自动驾驶商业化真相 其实还有很长的距离才能落地

撰文/蓝科技

6月初,广州、深圳的疫情相继反弹。相比去年初疫情刚至时,人们没有太多防备,也缺少从容应对的手段,这次连高科技的无人车也派上了用场。

据南方都市报报道,在广州海珠区、荔湾区等多个疫情重灾区,抗疫物资保障的无人驾驶车队时而可见。而且,以百度Apollo、文远知行、小马智行、美团、易特智行等为代表的很多科技、互联网公司,都躬身入局。

种种迹象,似乎给人们一种错觉:无人车的时代真的要来了吗?其实不然。

据蓝科技观察,无人车走上街头,只是人们看到的自动驾驶汽车的冰山一角,目前多数企业前仍以技术研究为主,相关技术的应用,以及落地后如何运营,更是停留在“实验室”阶段,而且也面临诸多难点。

自动驾驭专利技术井喷

蓝科技注意到,目前市面的自动驾驶汽车主要应用在无人配送上,而其商业模式及应用目的也不尽相同。

第一种是以服务集团内部业务为主,比如阿里、京东、美团等公司;第二种是以提供无人配送运力作为盈利方向,主要代表有白犀牛、行深智能等企业;第三种则是以车辆销售、软硬件解决方案等进行收费服务如新石器、驭势科技等。

由此可见,目前布局自动驾驶汽车的企业已经为数不少。而且,从各企业所拥有的专利数量,也可以对其在无人驾驶汽车上的技术实力窥见一斑。

近日,根据相关数据显示,截至2021年6月,我国有8275家公司参与了自动驾驶专利申请,专利合计40682件,其中授权专利14018件。其中百度与华为分别以2009件及1332件位居Top2,而传统的新能源汽车公司比亚迪却位居Top10。

不难看出,以百度、华为为代表的科技企业,在自动驾驶汽车技术上似乎更有优势。而以比亚迪为代表的传统汽车企业,却反而在自动驾驶专利方面,显得有些薄弱。

技术大热落地遇冷

只不过,技术领先的企业在自动驾驶汽车的应用落地上,同样无明显突破性进展。

以技术上处于头部位置的百度与华为为例,百度从2013年开始布局自动驾驶,2017年推出了全球首个自动驾驶开放平台Apollo。目前百度Apollo已经在自动驾驶、汽车智能化、智能交通三大领域拥解决方案。

据了解,百度推出的“Apollo”计划,是面向汽车行业及自动驾驶领域的合作伙伴提供开放的、完整的、安全的软件平台,帮助这类企业搭建一套属于自己的自动驾驶系统。

而在2018年,在第二届百度AI开发者大会上,百度宣布全球首款L4级量产自动驾驶巴士“阿波龙”量产下线,虽然成为了国内无人驾驶汽车的里程碑事件,但首次交付数量仅为100辆。

无独有偶,今年4月初,搭载华为ADS的极狐阿尔法S汽车的试驾视频,一度引发热潮,让很多网友在看到视频中的无人驾驶汽车能自主完成红绿灯启停、无保护左转、避让路口车辆、礼让行人等一系列的操作。

彼时,华为轮值董事长徐直军对外透露华为自动驾驶能够在市区做到1000公里无干预的自动驾驶,甚至自称体验超过特斯拉。

不过,深入了解不难发现,其所谓的1000公里无干预的自动驾驶路段,只是预先设置好的测试路段,因此,这样就断定无人车要上路,显然是被市场误读了。

自动驾驶普及应用还有三个拦路虎

行业普遍认为,自动驾驶发展有三个层面,分别是技术研发、道路测试以及商业化。由此可见,在技术研发层面,百度自动驾驶以Apollo为抓手打造平台,华为则更多是从传感器着手,构建阿尔法S这样的“Huawei inside”。

而且,无论是华为还是百度布局的自动驾驶汽车,目前都停留在道路测试方面。这也意味着,无论选用哪种模式布局无人驾驶汽车。其由技术走向应用,由道路测试“实验室”走向寻常百姓家,还需要面临技术、数据、生产及商业应用的三大拦路虎。

随着越来越多的企业加入自动驾驶汽车的研发队伍,其如何走向规模化量产、实现商业化运营将是摆在各大企业面前的首要难题。

其一,按照自动驾驶汽车技术等级,目前相关技术走向商用尚有较大距离。

目前国内自动驾驭等级共分为0-5级六个等级。0级驾驶自动化(应急辅助)、1级驾驶自动化(部分驾驶辅助)、2级驾驶自动化(组合驾驶辅助)、3级驾驶自动化(有条件自动驾驶)、4级驾驶自动化(高度自动驾驶)和5级驾驶自动化(完全自动驾驶)

业内人士认为,自动驾驶要进行SAE等级的升级,需要解决三大要素面临的问题:感知层、决策层和执行层。分别像是驾驶员的眼睛与耳朵、大脑、手与脚,各司其职对汽车所处的环境、路况进行判断和识别,并进行决策判断,并执行车辆制动、转向和驱动动作。

而在现阶段,L5级存在着巨大争议,尽管很多创业公司、IT公司以及车企都把L5视作终极目标,但无论是法律、法规方面的阻碍,还是技术成熟度上的局限,都使人们意识到实现L5还需要很长时间。

尽管主流研究停留在L3及以下,但无论是解决哪个要素面临的问题,都需要诸多对应的解决方案,很显然,目前的技术水平是难于支撑的。

其二,应用场景过于复杂基础数据却不足,难有万能的解决方案。

如上文所述,智能驾驶汽车上升到L3级别,就需要有决策层的解决方案。因此也需要基于大量的基础数据采集。而新兴的自动驾驶汽车,很明显缺乏足够的现有数据,用于辅助智能汽车做决策、判断。因此,自动驾驶汽车想要上路,就要训练和测试足够多的复杂场景。

而传感器的数据大多是非结构化数据,以图像、视频、点云文件、日志文件为主。面对不同的SAE级别,数据量的要求在L2、L3级别上都需要10-100PB的数据集成千上万核的计算资源。

更有挑战的是,到了L5级别实现完全自动驾驶,需要超过2EB级别的数据量。如果按照1TB的硬盘来计算的话,2EB的数据量相当于200万个1TB的移动硬盘。以目前的基础数据量,显然是不足的。

除此以外,高精地图的缺乏,也会阻碍自动驾驶汽车走进人们的生活。如前文所述的华为ADS的极狐阿尔法S汽车,不管是采用摄像头还是激光雷达,采集到数据后都需要和高精地图做匹配,高精地图可以说是整个系统的核心。但是地图的制作和更新,却是个大难题。

一方面,高精地图的制作成本极高。高精地图不简单的是采集红绿灯的高度、与道路有关的各种细微的信息,甚至从窨井盖的位置,到车道的宽度,到斜坡倾斜的角度,几乎无所不包。另一方面,地图数据需要频繁更新。

据报道,我国每年高速公路路网更新比例在30%左右,所以高精地图就必须要不断更新,其投入的成本之高,也是无法估量的。

而且,即便自动驾驶汽车实现了规模化生产与应用,未来如果利用 V2V(车对车)通信让车辆之间交互,产生的数据量将非常庞大。

根据英特尔预测,2020 年,一辆无人驾驶汽车一天至少产生 4TB 的数据,在本地或是在云端,这都是一个巨大的数据量,需要大量的存储。假如按照美国汽车保有量 2.5 亿辆计算,2.5 亿乘以 4TB 再乘以一年 365 天,数据量变成了天文数字。在中国,数字有增无减。

因此,这些数据如何储存及有效的处理、应用,也将对人类带来新的挑战。

其三,难以规模化量产。

通过上文百度自动驾驶汽车量产下线仅100量,以及2018年3月,国际自动驾驶汽车头部企业Waymo 表示到2020年将增配2万辆搭配自动驾驶技术的捷豹 I-PACE车型,也不难看出,无人驾驶汽车的规模化量产存在巨大的困难。

这一方面是因为,硬件难以规模化。要知道,如果将 L4 或者 L5 级别的无自动驾驶汽车视为未来无人车上的主角,也即马路上跑的全部是不需要人类接管的车辆,那么这些车一定会装备大量的传感器,包括激光雷达、毫米波雷达以及多个摄像头等等。这也意味着,如果真的要急速扩大无人驾驶汽车的规模,传感器的生产规模也必须跟上。这对于现阶段的传感器制造商来说,无疑是一个比较大的问题。

除了无人驾驶车需要大量的传感器阻碍其规模化外,无人驾驶汽车的批量生产,瓶颈也非常明显。一方面,传感器装载在车辆后,能否承受不间断的应用,其可靠性还没有实际验证,这也意味着存在着不可预知的风险。

另一方面,因为传感器在实际应用中可能出现的故障,那么就像现在的充电车难于普及一样,也将需要在全国各地布局相应的维护传感器、车载计算机,以及修复或更换各类零部件,这不仅需要有掌握这些新型技术的人才来匹配这样的市场需求。也需要有并高效率的、系统化、专业化的运营团队。

而目前无人驾驶公司的精力都在技术研发上,对于建立全国性甚至国际化的运营团队,几乎没有任何经验。加上行业基础数据与相关标准的缺失,也将毫无疑问会带来极大的挑战。

最后,不同国家的驾驶习惯与法律条款不同,可能面临伦理挑战。不难理解,一套自动驾驶系统基本不可能在两个国家使用,而且,如果车辆违反交通规则,责任归属也难以界定。换句话说,无人驾驶汽车很难进行规模复制,不管是地图、区域,或者是国家。也就是说,这是一个难以形成国际标准的行业,注定会因此导致规模受限。

结语

在路面的车辆越来越多、道路越来越拥挤的当下,自动驾驶汽车无疑是未来的趋势。但一个新兴行业的出现,必然是一个完整的生态链。自动驾驶汽车从研发到应用,从生产到销售、运营也一定是个系统工程。而目前大多数企业还只是停留在技术层面、实验室阶段。即使是有一些车型号称已经开始量产,在蓝科技看来,也不过是小批量试,距离商业化还有很远的距离。

本文原创于蓝科技 未经授权任何网站及平台不得转载 侵权必究。

(0)

相关推荐