干货 | 从ADAS到无人驾驶的可能路径

　　内容来源：由希迈商务咨询（上海）有限公司主办的第八届中国国际新能源汽车论坛。CST三交汽车小君邀您，先思考：第一，汽车行业无人驾驶何时到来？第二，无人驾驶从现在开始看，我们还面临哪些挑战；第三，无人驾驶实现的现实路径是什么？（全文共5749字∣阅读约6分钟） 　　 　　 　　 　　理性看待汽车科技发展 　　目前整个行业是比较亢奋状态，因为我们汽车产业四化“电动化、智能化、智能网联和共享化”，确实在推动整个产业进行重构。作为汽车产业，从奔驰1886年发明了第一辆汽车开始，已经有120多年的历史。 　　但是从70年代到2000年整个汽车产业的发展速度是比较缓慢的。我不知道在座的各位有没有到斯图加特参加一下博物馆，奔驰在70年代、80年代设计的汽车其实跟2000年的汽车没有太大的差异，甚至核心的性能上，动力性能、车的架构都没有本质的差别。在三四十年的阶段，汽车产业更多是渐进式的提升。2000年以后，汽车产业进行了一个新的发展阶段，整个行业迎来了一个突破性的技术和产业重构的革新。 　　我们也要非常理性的看待发展，无论是电动化的发展，包括我们今天探讨的智能化、网联化的发展。我们要从技术、产业的角度把握未来发展的趋势，甚至未来发展的节奏，这样所有的参与方无论从技术，还是我们商业模式的准备上，更好的符合这个行业发展的基本规律。这是我今天分享想法，也是希望和大家探讨的主要内容。 　　汽车行业无人驾驶将何时到来？ 　　进入今天正题，首先第一个问题，无人驾驶汽车何时能够到来？ 　　 　　我也听到李总（注：李建宇）对无人驾驶时间表的预测，我非常同意李总的判断。从目前来看，无人驾驶解决方案的提供方其实有两个阵营，一个是奔驰这样的整车传统企业，包括奔驰、宝马、奥迪甚至福特和通用这些比较领先的企业。另外一个阵营就是科技公司，就是国内的阿波罗。 　　每一个企业目前已经推向市场的方案，水平也不一样，传统的整车企业更多是我们所谓的L2或者L2.5的阶段，当然技术所处的成熟度是不一样的。科技公司大部分人瞄准的是L3以上或者L4的解决方案，但是更多的是在一些方案验证的发展过程。 　　每一家企业都基本上公布了他们的无人驾驶的方案落地时间点，整车厂的落地和科技公司的落地有不同？大家看到大部分的企业是在2020年、2021年之前推出L4以上级别的无人驾驶方案，从我自己的判断，这也是非常特别的时间点。 　　 　　为什么这样看呢？我们看看数据，已经推出的这些无人驾驶物方案的这些企业，谈的更多的是L4级别的方案。这是我们选取了在加州他们做路测的情况。因为加州路测有一个好处，无论是测试里程还是速度都有领先的水平。我们选取了2017年的测试里程，测试大概35万英里的距离，其他的企业设计的总里程还是比较小的。Waymo测试的英里说是352545，中断次数63次，中断频率每十万英里18次。 　　十万英里大概在这样的范围内，如果现在的驾驶方案给我们使用的话在这个生命周期当中有18次中断，当然中断不一定发生严重的交通事故，可能是系统的暂停或者其他潜在的风险，我们试驾人员主动的中断无人驾驶系统。 　　我们做了一个参照：功能安全。功能安全定义的这个安全，我们是从时间里面定义的。我们如果换算成行驶里程，我们做了一个假设，以每小时40英里的速度，这要求我们每十万英里中断次数在0.00004的水平上，换算给我的结果，我觉得也是比较可接受的。意味着每四万辆车有一次中断的事故，这是你将来把自己的生命交给一辆机器所行驶的时候，这是可接受的。我们的水平和真正能够实现安全驾驶还是有很大的因素，里面有硬件故障还有其他车辆的感知行为。 　　结论，我们可以做一个无人驾驶的方案、试点方案，但是真正达到我们车规级别，可靠安全驾驶的要求，还有非常漫长的路要走。 　　实现无人驾驶，我们要克服哪些挑战？ 　　目前无人驾驶的具体挑战在哪儿？ 　　 　　首先硬件方面，相对来说，我们的成熟度还是相对比较高，但是还是有一定的挑战，包括单一传感器的可靠性，包括激光、雷达、摄象头，他们都在特定的场景下有一定的局限性。要求我们需要做多传感器的组合方案，但是组合实际上我们通过分析，目前各个企业的无人驾驶方案来说还是有不同的争议和路线，这还是需要更多的验证才能达到最优的解决方案。 　　另外，决策环节，在高性能领域的算，包括控制器的一些开发和应用。当然执行器我们的判断，虽然现在没有大规模量产，这方面我们感觉困难大一些。包括感知环节，我们的算法，计算机视觉的准确度，包括多传感器数据融合的方法，包括测绘和实时更新的应用，这些领域我们还是有很多挑战有很多工作需要做。深度学习，角色环节，我们优化的速度很快，但是神经网络，我们机器学习这个领域，我们还需要大量的虚拟验证，不断提高我们算法的精度。 　　我们的硬件有很好的基础，但是有很多工作要做。软件我们的挑战还是非常大。这里列举了几个比较典型的无人驾驶系统的方案，包括Waymo、Cruise、Audi。 　　 　　Cruise我把它定义为科技公司，更多会选用高精度的激光雷达作为感知的核心硬件之一。作为我们的汽车企业，更多的是依赖计算机视觉，激光雷达作为高精度、高成本的激光雷达作为这个方案的重要补充。不同企业它的出发点和路径不一样，后面我也会做进一步的探讨。 　　 　　一个重要的问题，激光雷达和计算机视觉，到底哪一条路线更适合未来无人驾驶的最终解决方案？实际上看激光雷达，它的优点非常明显，无论探测距离，探测精度，以及不同工矿下表现还是比较好的。第一个成本要求比较高，但是我们看到激光雷达最近行业的发展，包括固态激光雷达的出现，成本很快会消除。 　　计算机视觉成本比较低，但是它的场景比如过隧道、光暗在这种场景下，计算机视觉有很大的缺陷。另外计算机视觉依赖于我们的算法和处理器的速度，这也是一个劣势。 　　我个人的判断，将来不会说一种或者哪一个路线一定是战胜另外一个路线，我是说激光雷达和计算机视觉肯定会找到最佳的融合，因为激光雷达本身有不同路线的选择，最终找到最佳的路线选择，这个路线选择是最重要的考虑。 　　第一、要涵盖所有感知的场景。 　　第二、有一个很好的可靠性，包括硬件软件的冗余。 　　第三、成本是可接受的，这个行业还是一个探索的阶段，找到一个更加平衡的阶段。 　　 　　现在很多企业在做无人驾驶的系统研发，常忽略的是所谓的网联技术在无人驾驶这个领域起到的作用。为什么大家更多关注于单车的智能，首先因为相对容易比较解决的，但是从整个社会，整个交通体系来看，未来我们一定首先要把车放整个社会或者交通体系里面去看，因为车本身也需要和其他的交通工具进行融合。 　　第二方面，我们要考虑到基础设施可以对无人驾驶、辅助驾驶提供的一些帮助。我们现在的网联技术的发展，更多在跟驾驶员的信息交互方面有很多应用场景，但是随着技术的发展，感知环节，实际上网联也可以起到很多作用，通过我们V2X的发展，通过感知的互可以大大提高我们感知的准确度，提高我们的安全性，同时也降低我们实现有效感知的技术成本。真正到无人驾驶阶段，物联汽车可以在决策控制交互方面，也可以起一个非常重要的作用。车和基础设施可以通过决策的交互，来提高算法的准确度，也可以降低我们对硬件的计算要求。 　　 　　另外一个挑战也是我们探讨的方向，新一代的汽车电子电气的架构方案，从分布式的ECU控制单元到我们以总线为核心的汽车架构，这是我们目前主要的架构方案。但是下一步，随着智能网联现在的架构方式是不能满足未来的发展需要的，这些需要首先对总线技术本身的发展，包括以太网的技术，因为我们目前看大规模的数据传输有很大的局限性，这时我们新的传输介质要引入到其中来。 　　另外我们域控制器的概念，甚至到未来中央处理器、中央处理单元的概念。域处理器有很多不同的域，比如车身的域、动力总成的域、信息娱乐的域等等，每个系统都有一个域控制器。一方面也信息处理的功能，也有决策共冷（音译），域控制器具有了计算能力。通过这种能力，对整个电子电气系统造成技术影响的风险。第二，符合未来在智能网联阶段需要大量的包括分布式的计算能力的需求，这应该是我们作为整车的汽车电子电气发展，未来如何适应智能网联技术的发展，提出了新的挑战。 　　这个领域我们公司做了非常多的工作，也在做这方面的研究工作。 　　 　　另外一个因素就是成本因素，从无人驾驶我们举一个雷达的例子，雷达成本并不是同一个产品（可能有误），但是也有一定的说明意义。在市场上可选择的激光雷达的方案，实际上从很高的阶段，2012年Waymo用的激光雷达，到用的固态激光雷达投产，激光雷达价格将大幅度下降，成本有很大的下降。成本目前是一个主要的因素，但是这个因素很快会得到克服。 　　 　　做一个总结，第二阶段我们实现无人驾驶主要需要克服的挑战： 　　1、硬件，基本上成熟度相对比较高，但是对感知过程硬件组合以及最合理的架构还是需要进一步探索。对于计算能力，对于高计算力、低功耗处理器的开发，也是目前需要做的一个进一步创新的领域。网联技术对于我们基础设施相关的硬件方案还是有非常多的工作需要做。 　　2、软件，软件领域差距更大一些，特别在深度学习的环节需要大量的数据进行进一步的训练，而且软件的可能性功能，安全的冗余差距很大。 　　3、测试验证，我们不能仅仅依靠实际路测，第一个时间长，第二个成本高。路测最大的弱点就是解决不了极端情况场景的问题。往往可以预测的就是比较可控的场景，但是我们深度学习最重要的是解决我们平时预想不到的场景。这些场景反而是通过实际的路测是解决不了的，这个时候我们要更多的依赖其他的训练方式，包括虚拟的测试，包括模拟仓的测试，这是加速我们软件算法程度度的重要因素。 　　4、成本，这个行业是20、80的规律，我们做的很多工作，实现我们需要的功能，这些从技术角度来讲，只需要20%的研发投入。虽然我们有20%的技术壁垒去克服，但是大家不要过于乐观，从技术产业角度来说，要克服20%的技术要投入80%，甚至更高。无人驾驶什么时候能够成熟，我也不是那么乐观，从规模来说也至少在2030年以后。 　　无人驾驶实现的现实路径是什么？ 　　 　　真正L4级别的实验，我们要考虑地理围栏的概念，我们谈任何自动驾驶不能忽略地理围栏的概念，真正的全场景的无人驾驶肯定在十年以后的时间才能最终实现。这个过程我们一定不能等，最终的阶段成熟去使用。重塑一个场景我们去应用一个场景，这样更早更快的让我们的高级无人驾驶自动驾驶的方案能够可以惠及我们的消费者，让我们能够在一定场景下使用，包括李总刚才介绍的拥堵状态下和特殊场景下能不能使用。 　　 　　不同的阵营采取不同的方式来实现我们最终无人驾驶的目标，传统的OEM还是考虑到车量产的问题，往往是我们的L2作为我们目前工作的核心,让更多的辅助驾驶的功能有条件无人驾驶的功能能够在我们的车上进行量产的应用。作为科技公司，它更多的是以L4标准以上作为它方案的重点。 　　这里我给一个对我们参与整个无人驾驶产业的企业，无论是硬件还是软件解决方案，包括系统集成的建议，真正L4级别以上的无人驾驶，如果在十年以后，或者十五年以后的时间点，作为一些领军的企业，无论是Waymo或者我们百度、阿波罗，可以在现在这个阶段做平台级别的开发，无论是软件平台、硬件平台包括算法的平台，它可以这样做。因为它有时间去做长期的技术投入，它也有能力引领整个行业慢慢向他这个平台去聚拢。 　　 　　虽然我作为企业的人士，我不大愿意承认这一点，汽车无人驾驶这个领域就是实现我们手机的解决方案的模式，我觉得还是非常可能的。谷歌，它作为安卓系统的提供商，我们手机的企业作为应用软件和硬件的方式，这种相对更可行，而且是产业投入更低的解决方案，而且这种解决方案成功的可能性比较大，所以需要像谷歌、百度这样的企业平台，但是这个平台是商用的，从现在开始到技术研发的商用，是一个很长的过程。 　　作为中小型的科技公司，你做硬件产品、做软件方案的时候，你没有那样多时间等，你的研发更多考虑的是模块化和裁减性（音译）和继承性的问题，至少你部分的方案已经在整车厂的L2、L3的应用场景里面去使用，在L4的阶段再融合到新的架构体系当中去，我觉得这是比较可行的，从战略上这是比较可行的发展战略。 　　时间差不多，回到我们强调的，我们不应该等到L4的到来，才来想无人驾驶，我们要在特定的场景尽快的去推广应用，这是我要表达的。 　　 　　最后，我想把无人驾驶跟我们汽车产业链的影响包括我们产品的定义的影响，我在这里阐述一下我的想法。无人驾驶推广必将推动我们基于使用的出行模式，并影响未来汽车的形态。大家可以想象，将来在无人驾驶的状态下，在我们共享出行的商业模式下，实际上我们整个汽车产业从产品形态上，是不是应该和现在一样呢？在家里我们最多可能买两辆车，每一辆车我们都赋予它非常多的功能，既可以跑长途又可以跑短途。包括新能源汽车也是往这个目标来发展的，希望一辆车解决不同的需求。但是共享出行的商业模式下，其实我更多考虑单次出行的目的，每次出行的目的不一样，其实我对产品的需求也是不一样的。我们作为汽车企业，需要对产品定义有更多的想法，当然我们需要长时程里程的汽车对车速也有比较高的要求。 　　一，如果在城市里面使用，而且又是团体的出行，可能需要四到五座，续航里程也不要求很高的。二，对最高速度也不是很高，为什么最高速度要200公里以上呢？80公里已经满足我的需求的。我们需要这样的小车，续航里程也不需要很高，最高时速甚至可以更抵。 　　未来以出行为基础的商业模式下，我们车的形态一定要多样化，因为每个是基于单次出行目的的不同，寻找不同的产品解决方案，这是我们对于汽车产业，我们作为整车企业也是我们需要在这方面深思的问题。未来的产品形态如何实现多元化，因为这里面涉及到一个问题，这些车不需要达到一个标准，无论是性能标准或者安全标准，都不需要达到同样的标准。这样的话，通过产品的差异化，可以大大减少我的研发投入，生产制造的投入，对整个产业是一个新的产业的格局。 　　 　　MBtech公司简介 　　 　　MBtech，我们1995年成立，作为子公司，到2012年，我们以服务于戴姆勒的产品线作为我们的业务。2012年奔驰把我们引入新的股东。同时为整个汽车产业的其他的整车企业生产，包括法雷奥这样的供应商提供研发和市场化的服务机构。 　　 　　我们公司总部在德国斯图加特，全球超过3300位工程师，我们有三个部门，动力总成、电子电气、车辆工程。我们还做制造工程，为工厂提供设备的安装调试，关于到生产准备的过程，我们还有小小的咨询部门，主要为整车企业提供运营和咨询的功能。 　　这是我们各个专业部门的详细能力的介绍。今天我要演讲的题目也是我们汽车电子部门的技术核心功能定义，包括车联网的技术开发，包括无人驾驶，以及电子电气这样完整过程的工程服务。 　　整体分享到此结束，谢谢大家！ 编辑：希迈Polaris·小秋 第八届中国国际新能源汽车论坛