?

在2024年到現在2025年初這一年多時間里，全球自動駕駛技術真的發(fā)生了翻天覆地的變化。不管是硬件方案、算法架構還是商業(yè)化落地，都和兩三年前完全不是一個量級了。今天就系統(tǒng)性地聊聊現在全球范圍內自動駕駛到底發(fā)展到什么程度了，各家都在用什么技術路線，哪些已經真正能用了，哪些還在PPT階段。我盡量把技術細節(jié)和實際體驗結合起來說，這樣大家能更直觀地理解。

先說說感知硬件這塊的技術路線之爭

這個話題爭了好幾年了，到現在基本形成了兩大陣營。特斯拉這邊堅持純視覺方案，馬斯克一直說激光雷達是拐杖，人類開車就靠眼睛，AI也應該能做到。他們最新的FSD V12版本已經完全轉向端到端神經網絡了，不再用之前那種規(guī)則式的代碼。具體來說就是把8個攝像頭的畫面直接喂給神經網絡，讓AI自己學習怎么開車，不再人為設定什么情況該減速、什么情況該變道這些規(guī)則。實際效果確實有明顯提升，特別是在處理復雜路口、無保護左轉這些場景時，比V11版本平滑很多，不會突然猶豫或者急剎車了。他們用的Occupancy Network技術挺有意思的，不再去識別這是車、那是人，而是直接預測3D空間中哪些格子被占用了，這樣對于一些不常見的物體，比如掉落的輪胎、推著購物車的人，也能正確識別出來是障礙物。配合HW4.0硬件平臺，算力達到了2500 TOPS，處理能力比之前強了好幾倍。不過純視覺方案的問題也很明顯，在夜間、大雨、濃霧這些極端天氣下，攝像頭性能會大幅下降，測距精度也不如激光雷達。另一邊的陣營就是多傳感器融合派，以國內的華為、小鵬、理想和海外的Waymo為代表。這些廠商都在用激光雷達+攝像頭+毫米波雷達的融合方案。拿華為ADS 2.0來說，硬件配置真的很夸張，3顆激光雷達（前向一顆是192線的，側向兩顆），11個高清攝像頭覆蓋360度視野，還有6個毫米波雷達做補充。這套系統(tǒng)的算力平臺用的是MDC 810，達到400+ TOPS的算力。實際體驗下來，在隧道進出口、夜間無燈光路段、雨霧天氣這些場景，激光雷達的優(yōu)勢真的太明顯了。因為激光雷達是主動發(fā)射激光測距，不依賴環(huán)境光線，測距精度能達到厘米級，這對于復雜路況下的緊急避障特別重要。而且激光雷達能直接生成3D點云，對于立體障礙物的識別比純視覺準確太多。不過問題也很現實，成本高啊，一顆192線的激光雷達現在還得幾千美金，雖然比前幾年便宜了很多，但相比攝像頭還是貴了一個量級。Waymo的第五代自動駕駛系統(tǒng)更狠，用了4顆激光雷達加29個攝像頭，硬件成本估計得十幾萬美金起步，這也是為什么Waymo的Robotaxi運營成本一直降不下來的原因。

4D毫米波雷達是今年特別值得關注的新技術

這東西可以說是在純視覺和激光雷達之間找到了一個平衡點。傳統(tǒng)的毫米波雷達只能提供距離、速度、方位角這三個維度的信息，對于靜止物體識別很差，而且分辨率低，經常把好幾個目標當成一個。4D毫米波雷達增加了高度信息，而且通過級聯技術把點云密度提升了10倍以上，現在一幀能輸出幾千個點，雖然還是比不上激光雷達的幾十萬個點，但已經能滿足很多場景需求了。像Arbe、Oculii、森思泰克這些公司的產品，已經在一些量產車上開始應用。最關鍵是成本，一顆4D毫米波雷達的成本大概就幾百美金，只有激光雷達的十分之一。而且毫米波雷達不受天氣影響，大雨大霧照樣能正常工作，這點比攝像頭和激光雷達都強?，F在不少車企開始采用”5R11V”的配置，就是5個4D毫米波雷達加11個攝像頭，不用激光雷達也能實現比較好的城市NOA功能。當然，4D毫米波的問題是對于小物體的識別能力還是不如激光雷達，比如路面的錐桶、掉落的小包裹這些，可能會漏檢。

算法層面的變化比硬件還要激進

大模型技術徹底改變了自動駕駛的技術范式。傳統(tǒng)的模塊化方案是把自動駕駛分成感知、預測、規(guī)劃、控制幾個獨立模塊，每個模塊單獨設計單獨優(yōu)化。這種方案的問題是信息損失嚴重，比如感知模塊輸出”前方20米有一輛車”，但實際上那輛車可能在踩剎車，尾燈亮著，這個細節(jié)信息在傳遞到規(guī)劃模塊時就丟失了。端到端方案就是用一個大神經網絡，直接從傳感器數據學到控制指令，中間不需要人為設計的模塊劃分。英國的Wayve公司搞的GAIA-1模型特別有代表性，這是一個基于Transformer架構的世界模型，可以生成未來駕駛場景的視頻預測，比如給定當前畫面和轉向指令，它能預測出未來5秒車輛會開到哪里、周圍車輛會怎么運動。這種預測能力說明模型理解了物理規(guī)律和駕駛常識，不是簡單的模式匹配。特斯拉的團隊在2024年的一次技術分享中透露，他們的端到端模型參數量已經超過千億級別，訓練數據來自全球數百萬輛特斯拉車的實際行駛數據，相當于幾十億英里的駕駛經驗。這種數據規(guī)模是任何一家傳統(tǒng)車企都沒法比的，這也是特斯拉敢走純視覺路線的底氣所在。

大語言模型被用在自動駕駛上是2024年最有意思的技術趨勢

這個方向很多人可能覺得不靠譜，但實際上效果超出預期。傳統(tǒng)的自動駕駛系統(tǒng)對于復雜場景的理解能力很弱，比如看到一個”前方施工繞行”的牌子，傳統(tǒng)系統(tǒng)只能識別出這是個牌子，但理解不了是什么意思，還得靠視覺識別錐桶、護欄這些物理障礙物才知道不能通行。但如果用上LLM，系統(tǒng)可以直接理解”施工”、”繞行”這些語義，推理出可能的交通組織方式，提前規(guī)劃繞行路線，而不是開到跟前才發(fā)現被攔住。Waymo和谷歌DeepMind合作的研究顯示，在處理長尾場景時，結合LLM的決策系統(tǒng)成功率提升了40%。具體的技術實現是把視覺感知結果轉換成文本描述，比如”前方30米紅綠燈路口，左側車道有兩輛車在排隊，右側車道空”，然后喂給LLM，讓它基于駕駛常識和交通規(guī)則生成決策建議”建議變道到右側車道通過路口”，最后再轉換成具體的控制指令。這種方法特別適合處理那些訓練數據里沒見過的新場景，因為LLM有推理能力，不是死記硬背。國內的毫末智行、地平線也在搞類似的研究，把他們訓練的垂直領域LLM集成到自動駕駛系統(tǒng)里。

神經渲染技術被用來做仿真測試是另一個重大突破

這個技術原本是搞3D重建和虛擬現實的，結果在自動駕駛領域找到了完美應用場景。傳統(tǒng)的仿真器比如Carla、LGSVL這些，雖然能模擬各種交通場景，但畫面不夠真實，光影效果假，自動駕駛系統(tǒng)很容易就能分辨出這是仿真數據而不是真實數據，導致在仿真器里測試通過的算法，拿到真車上效果就不行。NeRF（神經輻射場）技術徹底解決了這個問題，它可以從多個角度拍攝的視頻中重建出照片級真實的3D場景，而且可以任意改變視角、光照、天氣。英偉達的Drive Sim平臺現在就是基于這個技術，可以把真實的道路場景掃描進去，然后在里面測試各種極端情況，比如突然竄出來一個小孩、對向車輛失控沖過來這些。更厲害的是可以合成訓練數據，比如系統(tǒng)在某個場景下表現不好，就用NeRF生成一堆類似但稍有變化的場景，專門訓練這種情況。Waymo公開的數據顯示，他們現在99%的測試都在仿真環(huán)境里完成，只有1%需要真車路測，大大降低了測試成本和風險。

高精地圖的地位正在發(fā)生根本性變化

這個趨勢在2024年特別明顯。以前業(yè)內普遍認為L3級以上的自動駕駛必須依賴高精地圖，因為需要精確知道車道線、紅綠燈、路口拓撲這些信息。但高精地圖有致命的問題，首先是制作成本高，傳統(tǒng)方法需要專業(yè)測繪車帶著激光雷達去掃描，每公里成本要幾千元人民幣，全國高速公路加城市道路得幾十萬公里，這是個天文數字。其次是更新頻率跟不上，道路施工、車道調整這些變化非常頻繁，但地圖更新可能要幾個月，導致自動駕駛系統(tǒng)用的是過時數據。最致命的是法規(guī)限制，很多國家對高精度測繪有嚴格管控，不允許外國公司采集，這直接限制了自動駕駛的全球化部署。現在的技術趨勢是”輕地圖”或者”無圖”方案，就是降低對高精地圖的依賴，更多靠實時感知和在線建圖。Mobileye搞的REM（路網經驗管理）技術挺聰明的，利用量產車上的攝像頭眾包采集數據，自動生成和更新地圖，成本幾乎為零，而且更新頻率可以做到準實時。特斯拉更激進，完全拋棄了高精地圖，純靠視覺神經網絡實時識別車道線、交通標識、路口結構這些信息，在北美和中國的城市NOA實測中已經證明可行。華為ADS 2.0也宣稱可以”全國都能開，不需要高精地圖”，實際測試下來確實在沒有高精地圖覆蓋的路段也能正常工作，雖然偶爾會猶豫，但大部分情況是OK的。矢量化地圖表征是輕地圖方向的核心技術

這個技術簡單說就是不再存儲柵格圖像，而是用數學向量來表示道路元素。比如一條車道線，傳統(tǒng)地圖可能存儲為一串坐標點的像素數組，占用空間大，而且不方便編輯。矢量化表征就用貝塞爾曲線或者多項式來描述這條線，只需要幾個參數，占用空間小了幾十倍，而且可以方便地延伸、拼接、修改。更重要的是，神經網絡可以直接輸出矢量化的地圖表征，比如從攝像頭圖像直接預測出車道線的貝塞爾曲線參數，這樣就實現了感知和建圖的統(tǒng)一。特斯拉在2023年的AI Day上展示過他們的Vector Lane Network，能實時輸出周圍200米范圍內的矢量化道路網絡，包括車道連接關系、路口拓撲這些信息。這種實時在線地圖和傳統(tǒng)的離線高精地圖相比，最大優(yōu)勢是永遠不會過時，看到的就是當前真實情況，哪怕道路臨時改道、車道線重新劃了，都能實時適應。

計算架構從分布式向集中式演進是另一個大趨勢

以前一輛車可能有上百個ECU（電子控制單元），發(fā)動機控制、剎車控制、燈光控制、娛樂系統(tǒng)各管各的，彼此之間通過CAN總線通信，帶寬很低，延遲也高?，F在逐步整合成幾個域控制器，把相關功能集中到一個強大的計算平臺上。自動駕駛域控制器（ADCU）是算力要求最高的，因為要處理多個攝像頭、雷達、激光雷達的數據流，還要跑深度學習模型。英偉達的Orin芯片現在基本是行業(yè)標準，單顆算力254 TOPS，一般配置是雙Orin或者四Orin，總算力達到500-1000 TOPS。他們下一代的Thor芯片更猛，單顆2000 TOPS，2025年就會在一些新車上量產。國內的芯片像地平線征程6達到560 TOPS，雖然和英偉達還有差距，但考慮到價格和供應鏈自主性，不少國內車企在用。黑芝麻的A2000芯片也到了196 TOPS，在商用車和低端乘用車市場有一定份額。算力提升帶來的好處是可以跑更復雜的模型，處理更多傳感器數據，決策延遲也能降下來。特斯拉自研的FSD芯片雖然只有144 TOPS，但因為是定制化設計，專門優(yōu)化了神經網絡推理，實際性能不比Orin差。

車云協同是解決算力瓶頸的重要方向

單車智能再強也有上限，很多復雜的計算任務比如大模型訓練、仿真測試、路徑優(yōu)化這些，不可能都在車上完成。所以現在的技術架構是車端負責實時感知和快速決策，云端負責訓練模型、更新算法、處理海量數據。小鵬的XNGP系統(tǒng)是個典型案例，他們每天從全國的車隊收集數億公里的行駛數據，上傳到云端進行標注和訓練，然后通過OTA把新模型推送到車上。這種模式下，車隊規(guī)模本身就是競爭力，車越多數據越多，模型迭代越快，形成正向循環(huán)。華為的”車云一體”方案更進一步，云端不只是訓練模型，還提供實時的路況信息、最優(yōu)路徑規(guī)劃、甚至在特殊情況下遠程接管車輛。這種”云代駕”模式在Robotaxi場景特別有用，遇到車輛自己處理不了的情況，比如復雜施工路段，可以請求云端的人類操作員遠程操控通過，然后記錄這次操作數據用于后續(xù)訓練。不過車云協同也帶來了新問題，對網絡連接的要求很高，要保證低延遲和高可靠性，而且數據安全和隱私保護也是挑戰(zhàn)，用戶的駕駛數據上傳到云端，如何防止泄露是必須解決的問題。

商業(yè)化落地方面，Robotaxi無人出租車是最激進的應用場景

也是驗證自動駕駛技術成熟度的試金石。Waymo現在是全球領先的，他們在舊金山和鳳凰城的運營已經完全去掉了安全員，車里沒有人，用戶通過APP叫車，車自己開過來，送到目的地。根據公開數據，Waymo每周完成超過10萬次訂單，運營時間覆蓋7×24小時，包括夜間和高峰時段。實際乘坐體驗還不錯，開車風格比較保守，但基本不會讓人感覺不安全。不過成本還是太高，Waymo一輛車的硬件成本估計要20萬美金以上，加上運維、充電、清潔這些，每英里成本還是比人類司機貴。他們的策略是先在限定區(qū)域內做到技術領先，積累足夠多的運營數據和口碑，然后等硬件成本下降再大規(guī)模擴張。國內的百度蘿卜快跑進展也挺快，在武漢、深圳、重慶等城市開展全無人化運營，累計訂單已經超過600萬次。他們用的是阿波羅Moon車型，硬件配置比Waymo簡單一些，成本也低不少，單車成本據說已經降到了25萬人民幣左右。蘿卜快跑的優(yōu)勢是中國的道路環(huán)境更復雜，如果能在武漢這種電動車橫行、路況混亂的城市跑起來，技術魯棒性會更強。但他們目前還主要在特定區(qū)域運營，還沒有實現全城無限制開放。

Cruise的案例值得特別說一下，作為通用旗下的自動駕駛公司，Cruise在2023年是風光無限，在舊金山拿到了全無人運營許可，準備大干一場。結果去年10月發(fā)生了一起事故，一個行人被另一輛車撞倒后，又被Cruise的無人車拖行了一段距離，雖然主要責任不在Cruise，但這個事情引發(fā)了巨大爭議。加州監(jiān)管部門吊銷了Cruise的運營許可，通用隨后暫停了所有的Robotaxi業(yè)務，進行全面安全審查。這個事情說明自動駕駛技術再先進，只要出了事故就是100%的責任，社會容忍度遠低于人類駕駛員。而且Cruise暴露出來的問題不只是技術，還有對事故的處理方式，他們最初沒有如實向監(jiān)管部門報告拖行的細節(jié)，導致信任度嚴重受損。現在Cruise正在重組，砍掉了大量員工，戰(zhàn)略方向也在重新評估。這個案例給整個行業(yè)敲響了警鐘，技術只是一方面,安全冗余、測試驗證、危機應對這些同樣重要。

量產車的高速NOA功能已經相對成熟，這是目前普通消費者能真正用上的自動駕駛功能。高速公路環(huán)境相對簡單，車道線清晰，沒有行人和非機動車，車速雖然快但都是同向行駛，預測起來容易很多。理想的L系列車型，高速NOA使用率已經超過50%，意味著一半以上的高速駕駛時間用戶愿意開啟自動駕駛。蔚來的NOP+覆蓋了全國的高速路網，小鵬NGP累計行駛里程超過10億公里，這些都證明高速NOA技術已經通過了大規(guī)模驗證。實際體驗下來，高速上的自動變道、超車、跟車基本達到了人類駕駛員的水平，甚至某些方面比人更平穩(wěn)，因為AI對車距、速度的控制更精確。但上下匝道還是個難點，特別是一些匝道比較短、需要連續(xù)變道的情況，系統(tǒng)容易處理不過來，需要人接管。還有就是大貨車加塞、施工路段封閉車道這些突發(fā)情況,系統(tǒng)的應對有時候會比較遲疑，不如人類駕駛員果斷。不過總體來說，高速NOA已經可以大幅降低駕駛疲勞度，尤其是長途駕駛，這個功能的價值是實實在在的。

城市NOA是2024-2025年度最大的技術突破，難度比高速NOA高了不止一個量級。城市環(huán)境太復雜了，紅綠燈、路口、行人、非機動車、臨時變道、違章停車、施工圍擋，每一個都是挑戰(zhàn)。華為ADS 2.0在這方面確實做得不錯，他們宣稱可以實現”全國都能開”，不依賴高精地圖。實際測試下來，在深圳、上海這些一線城市，系統(tǒng)確實能夠處理大部分情況，紅綠燈識別準確率99%以上，無保護左轉成功率也能達到95%以上。但遇到一些極端情況還是會出問題，比如電動車突然變道插隊，系統(tǒng)會緊急制動，動作比人類駕駛員更急，有時候坐著會不太舒服。還有就是在一些小路口，交通標識不清楚或者沒有的情況，系統(tǒng)會變得很保守，寧可多等一會也不敢走，這時候人類駕駛員其實可以根據經驗判斷能通過。特斯拉FSD V12在北美城市的表現也不錯，尤其是灣區(qū)這種復雜環(huán)境，處理起來比較從容。但右轉讓行人這塊，系統(tǒng)現在調得太保守了，有時候行人離得還很遠就開始減速等待，影響通行效率。小鵬的城市NGP正在快速迭代，他們的優(yōu)勢是中國用戶的反饋很及時，系統(tǒng)改進速度快，現在已經可以在很多二三線城市使用，不只是一線城市。

安全冗余設計是高等級自動駕駛的基礎要求

這個話題聽起來枯燥但極其重要。自動駕駛系統(tǒng)比人類駕駛員對安全的要求高得多，因為機器不能出錯，出錯就是系統(tǒng)性問題。硬件冗余是最基本的,比如傳感器要有備份,一個攝像頭壞了，其他的能頂上；計算平臺要有雙芯片甚至三芯片，一個算力模塊故障了，另一個立刻接管；制動系統(tǒng)要有獨立的冗余，電子制動失效了，機械制動能緊急剎停。奔馳的Drive Pilot是全球第一款獲得L3認證的量產車，它的硬件冗余做得最完善，雙轉向系統(tǒng)、雙制動系統(tǒng)、雙電源系統(tǒng)，保證任何單點故障不會導致系統(tǒng)完全失效。軟件冗余也很重要，比如感知算法要有多種備份方案，視覺識別失敗了，激光雷達能頂上；決策算法要有fallback機制，主算法輸出異常時，備用的簡單算法保證車輛能安全停下來。除了硬件和軟件冗余，功能降級策略也是關鍵，系統(tǒng)發(fā)現自己處理不了的情況，要能平滑降級，給駕駛員足夠的反應時間接管，而不是突然撒手不管。這需要精心設計人機交互，提前多久提示、用什么方式提示、駕駛員多長時間沒響應算失效，這些都要經過大量測試驗證。

預期功能安全SOTIF是個容易被忽視但很致命的問題

這個概念說的是即使硬件不壞、軟件沒bug，算法也可能犯錯，因為AI本質上是概率模型，不可能100%準確。歷史上發(fā)生過幾起嚴重的自動駕駛事故，都是因為算法識別失敗，比如特斯拉的早期版本曾經把白色貨車誤認為天空，因為訓練數據里白色車輛側翻的場景太少了；還有把路邊廣告牌上的車道線圖案誤認為真實車道線，導致車輛偏離。解決SOTIF的關鍵是海量場景測試，把各種極端情況都覆蓋到，這需要百億公里甚至千億公里級別的仿真測試加實際路測。Waymo公開的數據顯示，他們在仿真環(huán)境里跑了幾百億英里，相當于人類駕駛幾千年的經驗。另一個重要技術是Out-of-Distribution檢測，讓AI能識別自己不確定的情況，比如遇到訓練數據里從沒見過的物體，系統(tǒng)知道自己識別不了，就降級處理或者請求人類接管，而不是瞎猜。這個技術現在還在研究階段，難度很大，因為不確定性本身就很難量化。人機共駕的接管策略也很有講究，提前多久提示駕駛員接管，用什么方式提示，如果駕駛員不響應怎么辦，這些都需要大量的用戶研究和測試。特斯拉因為接管時間太短導致事故的案例不少，現在他們把提示時間延長了，還增加了方向盤震動這種更強烈的提醒方式。

各國政策法規(guī)差異對自動駕駛發(fā)展影響很大

這是個很現實的問題。美國總體上相對開放，聯邦層面沒有統(tǒng)一的自動駕駛法規(guī)，主要由各州自己決定，加州、亞利桑那這些州允許完全無人車上路測試，但也有一些州限制比較嚴。Cruise的事故發(fā)生后，NHTSA（美國國家公路交通安全管理局）加強了監(jiān)管，要求所有自動駕駛公司報告事故和接管數據，透明度提高了很多。中國采取的是試點先行、逐步推廣的策略，北京、上海、深圳、武漢這些城市開放了測試，但大部分Robotaxi還是要求配備安全員，只有在特定區(qū)域才允許完全無人。2024年開始，中國正式允許L3級自動駕駛上高速，這是個重大突破，意味著量產車可以實現有條件的自動駕駛，駕駛員在某些情況下可以完全不管車。歐洲最謹慎，L3級需要通過非常嚴格的型式認證，整個流程要好幾年，奔馳是目前唯一獲得認證的量產車。歐洲對數據隱私保護要求極高，GDPR法規(guī)限制了很多數據收集和使用，這對需要海量數據訓練的自動駕駛來說是個挑戰(zhàn)。日本的策略比較獨特，他們更重視V2X車路協同技術，在基礎設施上投入更多，比如路口安裝傳感器、信號燈聯網，輔助車輛決策。日本還在一些偏遠地區(qū)推進無人巴士，解決老齡化社會的出行問題，這個方向挺有意思的。

技術挑戰(zhàn)和未來方向方面，Corner Case長尾場景處理仍然是最大難題

自動駕駛系統(tǒng)在常見場景下表現已經很好了，但總有些罕見情況處理不好。比如路面上一個漏氣的氣球在滾，到底要不要躲？軋過去沒事，但如果躲的話可能影響其他車。再比如前方有個人推著梯子橫穿馬路，系統(tǒng)能正確識別嗎？這種場景在訓練數據里可能只有幾個樣本，模型很難學到。解決長尾問題沒有銀彈，只能靠持續(xù)積累數據、改進算法、增加冗余。有些公司在搞合成數據生成，用AI制造各種極端場景的訓練數據，但效果還有待驗證。惡劣天氣適應性也是個大問題，大雨、大雪、沙塵暴這些情況下，攝像頭和激光雷達性能都會大幅下降，現在主要靠毫米波雷達頂著，但精度不夠。未來可能需要新的傳感器技術，比如太赫茲雷達、量子雷達這些還在實驗室階段的東西。多車協同和車路協同是長期方向，單車智能再強也有上限，如果車和車之間、車和路側設施之間能實時通信，共享感知數據，系統(tǒng)的決策會更準確更安全。中國在車路協同方面投入比較大，很多城市在建智能路側單元，但標準不統(tǒng)一、建設成本高，短期內很難大規(guī)模部署。

成本下降和產業(yè)鏈成熟是商業(yè)化的關鍵

現在自動駕駛系統(tǒng)的成本還是太高了，一套完整的L3-L4級系統(tǒng)，硬件成本可能要幾萬到十幾萬人民幣，這對于十幾二十萬的車來說，占比太高了。隨著激光雷達、芯片這些核心部件的量產規(guī)模擴大，成本會快速下降。國產激光雷達現在已經降到了幾千元一顆，雖然線數少一些，但對于量產車來說夠用了。芯片方面，國產替代進展很快，地平線、黑芝麻這些公司的產品在逐步上車，價格比英偉達便宜不少。軟件算法的開發(fā)成本也在降低，因為有了更多的開源工具和預訓練模型，不需要從頭開始開發(fā)。產業(yè)鏈分工也在細化，有專門做傳感器的、做芯片的、做算法的、做測試的，整車廠可以像搭積木一樣組合，不用什么都自己干。特斯拉是個例外，他們堅持全棧自研，從芯片到算法到數據標注工具全部自己做，這樣效率更高，但對技術能力要求極高，普通車企學不來。更現實的路徑是像華為、小鵬這樣，核心算法自己掌握，硬件部分外采或者合作開發(fā)。

保險和法律責任問題也需要解決，L3級以上的自動駕駛，如果出了事故責任歸誰？是車主、車企還是軟件供應商？現在各國還沒有明確的法律框架，這也限制了技術的大規(guī)模應用。奔馳在推Drive Pilot時承諾，開啟L3模式時如果發(fā)生事故，責任由奔馳承擔，這是個很大膽的決定，也倒逼他們把系統(tǒng)做得更可靠?？偟膩碚f，全球自動駕駛技術在2024-2025這兩年取得了突破性進展，但離真正的L4-L5級完全自動駕駛還有不小距離。高速和城市的輔助駕駛已經比較成熟，能實實在在提升駕駛體驗。Robotaxi在限定區(qū)域運營也初步成功，證明技術可行性。但要實現全場景、全天候、無安全員的完全自動駕駛，可能還需要5-10年時間。技術上的挑戰(zhàn)還很多，法規(guī)和商業(yè)模式也在探索中。不過趨勢是明確的，自動駕駛一定會實現，只是時間早晚的問題。對于普通消費者來說，未來幾年能用上的主要還是L2+到L3級的輔助駕駛功能，真正的無人駕駛可能要到2030年前后才能普及。但這個過程中會有很多創(chuàng)新涌現，整個汽車產業(yè)也在重構，還是很值得期待的。

文章轉載自：https://www.key-iot.com.cn/drive/776.html

審核編輯 黃宇