專家們相信第2種技術路線將最終成為許多未來自動駕駛汽車產業參與者們所青睞的方法，這可以從許多汽車制造商、一級供應商及科技公司目前所使用的測試車輛上得到間接驗證，這些汽車大都配置了激光雷達。

測繪技術（Mapping）：目前自動駕駛汽車技術開發者們正在使用技術路線有以下兩種：

精細的高清地圖（Granular， High-Definition Maps）：為了構建高精地圖，企業經常使用配置有激光雷達和攝像頭的測繪車輛，它們沿著目標路線行進，以創建含有周圍環境360度信息（包括深度信息）的3D高精地圖；

特征測繪（Feature Mapping）：這種技術路線不一定需要配置激光雷達，而可以使用相機（通常與雷達相結合）僅繪制某些能夠幫助實現車輛導航的特定的道路特征。例如，捕捉車道線、道路及交通標志、橋梁和其它相對靠近道路的物體。雖然這種技術路線只提供了較低的測繪精度，但處理和更新起來更容易。

捕獲的數據將被（手動地）進行分析以產生語義數據，例如，具有時間限制的車速指示牌。通過使用有人駕駛或自動駕駛且每輛車都配置有連續收集與更新地圖所需的遙感器組件的車隊，地圖制造商可以改進上述兩種技術路線。

定位技術（Localization）：通過識別出車輛在其環境中所處的確切位置，定位技術是自動駕駛汽車選定向哪里走并決定怎么走的關鍵先決條件，目前有下列幾類常見的技術路線：

高精地圖（HD Mapping）：該方法使用車載傳感器（包括GPS）來將自動駕駛汽車感知到的環境與相應的已有的高精地圖進行比對，提供了車輛可在高精度水平上確定其位置（包括車道信息）及正朝著哪個方向的參照點。

無高精地圖輔助的GPS定位（GPS Localization without HD Maps）：此種技術路線依賴于GPS進行近似定位，然后使用自動駕駛汽車的傳感器來監視其環境中的變化以改善其定位信息。例如，此類系統會將GPS的定位數據與車載攝像機捕獲的圖像進行結合，通過逐幀的比對分析（frame-by-frame comparative analysis）來降低GPS信號的誤差范圍。GPS的在水平方向上定位的95％置信區間約為8米，相當于正常路面的寬度。

需要指出的是，上述兩種技術路線還嚴重依賴于慣性導航系統（Inertial Navigation Systems，IHS）和測距數據（Odometry Data）。經驗表明，通常情況下第1種路線的魯棒性更好，能夠實現更精確的定位，而第2種路線在操作上更容易實現，因為并不需要高精地圖。鑒于兩者之間的在精度上差異，設計人員可以在車輛的精確定位信息對于導航并不是必須的場景下（例如，農村和人口較少的道路）使用第2種方法。

決策

全自動駕駛汽車在行駛的每一英里路程中需要做出成千上萬個決定，而且它必須以非常高的準確率長期可靠地運行。目前，自動駕駛汽車的設計者們主要使用以下幾種方法來確保車輛行駛在正確的路線上：

神經網絡（Neural Networks）：為了確定具體的場景并做出適當的決策，今天自動駕駛汽車的決策系統主要采用神經網絡，然而，這些網絡的復雜性質可能使得難以理解系統做出某些決定的根本原因或邏輯。

基于規則的決策（Rule-based Decision Making）：工程師想出所有可能的“if-then規則”的組合，然后在用基于規則的技術路線對汽車的決策系統進行編程，但此種路線需要花費大量的時間和精力并且可能無法涵蓋到每一個潛在的場景，這些都使得它在實際應用時并不可行。

混合路線（Hybrid Approach）：許多專家認為將神經網絡和基于規則的編程方法相結合的技術路線是最佳的解決方案，開發人員可以通過為每一個被中央集權式神經網絡所連接的各獨立進程引入特定的冗余神經網絡來解決神經網絡的固有復雜性（Developers can resolve the inherent complexity of neural networks by introducing redundancy—specific neural networks for individual processes connected by a centralized neural network），此時“if-then規則”可以對其進行優勢互補。

目前，結合統計推理模型的混合路線是最流行的技術路線。

測試與驗證

整個汽車行業在汽車測試與驗證技術方面擁有豐富的經驗，以下是用于開發自動駕駛汽車的典型方法：

蠻力（Brute Force）：工程師讓汽車行駛數百萬英里，以確定所設計的系統是否安全并按預期運行，該方法的困難在于所必須累積的測試里程數，這可能需要花費掉大量的時間。研究表明，自動駕駛汽車將需要大約2.75億英里的行駛里程來證明，在95％置信度的條件下，他們設計的自動駕駛汽車的故障率為每1億英里造成1.09起交通死亡事故，該數據相當于2013年美國的由人為原因所造成的交通死亡率。當然，為了表現出比人類更好的性能，自動駕駛汽車所需測試里程需達到數十億英里。

據蘭德公司（Rand Corporation）研究員尼迪-卡拉和蘇珊-帕多克估計，如果100輛自動駕駛汽車每天運行24小時，每年運行365天，以平均25英里/時（約合40公里/時）的速度行駛，則需要十多年時間才能積累2.75億英里測試里程數。

軟件在環或模型在環的仿真（Software-In-the-Loop （SiL） or Model-in-the-Loop （MiL） Simulations）：另一種更可行的方法將現實世界的測試與仿真相結合，這可以大大減少汽車行業也已熟悉且必須完成的測試里程數，在仿真所構建的各種場景中，通過算法控制車輛進行相應的應對來證明所設計的系統確實可以在各種場景下做出正確的決定。

硬件在環的仿真（hardware-in-the-Loop，HiL）：為了驗證真實硬件的運行情況，HiL仿真可以對其進行測試，并將預先記錄的傳感器數據提供給系統，此種技術路線降低了車輛測試和驗證的成本，并增加研發人員了對其設計的系統的信心。

最終，企業們可能會實施一種混合路線，應用上述所有方法，以期在最短的時間內實現所需的置信水平。

加速自動駕駛汽車的研發及部署進程

綜上所示，雖然目前的評估表明，大規模引入全自動駕駛汽車可能還需要10多年的時間，整個行業的參與者仍然可以通過多種方法來壓縮這一時間框架。

首先，參與到自動駕駛汽車產業的科技公司（注：如Waymo、Apple及Uber）應該認識到，單個公司獨立開發自動駕駛汽車所需的整套軟件和硬件系統是極具挑戰性的。因此，它們需要更加擅長合作和形成產業合作伙伴關系。具體來說，它們可以與行業的傳統參與者（如技術創業公司、一級供應商和汽車制造商）形成產業聯盟關系，在更細化的層面上，這意味著與對實現自動駕駛汽車非常重要的技術供應商進行合作，如激光雷達技術及地圖技術供應商。

其次，為幾家企業所專有的解決方案（Proprietary Solution）開發和驗證起來可能會過分地昂貴，因為它們要求這幾家參與企業承擔所有責任和風險。開放的心態和商定的標準不僅會加速進程，且能使正在開發的系統擁有更好的魯棒性。因此，以設計互通性部件（Interoperable Components）作為準則的開發模式，將起到鼓勵采用模塊化、即插即用系統開發框架的作用。

此外，另一種加快這一進程的方法是將致力于對組件的開發的行業風氣逐步轉到對集成系統的開發（Integrated System Development）。不同于目前行業主流的只專注于開發擁有特定用途的組件，業界需要更多地關注開發實際系統（Actual Systems），特別是考慮到自動駕駛汽車所面臨的艱巨的安全方面的難題。事實上，在車輛的整個生命周期中達到一定水平的可靠性和耐用性，將成為整個行業所必須完成的新的強制性任務，如同在航空業已經要求的那樣，而強調在系統層面進行開發可能是實現該目標的最佳方法。

全自動駕駛汽車可能會在未來幾年內實現，但是目前各家企業大都已在自動駕駛原型汽車最終將會如何呈現的賭局中投下了巨額賭注。自動駕駛汽車將會如何做出決策、感知周圍環境并保護其搭載的人員呢？想要掌控自動駕駛汽車產業戰略要素的傳統車企正面臨著一批技術上富有競爭力且資源雄厚的挑戰者，后者有能力給最優秀的業內人士（the best-positioned insider）提供難以拒絕的豐厚薪酬包。

鑒于自動駕駛汽車產業狂飆突進的發展速度，企圖在該產業中討得一杯羹的企業在戰略層面給自己定位以便快速抓住此次產業機會。而對于監管機構而言，需要追蹤最新的技術發展動態，以便在不妨礙技術創新的前提下，確保公眾的安全。

關于作者

Kersten Heineke是麥肯錫法蘭克福辦事處的合伙人，Philipp Kampshoff是休斯敦辦事處的合伙人，Armen Mkrtchyan是南加州辦事處的顧問，Emily Shao是芝加哥辦事處的顧問，他們都歸屬與麥肯錫未來出行中心（McKinsey Center for Future Mobility）。此外，作者希望感謝Aditya Ambadipudi，Johnathan Budd，Martin Kellner和Luca Pizzuto對本文的貢獻。