自動駕駛汽車的發(fā)展繼續(xù)吸引交通和其他工業(yè)領域的大量投資。這些賭注是必要的，因為許多棘手的技術問題仍遠未解決。

在我看來，這里有三個關鍵問題：

為什么 AV 問題如此難以解決？

不同的 AV 用例如何影響 AV 問題？

部署 AV 用例將如何演變？

為了回答這些問題，我們在三個圖表中總結了一個演示文稿，旨在為新手和專家提供一些視角。

AV復雜性問題

自動駕駛汽車的基本問題是為 SAE 4 級功能開發(fā)安全、可靠的自動駕駛汽車所涉及的巨大復雜性。第一張圖表總結了這些挑戰(zhàn)。

點擊查看完整大小的圖片

如上圖所示，AV 問題在紅色塊中分為三組。潛在的解決方案列在 12 個黑框中——每個問題組四個框。請注意，三個框的藍色文本相同——因為需要軟件平臺，包括機器學習和神經(jīng)網(wǎng)絡在內(nèi)的人工智能軟件來解決這三個問題類別。

首先是在大多數(shù)情況下以厘米級精度了解 AV 的確切位置。下一步是對所有道路使用者和物體進行分類，包括他們正在做什么（如果有的話），并預測他們在接下來的幾秒鐘內(nèi)可能會做什么。

這些問題的解決方案是大量傳感器、強大的計算能力以及管理多個復雜系統(tǒng)所需的平臺和人工智能軟件。例如，一輛典型的自動駕駛出租車需要 30 多個傳感器，包括攝像頭、雷達和激光雷達。例如，Zoox最近發(fā)布的自動駕駛出租車公告列出了 64 個傳感器：28 個攝像頭、20 個雷達和 16 個激光雷達。

處理傳感器數(shù)據(jù)也需要基于 AI 的視覺軟件。大多數(shù) AV 都需要高清地圖才能準確確定位置。

所有軟件和硬件系統(tǒng)都需要廣泛的網(wǎng)絡安全保護。軟件還必須使用內(nèi)置的無線 (OTA) 軟件更新功能定期更新。

第二個問題是確保 AV 硬件和軟件的可靠性，沒有單點故障。如果發(fā)生故障，則需要所謂的“跛行回家”功能，至少可以將車輛引導到路邊。

隨著AV 法規(guī)的引入，安全和操作規(guī)則必須作為系統(tǒng)和可靠性設計的一部分。

還需要系統(tǒng)設計中的硬件冗余。至少三個 AV 系統(tǒng)需要冗余：駕駛控制（轉向、制動、速度）；視覺傳感器能力（三類）；和計算。

系統(tǒng)架構必須使用能夠簡化軟件平臺合作的技術，從而實現(xiàn)強大的網(wǎng)絡安全和 OTA 更新。最近的一篇專欄文章涵蓋了這些主題。

這些系統(tǒng)仍然相當昂貴，并且需要顯著降低成本。幸運的是，基于芯片的技術可以節(jié)省大量成本，尤其是對于最昂貴的組件：激光雷達。

AV 組件的仿真至關重要，包括軟件和硬件以及所有類型的測試和建模。

將需要 AV 事件數(shù)據(jù)記錄器來深入了解碰撞情況以及可以采取哪些措施來提高安全性。遠程操作也正在成為 AV 監(jiān)管的標準，并且在解決邊緣情況時可能成為跛行能力的關鍵。

第三個問題是開發(fā)一個超越人類驅動程序的軟件驅動程序。到底好多少還在爭論中。很明顯，AV 開發(fā)人員必須繼續(xù)測試和改進他們的系統(tǒng)。開發(fā)時間將取決于用例。

邊緣案例測試被廣泛使用，基本上意味著發(fā)現(xiàn)軟件驅動程序以前沒有見過并且可能不知道如何處理的新駕駛情況。將新的邊緣案例添加到軟件驅動程序功能可能被認為是最高優(yōu)先級。

另一個難題是確認 AV 軟件驅動程序可以勝過人類驅動程序。目前尚不清楚 AV 法規(guī)和未來的 AV 型式認證將如何處理這一重要問題。

解決方案主要涉及測試，分析大量測試數(shù)據(jù)以識別軟件驅動程序的弱點，然后進行更多測試。幸運的是，這種測試的大部分模擬速度比道路測試高得多——在模擬模式下每天的英里數(shù)是道路測試的 100 倍。這些模擬側重于邊緣情況和類似情況。

測試必須包括不同的天氣和照明條件。大多數(shù)歷史上的 AV 測試都是在理想的天氣條件下完成的。因此，需要更大的真實世界模擬。

視音頻用例

上述復雜性將根據(jù) AV 用例而有很大差異。AV 復雜性主要由驅動復雜性決定。下圖概述了 AV 用例復雜性，重點關注 SAE L4 部署。不包括這些場景的許多變體。

點擊查看完整大小的圖片

上圖顯示了各種 AV 用例如何適應二維空間，AV 復雜性在 y 軸上增加，驅動復雜性在 x 軸上增加。駕駛復雜性包括路線障礙、駕駛速度、交通密度、道路使用者種類（汽車、自行車、行人等）和天氣條件。還列出了死亡風險，主要由速度決定。一些 AV 用例的死亡風險非常低。

低 AV 復雜性

低 AV 復雜性是指簡單的路線、低速和低用戶或交通種類。在最簡單的層面上，操作僅限于封閉區(qū)域，例如校園、辦公園區(qū)或軍事基地。人行道送貨車與多個玩家一起最遠。人行道 AV 領導者 Starship 在 2021 年 5 月的交付量超過了 150 萬次，并且很快將超過 200 萬次。

固定路線 AV 的 AV 復雜性也較低，市場利基包括多個參與者。由于 AV 價格高昂，部署緩慢，但已在數(shù)百個城市進行測試。應用包括低復雜性的公交路線和/或封閉環(huán)境。

固定路線的自動駕駛汽車也可能用于靈活的旅行，例如按需接送。最近于 2021 年 7 月發(fā)布的 ISO 22737 低速自動駕駛 (LSAD) 法規(guī)應該會對固定路線自動駕駛汽車的部署產(chǎn)生積極影響。

用于最后一英里交付的純貨物自動駕駛汽車帶來了更多的交通復雜性，比人行道自動駕駛汽車以更高的速度在道路上行駛。貨車和小型卡車也可以改裝為 AV 送貨車。他們正在使用安全駕駛員進行測試。

中等 AV 復雜性

此類別包括幾個 AV 場景。沒有安全駕駛員的低速貨物自動駕駛汽車屬于這一類。也可能包括具有樞紐到樞紐路線的自動卡車，但目前需要一名安全駕駛員。此類別也稱為中英里卡車運輸。

如果安全駕駛員被移除，遠程操作監(jiān)控可用于樞紐到樞紐卡車運輸和機器人出租車。大多數(shù) AV 法規(guī)都要求將遠程操作作為管理 AV 的最后手段，以防它們被卡住。遠程操作也可能成為一種更普遍的技術，最終取代安全駕駛員。

高 AV 復雜性

上圖包括三個具有高 AV 復雜性的用例。樞紐到樞紐的卡車運輸用例在這一類別中最低，其次是機器人出租車。仍處于設計階段的個人 AV 也將被歸類為高復雜性。個人 AV 可能會受益于在都市區(qū)部署機器人出租車的經(jīng)驗。

AV 用例部署

AV 部署將從簡單過渡到復雜。下面稍作修改的用例圖表將 x 軸更改為表示時間線，貼上綠色標簽表示用例塊的重新排列。AV 用例的定位是反映他們在時間線上何時可能會看到有意義的使用。

點擊查看完整大小的圖片

在這種情況下，人行道自動駕駛汽車的部署率最高，在許多城市提供餐食、雜貨和其他小包裹。人行道自動駕駛汽車也是最便宜的產(chǎn)品，因為傳感器更少，重量更輕，行人速度更慢。撞到某人或某物的風險相對較低。

純貨 AV 以Nuro送貨車為代表，主要處于測試模式。當前的廣告表明，Nuro 可能已準備好進行更廣泛的部署。

機器人出租車主要仍處于測試階段，配備安全駕駛員。Waymo 在其鳳凰城地區(qū)的大部分測試中都移除了安全驅動程序。一些自動駕駛出租車運營商已獲準在美國和中國的一些城市對其服務收費。

帶有安全駕駛員的貨物自動駕駛汽車還為商店和/或倉庫之間的最后一英里或中間一英里的運營提供包裹。

EasyMile、Local Motors 和 Navya 等固定路線自動駕駛汽車已在多個國家/地區(qū)進行了廣泛的測試。大流行停止了大多數(shù)測試，這些測試的重點是每次乘車最多運送 12 名乘客。最近的 ISO LSAD 法規(guī)涵蓋了這一用例，并應在未來幾年啟動固定路線 AV 的使用。

與安全駕駛員一起使用的集線器到集線器自動卡車的測試越來越多。其中大部分包括將貨物運送給付費客戶。

其余類別更難部署，并且會比上圖顯示的更晚到達。集線器到集線器的自動卡車部署可能會在 2025 年左右發(fā)生。機器人出租車的大規(guī)模部署是幾年后的事，但據(jù)一些機器人出租車的希望者稱，可能會在少數(shù)城市發(fā)生。個人 AV 將明顯晚于機器人出租車。

人工智能解決復雜性

AV 技術仍然很難做到，但一些用例的復雜性較低，并且部署數(shù)量有限。針對更簡單的 AV 場景的法規(guī)正在出現(xiàn)，許多公司最終將部署法規(guī)允許的內(nèi)容。

所有 AV 法規(guī)都需要遠程操作，但它也可用于刪除安全驅動程序，以便提前部署某些用例。

AV 系統(tǒng)成本目前由昂貴的激光雷達主導，未來五年將迅速下降。這意味著 2025 年之后，過高的 AV 系統(tǒng)成本不會成為阻礙因素。

復雜 AV 系統(tǒng)的早期部署最終取決于 AI 技術的突破，這是無法預測的。如果出現(xiàn)這樣的創(chuàng)新，潛在用戶可能不必等到 2030 年代才能使用個人 AV。

審核編輯 黃昊宇