近日，美國政府表示計劃在年內把國內的交通事故死亡人數降為零。這個計劃的背景，則是美國國家高速公路交通安全管理局宣布，美國2016年上半年的交通事故死亡人數增長了10.4%。而自動駕駛被認為是實現這一計劃的基石。

　　“這個自動駕駛技術到底什么時候能成熟？”談起自動駕駛，這應該是公眾問得最多的一個問題。

　　| 自動駕駛商業化之路：革命還是改良？

　　今年三月，在德州奧斯汀舉行的SXSW互動媒體活動上，谷歌無人駕駛項目技術負責人厄姆森表示 “自動駕駛車的真正出現可能比曾經預測的時間要晚很多，最長可能需要30年”。而在2009年，谷歌無人駕駛項目開始之初，厄姆森曾經雄心勃勃地表示，希望在2019讓谷歌的無人駕駛車上市。

　　但拉里佩奇顯然沒有這樣的耐心，在今年的一期TED節目上，拉里·佩奇在談到無人駕駛時表示，他在大學時代就萌生了這樣的想法，并對這個項目的潛力非常興奮，被問及無人駕駛何時實現時，他說：“我認為會非常非常快，我很熱衷于盡快推出產品。”他更進一步闡明了自己的態度：“我們需要革命性的變化，而不是改進性的變化。”

　　去年，谷歌找來了汽車業老將，原現代汽車美國分公司CEO克拉富西克擔任無人駕駛項目主管，業界普遍的解讀是：谷歌將會把這個項目從X lab中分離出來，開始其商業化之路。

　　但路在何方？到底是自己造車，還是提供軟件產品授權，或者是像Uber那樣直接運營？這是業界反復揣測的話題，克拉富西克在7月份接受《彭博商業周刊》采訪時坦言，谷歌還沒有確定無人駕駛汽車的商業模式。外界的聲音更為尖銳，Speak With Me公司CEO阿杰·朱內賈認為，谷歌沒有制定清晰的商業化計劃；市場咨詢機構Strategy Analytics則直言不諱地表示：谷歌需要一個合作伙伴、一個銷售團隊和一項市場策略。

　　8月初，厄姆森黯然離開谷歌，這位卡內基梅隆大學的機器人專家離去的背后，無疑折射出谷歌在自動駕駛方面的愿景與商業化方面的巨大裂痕。

　　谷歌已經在多個公開場合表示其無意成為一家整車制造商，而是尋求合作，但現實是，我們看到了特斯拉和強勢的ADAS技術供應商Mobileye高調分手，看到了通用投資十億美元對自動駕駛初創公司Cruise Automation的收購，福特汽車對以色列機器學習與計算機視覺公司SAIPS的收購，以及與自動駕駛相關的至少3家初創公司的投資，寶馬、豐田等對硅谷初創企業Nauto的聯合投資，其他車廠也都在加緊網羅人才，主流車廠正在掀起一場自動駕駛的軍備競賽，他們準備自己干。

　　與車廠合作并不是一件容易的事情，尤其是對下一代核心技術而言。如果一家公司不準備自己造車，又在自動駕駛這件事上太過高調，往往會適得其反，成為合作的障礙，畢竟，汽車是品牌認知度最高的行業之一，車廠不想被供應商搶了風頭。

　　“自動駕駛將定義下一個十年，我們預測自動駕駛汽車將為社會帶來巨大的影響，就如同一百多年前福特汽車發明的流水線那樣。” 福特汽車CEO馬克·菲爾茲的一句話道出了自動駕駛對于汽車行業的意義。也許正因為這樣，拉里·佩奇才會執著地希望實現完全意義上的自動駕駛。

　　| 自動駕駛卡車異軍突起

　　但現實卻每每出人意料，今年年初，谷歌無人車團隊技術天才萊萬（Anthony Levandowski）和谷歌地圖原負責人Lior Ron離開，成立了初創公司Otto，僅僅半年后，移動出行巨頭Uber就在7月份宣布以6.8億美元高價收購Otto，考慮到這家初創公司僅僅成立半年，可以斷定他們主要依賴來自之前在谷歌開發的技術。而現在，這項技術的商業價值已經得到投資方認可，商業化前景非常明確：提供面向貨運卡車的自動駕駛運營服務。

　　為什么同樣的技術在商業化方面會有如此巨大的落差？答案需要回到當前的市場現狀中去尋找，先來看一下目前美國的貨運市場現狀：

　　美國卡車運輸產業價值7000億美元，足夠大；

　　2015年美國有160萬卡車司機，占美國工作人口的1%，卡車司機平均年齡高達55歲，顯示該行業對年輕人吸引力不足，招人難，目前有5萬名大型貨車司機的缺口（據美國卡車運輸協會數據），成為物流公司的難題。

　　因勞動力短缺，預計每英里收入將從目前的0.3美元上漲到0.7美元。

　　如果使用自動駕駛，對于物流公司而言，人力成本的節約是毋庸置疑的，（雖然會導致超過1%的勞動人口失業），服務區、汽車旅館、餐飲等開銷也基本不需要了，車險費用大幅降低；生產效率方面，自動駕駛車可以做到7x24小時運轉，即使考慮到車輛維護以及貨物裝卸的時間消耗，每周140小時的行駛時間也是有人駕駛的三倍以上。這意味者資金周轉率的同步提升。

　　從部署成本上講，如今大型卡車售價基本在15萬美元以上，Otto目前的自動駕駛套件成本大約3萬美元，從成本下降空間上看，5年內降低到1萬美元是非常有可能的。

　　技術上，卡車主要運行在高速公路上，而高速公路場景下的自動駕駛技術相對于城市道路要簡單得多，傳感器可以安裝在離地面更高的位置，因此可以探測得更遠。因此在這一領域的自動駕駛可以在短時間內達到商業化所要求的成熟度。

　　雖然精確的成本計算依然需要更多的數據，但上述數據已經能讓人相信，基于自動駕駛的物流成本將會降低2倍以上，而資本收益率將可能提高十倍以上。

　　根據路透社的消息，Uber從明年開始就會提供貨運服務，不得不說，Uber的眼光很準。更多的公司開始跟上，歐洲六大卡車制造商（包括沃爾沃、戴姆勒、達夫、依維柯、曼、斯堪尼亞）已經組建超 12 輛車的無人駕駛卡車車隊上路測試。

　　自動駕駛貨車可能會深刻改變物流行業，催生例如標準化的裝卸站這樣的場所，在該場所內，人類司機將負責與剛剛從高速公路出口下來的自動駕駛貨車進行貨物的交接，完成最后一百公里的運輸。

　　回過頭來看Otto的成功，它其實是一個技術與市場結合的漂亮案例。一項技術的研發，一開始也許是面對一個極為長遠的目標，但其技術達到一定程度后，在某些場景下就可以產生商業價值了。因此通過限定使用場景，就可以降低技術實現難度，在高速公路貨運這個場景下，我們甚至可以進一步降低技術難度，例如使用有人領隊的編隊行駛，在這一模式中，一名人類司機駕駛頭車，后面跟隨5至10輛無人車以密集間距行駛，這意味著5~10倍的勞動力效率提升，其商業價值可見一斑。

　　| 自動駕駛的應用之路

　　目前公眾對于自動駕駛的質疑，其實是有一個假設的前提，那就是允許汽車在任何時候，在任何開放道路上都可以行駛，這無疑是終極目標，但你能想象自動駕駛車如何聽從操著方言的交警指揮嗎？拿一個最難的場景去評估一項在發展中的技術，自然很容易得出較為悲觀的結論，而事實上，正如我們在前面看到的自動駕駛卡車的例子一樣，商業價值的產生是有多樣化的，在達到終極目標的過程中，或者限定場景，或者限定功能，就有可能將自動駕駛應用落地，產生商業價值。

　　如果順著與自動駕駛卡車相同的思路去探索商業化路徑，會發現不少行業都可以在短期內可以實現。

　　倉儲物流行業：領先的電商如亞馬遜和京東已經部署了AGV；

　　用于農業的自動駕駛車輛：包括可以進行耕作和收割的農業機械，在非道路上進行低速移動的場景難度很小，轉場時可用其它運輸車輛轉移；

　　局部封閉場所：如度假村、旅游景區、機場、礦區、碼頭、建筑工地等，在該應用下的車輛多數是特種車輛，如挖掘機、起重機、小型電動車等。

　　隨著技術的進一步發展，更多的自動駕駛場景將得以實現：

　　城市公交系統：有固定的行駛線路，例如使用公交專用道，可以有選擇地施行自動駕駛。

　　商業運營車輛：如出租車、公司班車等。

　　對于私人車輛，其自動駕駛的應用普及也可以按照場景的不同范圍逐步擴大：例如先在高速公路上實現；然后是停車場，最后才是開放道路。一份來自通用汽車的調查顯示，在超大型城市，30%的汽油浪費在尋找停車位的過程中，而中心城區的停車時間通常超過15分鐘，停車場的自動駕駛其實意義很大，而停車場的駕駛環境也相對友好，不存天氣因素，速度也低，也是封閉場所，其實現難度明顯要比開放道路低。

　　| 商業化的邏輯

　　無論自動駕駛的應用場景是什么樣，這背后始終有三個核心原則需要滿足：技術上成熟度達到該應用場景的要求；投資成本可接受；投資回報達到突破點：相對于之前的有人駕駛，必須能夠減少成本或者增加收益，并且這種商業收益是可以被量化的，一句話：部署自動駕駛就意味著省錢或者賺錢，否則只能落入作秀的場景。

　　因此，自動駕駛的商業化路徑，在不同國家也勢必各不相同，因為相同的應用場景，成本結構不同，例如出租車行業，美國的出租車人工成本顯然要比中國高非常多，這也是Uber在自動駕駛技術的投入上如此激進的原因之一。

　　在國內，一線城市都在積極推動自動駕駛的測試實驗區開發，背后的商業化驅動力不容忽視，北京市超過20%的路面是被汽車所占據的，而一輛私人汽車的實際利用率通常只有不到10%，超過90%的時間里都處于泊車狀態，這帶來了兩個巨大的難題：停車難、擁堵（潮汐式通行，尋找停車位造成的局部路段擁堵）。

　　解決之道呢，從傳統上講，需要修建更多的停車場，以及更多的道路，而這無可避免地要消耗土地，現在的一線城市土地是什么價？上海平均超過一個億/畝，如果我們能利用自動駕駛提高車輛利用率，停車場就可以少建，如果少停10萬輛車，則省出來的停車場面積至少是1.6平方公里，價值2400億元！道路資源也是一樣，如果可以利用自動駕駛結合綠波帶通行，將道路利用率提升一倍，則很多道路就可以重新規劃，例如減少新建道路，或者舊的道路連同小區集中拆除，做整體改造，對于土地的節約是顯而易見的。

　　成本同樣是無法忽視的，一項先進的技術，其商業化之路，往往是伴隨著成本的下降逐步展開的。今天，我們的大部分汽車上都安裝有雷達，但當雷達最初投入實用，是在二戰前夕，1936年英國人在索夫克海岸架起了第一個雷達站，之后在二戰中，雷達技術在巨大的軍事需求下得到飛速發展，從地基防空雷達擴展到艦載雷達，隨后機載雷達也出現了，之后雷達才漸漸步入民用，二十年前雷達才開始應用于汽車，而77GHz毫米波雷達在汽車上的應用只是近幾年的事，這里面固然有技術的因素，但成本無疑是決定性的，畢竟汽車是大眾消費品，成本的因素無法忽視，對于自動駕駛同樣如此，在成本沒有降低到一定程度之前，在乘用車上的普及是不可能的。

　　| 不可忽視的技術因素

　　目前，幾乎所有的自動駕駛測試車都是基于自主感知的模式，也就是利用多種不同種類的傳感器對環境進行感知，但是，任何一種傳感器都是有局限性的，而傳感器融合并不是那么容易做到。例如，雷達探測到前方有強烈的回波并確認這是一個很大的障礙物，而攝像頭卻沒有看到，這時該相信哪一種傳感器的數據？而真實情況可能是前方有一個易拉罐，它放大了雷達的回波。

　　自動駕駛所需要的安全性如此之高，必須有多重冗余的感知手段，V2X在這里扮演了非常關鍵的角色，與攝像頭或者雷達不同，V2X是一種精確感知手段，依靠802.11p或者5G通信，V2X可以在大得多范圍內（室內300米，室外1000米）準確感知周圍車輛的態勢，包括其位置、車速、轉向燈狀態等，同時，通過與道路基礎設施的通信，獲得局部范圍的精確地理信息；V2X使動態的車隊組網成為可能，并且可以通過V2I，實現綠波帶通行；V2X不會受到天氣條件的影響，這一切是其它傳感器難以企及的。可以說，V2X使自動駕駛的可靠性發生了質的飛躍。

　　但V2X是典型的依賴于標準的技術，這意味著其真正主導者只有一個：政府。目前，中國的V2X的標準還在制定中，LTE-V技術也才剛剛開始研究，距離實用化還有很長的路要走，這折射出政府決策的復雜性，這使得V2X部署時間很難預測，而局部封閉場所的V2X部署要容易得多，一家公司就可以在機場或者某個園區部署V2X，并且由于是封閉場所，不需要考慮互聯互通，或者標準的問題，因此商業化實施的效率就很高。

　　V2X的價值依賴于它的普及率，如果公路上的車輛V2V的覆蓋率不是100%，那它的意義就會大打折扣，V2I則需要基礎設施方面的大量投入。目前自動駕駛研發方面，媒體的聚光燈對準的依然是車廠，但如果要讓V2X達到全覆蓋，政府的作用是不可替代的。和任何一項大規模的基礎設施投資一樣，V2I的部署不可能一開始就規劃全覆蓋，而是先從局部開始，因為這樣的投資必須考慮商業回報。我們可以設想，政府可能會先在幾條主干高速公路部署V2I，例如G2京滬高速，長三角城市帶高速等，以提升道路利用率，獲得更高的商業回報。

　　今天，自動駕駛的感知和決策環節的主流技術發展方向逐漸清晰，即基于深度學習與增強學習結合的機器學習，但機器學習需要大數據的驅動才能達到高性能和高可靠性。這意味著，開發者需要將自動駕駛設備先安裝到大量的車輛上，讓車輛在實際運行中才能產生所需要的數據量，結果就會陷入雞生蛋還是蛋生雞的問題：一開始自動駕駛的可靠性不好，無法出售大量設備；設備量不足導致數據量不夠，又會制約性能的提升。如果最開始先在某些特定應用方面進行部署，則可以逐步積累數據，提升性能，為更大范圍的自動駕駛應用做好準備。

　　谷歌自動駕駛從七年前開始測試，到現在也只跑了3百萬公里，而特斯拉的Autopolit從15年10月啟用以來的多半年內，已經積累了1.6億公里以上的行駛里程；Uber更夸張，摩根士丹利曾在一份報告中稱：“Uber在24分鐘內收集到的數據，就相當于谷歌自動駕駛汽車自誕生以來記錄下的所有數據。”

　　這就是通過量產車積累數據的優勢。說到底，基于數據驅動的技術必須在實踐中才能完善，單個公司的測試規模有限，而且效率太低。在技術史上這樣的例子不勝枚舉，蘋果在推出第一代iPhone的時候，上市后僅僅幾周，用戶就發現了幾百個bug，這還是質量要求苛刻的喬布斯的作品。

　　同時，自動駕駛的開發還有高度的地域性特點，歐洲和北美的駕駛環境不同，中國的駕駛環境與歐美差異更大，比如司機變道頻繁、人車混行嚴重等，車輛特征差異大、道路系統復雜等，這些本地化因素往往導致本來在歐美比較成熟的功能，如變道、過十字路口等，在中國實測的成功率急劇降低。從這個意義上講，本地化的數據處理和自動駕駛決策算法開發是無法回避的，在這個問題上，地平線機器人與相當多的國外車廠和國際Tier1都有廣泛的討論，各方都有高度認同。

　　| 歷史的啟迪

　　美國智庫蘭德公司在其發布的《駛向安全》報告中認為，自動駕駛的安全性需要數億至數千億英里，才能驗證其可靠性，凸顯了在開放道路上全自動駕駛的復雜性，以及由此帶來的在測試方法上的巨大挑戰。

　　憑借在機器學習方面的出色成績，地平線機器人在自動駕駛領域吸引了業界的廣泛關注，同時，地平線定位于做自動駕駛解決方案的Tier2供應商，與多家車廠和Tier 1保持了廣泛的溝通，并與其中的多家合作伙伴進行了深入合作，這樣的一個比較偏上游的定位，給了地平線一個很好的視角，去觀察并思考這個行業，更多地從市場真實需求從出發，去制定相應的技術路線圖。

　　在通往完全無人駕駛的終極目標的路上，確定了較多的中間節點，我們相信ADAS依然會持續演進，從目前的Level2向Level3過渡，最終朝Level4的自動駕駛發展，而在技術研發上從感知，到三維場景語義理解，再到環境態勢預判、路徑規劃，場景方面逐漸擴大其適用面，從高速公路到一般道路。同時，ADAS也會從外部感知擴展到對司機的感知和理解，確保在自動駕駛和手動駕駛方面的過渡可靠性。

　　一個有遠大抱負的企業往往會希圖畢其功于一役，一步到位將革命性的技術投入商業化。摩托羅拉一手開創了移動通信時代，當時移動通信最大的挑戰是地面基站的覆蓋面不足，并且基站之間的切換可靠性也很差，于是這個當時的技術巨人在發展新一代移動通信技術時，決定建設一個衛星通信系統，徹底解決這一問題，這就是著名的銥星系統，在技術上這是一個偉大的設想，但是令人始料未及的是，地面基站的建設速度超乎預期，并且在普及過程中可靠性逐步完善，而依靠摩托一己之力的銥星系統卻獨木難支，巨額投資導致服務費用高昂，盈利回報達不到預期，最終黯然退出市場。

　　從某種意義上講，一個系統，無論是技術，還是政治、經濟，只要足夠復雜，就很難有一步到位，推出一個完善、可靠的系統。

　　二十多年前，當前蘇聯的鐵幕無奈落下時，福山發出了著名的論斷：歷史的終結，他樂觀地認為，自由民主制度是“人類意識形態發展的終點”和“人類最后一種政治形式”，而時至今日，中東亂局恰恰證明了自由民主革命不見得會帶來一個更好的政治生態，改良的成功例子似乎更多。俄羅斯也試圖用休克療法重建一個完美的經濟格局，結果一敗涂地，反而是中國的漸進式改革取得了巨大成功。在今天自動駕駛的喧囂聲中，歷史的啟迪或許值得深思。
　　本文作者李星宇，地平線機器人自動駕駛業務總監，前飛思卡爾應用處理器汽車業務市場經理，原士蘭微電子安全技術專家。