自動駕駛是百年汽車工業史上又一次偉大的範式轉移，將重新定義汽車產業規則。汽車的產品定義將不再是 「行走的精密儀器」，也不只是一臺「行走的計算機」，而是「行走的第三空間」；車廠的角色將從傳統的汽車製造商向移動出行服務商轉型。自動駕駛是產業發展的必然趨勢，關乎時間、生命，是重塑未來出行生態的關鍵技術。2018 年下半年以來，全球自動駕駛產業現象級事件頻發，商業化序幕已經拉開。
本文約2萬4千字，分為上下兩部分。本文為上半部分，請耐心閱讀。
1.百年汽車史上又一次偉大的範式轉移
1.1 重新定義汽車產業的遊戲規則
汽車產業升級換代，自動駕駛獨領風騷。直觀理解，自動駕駛就是「機器替代駕駛員開車」，國內亦稱之為智能網聯汽車。與電動化、共享化相併列，自動駕駛（智能化+網聯化）早已被產業界普遍認可為汽車產業未來發展的「新四化」趨勢之一。
春江水暖鴨先知，從嗅覺靈敏的資本市場的表現來看，自動駕駛早已是汽車產業升級的絕對主角。代表目前全球最強自動駕駛實力的 Waymo（谷歌）儘管尚未產生正式的收入，已經被 Morgan Stanley 率先定價到了 1750 億美元，遠超傳統車企代表通用、福特、電動化勢力代表特斯拉以及共享出行代表 Uber 的估值。Morgan Stanley 對於自動駕駛的熱捧絕非孤例，根據德國《經理人》雜誌報道，大眾集團 CEO Herbert Diess 曾計劃以 1370 億美元的報價參股 Waymo 10% 股份（提議最終未得到董事會支持而告終），產業資本對於自動駕駛的認可度和追捧可見一般。我們認為，自動駕駛獨領風騷的背後原因在於——自動駕駛將是未來汽車產業遊戲規則的定義者。
自動駕駛時代，汽車被重新定義。自動駕駛時代，汽車不再只是汽車，而是用戶的第三空間。高等級自動駕駛意味著手、腳、眼和注意力將逐步被解放，從「機器輔助人開車」（L2）到「機器開車人輔助」（L3）、「機器開車」（L4/L5）意味著車主的生產力、時間的釋放，汽車將不再是代步工具，用戶在車內即可實現娛樂和辦公，汽車有望進化成為家庭、辦公場所之外的第三生活空間。從本質上來說，自動駕駛汽車不再是 「行走的精密儀器」，也不只是一臺「行走的計算機」，而是「行走的第三空間」，汽車的產品形態將被重新定義，商業價值也將更多維度地展開（自動駕駛創造了新的消費經濟和生產力市場——乘客經濟，乘客在路上或消費，或工作，或娛樂，每一輛車都可以變成移動的商業地產）。
自動駕駛時代，車廠角色將重新定義。未來汽車可能分為兩類，一類是有人駕駛的汽車，一類是移動服務汽車。傳統的汽車製造商將逐步向移動出行服務商轉型，為用戶提供 Car as a Service 或者說是 Mobility as a Service（MaaS）的一站式出行服務。從用戶角度來看，相對於私有車的模式，轉向移動出行服務，可以充分利用路上的時間做自己的事；從車廠的角度來看，商業模式將從產權交易到使用權交易，即不再是一錘子買賣的整車銷售，而是類似「手機流量套餐」一樣，對用戶的出行服務進行按需收費。從廣義來看，未來出行服務需要具備三大要素：移動平臺（車）、自動駕駛技術、用戶服務入口。其中，自動駕駛將是關鍵技術，可以大幅度的降低出行服務平臺的最大的運營成本項（司機的工資），直接決定了車企轉型移動出行服務商的盈利潛力。
1.2 自動駕駛是汽車產業發展的必然趨勢
依從第一性原理思考現有交通出行的困局，發展自動駕駛是破局之道。現在很多大城市每年汽車增長 20%，道路增長 1%，人、車、路間供需不平衡，消費者被車廠教育了都想買車，可車還是不夠人用（限購限行，打車難），路不夠車用（擁堵），車已經塞滿了城市；另一方面，汽車又是使用率最低的工業品，城市不得不為 95% 時間閒置的汽車建造大量的停車場，車位比車貴。現有交通出行的困局的根源是因為——人、車、路，三者之間在特定時間段的供需矛盾，增加車、修路都是治標不治本的措施，即使是共享出行，也只解決了一半的問題。我們需要從底層創新上尋求現有交通出行問題解決之道。從第一性原理出發，唯有，也只有代表著更高效率的 MaaS（自動駕駛驅動）的普及，才能根本性地解決現有的交通出行困局。
自動駕駛關乎時間、關乎生命，將釋放巨大的社會價值：
1）自動駕駛關乎生命。滴滴程維曾表示，理論上，機器比人更適合開車。人其實並不很適合開車，人類的可靠視距大概只有兩三百米，但是激光雷達可以看到更遠。人類只能看到前面 180° 的視角，看不到後面有車追尾，機器可以環顧 360°。人只能靠個體學習積累駕駛經驗，用公里數換經驗，但是機器可以 100 萬輛車共享一個大腦，去學習沉澱經驗。人類開車走複雜路段，是靠自己的經驗控制方向盤，但是機器可以學習舒馬赫怎樣精準過彎。人類操縱汽車是靠手感，是靠腳踩下去的感覺，機器人可以精確到毫米、微米去控制機械。機器也不會疲勞駕駛、酒駕。在技術足夠成熟的前提下，機器駕駛的綜合安全性會比人類高一個量級，而這意味著全球每年死於交通事故的 125 萬人死於道路交通事故的人員（WHO《2015 年全球道路安全現狀報告》），有更多生命得到拯救。
2）自動駕駛關乎時間。羅振宇提出了「國民總時間」的概念，時間是最有價值、也是最稀缺的資源。在大部分人的一天 24 小時中，上下班通勤是逃不掉的固定時間支出，尤其是在地理尺度較大和職住問題嚴重的大城市，交通擁堵會令本已很長的通勤時間加倍延長。高德地圖《2018 年度中國主要城市交通分析報告》顯示，以北京為例，人均年擁堵時間高達 174 小時。按照擁堵損失=城市平均時薪*因擁堵造成的延時*人均全年通勤次數的計算公式，根據百度測算，國內每年因為交通擁堵大概會造成 GDP 的5 % 到 8% 的損失。自動駕駛時代，用戶在車上的時間會被解放出來，這些時間都可以轉化成生產力，釋放巨大的經濟價值。
在釋放巨大社會價值的基礎上，自動駕駛將激活、重塑和創造多個萬億級市場：
1）自動駕駛將激活汽車市場。智能、安全和人機共駕的新體驗將重新激發人們換車的需求；
2）自動駕駛將重塑出行市場。MaaS 將解決如今困擾消費者和出行服務商的最大問題——司機成本和「壞人」風險。如果說當前的網約車只解決了出行需求的一半問題，那麼未來自動駕駛出租車將是另一半問題的答案。此外，自動駕駛應用到商用場景，用機器替代日益高昂的人力成本，也將創造巨大價值；
3）自動駕駛將創造新的消費經濟和生產力市場——乘客經濟。這些時間，乘客在路上或消費，或工作，或娛樂，每一輛車都可以變成移動的商業地產。
更進一步，除了上述三個市場之外，自動駕駛技術的普及還會產生間接的二級效應，對能源、房地產、保險等行業都會產生深遠而巨大的影響。
1.3 現象級事件頻發，自動駕駛拉開商業化序幕
自動駕駛不再是夢想，主機廠規模化量產即將啟動。回顧自動駕駛產業發展歷史，大致可以分為如下階段：
1）源起。自動駕駛技術的探索最早可以追溯到 1980 年，美國率先開啟了自動駕駛汽車在軍事領域的應用。美國的國防高級研究計劃局（DARPA）和卡內基梅隆大學，分別以 「攝像頭為主、其他傳感器為輔」開發出不同的自動駕駛汽車的原型，並且在真實路況中展現出了令人信服的能力。2004 年開始，美國（DARPA）發佈無人車挑戰賽。時值 「第二次海灣戰爭」 剛剛開始，國防部注意到沙漠行動中的士兵傷亡，希望用無人駕駛來解決這一問題。DARPA 無人車挑戰賽為自動駕駛技術交流開闢了空間和研究的土壤，為產業貢獻了大量的人才。第一代的自動駕駛技術大牛，基本都是以 DARPA 無人車挑戰賽為起點。
2）賽道開啟。自動駕駛產業化的正式開啟是從 2009 年拉開序幕，Google X 確立了多個登計劃（Moonshot），旨在捕捉未來惠及全人類的核心技術。無人車項目在谷歌的資金支持下正式開啟。隨後，陸續有更多的科技巨頭入場。
3）核心技術跨越式發展。自動駕駛技術經過多年打磨後，日趨成熟，絕大部分主流車企也宣佈了自動駕駛的量產計劃表。為了更好的捕捉自動駕駛技術衍生出來的需求，從芯片廠到 Tier1 開始了供應鏈整合之路。標誌性的事件就是英特爾宣佈以 153 億美元收購 Mobileye（自動駕駛視覺芯片公司），並正式成立自動駕駛事業部。
4）技術得到商業化驗證。2017、2018 年開始，自動駕駛技術得到商業化驗證。車廠領跑者——奧迪首發了全球第一款 L3 級別的量產自動駕駛車輛；科技公司的領跑者——Waymo 在經過 10 年的測試和技術打磨之後，推出 Waymo One 的自動駕駛出租車服務，試水商業化運營，並在 18 年分別向捷豹、菲亞特-克萊斯勒下了 20000 量捷豹 I-PACE 車型以及 62,000 輛 Pacifica 混動車的訂單，用於在未來 3 年內在全美擴大自動駕駛車隊陣容。無獨有偶，Uber 早期也與沃爾沃達成協議，計劃採購 2.4 萬輛車輛，用於自動駕駛車隊。
5）供應鏈啟動。隨著車廠自動駕駛量產計劃日益臨近，前裝供應鏈的「車輪」也已經率先啟動，標誌性的事件就是 2019 年年初，四維圖新斬獲國內首個 L3 及以上的高精度地圖的主流車廠訂單（寶馬）。從 2019 年開始，到 2020、2021 年，根據全球主流車廠的計劃表，將陸續開始有量產的自動駕駛車輛出爐，自動駕駛產業有望進入黃金髮展期。
現象級事件頻發，自動駕駛產業發展全面提速。
1）資金層面。自動駕駛在一級市場已經成為最火熱的賽道，展現出超強的吸金能力，僅 2018 年就全球狂攬 94.7 億美元的融資。充裕的資金資質將成為自動駕駛產業最好的助推器之一；
2）產業層面。科技巨頭繼續引領行業風向標；車廠相繼爭先宣佈轉型移動出行服務商（典型代表豐田、通用、大眾），繼續加碼自動駕駛研發投入；
3）政策。全球政府為自動駕駛的合法化上路正緊鑼密鼓的修訂政策法規。日本政府近期通過了《道路運輸車輛法》修正案，確保自動駕駛的合法性；國內方面，交通部部長李小鵬也在近期表示將力爭在國家層面出臺《自動駕駛發展指導意見》。
總體來看，自動駕駛產業生機勃勃，在資金、產業、政策的共振下，發展不斷提速，快馬加鞭縱情向前。
2. 自動駕駛概念定義——L3是分水嶺
L3 將是自動駕駛技術的飛躍。對於自動駕駛技術和概念的定義，國際上通用的是美國 SAE 協會定義的標準。我們日常生活中接觸的最多的仍然是 L2 級別的自動駕駛技術（以特斯拉 AutoPilot 為典型代表），本文所強調的自動駕駛是指 L3 及以上的高等級自動駕駛技術。
在自動駕駛技術分級中，L2 和 L3 是重要的分水嶺，在 L2 及以下的自動駕駛技術仍然是輔助駕駛技術，儘管可以一定程度上解放雙手（Hands Off），但是環境感知、接管仍然需要人來完成，即由人來進行駕駛環境的觀察，並且在緊急情況下直接接管。而在 L3 級中，環境感知的工作將交由機器來完成，車主可以不用再關注路況，從而實現了車主雙眼的解放（Eyes Off）。而 L4、L5 則帶來自動駕駛終極的駕駛體驗，在規定的使用範圍內，車主可以完全實現雙手脫離方向盤以及注意力的解放（Minds Off），被釋放了手、腳、眼和注意力的人類，將能真正擺脫駕駛的羈絆，享受自由的移動生活。從實際應用價值來看，L3/L4 相對於輔助駕駛技術有質的提升，從「機器輔助人開車」（L2）到「機器開車人輔助」（L3），最終實現「機器開車」（L4/L5），L3 將成為是用戶價值感受的臨界點，將成為產業重要分水嶺。
跟消費者普遍希望的「全能」所不同，自動駕駛技術是有應用場景和功能要求的。除了基礎的分級之外，SAE 協會還給出了自動駕駛系統的重要設計維度：設計運行範圍（ODD），即自動駕駛技術可以安全工作的環境，包括車輛自動駕駛時的速度、地形、路況、基礎環境、交通情況、時段（白天、晚上）。以消費者最常見的量產自動駕駛系統——特斯拉 Autopilot 為例，雖然很多粉絲在城市環境試過 Autopilot，但官方給出的啟用範圍依然是高速公路和行車緩慢的路段，並對時速做出了限制。很顯然，路況越複雜，自動駕駛的實現難度將越高。
國內自動駕駛將漸進式落地。SAE 的自動駕駛分級是較為粗線條的，容易產生歧義。我們按照路況複雜程度進一步細化自動駕駛的功能定義，並對其落地時間進行預測。參考羅蘭貝格的報告，我們整體上判斷國內自動駕駛將以 L0-L5 的路線漸進式展開，主要落地應用場景將以私家車出行、共享客運接駁、貨運物流為主，從低難度的區域（封閉低速路段）向高難度的區域（複雜城市道路）循序漸進地落地。2019 年，國內將在城市特定區域開放道路進行自動駕駛車輛測試，並有望在部分高速公路允許 L3 自動駕駛。到 2025 年城市特定區域 L4、L5 自動駕駛有望開放，自動駕駛將步入分區域推進的新階段。而 2025 年之後，才會逐步放開自動駕駛區域限制，從限定場景逐步拓展到全場景。
3.技術：5G+AI打通自動駕駛「任督二脈」
3.1 自動駕駛技術框架概述
單車智能的三大核心環節——感知層、決策層和執行層。狹義的理解，從單車智能的角度，自動駕駛技術的本質就是用機器視角去模擬人類駕駛員的行為，其技術框架可以分為三個環節：感知層、決策層和執行層。感知層解決的是「我在哪？」、「周邊環境如何？」的問題；決策層則要判斷「周邊環境接下來要發生什麼變化」、「我該怎麼做」；執行層則是偏機械控制，將機器的決策轉換為實際的車輛行為。根據上述三個環節的分析框架，自動駕駛技術實現的基本原理是：感知層的各類硬件傳感器捕捉車輛的位置信息以及外部環境（行人、車輛）信息。決策層的大腦（計算平臺+算法）基於感知層輸入的信息進行環境建模（預判行人、車輛的行為），形成對全局的理解並作出決策判斷，發出車輛執行的信號指令（加速、超車、減速、剎車等）。最後執行層將決策層的信號轉換為汽車的動作行為（轉向、剎車、加速）。鑑於高等級自動駕駛是極為複雜的系統性工程，其技術方案尚未完全定型，無論傳統車廠、Tier1 還是互聯網科技企業，對於高等級自動駕駛均有自己的技術路線，我們將在後續章節詳細分析自動駕駛技術框架下不同模塊的作用和技術趨勢。
「車」、「雲」、「路」協同進化是產業發展趨勢。廣義的理解，在單車智能技術路線的基礎上，未來整個自動駕駛的技術體系將是「車端」、「雲端」、「路端」同步升級發展。
- 雲端的意義在於：1）收集大量數據，訓練自動駕駛算法；2）通過雲端更新高精度地圖，為自動駕駛車輛提供更實時的環境模型和動態信息。
- 路端的意義在於：通過打造互聯網化的道路，以車路協同技術，為自動駕駛車輛提供一個聯網的「外腦」，從而減少單車智能的硬件成本。
3.2 解構自動駕駛核心技術模塊
3.2.1 自動駕駛感知層傳感器
3.2.1.1 自動駕駛感知層傳感器的定義和分類
感知層傳感器是自動駕駛車輛所有數據的輸入源。根據不同的目標功能，自動駕駛汽車搭載的傳感器類型一般分為兩類——環境感知傳感器和車輛運動傳感器。環境感知傳感器主要包括攝像頭、毫米波雷達、超聲波傳感器、激光雷達以及 GPS& 慣導組合等，環境感知傳感器類似於人的視覺和聽覺，幫助自動駕駛車輛做外部環境的建模；車輛運動傳感器（高精度定位模塊），主要包括 GNSS、IMU、速度傳感器等，提供車輛的位置信息、速度、姿態等信息。目前自動駕駛需要依賴不同的傳感器來收集信息，尚不具有一個具備所有感知功能於一身的「萬能」傳感器。不同傳感器所發揮的功能各不相同，在不同場景中各自發揮自身優勢，難以相互替代。
3.2.1.2 環境感知傳感器的發展趨勢
環境感知傳感器的技術方案主要可以分為視覺主導和激光雷達主導。1）視覺主導的方案：攝像頭（主導）+毫米波雷達+超聲波雷達+低成本激光雷達，典型的車廠是特斯拉。特斯拉最為激進，創始人馬斯克堅持在其方案中不加入激光雷達；2）激光雷達主導的方案：低成本激光雷達（主導）+毫米波雷達+超聲波傳感器+攝像頭，典型的代表是 Google Waymo。目前，谷歌 Waymo 自己組建團隊研發激光雷達的硬件，把成本削減了 90% 以上，基本上是 7000 美金左右，同時也已經在美國鳳凰城地區進行商業化的試運營。
傳感器各有優劣勢，技術方向的最終定型取決於技術的發展速度以及部件成本的價格曲線。
1）攝像頭——非常適用於物體分類。攝像頭視覺屬於被動視覺，受環境光照的影響較大，但成本低。攝像頭生成的數據，人就能看懂，不過其測距能力堪憂。攝像頭非常適用於物體分類。
2）雷達——在探測範圍和應對惡劣天氣方面佔優勢。在探測距離上優勢巨大，也不怕天氣影響，但不善於識別物體分辨率。
3）激光雷達——優勢在於障礙物檢測。激光雷達是主動視覺，和攝像頭這類被動傳感器相比，激光雷達可以主動探測周圍環境，即使在夜間仍能準確地檢測障礙物。因為激光光束更加聚攏，所以比毫米波雷達擁有更高的探測精度。但激光雷達現階段的成本較高。總體來看，為了更好的安全冗餘，各類傳感器的融合是技術路線的必由之路，而最終技術方向的定型取決於技術的發展速度以及部件成本的價格。
3.2.1.3 高精度定位傳感器的發展趨勢
高精度定位模塊是自動駕駛的標配。要實現車輛的自動駕駛，就要解決在哪裡（即刻位置）、要去哪裡（目標位置）的問題，因此高精度定位傳感器（釐米級精度）模塊需要應用於 L3 以上自動駕駛。
按照不同的定位實現技術，高精度定位可以分為三類。第一類，基於信號的定位，代表就是 GNSS 定位，即全球導航衛星系統；第二類，航跡推算，依靠 IMU（慣性測量單元）等，根據上一時刻的位置和方位推斷現在的位置和方位；第三類是環境特徵匹配，基於激光雷達的定位，用觀測到的特徵和數據庫中的特徵和存儲的特徵進行匹配，得到現在車的位置和姿態。觀察目前產業的主流方案，普遍採取融合的形式，大體上有：
1）基於 GPS 和慣性傳感器的傳感器融合；
2）基於激光雷達點雲與高精地圖的匹配；
3）基於計算機視覺技術的道路特徵識別，GPS 衛星定位為輔助的形式。
3.2.1.4 5G/ V2X技術為自動駕駛打通外部「大腦」
5G/ V2X 技術為自動駕駛打通外部「大腦」。車聯網 V2X 就是把車連到網或者把車連成網，包括汽車對汽車（V2V）、汽車對基礎設施（V2I）、汽車對互聯網（V2N）和汽車對行人（V2P）。通過 V2X 網絡，相當於自動駕駛打通外「大腦」，提供了豐富、及時的「外部信息」輸入，能夠有效彌補單車智能的感知盲點。可以說，V2X 是自動駕駛加速劑，能夠有效補充單車智能的技術、加速反應效率。5G 網絡具備低時延、高吞吐、高可靠的特性，大大提升了 V2X 傳輸信息的豐富性和及時性，也提高了 V2X 傳感器的技術價值。
3.2.2 計算平臺（主控芯片）
3.2.2.1 高等級自動駕駛的本質是AI計算問題，車載計算平臺是剛需
自動駕駛就是「四個輪子上的數據中心」，車載計算平臺成為剛需。隨著汽車自動駕駛程度的提高，汽車自身所產生的數據量將越來越龐大。根據英特爾 CEO 測算，假設一輛自動駕駛汽車配置了 GPS、攝像頭、雷達和激光雷達等傳感器，則上述一輛自動駕駛汽車每天將產生約 4000GB 待處理的傳感器數據。不誇張的講，自動駕駛就是「四個輪子上的數據中心」，而如何使自動駕駛汽車能夠實時處理如此海量的數據，並在提煉出的信息基礎上得出合乎邏輯且形成安全駕駛行為的決策，需要強大的計算能力做支持。考慮到自動駕駛對延遲要求很高，傳統的雲計算面臨著延遲明顯、連接不穩定等問題，這意味著一個強大的車載計算平臺（芯片）成為了剛需。事實上，如果我們打開現階段展示的自動駕駛測試汽車的後備箱，會明顯發現其與傳統汽車的不同之處，都會裝載一個「計算平臺」，用於處理傳感器輸入的信號數據並輸出決策及控制信號。
高等級自動駕駛的本質是 AI 計算問題，車載計算平臺的計算力需求至少在 20T 以上。從最終實現的功能來看，計算平臺在自動駕駛中主要負責解決兩個主要問題：
1）處理輸入的信號（雷達、激光雷達、攝像頭等）；
2）做出決策判斷、給出控制信號：該加速還是剎車？該左轉還是右轉？
英偉達 CEO 黃仁勳的觀點是「自動駕駛本質是 AI 計算問題，需求的計算力取決於希望實現的功能」，其認為自動駕駛汽車需要對周邊的環境進行判斷之後還作出決策，到底要採取什麼樣的行動，本質上是一個 AI 計算的問題，車上必須配備一臺 AI 超級處理器，然後基於 AI 算法能夠進行認知、推理以及駕駛。根據國內領先的自動駕駛芯片設計初創公司地平線的觀點，要實現 L3 級的自動駕駛起碼需要 20 個 teraflops（每秒萬億次浮點運算）以上的的計算力級別，而在 L4 級、L5 級，計算力的要求將繼續指數級上升。
3.2.2.2 算法和芯片協同設計是計算平臺的重要發展趨勢
自動駕駛計算平臺演進方向——芯片+算法協同設計。目前運用於自動駕駛的芯片架構主要有 4 種：CPU、GPU、FPGA（現場可編程門陣列）和 ASIC（專用集成電路）。從應用性能、單位功耗、性價比、成本等多維度分析，ASIC 架構具備相當優勢。參考我們之前發佈的行業報告《芯際爭霸—人工智能芯片研發攻略》的觀點，未來芯片有望迎來全新的設計模式——應用場景決定算法，算法定義芯片。如果說過去是算法根據芯片進行優化設計的時代（通用 CPU+算法），現在則是算法和芯片協同設計的時代（專用芯片 ASIC+算法），這一定程度上稱得上是「AI時代的新摩爾定律」。具體而言，自動駕駛核心計算平臺的研發路徑將是根據應用場景需求，設計算法模型，在大數據情況下做充分驗證，待模型成熟以後，再開發一個芯片架構去實現，該芯片並不是通用的處理器，而是針對應用場景，跟算法協同設計的人工智能算法芯片。根據業界預估，相比於通用的設計思路，算法定義的芯片將至少有三個數量級的效率提升。
3.2.3 自動駕駛算法
3.2.3.1 自動駕駛算法的定義和分類
算法是自動駕駛的大腦。根據面向的不同環節，可以分為感知層的算法和決策層的算法。其中：
1）感知層算法核心任務——是將傳感器的輸入數據最終轉換成計算機能夠理解的自動駕駛車輛所處場景的語義表達、物體的結構化表達，具體可以包括：物體檢測、識別和跟蹤、3D 環境建模、物體的運動估計；
2）決策層算法的核心任務——是基於感知層算法的輸出結果，給出最終的行為/動作指令，包括行為決策（汽車的跟隨、停止和追趕）、動作決策（汽車的轉向、速度等）、反饋控制（向油門、剎車等車輛核心控制部件發出指令）。
整體來看，不同等級的自動駕駛算法的焦點不同。L3 級別的自動駕駛，側重於替代人的環境感知能力，因此感知層算法將是核心。L4 級別的自動駕駛，除了環境感知能力之外，側重點更在於複雜場景的決策算法的突破。
3.2.3.2 算法驗證迭代之路——仿真or路測
算法的驗證及迭代需要路測+仿真。按照產業普遍觀點，車企需要 100 億英里的試駕數據來優化其自動駕駛系統，若要達到該測試里程數，按照目前的實際路測能力計算，即便是一支擁有 100 輛測試車的自動駕駛車隊，7X24 小時一刻不停歇地測試，要想完成 100 億英里的測試里程也需要花費大約 500 年的時間。為了破解這一難題，仿真測試成為大多數公司的共同選擇。所謂自動駕駛仿真測試，簡單來說，就是計算機模擬重構現實場景，讓自動駕駛算法在虛擬道路上做自動駕駛測試，虛擬場景中也可以包含道路設施、老人小孩等各種行人。目前仿真測試已經成為了真實路測的一個有益補充，而未來隨著深度學習技術地進一步深入運用，仿真測試將來自動駕駛研發方面發揮越來越重要的作用，並將推動自動駕駛技術早日實現商業化。相對於真實的路測而言，仿真的一大優勢就是其可重複性，畢竟「人不能兩次踏進同一條河流」，但仿真通過在計算機的虛擬世界中重構現實場景可以做到這一點。從產業來看，為了更高效的迭代和驗證自動駕駛算法，仿真系統已經逐漸成為標配，Waymo、百度、騰訊將仿真系統研發作為頭等大事；AutoX、Roadstar.ai、Pony.ai 等諸多自動駕駛初創公司也在自主研發仿真環境；業內開始出現 CARLA、AirSim 等開源式自動駕駛仿真平臺。
3.2.4 高精度地圖
高精度地圖的定義和特性。在自動駕駛時代，「地圖」一詞已經失去了其傳統路線圖的含義。目前大多數車載地圖的分辨率已足夠用於導航功能，但想要實現自動駕駛，需要掌握更精確、更新的車輛周邊環境信息，從而通過其他駕駛輔助系統做出實時反應。因此，未來的「地圖」實際上指的是非常精確且不斷更新的自動駕駛環境模型。目前，業界對於高精度地圖所包含的內容尚未有準群的定義，但大體上高精度地圖將滿足「高精度+高鮮度」的兩高特性：
1）高精度是指地圖對整個道路的描述更加準確、清晰和全面。高精地圖除了傳統地圖的道路級別，還有道路之間的連接關係（專業術語叫 Link）。高精地圖最主要的特徵是需要描述車道、車道的邊界線、道路上各種交通設施和人行橫道。即它把所有東西、所有人能看到的影響交通駕駛行為的特性全部表述出來；
2）高鮮度則是指數據將更為豐富以及需要動態實時更新。實時性是非常關鍵的指標，因為自動駕駛完全依賴於車輛對於周圍環境的處理，如果實時性達不到要求，可能在車輛行駛過程中會有各種各樣的問題及危險。
按照數據的更新頻率，高精度地圖可以分為靜態數據和動態數據兩層。
- 靜態數據是指高精度地圖需要將道路基本形態（車道線等數據），通過地圖或矢量數據來正確表達出來。在靜態高精地圖模型中，車道要素模型包括車道中心線、車道邊界線、參考點、虛擬連接線等；
- 動態數據是指天氣、地理環境、道路交通、自車狀態等需要動態更新的數據。
通過靜態數據和動態數據的疊加，高精度地圖將最終實現對於自動駕駛的環境建模。
高精度地圖對於自動駕駛的意義在於：
1）提升傳感器的性能邊界，作為感知層的安全冗餘。在自動駕駛行業，傳感器方案供應商正在致力於使汽車擁有「眼睛」，代替駕駛員完成感知的過程。然而，現有的傳感器方案仍然存在改進的空間，包括傳感器測量的邊界（視覺、激光感知範圍有限）、傳感器應用的工況限制（如攝像頭在雨雪天氣無法正常工作）。高精度地圖超視距的特點意味著其可以對整體道路流量、交通事件、路況進行預判，可以作為感知層的安全冗餘；
2）提供先驗知識。自動駕駛的基本原則：讓車的判斷越少、也就越安全。高精度地圖可以提供車輛環境模型的先驗知識，一定程度上減少自動駕駛車輛感知層的壓力；
3）確定車輛在地圖中的位置：人可以通過觀察和記憶，而自動駕駛汽車只能通過高精度地圖以及其創建的環境模型確定車輛在在地圖中的位置。
4）提供車道級的規劃路徑。正如前文所述，高精度地圖會把道路基本形態，特別是車道線展現出來，輔助自動駕駛車輛實現車道級的路徑規劃，支持併線超車等高等級的駕駛決策。
高精度地圖是實現自動駕駛的必要條件嗎？——Level3 及以上是必選項。基於美國 SAE 協會對自動駕駛技術等級的劃分，在 Level 2 以下的輔助駕駛階段（ADAS 階段），高精度地圖對整個輔助駕駛系統來說是一個可選項。當自動駕駛技術發展到 Level3 及以上時，要求車輛在高速公路、停車場泊車等特殊場景中實現自動駕駛，高精度地圖的重要性開始凸顯。業內公認要想實現 Level3 級別的自動駕駛，高精度地圖將成為必選項。理由在於 Level3 的自動駕駛就意味著機器將完全取代人對於環境的監控，考慮到現有的傳感器的性能邊界尚不足以完全替代，引入高精度地圖作為感知端的安全冗餘增強整個系統的魯棒性就成為了必然的選擇。觀察目前自動駕駛行業實踐，無論是車廠推出的奧迪 A8、凱迪拉克 Super Cruise 等已經量產的 Level3 車型還是百度、谷歌等互聯網廠商的 Level4 自動駕駛方案都引入了高精度地圖，進一步驗證了上述觀點。
3.2.5 自動駕駛OS
自動駕駛任務複雜需要穩定的實時 OS 支持。如果將自動駕駛汽車視為一個電子終端產品，那麼除了組成的硬件、用來執行命令的算法（程序）之外，底層操作系統也必不可少。操作系統的價值在於可以更好的分配、調度運算和存儲資源。一個汽車駕駛系統運行的軟件包括感知、控制、決策、定位等一系列高計算消耗，邏輯十分複雜，對安全可靠性要求特別高的程序，簡單的單片機無法實現，需要建立在一個成熟的五臟俱全的通用操作系統基礎上，同時要滿足實時性、分佈式、可靠性、安全性、通用性等要求。從上述的要求可見，自動駕駛的操作系統與 PC 端、移動端操作系統的最大差別在於實時性。實際上，自動駕駛操作系統又稱為實時操作系統（RTOS），可確保在給定時間內完成特定任務，「實時」是指無人車的操作系統，能夠及時進行計算，分析並執行相應的操作，是在車輛傳感器收集到外界數據後的短時間內完成的。實時性能是確保系統穩定性和駕駛安全性的重要要求。
3.2.6 HMI（人機交互）
自動駕駛時代，HMI 是連接用戶與外部互聯服務的重要入口。HMI 是駕駛員與車輛交互的橋樑，駕駛員可以方便快捷地在 HMI 中查詢、設置和切換車輛系統的各種信息，在增強駕駛樂趣的同時，提升駕駛安全性。HMI 由中控、儀表、抬頭顯示、ADAS 系統等多個組件構成。傳統汽車的人機界面 HMI 也被稱作駕馭員界面（Driver Interface），駕馭員的首要使命（Primary Task）是駕馭，因此支撐和輔佐駕馭就天然成為 HMI 的中心功能，信息娛樂等作為次要功能（Secondary Task）。而在自動駕駛時代，隨著駕駛員的注意力逐步釋放出來，汽車從生產工具進化為家庭、辦公場所之外的第三生活空間，HMI 將成為連接用戶與外部互聯服務的重要入口，產業地位將顯著提升，HMI 的設計理念也將被顛覆。
3.3 5G+AI黑科技打通自動駕駛技術的「任督二脈」
5G+AI 是解鎖高等級自動駕駛技術的關鍵所在。L2 升級到 L3、L3 升級到 L4，每一個自動駕駛級別的升級，都是一個質的飛躍。其中：
- L2 過渡到 L3。L3 的主要升級在於實時監測環境並作出反應，其主要難點在於機器的感知能力能否達到要求。駕駛這種等級的車輛，司機只需要在系統提示的時候接管系車輛的掌控權或者完成判斷，正常加減速、轉彎等操作基本可以交給系統來處理。這一過渡需要解決的問題是，機器如何代替人進行可靠的周邊行車環境感知？特別是在極端環境下仍然可以做到可靠感知，確保行車安全；
- L3 過渡到 L4。L4 的主要升級在於完全交由機器來進行自主決策（即使是在緊急情況、激烈的駕駛情況下）。這意味著機器的認知智能要有實質性進步。上述問題的關鍵所在正是 5G+AI。
以深度學習為代表的 AI 機器視覺崛起，成功突破 L3 的技術瓶頸。以 Mobileye 的 L2 級別輔助駕駛為例，仍然是基於後端規則庫的傳統機器視覺，通過匹配後端規則庫與前端攝像頭的輸入數據，進行物體的識別和跟蹤。傳統機器視覺最大的問題是，規則庫是有限的，而汽車面對的環境是無限的。而在深度學習的框架引進併發揚光大後，AI 處理圖像分類任務的能力大幅提升，錯誤率直接下降。以 ImageNet 機器視覺大賽為例，深度學習技術框架下的機器視覺和傳統的機器視覺有著明顯的量級的提升。我們認為，不斷成熟完善的 AI 機器視覺配合高精度地圖作為安全冗餘，對於突破 L3 的技術瓶頸起到了關鍵的作用。
引入以強化學習為代表的 AI 技術，5G 打通外部「大腦」，助力 L4 自動駕駛場景的實現。傳統基於搜索或者規則引擎的駕駛決策系統，往往只能採取非常保守的駕駛策略，即遇到障礙物立即剎停。而變道超車，加塞卡位等等在日常駕駛中經常需要面對的情況，目前的系統需要人為設計各種精妙的策略進行應對，在設計策略時一旦有所疏忽，後果很可能是車毀人亡。如何讓機器真正像人一樣的開車，學會自主的決策，是 L4 的關鍵所在。谷歌 AlphaGo 在圍棋領域的成功是一個重要的標誌性事件，其創新的引入了強化學習等全新的 AI 學習框架，模擬了人的思考方式，標誌著機器智能的重要突破。引入強化學習的框架後，自動駕駛車輛可以像 AlphaGo 一樣思考學習，進行自主決策。此外，以 5G 為代表的 V2X 的引入，相當於打通了自動駕駛的外部「大腦」，可以為自動駕駛車輛提供更實時、更全面的外部信息，更好的實現多車的協同、交互，突破單車智能的技術瓶頸，助力 L4 自動駕駛場景的實現。
自動駕駛 L3 商業化技術已經成熟，L4/5 加速發展進入驗證試點階段。縱觀全球主流科技公司和整車廠的自動駕駛技術商業化進展，除了個別領跑者如整車廠（奧迪已經量產 L3 級別的自動駕駛車輛）、科技公司（Waymo 已啟動 L4 級別機器人出租車的商業化運營），大部分公司的節奏是已初步掌握 L3 的核心技術，進入由 L2 向 L3 商業化過渡的關鍵階段，同時 L4/5 加速發展進入驗證試點階段。
【歡迎大家提供行業新聞熱點，商業合作請聯繫：18562613430】
