L4 无人驾驶面临的主要困难

相关法律法规已不再是主要制约瓶颈

自动驾驶汽车技术发展也使得全球各国政府加紧制定与其相关的法律法规。

• 在美国联邦层面上，美国交通运输部（DOT）代替美国公路交通安全管理局（NTHSA） 于 2018 年底更新并发布了自动驾驶车辆 3.0 手册，将自动驾驶的概念拓展到所有的地面道路车辆，明确联邦和州政府的监管职责，主要致力于消除可能影响自动驾驶技术发展的不必要政策制约因素。
• 在美国各州政府层面上，截止 2019 年 3 月底已经有 31 州颁布了自动驾驶相关法律或地方级别行政令，但在新泽西、罗德岛等其余 19 州则还没有可以支撑自动驾驶车辆上路的法律依据。
• 日本在 2016 年发布了《自动驾驶汽车道路测试指南》，允许自动驾驶汽车道路测试实验；韩国 2016 年修正了机动车管理法，修订后允许在道路上开展自动驾驶汽车测试。
• 我国工信部、公安部、交通部三部委联合印发《智能网联汽车道路测试管理规范（试行）》，对测试主题、车辆、牌照申请等进行了规范。目前北京、上海、广州、深圳、重庆均先后出 台了自动驾驶路测法规，并颁发了专用路测牌照。
• 
  

算法与数据：自动驾驶企业开始拥抱开源数据集

当前 L4 级自动驾驶的关键难点在于，现有算法无法准确处理复杂环境下无限可能的长尾场景。一旦长尾场景算法的难点得以攻破，自动驾驶的安全隐忧将大幅缓解， 我们认为自动驾驶有望加速商业化进程。商业化将带来自动驾驶零部件及整车的大规模量产，从而降低传感器成本、推动产业链的快速成熟，感知层和执行层的当前困难自然得到解决。

分别从感知层、决策层、执行层来看，我们认为当前 L4 级自动驾驶落地的难点包括：

• 感知层：目前，感知层的传感器技术已经基本达到自动驾驶的要求。但是，对于乘用车而言，激光雷达等传感器的成本仍然过于昂贵。对于商用车而言，由于其经营性质，激光雷达的成本并非主要障碍。
• 理解与决策层：当场景从封闭走向开放，开放的环境越大、越复杂，对于自动驾驶决策层的挑战将呈指数级上升。决策层算法不仅需对多传感器融合的数据准确处理， 还负责车辆的路径规划、行为规划、轨迹规划。当前的自动驾驶算法，很难完美地处理从未见过的场景，同时开放的场景下存在数不胜数的可能，一家企业很难在短短几年内将其完全考虑在自己的算法中。事实上，尽管已经经过多年的训练，2018 年 Waymo 仍在没有左转道的路口转向时出现问题。
• 执行层：目前的自动驾驶试验车，均是通过现有车辆改装而成，其稳定性和可靠性相比量产车要求仍有一定的距离。若要推出自动驾驶车型，则车辆的电子电气架构、油门、转向、刹车等执行系统均需要重新设计，车型设计完成后验证测试也将需要一定的周期。

对于自动驾驶企业而言，数据是一项重要的资产，高质量的标注数据对于自动驾驶开发至关重要。过去，绝大部分自动驾驶企业严格保密自己的数据集，但目前正加速向开放转变。2018 年 3 月，百度 Apollo 率先发布了自动驾驶数据集 ApolloScape。2019 年 6 月， 在计算机视觉顶会CVPR 2019 上，Waymo 和Argo AI 也分别发布了公开的自动驾驶数据集，其中 Waymo Open Dataset 的标注数据量高达 60 万帧且传感器配置丰富，Argo AI 的Argoverse 数据集则是首个含有高清地图数据的公开数据集。紧接着，2019 年 7 月，Lyft 也发布了开源自动驾驶数据集。我们认为，考虑到当前自动驾驶在长尾场景遇到的困难， 单个企业很难独立建立和维护完善的数据集，因此自动驾驶数据开放是长期趋势，数据开放将助力自动驾驶行业突破算法瓶颈。

系统零缺陷是实现自动驾驶的核心挑战，L3 可能是短期最优动态平衡

汽车的道路安全是在实现自动驾驶的过程中的关键要素之一。我们认为，自动驾驶这样的复杂系统所追求的零缺陷目标正在成为其自身的制约因素。高等级自动驾驶意味着驾驶员注意力和时间的释放，在排除了人为因素后，也意味着加深了对设备安全性的依赖、

将自动驾驶系统的安全标准提到了更高的位置。

• 从硬件能力层面看，自动驾驶提高了系统复杂性，例如面对视觉摄像头、毫米波雷达、激光雷达、高算力芯片、复杂算法等多种领域，主机厂也缺乏成熟经验。而同时原本偏传统的车身系统，例如安全气囊系统、制动系统、底盘控制系统、动力总成控制系统、相关电力电子元器件，因为被纳入了广义 ADAS 的执行机构范畴，也有较大幅度的升级。系统复杂性的提升增加了单一硬件随机失效或者系统级别失效的风险。
• 从项目开发层面看，需要在整个生命周期内（管理、研发、生产、运营、服务）保证自动驾驶相关系统的相关风险均处在可预见、可量化、可追溯的状态。

ISO26262 甄别关键硬件，并增加冗余。按照 ISO26262 的定义方法，自动驾驶系统的风险程度可以按照：

• 危险发生时导致伤害的严重性（严重度）、
• 危险所在工况发生概率（暴露率）、
• 危险的可控性，

三个指标来考量，并分为功能安全等级 ASIL A/B/C/D 四个层级。其中 ASIL-A 是最低的安全等级、ASIL-D 是最高的安全等级，而 QM 则意味着系统要求和安全功能无关。ASIL 等级越高，对系统安全性要求越高，但同时意味着硬件的诊断覆盖率越高、开发流程越严密，导致开发成本上升、开发周期延长。

大部分高级自动驾驶的功能（例如自主转向、紧急制动）的失效都可能会导致驾驶人员的致命伤害，因此有较大可能性会被主机厂归为 ASIL-D 的安全级别，需要对众多关键子系统做出必要的冗余。

环境识别能力偏弱并非硬件物理缺陷，而是算法的不足

目前自动驾驶技术水平对外界环境做出无误的判断，仍有难度。受制于天气环境多样性、道路环境复杂性、车辆本身高速运动特性、传感器受到视角、光照、污损、遮挡等因素影响，没有一种理想的环境感知技术可以妥善处理所有的工况，需要多感知设备耦合并通过算法来弥补各种技术的短板。

因此对环境的识别能力难以趋于零缺陷，并非因为零部件物理缺陷，而更多是算法对复杂环境的处理能力不足。

零缺陷管理并不免费，过程中带来产业利润池转移

产品缺陷自身毫无疑问会提升企业成本。带来的成本会包含失效分析、返工、重新检测、 质保费用、召回费用、周转延长等，所以当汽车系统质量较差、产品缺陷率较高，总体带来的质量成本就很高。高田气囊的产品缺陷造成了全球众多知名的整车企业（丰田、日产、本田、讴歌、马自达、福特等）超过千万车辆的召回，并直接导致了高田公司在 2017 年的破产；丰田在 2010 年因为油门踏板故障，也带来了约 20 亿美金的召回费用。

但零缺陷管理也并不是免费，其需要融入自动驾驶系统的研发过程、工艺流程、甚至需要重塑企业文化。

1. 从系统层面看，自动驾驶面临着系统架构的优化，并带来利润池转移：从分布式系统架构转向集中式系统架构、从众多控制单元转向少数集中式处理器。通过减少硬件数量、这不仅仅是硬件能力的变化，可能还会伴随着价值链的转移。过去分布式架构各子系统自带控制单元无疑可以提供额外附加值，并提升企业利润；而集中式架构使零部件供应商降级为纯粹硬件供应商，使得利润池向整车企业或一级系统商集中。
2. 从产业链看，增加了沟通成本。自动驾驶系统设计到众多的零部件/子系统供应商， 系统的零缺陷最终将被分解成所有子系统和零部件的缺陷率：从各种传感器到处理芯片、从操作系统到执行机构，需要的不仅仅是整车企业、更是整个产业链对更高系统安全性的贡献。
3. 从功能安全角度看，开发成本与物料成本上升。由于需要建立标准化的开发流程保障产品开发过程中就可以顾及到所有的需求并具有可追溯性，保障所有的设计都可以被检测和验证到，零缺陷的管理过程也是提高开发成本的过程。而功能安全所需要的硬件冗余，则直接提升了物料成本。

L3 级别自动驾驶进度是成本和缺陷率的动态平衡

对于自动驾驶来说，一味追求完全的“零”缺陷，短期内由于环境识别等领域准确度仍有不足，若堆砌大量的硬件则又带来极高的成本压力。我们认为 L3 水平的自动驾驶，是成本和缺陷率的动态平衡的结果，将一部分系统缺陷的结果交由驾驶员来处理，或许是真正实现“无人”驾驶之前必要的权衡之举。