车企用无人驾驶技术吹的牛 到底要多久才能实现？

[车友头条-车友号-车友说车]  （文/贺重钢）早在十几年前，无人驾驶给我留下的第一印象还是宁浩成名作《疯狂的石头》里一句戏谑的台词。这部电影捧红了黄渤，其中的有趣情节也成为了朋友间的谈资。

时光飞逝，或许是如今的汽车人们都看过这部电影，也都跟我一样对其中的台词和场景烂熟于心，在新能源时代到来前夕，大家不约而同的把目光放到了对于无人驾驶技术的研究上。

曾经有一段时间，市面上凡是打着智能电动车旗号的产品，如果在卖点里没有无人驾驶或者自动驾驶这一项，似乎是上不得台面的。对于在汽车上应用无人驾驶技术，我个人一直是持怀疑的态度。

先来说说什么是无人驾驶。按照SAE（美国汽车工程师学会）的定义，无人驾驶可分为6个等级，即L0非自动化、L1辅助驾驶、L2半自动化，L3 的有条件自动化，L4 高度自动化，直到 L5 的完全自动化。

目前，普通人能够体验到的无人驾驶技术大部分只达到了L2级别，部分企业的产品具有L3级无人驾驶能力，但受制于各种条件限制，仍不够成熟。但是，车企的营销话术却无一例外的将自家的无人驾驶技术往L5级上吹。

为了便于区分，我个人将L5级以下的无人驾驶技术统称为辅助驾驶。既然是辅助，那么在现有的车辆驾驶中，人才是掌握绝对主导权的角色。

不管是FSD、NIO pilot、XPILOT、Living Pilot无一例外都曾经被包装成自动驾驶功能。这种营销上不计后果的行为也对厂商和品牌产生了反噬作用。大量事故的发生让人们对于无人驾驶技术产生怀疑，在数起致命事故引发舆论关注之后，车企们也都俏销的修改了对于无人驾驶系统的营销话术。

而在各家车企营销话术里最常见的一个词---Pilot（可译作飞行员、驾驶飞行器等），其实也代表了无人驾驶技术最广泛的应用场景。

在大型商用喷气式飞机上，我们会经常听到飞行员开启自动驾驶功能的对话。这就属于无人驾驶技术的重要应用场景之一，并且也是符合各国相关法规的。即便如此，作为人类出行工具里集各种高新技术于一身的航空器，其自动驾驶系统也仅达到了等同于汽车领域里L3级的水平。

具体应用层面，已经趋于成熟的航空器自动驾驶功能仍有诸多限制条件。比如必须确保空域安全，气候条件适宜等，驾驶舱内的飞行员也必须对飞机各项运转指标进行实时监控，并随时做好接管驾驶的准备。在起飞和降落阶段则严禁使用自动驾驶系统。

在双机长+自动驾驶仪的三重保障下，航空器仍不能百分百地避免事故的发生。对于高速行驶的车辆来说，仅凭经验不算丰富，技术不算成熟的辅助驾驶系统来保证安全更是无从谈起。

既然谈到了技术，那我们就来看看无人驾驶系统具体会涉及到哪些领域。目前国内车企在宣传过程中更多提及到的都是硬件层面的东西，比如摄像头和雷达的数量以及性能。这对于普通用户来说确实更容易传达和理解。但硬件本身对于无人驾驶技术的制约作用是比较有限的。

既然想要在开车过程中解放驾驶者，那么首先需要知道人在驾驶时都会处理哪些信息。一个身体健康的驾驶者在驾车过程中需要依靠眼睛和耳朵收集信息，交由大脑对收集来的信息进行处理，之后再把处理结果交由手脚来执行。

组成无人驾驶系统里的硬件设备，包括摄像头、雷达以及其他种类的传感器就相当于人的眼睛和耳朵，由它们来负责对车外环境信息进行收集。

目前，汽车行业对于外部环境信息的收集主要依靠两种不同的技术路线。一种是依靠摄像头采集图像信息的纯视觉路线，另外一种则是依靠雷达波的反射来获取有用信息的激光雷达路线。还有一种是将两条技术路线进行了融合处理，人眼视距范围内的信息由摄像头负责收集，人眼视距范围外的信息则交给雷达。

单纯从性能上看，现阶段的高清摄像头和雷达的性能显然是要优于人眼的，那为什么不论采用哪种技术路线，应用驾驶辅助系统的车辆仍无法避免事故的发生呢？

这背后就涉及到数据处理的能力，与之息息相关的就是人工智能和深度学习算法。人工智能好比我们的大脑，需要将传感器和摄像头收集来的海量数据进行快速分类，弄清楚可行驶区域和非可行驶区域，另外还得分清楚障碍物的类别和距离。

在常见的与驾驶辅助系统相关的事故当中，多半是数据收集和处理环节出现了问题。比如摄像头因为光线原因没有发现前方障碍物，或者是驾驶辅助系统的电脑没有正确判断障碍物类型而导致其对车辆下达了错误的指令。

光让驾驶辅助系统看得清，选得对还不算完，它还需要知道该往哪里去。首先，搭载无人驾驶系统的车辆需要清楚地知道自己在哪里，然后依靠高精度地图获取更丰富的信息并且计算行驶轨迹。

当然，上述这些只是构成无人驾驶系统的基本元素。这就好比一个普通人需要成为司机，他必须具备身体健康且通过驾培考试等条件一样。但是，如果仅仅只有这些，那么无人驾驶系统就跟一个新手司机一样，不太能适应复杂多变的驾驶环境。

新手司机需要经历实习期及后续长时间的上路驾驶来积累经验，从而让驾驶技能熟练，对于突发事件的判断也更为准确。无人驾驶系统也需要有类似的过程来不断完善运转逻辑。但海量的数据，尤其是来自真实环境的数据其采集成本是相当高昂的。

虽然可以依靠成本相对低廉的虚拟场景进行数据积累，但就如同你不可能仅凭赛车模拟器就成为顶级车手一样，无人驾驶系统也必须经过真实环境的考验。

想想看你之所以能够熟悉通勤路线上的道路状况、车流量等信息，是因为你几乎每天都要开车走上相同的道路。如果去到不熟悉的路段，你的驾驶风格是不是会变得更谨慎一些。无人驾驶系统也需要相应的学习环境。

这样的环境由海量的图片组成，无人驾驶系统需要凭借图片上的信息进行训练，反馈训练结果。对于在训练中表现较差的情况，研发人员会进行统计，之后再使用类似场景的图片对无人驾驶系统进行反复训练，直到其能够对相应场景采取正确的处置方式为止。

我们能够在路上看到一些头顶摄像头和雷达的测试车辆，它们就是在承担道路信息的收集和印证工作，帮助人工智能进行机器学习。部分车企在对无人驾驶系统进行营销时，也会展示其产品在某条路线上灵活自如的表现，这就是机器学习后的结果。

但相关产品或许只能在那样一条车企指定的道路上，在规定的时间范围内才会有较好的表现。因为在进行媒体宣传之前，他们已经让无人驾驶系统在同样路段进行了反复试验，基本杜绝了发生风险的可能。

但是常识告诉我们，道路千万条，如果仅凭几条视频就相信车用无人驾驶技术已经成熟，那未免也太天真了。

即便技术上有趋于成熟的那天，在法律和伦理层面，目前无人驾驶系统还不具备大规模量产投放的合法性。目前，全球范围内尚未有批准车辆在无人驾驶系统接管状态下在开放道路行驶的法规。所有营运性质或者试验性质的无人驾驶车都只能在划定的示范区域内，在安全员的监管下有条件的开展测试。

最后，我们希望用户对于无人驾驶技术及其他等级的驾驶辅助系统能够有更深入的了解，在日常驾车过程中不要对类似系统产生过度依赖甚至出现滥用的行为。（文/车友号 车友说车）