力、悬挂的响应、刹车的延迟等等，这些都会影响控制效果。现在很多车企都在自研线控底盘，就是用电子信号代替机械连接，这样控制响应更快、更精确，也更适合自动驾驶。理想、蔚来、小鹏这些新势力都在强调自己的底盘调校能力，就是为了让自动驾驶开起来更像人类司机。

整个系统的计算平台也很关键，因为自动驾驶需要处理海量的传感器数据，还要实时运行复杂的神经网络，对算力的要求极高。早期的自动驾驶系统用的是工业计算机，算力有限而且功耗大。现在主流的方案是用专门的自动驾驶芯片，比如英伟达的Orin、特斯拉自研的FSD芯片、华为的MDC平台、地平线的征程5等等。这些芯片针对神经网络推理做了优化，算力可以达到几百甚至上千TOPS（每秒万亿次操作），而且功耗控制得也不错。但芯片只是一方面，软件优化也很重要，同样的芯片，算法优化得好可以发挥出更高的性能。特斯拉在这方面很厉害，他们的软硬件一体化做得很好，FSD芯片和软件都是自己设计的，能榨干硬件的每一分性能。而有些厂商虽然用了很强的芯片，但软件优化不到位，实际表现反而不如预期。

原文：自动驾驶 https://www.key-iot.com.cn/自动驾驶

第四章：自动驾驶面临的挑战——理想很丰满，现实很骨感

讲了这么多技术，你可能觉得自动驾驶已经快实现了，但实际上还有一大堆难题没解决。首先是技术层面的挑战，最头疼的是corner case（边缘情况）。什么叫corner case？就是那些很少出现但一旦出现就很麻烦的情况。比如有个小朋友突然从车缝里钻出来，或者有辆大货车掉了货物在路上，或者有个流浪狗横穿马路，或者前面有个老大爷推着三轮车逆行，这些情况在训练数据中可能只占万分之一甚至更少，但对安全性的影响却是致命的。人类司机遇到这些情况可以根据经验判断，但机器如果没见过类似的情况，很可能就懵了。Waymo遇到过一个经典的case，有个交警在路口指挥交通，他们的车不知道该听信号灯的还是听交警的，结果就停在那里不动了。后来他们专门针对这种情况训练了模型，但谁知道还有多少种corner case没遇到呢？业内有个说法叫"长尾问题"，意思是99%的常见情况都好办，但剩下1%的罕见情况却占了90%的开发成本，因为你得一个一个去解决。

然后是恶劣天气的问题。大晴天的时候自动驾驶系统表现都挺好，但一旦遇到暴雨、大雾、大雪，传感器的性能就大打折扣。摄像头在暴雨中看不清，激光雷达在大雾中会衰减，甚至连毫米波雷达都会受到降雨的影响。而且路面湿滑的时候，轮胎的抓地力下降，刹车距离变长，这对控制系统也是挑战。Waymo和Cruise都有过因为天气原因停运Robotaxi服务的情况，因为他们觉得风险太大，不敢让车上路。但这就很尴尬了，你说你是L4自动驾驶，结果天气不好就罢工，这跟人类司机比起来差远了。人类司机虽然在恶劣天气中也会更小心，但至少还能开啊。所以怎么提升传感器在恶劣天气中的性能，怎么让系统在低能见度情况下也能安全驾驶，这是个大难题。有些公司在研究红外摄像头、毫米波雷达成像、4D毫米波雷达等新技术，就是为了应对恶劣天气，但离实用还有距离。

法律和监管也是一大障碍。现在全世界对自动驾驶的法律规定都还不完善，很多问题没有明确的答案。比如自动驾驶车辆出了事故，责任该怎么判？如果是L2系统，那肯定是驾驶员的责任，因为你有监管义务。但如果是L4系统呢？车企说系统当时运行正常，是被对方车辆突然变道导致的事故；对方车辆说你的系统应该能预判我要变道，为什么没有避让？这该怎么判？再比如自动驾驶车辆要不要考驾照？要不要买特殊的保险？在哪些路段可以开、哪些路段不能开？这些都需要法律明确规定。现在各国的做法不一样，有的国家比较保守，像日本只允许在特定区域测试；有的国家比较开放，像美国的加州和亚利桑那州允许完全无人的Robotaxi上路；中国也在陆续出台政策，但各地标准不统一，北京、上海、深圳的规定都不一样。这种法律法规的不确定性让车企很头疼，因为你不知道投入了这么多研发之后，产品能不能合法上路。

伦理问题也很棘手。有个经典的思想实验叫"电车难题"：一辆失控的电车正要撞向五个人，你可以扳动道岔让电车撞向另一边的一个人，你该怎么选？对于自动驾驶来说，类似的伦理困境会经常出现。比如前方突然有个小朋友冲出来，如果直行会撞到小朋友，如果急转弯会撞上路边的老人，系统该怎么选？或者更极端一点，如果撞小朋友车上乘客安全，如果撞老人车上乘客可能受伤，系统该保护谁？这种问题没有标准答案，不同的文化、不同的价值观会有不同的选择。有些人认为应该保护数量更多的一方，有些人认为应该保护弱势群体（比如儿童），有些人认为应该保护车内乘客（因为他们购买了这辆车），还有些人认为应该完全随机以示公平。车企在设计算法的时候必须做出选择，但无论怎么选都会被批评。所以现在很多公司干脆回避这个问题，在算法中只考虑最安全的驾驶策略，不做主动的伦理判断。

成本也是个大问题，尤其是对于想要量产的车企来说。一套完整的L4自动驾驶系统，包括多个激光雷达、十几个摄像头、多个毫米波雷达、高性能计算平台、冗余设计等等，成本可能要好几万美元。Waymo的自动驾驶套件早期成本超过10万美元，虽然现在降到了几万美元,但还是太贵了。你想想一辆普通家用车也就十几二十万，自动驾驶系统就要占成本的一大半，消费者能接受吗？所以现在L4主要还是用在Robotaxi这种商业化运营场景，因为运营公司可以通过长期的收益收回成本。但要让普通消费者掏钱买L4私家车，至少得把成本降到几千美元才有可能。特斯拉走纯视觉路线的一个重要原因就是成本，他们认为激光雷达太贵了，没法大规模量产。但纯视觉的技术难度又太大，所以到现在特斯拉的FSD虽然宣传得很猛,实际表现还是只能算高阶L2。这就是个死循环：想降低成本就得简化传感器，但简化传感器又会降低性能和安全性。怎么在成本、性能、安全性之间找到平衡点，是所有车企都在思考的问题。

最后还有个社会问题，就是自动驾驶普及了之后会对就业造成冲击。全世界有几千万职业司机，包括出租车司机、卡车司机、客车司机等等，如果自动驾驶全面普及，这些人该怎么办？你可能会说技术进步总会淘汰一些职业，这是正常的。但问题是这个转变的速度可能会很快，不像过去从马车到汽车用了几十年，自动驾驶可能十年内就能大规模普及，这么多人在短时间内失业，社会能承受吗？工会肯定会反对，政府也会面临巨大的压力。已经有一些地方出现了抵制自动驾驶的情况，比如旧金山的一些居民对Waymo和Cruise的Robotaxi很不满，认为它们堵塞交通、抢走工作机会，甚至有人故意破坏这些车。这不是技术问题，而是社会问题，需要时间来适应和解决。

第五章：自动驾驶的未来——还有多久能真正普及？

原文：自动驾驶 https://www.key-iot.com.cn/自动驾驶

说了这么多问题，你可能觉得自动驾驶遥遥无期,但其实情况没那么悲观。虽然L5在短期内不可能实现，但L4在特定场景下已经开始商业化了，L2和L3也越来越普及，自动驾驶正在一步一步走向现实。我个人的判断是，未来5-10年，我们会看到自动驾驶技术的加速落地，但不是一蹴而就的，而是分场景、分阶段逐步推进的。首先会普及的是高速公路场景的L3，因为高速公路相对简单，车速稳定、车道清晰、没有行人和非机动车，是最容易实现自动驾驶的场景。现在很多车企都在推高速NOA（领航辅助驾驶），虽然名义上还是L2，但功能已经很接近L3了，你可以在高速上撒手让它开，只需要偶尔监控一下。我觉得到2027-2028年，主流的新车都会标配高速L3，价格也会降到几万块钱的增购成本。

城市场景的自动驾驶会慢一些，因为城市路况太复杂了，红绿灯、行人、电动车、各种乱穿马路的情况都有。但一些新势力已经在推城市NOA了，比如小鹏、华为、理想，在北京、上海、深圳等城市的效果已经很不错了。虽然还是需要人类监管，但已经能处理大部分日常驾驶了，包括复杂路口、环岛、匝道等。我觉得到2030年左右，城市L3应该能大规模落地，至少在一二线城市是没问题的。但三四线城市和农村可能还得再等几年，因为那些地方的路况更差、基础设施不完善、地图数据不全。

Robotaxi会是另一个重要的应用场景。相比私家车，Robotaxi的优势是可以承受更高的成本，因为它是用来赚钱的。而且Robotaxi运营在固定的区域内，可以做充分的测试和优化。Waymo和百度已经证明了Robotaxi在技术上是可行的，现在的问题是怎么降低成本、扩大规模。我觉得到2028-2030年，Robotaxi会在国内外的主要城市逐步铺开，虽然不会完全取代传统出租车，但至少会占据一定的市场份额。价格可能会比传统出租车便宜20-30%，因为没有司机成本。但初期可能还是会有安全员随车，直到技术足够成熟才会完全无人。

货运领域也很有潜力，因为卡车司机短缺是个全球性的问题，而且长途货运大部分时间都在高速公路上，相对容易实现自动驾驶。图森未来、智加科技、Plus等公司都在做自动驾驶卡车，现在已经在美国的一些州开始商业化试运营了。国内的主线科技、赢彻科技也在做类似的事情。我觉得到2027年左右，自动驾驶卡车会在高速公路上大规模应用，至少可以在高速路段自动驾驶，到了复杂路段再由人类司机接管。这样可以让一个司机管理多辆卡车，大幅提高效率。

再往后看，2030年代可能会出现更激进的变化。比如V2X（车联网）技术成熟之后，所有车辆可以互相通信，红绿灯、路标、基础设施都可以跟车辆交互，这样自动驾驶的难度会大幅降低。你不需要靠摄像头去识别前方车辆要干什么，因为对方车辆会直接告诉你它的行驶意图。你也不需要去识别红绿灯，因为红绿灯会直接发信号给你。这种车路协同的方案在中国推得比较快，因为政府有能力去改造基础设施。美国和欧洲更依赖单车智能，也就是车辆自己搞定一切，但这个技术难度更大。中国的优势是可以两条腿走路，单车智能和车路协同并行，哪个先成熟就用哪个。

最后说说对个人的影响。如果自动驾驶真的普及了，我们的生活会有什么变化呢？首先是通勤时间不再是浪费，你可以在车上工作、学习、娱乐，车变成了移动的办公室或客厅。其次是不用再担心停车问题，你可以在目的地下车，让车自己去找停车位，回来的时候再召唤它过来接你。再次是老人、残疾人、未成年人这些不能开车的人也有了出行自由，这对社会包容性是个巨大的提升。但同时也会有一些负面影响，比如职业司机失业、交通拥堵可能更严重（因为用车成本降低了大家都愿意用车）、隐私和数据安全问题（自动驾驶车辆会收集大量的位置和行为数据）。

总的来说，自动驾驶不是一个"要么有要么无"的东西，而是一个逐步演进的过程。从L2到L3到L4，从高速到城市到全场景，从Robotaxi到私家车到货运，每一步都需要时间和投入。作为消费者，我们不用太着急，也不用过于悲观。该来的总会来，但不会像有些人吹的那么快。我的建议是，如果你现在要买车，可以选一个L2做得好的，体验一下辅助驾驶的便利，但别指望它能完全替代你开车。等到2027-2028年，如果预算充足，可以考虑买个带高速L3的车。到了2030年代，如果真的实现了城市L4,那时候我们再来讨论要不要买一辆完全自动驾驶的车。技术的发展是渐进的，我们的观念和选择也应该是渐进的。

好了，今天就聊到这儿。自动驾驶这个话题太大了，一篇文章根本讲不完，但希望这篇文章能给你一个全面的认识，至少下次跟朋友聊天的时候不会被忽悠了。记住一点：别轻信厂商的营销话术，也别被媒体的夸张报道吓到，自己多了解、多体验、多思考，才能做出正确的判断。自动驾驶的未来很美好，但也需要我们理性地看待它。

原文：自动驾驶完全指南：从科幻到现实的百年进化史 https://www.key-iot.com.cn/drive/468.html 自动驾驶