大数据产业创新服务媒体
——聚焦数据 · 改变商业
近年来，当我们谈及自动驾驶，人们期待的是无需干预的、完全自动化的高阶自动驾驶。然而，尽管我们经常听到关于自动驾驶的各种消息，事实上，它尚未真正实现广泛的商业落地。
问题出在哪里，又该如何破局呢？
为了回答这些问题，数据猿采访了诸多业内专家，包括Momenta 副总裁黄驰、禾赛科技亚太业务副总裁张伟、利氪科技副总裁毛新星、导远电子首席技术官司徒春辉、轻舟智航生态市场&公共关系部副总裁霍静、车控CHEK合伙人、产品主理肖坤等。
依据跟专家的讨论以及数据猿的观察思考，我们认为要推动自动驾驶的商业落地，需要换一个思路：构建从L2-L5的数据与商业“飞轮”，先以L2/L3级技术，实现辅助驾驶的规模化商用落地，获得商业收入，支撑相关产业链公司（自动驾驶算法供应商、激光雷达等零部件供应商等）的持续发展，并通过辅助驾驶的规模商用来积累数据，为训练更高等级的自动驾驶系统奠定基础。
接下来，我们将就这一思想进行更深入的探讨。
商业飞轮
“未来已来，只是分布不均。” 对于自动驾驶来说，我们看到的未来可能并不是一下子达到完全的L5级无人驾驶，而是一个逐步过渡的过程。即使在L2和L3级别的辅助驾驶中，我们也能看到巨大的商用价值。
物流长途运输中的自适应巡航、大型港口的货物自动转运、还有城市中普及的自动泊车功能，在这些场景下，即使没有完全的自动驾驶功能，辅助驾驶也已经带来了显著的效益。
例如，在干线物流场景中，智加科技进入重卡自动驾驶赛道，推出有人监督的前装量产自动驾驶产品，完成面向物流行业的前装量产自动驾驶重卡订单的首批交付，并联合物流头部企业开展智能重卡的商业化运营。一方面，通过安全、节能的高等级辅助驾驶功能，助力干线物流降本增效，为客户创造可见可得的技术价值，另一方面，通过物流线路智能重卡的运营反哺技术迭代，为实现完全自动驾驶进行技术场景的积累。
智加科技产品应用图
因而，我们有理由相信，从辅助驾驶到无人驾驶，在商业上可构建一个“飞轮”，进而构建一个可持续演进的商业路径。具体来看，辅助驾驶的规模化商用，对于自动驾驶商业落地的作用表现在以下几个方面：
1. 规模化商用为自动驾驶提供“粮草”
如果把自动驾驶比作一场长征，那么辅助驾驶无疑是这场长征的前沿阵地，它可以为整个产业链提供初期的资金支持。靠融资短时间内可能会带来大量资金，但长远来看，这种模式是不可持续的。只有真正的商业化应用，才能保证自动驾驶产业健康、持续的发展。
正如车控CHEK合伙人、产品主理肖坤所说，“如果再不提高消费者对辅助驾驶的接受度，提高消费者的付费意愿，尽快落地商用，自动驾驶公司走不到完全自动驾驶的那天。过去十年自动驾驶在各个方向做了很多尝试，但回归到商业本质上还是需要落地商业场景，这样才能获取真正需求并实实在在落地，并且规模化的商业才能推动资本的继续投资，从而推进上下游产业链成熟，完善整个行业。”
车控CHEK产品应用场景图
2. 规模化是降低成本的关键
无论是激光雷达、传感器，还是其他关键部件，大规模生产始终是降低成本的捷径。回想几年前，光伏产业就是一个绝佳的例子。在政府补贴和大规模生产的双重作用下，光伏制造成本大幅下降，最终使得光伏发电成为了一种具有竞争力的能源。对于自动驾驶来说，只有通过规模化生产，才能真正实现降低成本、提高普及率的目标。而随着成本的下降，自动驾驶的硬件和软件生态也将得到进一步的完善。
禾赛科技亚太业务副总裁张伟告诉数据猿，“自动驾驶主要由环境感知和智能决策两大部分组成，尤其在面对城市复杂的路况中，环境感知就变得极其重要，而在感知层面中，激光雷达是所有传感器中，置信度最高的传感器。在技术发展初期，实现高性能需要较高的成本，但随着将激光雷达推上摩尔定律的轨道后，性能逐渐提升的同时成本也会逐渐下降。”
他还向数据猿介绍了禾赛科技的做法，“禾赛一方面是坚持自研收发模块集成化技术，通过不断地垂直整合来提升收发模块的集成度，在提升性能、提升可靠性的同时可以进一步降低一部分成本。另一方面我们坚持自建产线，保证了产品的快速迭代和大规模交付能力，为前装量产定点的大批量交付提供了有力支撑。”
在数据猿发布的《中国的激光雷达，稳了？！》一文中，就对激光雷达厂商禾赛科技的产品成本做过测算。据测算，禾赛科技的激光雷达产品单价，从2022年的3.86万元下降到2023年的1万元，下降了74%。可见，激光雷达的规模化量产，对于降低产品成本的售价，具有显著的作用。
禾赛科技激光雷达产品单价
3. 为社会的变革奠定基础
技术只是推动变革的一部分，用户的习惯、法规的制定、交通规则的更新，这些都需要时间来适应新的技术变革。当辅助驾驶在市场上得到广泛应用，用户就会更容易接受更高级别的自动驾驶。同时，相关的法律法规，如自动驾驶车辆的责任划分、保险政策等，也会随之得到更新和完善。在这样的环境下，完全的L5级自动驾驶将会面临更少的阻力，有更大的可能在市场中得到普及。
智加科技认为，实现完全的自动驾驶，不是单纯的技术场景问题，还涉及到产业链升级、行业标准制定、政策监管和法律体系的完善。从现状来看，渐进式发展路径已成为业界共识。
总之，虽然我们都期待一个完全自动驾驶的未来，但在这个过程中，辅助驾驶将会扮演一个不可或缺的角色。通过规模化的商业应用，辅助驾驶不仅为自动驾驶的研发提供了支撑，更为整个社会的变革奠定了坚实的基础。
数据飞轮
分析完商业飞轮，接下来我们来看看另外一个飞轮——数据飞轮。
Momenta副总裁黄驰告诉数据猿：“我们认为，自动驾驶最终的目标是实现规模化无人驾驶。而实现规模化无人驾驶最有效的路径，可以总结为“一个飞轮，两条腿”战略。“一个飞轮”是数据驱动的AI飞轮, 这里面就离不开量产辅助驾驶和L4完全无人驾驶这“两条腿”，量产辅助驾驶提供海量数据，帮助训练L4的算法；而L4的完全无人驾驶，为量产辅助驾驶提供技术发展的上限，持续提升量产辅助驾驶的功能和性能，“两条腿”交替进步，最终实现规模化的无人驾驶。这条路，目前证明是比较有效的。”
Momenta产品应用图
“数据是新时代的石油”，这一说法已经为人们所熟知。尤其在自动驾驶领域，这一观点尤为突出。对于自动驾驶技术的发展，我们常说依赖三大支柱：算法、算力和数据。其中，高质量的数据不仅是推动技术进步的原动力，也是决定自动驾驶商业化成功与否的关键因素。通过辅助驾驶的规模化商用，数据的积累显得尤为重要，其中又主要是道路数据和驾驶行为数据。
1. 定位感知数据：构建真实世界的数字蓝图
每一辆配备了辅助驾驶功能的汽车，都像一个移动的传感器集群，在行驶中根据自身位置实时采集周围道路、交通、环境等信息。这些数据经过融合处理，形成了准确、可靠的3D感知图景。这些不仅仅是二维的平面环境图像，更是包含了路面情况、交通信号与流量、交通参与者等多维度的信息。
想象一下，当成千上万的汽车同时在路上行驶，它们采集的数据量是巨大的。这为自动驾驶技术提供了前所未有的真实世界的测试场景和数据源，基于此，结合车辆及周边物体的运动状态还原并构建这些场景，不仅是自动驾驶汽车导航的基础，更是决策系统做出准确判断的重要参考。
当然，要实现这一目标并不是容易的，需要不断升级传感器技术，并在高速、城市场景实现闭环应用，这是一个复杂的、持续演进的过程。正如导远电子首席技术官司徒春辉所说，“高精度定位在在其中发挥了关键作用。目前，智驾覆盖范围、技术路径不断发展，功能应用从高速进阶到城市，BEV 算法成为主流，城市场景更为复杂，加之行业希望降低对高精度地图的依赖，智驾功能仍须保证车辆能精确感知周边环境和实现车道级定位，这显然对传感器性能提出了更高要求。高精度定位提供了准确的位置和姿态信息，助 BEV 算法实现多帧数据对齐，提升算法效果，推动城市 NOA （自动辅助导航驾驶）落地。”
导远电子产品图
2. 驾驶行为数据：从人类驾驶员中学习
除了道路数据，辅助驾驶系统还在不断地学习人类驾驶员的行为和决策。当我们在某个复杂的交叉口减速、在某个弯道转向、或是在某个繁忙的路段换道时，背后的系统都在默默地记录并学习。
这些驾驶行为数据是宝贵的，因为它们反映了人类在实际道路环境中的驾驶策略和决策逻辑。通过分析这些数据，自动驾驶算法可以学习到更为人性化、更为安全的驾驶行为。例如，当面对某个突发情况时，系统可以参考之前的数据来判断最佳的避让策略。
在数据时代，量和质同样重要。高质量的数据，对于自动驾驶的安全性至关重要。
利氪科技副总裁毛新星表示：“安全性是自动驾驶落地的根本。随着智能驾驶的普及和高阶自动驾驶的逐步落地，很长一段时间内人机共驾是主流，也就是说人还是要对整个车辆安全性负责，这需要大量的数据积累和算法训练。
安全性和可靠性主要分为两个方面：一个是上层的感知和决策，另外一个是执行层面。利氪科技现已量产的线控制动系统是专注于Y方向的执行层，这个需要有主动的快速建压能力，同时具备冗余控制的能力。也就是单点失效后，车辆还是可以安全的停车。在驾驶员还没介入的情况下，冗余控制系统的设计就需要有特殊的测试和验证条目来确保系统的安全可靠。利氪科技液压解耦线控制动系统DHB-LK®+ESC和集成式智能制动系统IHB-LK®+RBU的解决方案，可更好的满足自动驾驶针对冗余制动系统的需求。”
我们也可以预见，随着数据飞轮的加速旋转，自动驾驶技术的进步会越来越快。在这个过程中，每一辆装备了辅助驾驶功能的汽车，都是一个小小的数据工厂，为自动驾驶的未来贡献自己的一份力量。
技术挑战与应对策略
需要指出的是，我们上面的飞轮理论，是有一个前提条件的，那就是L2-L5是共用一套技术体系，能通过数据训练来不断提升技术等级。然而，这个前提条件是否成立需要打问号：
辅助驾驶和无人驾驶在算法模型层面本身是存在很大不同的，首先他们的目标就不同，一个是更好的辅助人类驾驶决策，一个是在任何条件下都要自主决策。L2、L3级别的系统设计考虑到了驾驶员在关键时刻的介入，而L4、L5级别的系统不能依赖此项。能否用辅助驾驶收集的数据来将辅助驾驶系统升级到无人驾驶系统，技术逻辑上能否行得通？这还有待验证。
此外，辅助驾驶和无人驾驶的配套体系也很不同，比如感知器件（摄像头、雷达、激光雷达）、芯片的算力水平等都不一样。辅助驾驶积累的技术能力，可能在无人驾驶系统上没什么用，或价值大打折扣。即使在辅助驾驶阶段收集到了大量有价值的数据，要想将这些数据用于L4或L5系统，可能需要重新设计和集成整个系统，包括传感器、控制器、计算平台等。
因此，如果要想从辅助驾驶到无人驾驶的“飞轮”能够转的起来，需要解决一个关键问题：构建一套辅助驾驶和无人驾驶共用的底层技术体系，增加算法、数据、软硬件系统的复用性。只有底层相通，大部分算法、技术、软硬件系统可以复用，从辅助驾驶升级到无人驾驶的升级才能更“平滑”。
那么，为了实现这个目标，需要怎么做呢？以下是构建这样一个共通的底层技术体系的一些建议：
1、开放的软件架构，模块化设计
设计一个开放和模块化的软件架构，使得新的算法和技术可以轻松地集成进来。将整个系统分成多个模块，如感知、决策、控制等，每个模块可以独立升级，但在接口和协议上保持一致。
2、统一的传感器架构
即使在L2、L3级别，也应使用足够的传感器（摄像头、雷达、激光雷达等）来确保可以收集到足够多的数据。这样在升级到L4、L5时，硬件的更换和升级可以最小化。
3、可扩展的计算平台
选择能够扩展和升级的计算平台和芯片，这可以确保在技术进步时，只需进行必要的硬件更换，而不是重新设计整个系统。此外，还需要与硬件供应商、算法研发机构和其他合作伙伴紧密合作，确保整个技术体系的兼容性和协同性。
4、数据的兼容性和标准化
设计统一的数据格式和标准，这样在不同的技术级别和阶段，数据都可以互通和复用。
综上，在探索自动驾驶的蓝图时，我们意识到从辅助驾驶到完全自动驾驶的跃进不仅是技术的巨大飞跃，更是商业策略和数据积累的完美结合。这种整合创造了一个强大的“飞轮”效应，其中数据、技术和市场反馈互相加强，为整个行业带来了持续的动力。
辅助驾驶阶段积累的海量数据提供了基础，为算法的完善和升级提供了宝贵的输入。而这些算法又进一步帮助优化了驾驶体验，推动了更多的消费者采纳，进而产生更多的数据。这样的正反馈循环为技术的迅速演进创造了条件，使其更接近完全自动驾驶的目标。
然而，我们也了解到这种演进方法不是毫无阻碍的。它需要深度的技术整合、精准的市场定位和高效的数据处理。尽管如此，其前景是光明的。这种演进方法为汽车行业带来了真正的变革，使得未来的道路更加智能、安全和高效。
对于自动驾驶行业来说，这种“飞轮”模式意味着更快的技术进步和市场接受度，为企业带来了巨大的竞争优势。它也为传统汽车制造商和新兴的技术公司提供了合作的机会，共同开发下一代的交通工具。它正在改变人们对交通和出行的看法，预示着一个更加智能、互联的未来。
那么，这个迭代的飞轮什么时候能够将我们带引进真正无人驾驶的时代呢？轻舟智航生态市场&公共关系部副总裁霍静的观点也许可以给我启发，她认为：当路上10%的⻋都打开了城市NOA，地球表⾯的⾼质量道路数据都被遍历过⼏遍了，那时候⽆⼈驾驶的窗⼝就不远了。⽽实现了城市NOA之后，随着我们在场景⽅⾯的⼤数据呈现井喷式增⻓，会出现类似于⼤模型研究过程中的“涌现”效果，很多此前⽆法通过穷举⽅式进⾏定义的场景和问题都会在这次涌现过程中得以解决。“
轻舟智航产品应用图
所以，当城市NOA最终得以达到⼀定的渗透率之后，⽆⼈驾驶的⼤幕才会拉开。城市NOA是辅助驾驶的天花板，也是⽆⼈驾驶的⼊⻔槛。
文：一蓑烟雨 / 数据猿
