L4 無人駕駛面臨的主要困難

相關法律法規已不再是主要制約瓶頸

自動駕駛汽車技術發展也使得全球各國政府加緊制定與其相關的法律法規。

• 在美國聯邦層面上，美國交通運輸部（DOT）代替美國公路交通安全管理局（NTHSA） 于 2018 年底更新并發布了自動駕駛車輛 3.0 手冊，將自動駕駛的概念拓展到所有的地面道路車輛，明確聯邦和州政府的監管職責，主要致力于消除可能影響自動駕駛技術發展的不必要政策制約因素。
• 在美國各州政府層面上，截止 2019 年 3 月底已經有 31 州頒布了自動駕駛相關法律或地方級別行政令，但在新澤西、羅德島等其余 19 州則還沒有可以支撐自動駕駛車輛上路的法律依據。
• 日本在 2016 年發布了《自動駕駛汽車道路測試指南》，允許自動駕駛汽車道路測試實驗；韓國 2016 年修正了機動車管理法，修訂后允許在道路上開展自動駕駛汽車測試。
• 我國工信部、公安部、交通部三部委聯合印發《智能網聯汽車道路測試管理規范（試行）》，對測試主題、車輛、牌照申請等進行了規范。目前北京、上海、廣州、深圳、重慶均先后出 臺了自動駕駛路測法規，并頒發了專用路測牌照。
• 
  

算法與數據：自動駕駛企業開始擁抱開源數據集

當前 L4 級自動駕駛的關鍵難點在于，現有算法無法準確處理復雜環境下無限可能的長尾場景。一旦長尾場景算法的難點得以攻破，自動駕駛的安全隱憂將大幅緩解， 我們認為自動駕駛有望加速商業化進程。商業化將帶來自動駕駛零部件及整車的大規模量產，從而降低傳感器成本、推動產業鏈的快速成熟，感知層和執行層的當前困難自然得到解決。

分別從感知層、決策層、執行層來看，我們認為當前 L4 級自動駕駛落地的難點包括：

• 感知層：目前，感知層的傳感器技術已經基本達到自動駕駛的要求。但是，對于乘用車而言，激光雷達等傳感器的成本仍然過于昂貴。對于商用車而言，由于其經營性質，激光雷達的成本并非主要障礙。
• 理解與決策層：當場景從封閉走向開放，開放的環境越大、越復雜，對于自動駕駛決策層的挑戰將呈指數級上升。決策層算法不僅需對多傳感器融合的數據準確處理， 還負責車輛的路徑規劃、行為規劃、軌跡規劃。當前的自動駕駛算法，很難完美地處理從未見過的場景，同時開放的場景下存在數不勝數的可能，一家企業很難在短短幾年內將其完全考慮在自己的算法中。事實上，盡管已經經過多年的訓練，2018 年 Waymo 仍在沒有左轉道的路口轉向時出現問題。
• 執行層：目前的自動駕駛試驗車，均是通過現有車輛改裝而成，其穩定性和可靠性相比量產車要求仍有一定的距離。若要推出自動駕駛車型，則車輛的電子電氣架構、油門、轉向、剎車等執行系統均需要重新設計，車型設計完成后驗證測試也將需要一定的周期。

對于自動駕駛企業而言，數據是一項重要的資產，高質量的標注數據對于自動駕駛開發至關重要。過去，絕大部分自動駕駛企業嚴格保密自己的數據集，但目前正加速向開放轉變。2018 年 3 月，百度 Apollo 率先發布了自動駕駛數據集 ApolloScape。2019 年 6 月， 在計算機視覺頂會CVPR 2019 上，Waymo 和Argo AI 也分別發布了公開的自動駕駛數據集，其中 Waymo Open Dataset 的標注數據量高達 60 萬幀且傳感器配置豐富，Argo AI 的Argoverse 數據集則是首個含有高清地圖數據的公開數據集。緊接著，2019 年 7 月，Lyft 也發布了開源自動駕駛數據集。我們認為，考慮到當前自動駕駛在長尾場景遇到的困難， 單個企業很難獨立建立和維護完善的數據集，因此自動駕駛數據開放是長期趨勢，數據開放將助力自動駕駛行業突破算法瓶頸。

系統零缺陷是實現自動駕駛的核心挑戰，L3 可能是短期最優動態平衡

汽車的道路安全是在實現自動駕駛的過程中的關鍵要素之一。我們認為，自動駕駛這樣的復雜系統所追求的零缺陷目標正在成為其自身的制約因素。高等級自動駕駛意味著駕駛員注意力和時間的釋放，在排除了人為因素后，也意味著加深了對設備安全性的依賴、

將自動駕駛系統的安全標準提到了更高的位置。

• 從硬件能力層面看，自動駕駛提高了系統復雜性，例如面對視覺攝像頭、毫米波雷達、激光雷達、高算力芯片、復雜算法等多種領域，主機廠也缺乏成熟經驗。而同時原本偏傳統的車身系統，例如安全氣囊系統、制動系統、底盤控制系統、動力總成控制系統、相關電力電子元器件，因為被納入了廣義 ADAS 的執行機構范疇，也有較大幅度的升級。系統復雜性的提升增加了單一硬件隨機失效或者系統級別失效的風險。
• 從項目開發層面看，需要在整個生命周期內（管理、研發、生產、運營、服務）保證自動駕駛相關系統的相關風險均處在可預見、可量化、可追溯的狀態。

ISO26262 甄別關鍵硬件，并增加冗余。按照 ISO26262 的定義方法，自動駕駛系統的風險程度可以按照：

• 危險發生時導致傷害的嚴重性（嚴重度）、
• 危險所在工況發生概率（暴露率）、
• 危險的可控性，

三個指標來考量，并分為功能安全等級 ASIL A/B/C/D 四個層級。其中 ASIL-A 是最低的安全等級、ASIL-D 是最高的安全等級，而 QM 則意味著系統要求和安全功能無關。ASIL 等級越高，對系統安全性要求越高，但同時意味著硬件的診斷覆蓋率越高、開發流程越嚴密，導致開發成本上升、開發周期延長。

大部分高級自動駕駛的功能（例如自主轉向、緊急制動）的失效都可能會導致駕駛人員的致命傷害，因此有較大可能性會被主機廠歸為 ASIL-D 的安全級別，需要對眾多關鍵子系統做出必要的冗余。

環境識別能力偏弱并非硬件物理缺陷，而是算法的不足

目前自動駕駛技術水平對外界環境做出無誤的判斷，仍有難度。受制于天氣環境多樣性、道路環境復雜性、車輛本身高速運動特性、傳感器受到視角、光照、污損、遮擋等因素影響，沒有一種理想的環境感知技術可以妥善處理所有的工況，需要多感知設備耦合并通過算法來彌補各種技術的短板。

因此對環境的識別能力難以趨于零缺陷，并非因為零部件物理缺陷，而更多是算法對復雜環境的處理能力不足。

零缺陷管理并不免費，過程中帶來產業利潤池轉移

產品缺陷自身毫無疑問會提升企業成本。帶來的成本會包含失效分析、返工、重新檢測、 質保費用、召回費用、周轉延長等，所以當汽車系統質量較差、產品缺陷率較高，總體帶來的質量成本就很高。高田氣囊的產品缺陷造成了全球眾多知名的整車企業（豐田、日產、本田、謳歌、馬自達、福特等）超過千萬車輛的召回，并直接導致了高田公司在 2017 年的破產；豐田在 2010 年因為油門踏板故障，也帶來了約 20 億美金的召回費用。

但零缺陷管理也并不是免費，其需要融入自動駕駛系統的研發過程、工藝流程、甚至需要重塑企業文化。

1. 從系統層面看，自動駕駛面臨著系統架構的優化，并帶來利潤池轉移：從分布式系統架構轉向集中式系統架構、從眾多控制單元轉向少數集中式處理器。通過減少硬件數量、這不僅僅是硬件能力的變化，可能還會伴隨著價值鏈的轉移。過去分布式架構各子系統自帶控制單元無疑可以提供額外附加值，并提升企業利潤；而集中式架構使零部件供應商降級為純粹硬件供應商，使得利潤池向整車企業或一級系統商集中。
2. 從產業鏈看，增加了溝通成本。自動駕駛系統設計到眾多的零部件/子系統供應商， 系統的零缺陷最終將被分解成所有子系統和零部件的缺陷率：從各種傳感器到處理芯片、從操作系統到執行機構，需要的不僅僅是整車企業、更是整個產業鏈對更高系統安全性的貢獻。
3. 從功能安全角度看，開發成本與物料成本上升。由于需要建立標準化的開發流程保障產品開發過程中就可以顧及到所有的需求并具有可追溯性，保障所有的設計都可以被檢測和驗證到，零缺陷的管理過程也是提高開發成本的過程。而功能安全所需要的硬件冗余，則直接提升了物料成本。

L3 級別自動駕駛進度是成本和缺陷率的動態平衡

對于自動駕駛來說，一味追求完全的“零”缺陷，短期內由于環境識別等領域準確度仍有不足，若堆砌大量的硬件則又帶來極高的成本壓力。我們認為 L3 水平的自動駕駛，是成本和缺陷率的動態平衡的結果，將一部分系統缺陷的結果交由駕駛員來處理，或許是真正實現“無人”駕駛之前必要的權衡之舉。