第2节 自动驾驶：从模仿人类到超越人类

据一项研究估算，按照自动驾驶降低50%的交通事故与50%的通勤时间计算，我国每年交通事故将减少10万起，死亡人数减少3万人，通勤时间节省6亿小时，总共减少或节省下来的经济价值高达300亿元。

全社会范围的降本增效是驱使自动驾驶不断迭代的根本动力，而这也正是自动驾驶从最初“模仿人类”向“超越人类”的进化过程。它将变得比人类反应更敏捷，决策更合理，在数据和算法的加持下，它甚至可以预知未来。

谁能让自动驾驶更聪明

自动驾驶的根本逻辑就是对人类驾驶行为的模仿。

人类需要通过视觉和听觉感知、大脑反应与四肢动作来完成驾驶。同样，自动驾驶也需要解决三个问题：从哪里来到哪里去、周围会发生什么以及应该怎么做。而这三个问题分别由高精度地图、传感器以及智能算法来解决。

首先，高精度地图让汽车明白“从哪里来到哪里去”。不同于大家驾驶时常用的电子导航地图，高精度地图包含两个特性：一是绝对坐标精度更高，误差要求在0.2米左右，仅为普通导航地图的十几分之一；二是道路交通信息元素更细致，必须囊括交通标志、路沿护栏、龙门架、绿化带，以及道路的曲率、航向、坡度与高程等。

自动驾驶时，在导航的基础上，高精度地图不仅能及时准确地提供复杂多变的道路信息，还能够在卫星定位系统信号不佳时，通过匹配各种静态参照物，推算出实际位置。

自动驾驶领域的底层基础自然引得国内外各大公司的竞相布局。百度旗下的长地万方收集了超过30万公里的路测数据，自动化处理数据的程度达到90%以上；上市公司四维图新联手奔驰、宝马与奥迪等车企，打造自动驾驶地图与车联网综合信息服务体系；高德地图和精准位置服务商千寻位置合作，提供“自动驾驶地图+高精度定位”综合解决方案；而来自硅谷的高深智图（DeepMap）则主要利用激光雷达与定位系统的多传感器融合方案，通过众包模式与出租车、公交车、环卫车合作进行数据采集。

其次，在驾驶过程中，人类需要运用视觉观察周围环境，而对于自动驾驶来说，雷达和摄像头等传感器就是一双不停注视四周的眼睛，解决“周围会发生什么”的问题。

最先闯入公众视野的是谷歌旗下的自动驾驶公司Waymo，其采用激光雷达作为传感器。激光雷达的优势是探测精度很高，劣势是不仅难以适应雨雪雾霾等极端天气，成本还一度高达3000美元，难以普及应用。

特斯拉CEO马斯克对此抨击：“傻子才用激光雷达！”特斯拉的办法是采用毫米波雷达+摄像头的搭配组合。毫米波雷达成本仅为90美元，比激光雷达更能适应极端天气，但探测精度较低，识别能力较弱，而摄像头正好可以弥补这一缺陷。反过来，摄像头无法感知物体距离与速度的缺陷，又可以被毫米波雷达弥补。

面对马斯克的炮轰，Waymo并没有示弱，其前任CEO克拉夫茨克宣称：“特斯拉根本不是Waymo的对手！”这背后的趋势是，随着自动驾驶的应用发展，激光雷达的成本开始逐步下降，不但美国老牌激光雷达厂商威力登（Velodyne）大幅降价，国内市场上，览沃科技发布了售价800美元的自动驾驶激光雷达，华为也发布了车规级高性能激光雷达，计划压缩成本到200美元。

有没有一种兼具高精度、低成本以及抗极端天气等优点的解决办法呢？正当Waymo与特斯拉打得火热之际，一种更前沿的感知解决方案——4D成像雷达横空出世。

所谓4D，就是3D坐标+1D速度。美国傲酷公司与以色列Vayyar公司率先推出了4D成像雷达，其本质就是在毫米波雷达的基础上，采用软硬件虚拟的方式，通过AI算法驱动的虚拟孔径成像软件，实现4D高清成像。它兼具了上述两种解决方案的优点，随着越来越多的车企与之合作，更是大有“取激光雷达而代之”的强劲势头。

无论用什么雷达，其收集的数据都要交给算法来完成最后的决策处理。

自动驾驶的决策规划通常分为三个层次：一是路线规划层，即结合高精度地图，计算出到达目的地的最优路线；二是行为规划层，即结合雷达与摄像头收集到的诸如其他车辆、行人与障碍物等环境信息，做出变道、超车、刹车等具体应对行为；三是动线规划层，即根据行为规则，生成一条满足动力学约束、避免碰撞与乘坐舒适度等特定约束条件的运动轨迹，进而决定车辆最终的行驶路径。

每一个层次背后，都有多种不同的算法模型作为支撑，比如用于路线规划层的Dijkstra算法以及用于行为规划层的有限状态机模型等。不同的算法有着不同的优劣势，这就需要我们针对自动驾驶过程中的各种目的，分别采用不同的算法，最终统筹协调集中控制。比如，全球知名的自动驾驶公司Moblieye，就通过多种不同的算法分别识别车辆位置、场景物体与障碍物等信息，进而做出准确判断，指导车辆行驶。

超越人类的交通大脑

各大公司使尽浑身解数，想要让汽车变得更智能，从而无限逼近人类驾驶状态。但有没有一种可以超越人类驾驶的自动驾驶解决方案呢？车路协同便跳出了之前“只是汽车更智能”的思维局限，从另一个维度给出了肯定的答案。

车路协同，协同的是什么？

如果把视角拉高至整个交通体系，我们就会发现，汽车只是其中一个要素，道路、行人与环境等要素也深度参与到整个交通体系的运转中，任意一个变量都会引发蝴蝶效应。所以，车路协同正是强调交通体系中人、车、路以及环境等要素的耦合与协同，它是一种体系化的自动驾驶技术解决方案，更是一种全盘统筹的思维模式。

其实早在20世纪90年代，国内外就已经开始研究“车路协同”。随着近年来5G网络、人工智能、物联网与边缘计算等新一代信息技术的兴起，才创造了“车路协同”实践应用的基础条件，将这一尘封已久的概念推上了风口浪尖。

在上海洋山港，上汽红岩制造的“5G+L4”智能重卡已经实现准商业化运营。在港区特定场景下，这款智能重卡可实现自动驾驶、厘米级定位与精确停车，甚至与自动化港机设备进行交互以及在东海大桥上队列行驶。

这款智能重卡就是应用了车路协同（V2X）技术，即车连接一切（Vehicle-to-everything）。它又被分为四个部分，即车连接车（V2V）、车连接网络（V2N）、车连接道路（V2I）等基础设施以及车连接人（V2P）。

一个问题随之而来，既然有了智能汽车，我们为什么还需要“车路协同”呢？

如何避免红绿灯路口与瓶颈路段的拥堵？如何预判雷达与摄像头盲区或超出有效距离突发异常情况？如何为争分夺秒的紧急车辆让出一条绿色通道？这一系列常见问题，只靠让汽车更智能无法有效解决，必须将整个交通体系都连接并统筹起来。

比如，红绿灯只根据车流量大小来分配时间，而没有考虑车辆的实时运动；两车道其中一车道遭遇事故后，另一车道因为并道而完全丧失通行能力。如果在车路协同的框架下，便可以通过“车速前提引导”与“上游路段分段限速”等办法，提高红绿灯的通行效率与避免瓶颈路段拥堵。

同样，车辆也完全可以通过车路协同，感知盲区与超远距离的突发情况，提前为紧急车辆让道。美国国家公路交通安全管理局的一份报告曾指出：“如果使用车路协同技术，它很可能解决81%轻型车辆的碰撞问题。”

车路协同有着广阔的市场空间，也是传统车企和科技巨头重点布局的方向。

广汽、上汽、东风、长安和一汽等车企纷纷宣布支持车路协同的商用路标，并将规模化量产支持车路协同的汽车提上日程。作为国内唯一覆盖车路协同全产业链的企业，华为也发布了国内首个在开放道路上成功应用的车路协同车载终端。阿里巴巴则基于云计算与英特尔、上汽、大唐电信和千方科技等公司在车路协同上展开合作。

百度在2016年开始布局“车路协同”的全栈研发，并于2020年发布了国内第一个车路行融合的全栈式智能交通解决方案。2020年9月，由百度支持建设的中国首条支持高级别自动驾驶车路协同的高速公路G5517长常北线高速长益段正式通车。

各地政府也已经将车路协同试点列入时间表——北京、上海、重庆和浙江等地已经颁布相应的地方性政策，根据城市特色建立智能网联汽车试点示范区。而在海外，新加坡已基本完成智慧交通基础设施的部署；荷兰已有6000公里高速公路达到自动行驶的使用条件；美国的底特律和安娜堡之间将修建专供网联汽车和自动驾驶汽车使用的40英里长的道路。

车路协同成规模地应用落地，已经近在咫尺。

未来，一座城市的交通可能有三级数据中心，车端将收集的信息与路端交换，并且迅速计算出最安全且快速的行驶路线；路端将收集的路况信息传送给即将驶过的车辆和交通大脑，交通大脑则根据整个城市的交通状况，灵活调整每一条道路红绿灯的通行时间，甚至为每一辆汽车规划最合理的行驶路线与时速。

那时候的自动驾驶一定会比人类更聪明，比如一次事故的数据模型，可以供给车路协同网络上所有自动驾驶系统进行学习。它们掌握信息并做出决策的速度与精度，将远超人类极限。