再好的时代，也掩盖不了自动驾驶技术的难？

“自动驾驶正在进入最好的时代！”

在近期举办的第二届全球智能驾驶峰会上，苏州智加科技有限公司总裁郑皓指出，自动驾驶产业正迎来三大利好：一，资本、技术、生态资源更加集中，协同发力；二，自动驾驶技术不再单打独斗，人工智能相关的基础设施普及能够加速自动驾驶的发展，进而推动全世界认同和支持；三，社会发展与技术发展相辅相成，政策智慧与技术发展交互呼应，通过技术安全务实的落地。

毋庸置疑，自动驾驶正在加速进化，然而对于身处自动驾驶产业一线的企业来说，要推动自动驾驶向前，尤其是实现全自动驾驶的量产，其中的难关切实存在，并显得极难攻克。

感知技术难度不小

在此次峰会上，江苏省新能源汽车创新联盟执行理事长殷国栋表示，自动驾驶的关键技术包括智能感知、决策、控制。不过在这些过程中，困难非常多，“我们所研究的场景与实际场景是不对称的，真实场景是非常复杂的，开发者要带着一种谨慎的态度对待这种事情。”

感知是自动驾驶的第一环，一个自动驾驶系统的整体上表现好坏，很大程度上都取决于感知系统的好坏。目前来看，感知技术主流方案包括摄像头、激光雷达、毫米波雷达、导航系统等。

而正如殷国栋所言，单个传感器已经无法适应自动驾驶精准的感知需求，目前业界大多在研究多传感器融合的感知技术方案，“传感器的类型越来越多，无论几种，一定要分类清楚，最终做到信息融合，以适应真正的应用场景。”

Roadstar．ai首席科学家周光曾在某次演讲中指出，简单的传感器融合，无外乎就是每个传感器的数据能大致在空间跟时间上能得到对齐，而多传感器融合技术的核心就在于高精度的时间以及空间同步。

而众所周知，无人驾驶当中，毫米波雷达、激光雷达和超声波都是完全不同的传感器，让他们实现高精度的时间以及空间同步无疑是非常难的，相关技术提供商还需要对机器人技术以及机器学习优化技术有非常深的理解。

图片来源：森思泰克

值得一提的是，在感知系统中，高精度地图也发挥着不可小觑的作用，它所采集的环境信息，例如车道标志、路缘等信息，可与通过以上感知技术方案所获得的信息相互印证，从而实现“多传感器融合”的效果，获得更为准确的位置信息。

Deepmap大中华区总经理刘澍泉表示，从用途上来说，传统地图更多在于导航搜索，包括目视导航，而高精地图包括环境感知、定位、路径规划、车辆控制，它有更多的发挥空间，它能够降低感知过程的难度。

大唐高鸿车联网总监张杰则指出，现在单车主要靠毫米波雷达、激光雷达、摄像头等一些传感器，这些都可以认为是一种视觉传感器。在人类驾驶员看不到的地方，它也是没有能力感知的，鬼探头成为难以应对的场景。

“车辆需要获得周围车辆行驶意图，没有通信手段是难以实现的。在投放的早期，一定会面临和有人驾驶的这样一个混合交通状况，有一些人类驾驶员行为还是不够规范，在正常运行道路上面有一些工程车辆，这些车辆的一些信息，包括尾灯位置、信号标识都和常规乘用车有很大不同，想要识别他们启动或者是停止的意图，对自动驾驶来说还是一个比较困难的事情。”

而在这时候，V2X就能帮上忙了。张杰在演讲中提到，使用C－V2X之后可以提供一个环境全息感知，可以把单车感知范围从车上移动到路端，这有很多好处：一方面它安装角度变高了，站的高看的远，自然探测距离远远大于单车，另外可以以静制动，因为它是一个静止点去观测，所以在很多判断上会比单车一些摄像头有更多图像处理的优势。并且在一些复杂路段，可以从多个角度进行传感器部署，实现多传感器信息融合。

人工智能也并非易事

人工智能逐渐被认为是实现自动驾驶汽车的关键所在，是推动自动驾驶商业化的核心。

IEEE Fellow、中科院无线传感网与通信重点实验室主任先杨旸认为：“未来，整个环境当中都会发生智能化的改造，所谓的云物边缘和传感器网络的融合，使得我们的计算变的无处不在。有了无处不在计算以后，我们才可以有无处不在的智能。”

图片来源：businesskorea．co．kr

然而人工智能显然并非易事。

希迪智驾工程副总裁黄英君指出，不同的场景所适用的感知算法，以及决策和规划算法差距都非常大，因此很难拿出一套通用全栈L4级自动驾驶架构，满足所有这些场景，很多时候要定制，而如若需要定制，模块训练使用不同场景，包括适应不同芯片、不同平台，都是问题。

德国汉堡科学院院士张建伟表示：“大家都说中国人脸识别技术最强，但是在汽车量产方面，模糊场景识别是一个非常重要的一个题目，但是在这种模糊人脸识别里头，现在人工智能深度学习算法是做不到准确识别，未来，强人工智能对汽车以及对自动驾驶还是有非常大的挑战。”

与此同时，他也指出，下一步人工智能和未来驾驶的结合是多种最新前沿技术的融合，包括AI、IOT、虚拟现实，机器人可穿戴设备、5G通讯这些都会给未来自动驾驶新技术带来新突破。

华夏芯（北京）通用处理器技术有限公司CTO John Glossner表示，从高层角度来讲，智能驾驶中最核心应该是处理器，也能够驱动着相关智能驾驶设计核心，应该是以这些处理器功能为关注的，也要考虑到如何把AI应用到这些智能驾驶中。

而针对企业布局，大众问问CEO张人杰表示：“我始终认为一个企业要想生存，必须要集中，不能发散，可以发散，当你非常强大的时候，你如果是华为，你可以尝试一下，但是大家可以看到，即使是华为，成功的点无非就是两个：通讯设备和手机。现在很多AI企业说我要赋能百业，意味着对每一个行业都很精通，事实上每一个人只能对一小块领域比较擅长，你要想做好整个垂直领域整合，必须要专注聚焦于一个领域。”

5G还要再等等

实现靠谱的自动驾驶，目前主要有两种主流方向：单车智能和车路协同。前者主要与激光雷达等各种感知技术以及AI技术等相关，而后者由于是要通过网络让所有交通参与者（包括路标、信号灯、骑行者以及行人等）实现在线互联，因此需要5G网络技术的支持。

清华大学计算系教授、中国自动化学会 智能自动化专委会主任邓志东指出，今年是中国正式进入5G商用元年，正式颁布了商用牌照。5G有什么特点？增强了移动带宽、高可靠、低时延、大连接、广覆盖。“4G解决人与人之间连接，5G不仅可以解决人与人之间连接，还可以人与物之间的连接，实现互联互通，因为它具有非常高的连接数。”

中国移动（上海）产业研究院副院长陈豫蓉表示，跟4G相比，5G将在智能网联汽车方面实现非常多的突破，促进整个车载的导航系统，车内娱乐系统升级，推动整个车路协同的发展，为自动驾驶铺平道路。5G为车路协同会带来什么样的变化？应该会有什么样的趋势呢？我们理解有三大方面：

一，整个场景会更加精细化。限定场景下车路系统这种技术将率先落地，比如说我们的说的高速公路，矿区，港口，园区等等。这点在业内外都得到了普遍的认同，像自主泊车，定点接送，快速公交，有限地域无人驾驶出租车，很可能成为自动量产首个商业化应用场景，进而利用自动驾驶这样的优势创造出来崭新的需求、巨大的产业和全新的生态。

二，车路协同化。过去是单车智能化，我们在一辆车上安装了高清摄像头，毫米波雷达等等各种设备，让整车变的更加智能。这样车的反应是有一些局限性，今天走向了车路协同，随着自动驾驶级别的发展，单车智能对芯片，对算力的要求会成一个指数级的上升。车路协同是什么平台呢？它实现是人，车，路，云这样一个协同，它会具备边缘计算的能力。通过边缘计算的一个算力卸载，我们实现一个自动化算力均衡分布，实现整个单车智能的升级，这也是自动驾驶未来的一个主要技术路线这是。

三，推广会是一个渐进的过程。可以肯定，面向更高级别自动驾驶，可能它对道路的配套升级改造要求，对产业链资源整合的要求，对前沿技术的突破要求，以及法律法规等等相应配套，都有更高的需求，这决定了它的推广不是一蹴而就的过程。将来车路协同技术落地，首先是从区域化、场景化开始，逐步再推广到全场景、全区域，是一个渐进的过程。

大众问问CEO张人杰则从商业模式方面阐述了5G的难点，“现在大家谈5G谈的比较热，但是5G是不是真的能产生价值？其实依赖于商业模式，现在4G比较成功了，因为每一个月花费已经能够让运营商去支撑它目前4G网络运营，但是大家想一想，5G投资是巨大的，5G基站数目是现在的数十倍。在这种情况下，意味着运营商要投入更多的钱去建这样的基础设施，如果你的商业模式，如果运营商还是只能收到每月几十块钱、几百块钱花费，那么运营商肯定会亏损，对于汽车也是一样，汽车在新场景下必须要有新的商业模式。”