百花齐放的自动驾驶，距离真正上路还有多远？
本文来源：物联传媒
本文作者：短颈鹿先生
自动驾驶概念从诞生以来一直都是资本和技术创业者青睐的领域之一。新基建大背景下，伴随着5G商用的逐渐成熟，自动驾驶领域的热度自然是居高不下。
而这一点，从历年的融资数据也可以看出。2015年起，伴随着自动驾驶技术研发应用的火热，全球自动驾驶行业投融资规模迅速增长，2018年行业投融资规模达到近年来峰值。
根据数据显示，2019年全球自动驾驶行业共发生104起融资，虽然融资规模相比2018年有所下滑，但融资笔数仍然是居高不下，融资单笔规模也是屡创新高，就如Nuro获得软银旗下愿景基金9.4亿美元单轮融资，直接将融资水平拉至顶峰。
回到非常不容易的2020年，疫情似乎也没有影响到自动驾驶领域资本的流转。2020年2月，Pony.ai（小马智行）获得丰田投资的4亿美元B轮融资，总融资额接近8亿美元，另外一家自动驾驶公司Momenta，自从成立至今也已经获得超过2亿美元融资，投资方包含腾讯、戴勒姆集团、真格基金等高质量资本。
融资事件的不断发生，"烧钱"发生的化学反应似乎并没有很多企业预想得那么快。自动驾驶的很多玩家仍卡在L3级别，路面上仍然没有看到不需要人控制的L4、L5级车辆（自动驾驶分级如下图所示），与当时自动驾驶热潮下，很多公司撂下"计划在2020年实现L4级别的自动驾驶" 的豪言壮语形成鲜明对比。
图片来源网路
回归本质，自动驾驶最终能否在公开道路上安全行驶？上路前还要经历哪些考验？何时才能上路？
我想这些才是我们一直想要知道的答案，下面我们一起探讨下。
百花齐放，春天已来
上面我们说了自动驾驶历年来的融资数据，下面我们不妨把视角转回国内。
10月21日，全国首个常态化运营的5G无人公交在苏州落地。此次亮相的无人公交在开放的城市道路上运行，且速度可达20—50千米/时。这辆无人公交车除了具备避让行人车辆、自动变道、自动转向、红绿灯识别等基本功能，还能应对各类城市复杂交通场景，例如穿行人车混杂的路口、应对后车加塞、"鬼探头"等。
，任超摄
此前，10月12日，百度无人驾驶出租车服务Robotaxi正式在北京开放运营。此次开放的区域大约700公里，覆盖了海淀、亦庄等15个站点的测试区里，用户可以无需预约，直接下单试乘。在百度推出无人驾驶出租车服务的第二天，单站点自动驾驶出租车的约车累计就达到了2608单。
今年6月，滴滴出行也在上海推出了自动驾驶出租车服务。阿里也布局了自动驾驶业务，将以物流配送作为主要切入点。美团同样提出布局自动驾驶业务，先是和DeepDrive达成合作，又在去年推出了"美团地图"。
而早在今年4月，长沙已经全面开放了无人驾驶出租车服务。
眼看着自动驾驶服务在国内陆续落地，自动驾驶的商业化已经不言而喻。
国内自动驾驶商业化的发展，离不开国家政策的大力推动。2019年12月，国内首次提出了新基建的概念，其中5G、AI、云计算这三大板块正是自动驾驶软件的核心技术。
而自动驾驶处于这几大领域的交汇点，是新基建的典型落地应用。加上近年来不断完善的智慧城市、智慧交通相关政策，正如行业资深人士所说，自动驾驶在国内的商业化落地正迎来最佳的时机。
百花齐放的景象背后，预示着自动驾驶的春天已经到来。曾经在科幻电影中才能看到的自动驾驶汽车服务场景，如今正在走进现实。
政策鼓励发展，技术成为关键
除了自动驾驶服务落地速度加快，我们还注意到，因政策因素对自动驾驶落地应用产生的阻力效应也在减弱。
10月28日，交通运输部新闻发言人、政策研究室主任吴春耕在国新办发布会上表示，交通运输部将自动驾驶作为科技创新支撑加快建设交通强国的重要领域之一，始终坚持"鼓励探索、包容失败、确保安全、反对垄断"的原则，积极推进自动驾驶技术的研发试点和应用工作。
针对于近期在北京开放的百度无人出租车服务，吴春耕还表示，百度和有关企业推出的自动驾驶出租车，是一种在实际道路交通环境下的技术性能测试。我们欢迎和支持有关城市、企业大力开展创新，在确保安全的前提下，依法依规开展试点，加快推进自动驾驶技术发展。
虽然自动驾驶汽车上路，其与现行法律法规仍存在诸多冲突，包括《道路交通安全法》、《公路法》等都不涉及自动驾驶方面的内容，没有明确法律界定。例如交通责任的认定缺失，客户购买自动驾驶汽车会有很多疑虑，将影响高级别自动驾驶汽车实现市场化。
但我们从上面也可以了解到，政策鼓励正推动自动驾驶不断拓宽边界，向前发展，就如今年疫情下，自动驾驶被应用在疫区物资的无接触输送上，而随着政策法规的相继出台和完善，相信也将会有更多地区开放测试自动驾驶车辆。
行业资深人士表示，政策上虽然是鼓励的，但技术上还有一段很长的路要走，我们现在已经解决了90%的技术问题，剩下的感知和决策规划、边界化问题是关键。
在目前开放的测试场景中我们会发现，在真实行驶场景中，开放试乘的道路多是路广人稀环境单纯的郊区，试乘的时候车速也很较低，而且无人车也不是真的"无人"，每辆车上都配备了安全员，如果遇到紧急情况，还是要安全员来处理，就如百度的无人出租车服务。
而前几年已经有各种物流车、摆渡车试运营，但这些试运营都只局限在园区里头，并未在公开道路中落地行驶。而就拿今年落地在苏州的无人公交来说，其也需要按照固定路线中低速行驶，最高也只能达到L4级别自动驾驶，距离L5级别仍有很大的技术空间需要突破。
说了这么多，我们发现，自动驾驶仍然是应用在限定的环境下，目前并不能应付复杂多变的真实场景。针对于这一点，一方面是因为自动驾驶应用仍然需要更多成功案例去获取人类社会的信任，即使目前的技术真正达到了L5，获取信任也需要一定的时间，这是创新性技术必然的演化过程。
另一方面，自动驾驶仍需要跨越边界内和边界外的技术鸿沟，边界内指的是感知和决策规划的问题，边界外指的是边界化问题。
目前在自动驾驶的感知上，虽然有多种传感器，比如360度激光雷达和摄像头，但这些传感器大多都输出原始数据。人类看摄像头和激光雷达的数据很容易能出识别内容，但计算机很困难。
普通模式下识别率会很快达到瓶颈，这时候就需要深度学习，以及大量的数据进行训练，而当下受技术所限，电脑并不能无法识别很多显而易见的场景。同时，当数据量猛增时，计算时间会延长，系统响应变慢，这也是无人车只能低速行驶的原因。
做不到快速的感知和决策规划，自动驾驶就难以应对高速环境，当然这并不是无法解决的问题，属于自动驾驶技术的长尾问题。随着产业发展，各层技术不断精进后，这类问题也将会解决。
而边界化问题则有可能需要花费比前期更多的精力去解决，原因在于边界化问题有可能是无穷的。就如自动驾驶车辆遇上野鸭子之前，工程师甚至不知道会有野鸭子的问题，而除了野鸭子、还有野狗子、野兔子等边界外因素，所以面对这类边界化问题，自动驾驶车辆该如何正确处理呢？
除了不断收集数据，通过自动化工具将有效数据加工成可用模型，并纳入边界内系统，对自动驾驶车辆实行在线OTA的系统更新外，似乎并没有更好的办法。这或许会成为解决边界化问题的通用办法。
不管是边界内还是边界外的技术问题，解决技术问题除了时间因素外，更重要的还是数据因素。只有经过大量数据的检验和优化，自动驾驶系统才有可能更稳定，才有可能无限接近人类期望的L5级别。
特斯拉与奔驰，你更喜欢哪一个？
上面说到了数据因素是解决技术问题的关键，有两位玩家值得我们关注，一个就是"新玩家"特斯拉，一个就是"老玩家"奔驰。
据了解，如今特斯拉正在大张旗鼓地宣传其全自动驾驶软件，称其车辆有着最先进的自动驾驶功能，近期表示其自动驾驶系统将有重大升级，今年有望达到L5级。