最近關注車圈的車友應該都被“智能化”這個詞刷屏了，尤其當小編實地參觀了上海車展后，更是被眾多車廠銷售口中的智能化無人駕駛解決方案渲染的“頭暈眼絢”。也在考慮要不要買一輛具備一定無人駕駛能力的智能化電動汽車了。
別急，仔細研究了一番無人駕駛行業的全景圖后，小編從中總結了無人駕駛技術最為重要的幾項細分技術，以及未來無人駕駛技術的發展趨勢。希望本篇的分析對于對無人駕駛技術感興趣的小伙伴以及有意購買下一輛具備無人駕駛能力的智能汽車的人提供一些思考和建議。先說結論：目前市面上眾多車廠的無人駕駛解決方案中還沒有哪一家真正意義上實現了L3級別的駕駛能力。溫故而知新，讓我們來復習一下無人駕駛技術不同級別的含義：
也就是說，當前車企中沒有哪一家敢說我可以閉著眼讓你開車，即使強如特斯拉都沒有達到L3級別的能力。所以消費者在考慮購買下一輛智能化汽車的時候記住不論商家把其無人駕駛功能包說的多么天花亂墜、神乎其神，你只需問他一句：達到全域L3級別的駕駛能力了嗎？有國家給的無人駕駛L3級的認證嗎？
當前市面所有無人駕駛車廠的解決方案均為達到真正意義上的L3級
在探究無人駕駛技術未來的發展之前，先思考下對于自動駕駛技術最為關鍵的技術因素有哪些？從技術角度講，所有自動駕駛解決方案廠商均依賴于人工智能算法的先進性和高效的架構作為其無人駕駛平臺的底層邏輯，而人工智能算法中最適合無人駕駛解決方案的是深度學習(Deep Learning)算法。所謂深度學習，就是讓計算機從經驗中學習，并根據層次化的概念體系來理解世界，而每個概念則通過與某些相對簡單的概念之間的關系來定義。 深度學習依賴于深度學習神經網絡，我們先用大白話聊一聊什么是神經網絡，然后再介紹為什么要把神經網絡做“深”呢？相信看完本文之后就能理解什么是深度學習了。
從系統角度出發，一個系統通常有三個部分組成：輸入、輸出和模型。
輸入和輸出比較好理解，那么模型是什么呢？簡單的說，模型就是輸入和輸出之間的映射關系。
先拿一個最簡單的例子來說：一個系統的輸入是X，輸出為Y，我們知道x=1，y=2；x=2，y=4；以此類推。我們很容易就得出x與y之間的映射關系，即y是兩倍的x，即y=2x。
這個例子比較簡單，我們一眼就能看出輸入和輸出之間的關系，當x為圖片、聲音、股市交易單、人口與房價等等復雜的輸入時，如何計算出想要的輸出y呢？
這時候就很明確了，從輸入推理出輸出的關鍵就在于，獲取輸入和輸出之間的映射關系，我們將輸入和輸出之間的映射關系定義成一個函數 Y=F（x，0），這里的Y就是輸出，x是輸入。
關鍵就在于，怎么求解這個F呢？這時候就要祭出神經網絡了，它的作用就是通過調整參數來求解輸入輸出之間的映射關系F。
從理論上來講，神經網絡通過調整各層的參數0，可以擬合任意復雜度的函數。我們先喂給神經網絡一定量的輸入輸出數據，通過一次次的訓練，讓網絡學習到當前輸入輸出數據之間的映射關系。那么如果未知的輸入X與訓練神經網絡的輸入服從同分布的話，將這個未知輸入X送入神經網絡中就能夠映射出一個輸出Y。
神經網絡就get到預測的能力了！
可是這種映射的結果一定是準確的嗎，比如我輸入一張貓咪的圖像進入識別動物的神經網絡，我想要的輸出結果是：這是一只貓咪。但神經網絡給出的輸出有可能是：這是一只狗狗或者是一只貓貓。
這些基于神經網絡的深度機器學習算法的性能在很大程度上依賴給定數據的表示（或者說“參照物”），深度學習算法通過不斷類比和窮舉其他較簡單的表示（參照物），經過對決策標識的融合后來表達復雜表示。
此外，自動駕駛技術依賴外部傳感器去感知環境，利用算法和芯片處理器去識別環境，通過算法提供的智能化決策給汽車輸入控制從而來實現自動駕駛的功能。
了解了自動駕駛實現的邏輯，我們需要考慮的是當前技術環境下實現自動駕駛發展的制約因素主要有哪些？
或者說目前在熱門的無人駕駛賽道中，有哪些關鍵環節技術需要率先突破從而實現無人駕駛解決方案向著L3-L4-L5方向前進。
01超級人工智能（AI）處理器
前文講到，自動駕駛技術主要采用深度學習（deep learning）作為其核心邏輯引擎。而深度學習（deep learning）的核心是把物體進行微分化處理，微分處理后的“碎片信息”會被標識成不同的門類（參照物），經過對這些門類的再次微分化，使“碎片化”信息逐步從局部到整體的匹配識別。要完成這樣不斷分割、對比、標識、聚攏的復雜化流程，就需要異常強大的算力作為支撐。算力TOPS(Tera trillion" Operations Per Second) 表示每秒萬億次操作，它主要是對信息數據最大可實現吞吐量的度量，是當前最直觀評價AI芯片的能力指標。
列幾個目前市面有代表性的幾家技術廠商的算力平臺性能：
AI行業中的主要處理器類型有以下：
CPU（中央處理單元）是為通用計算目的而設計的芯片，著重于計算和邏輯控制功能。它們在處理單個復雜的計算順序任務方面很強，但是在大規模數據計算方面卻很差。
GPU（圖形處理單元）最初設計用于圖像處理，但已成功地用于AI。GPU包含數千個內核，并且能夠同時處理數千個線程。這種并行計算設計使GPU在大規模數據計算中極為強大。
FPGA（現場可編程門陣列）是可編程邏輯芯片。這種類型的處理器在處理小規模但密集的數據訪問方面功能強大。此外，FPGA芯片允許用戶通過其微小的邏輯塊對電路路徑進行編程，以處理任何種類的數字功能。
ASIC（專用集成電路）是高度定制的芯片，專門設計用于在特定應用中提供卓越的性能。但是，定制的ASIC一旦投入生產，就無法更改。
其他芯片類型，例如神經形態處理單元（NPU），其結構可模仿人腦，具有在未來成為主流的潛力，但仍處于開發的早期階段。
綜上所述，當前主要影響全自動駕駛的阻礙是AI芯片的設計能力和制造能力以及強大5G網絡基礎設施全面構建。
02高精度高集成化傳感器系統
感知定位是自動駕駛的前提，當前汽車主要采用雷達來測量前車距離，采用攝像頭來識別物體，采用IMU,GNSS來預測車輛運動狀態。
未來自動駕駛解決方案將大規模采用激光雷達定位感知大部分障礙物，同時還會加入熱成像技術來識別動物和夜間成像等。
根據2021最新Yole的報告顯示，未來實現自動駕駛整車上傳感器的成本會是當前汽車上的傳感器價格的8倍左右。
這些價格的增量部分主要來自于多種高精度傳感器（包括激光雷達）的使用，車載大量的傳感器精度與可靠度升級。此外，高集成度的傳感器集合與可適配的整車布置會使得傳感器與車載大燈和激光雷達的融合。最近大熱的蔚來ET7車型所使用的自動駕駛雷達攝像頭均布置在追求流線外形和低風阻設計車頂部分，這大大影響了美觀和整車動力性能的設計。未來，高精度與集成的傳感器系統將會解決車企這樣的“尷尬”。
03自動駕駛軟件及算法
需要說明的是，車載自動駕駛軟件算法遠比當前任何商用飛行器都復雜，汽車在實際駕駛的真實場景中所遇到的情況比飛機要復雜很多。隨著汽車全球普及率越來越高，未來的城市郊區路況都將更加復雜多變。這也使得自動駕駛軟件和算法需要不斷迭代和極強的數據分析與決策能力。未來，無人駕駛方案對不斷更新的算法和軟件都提出了極高的要求。
04 車路協同V2X標準和生態的盡快建立
在實現自動駕駛的過程中，對于車端感知的自動駕駛器由于感知范圍有限，感知性能上由于傳感器自身存在的限制，可能導致感知性能暫時性降低甚至失效，僅靠單車的智能，很多典型的駕駛場景是無法滿足安全駕駛需求的，這也是當前主機廠開發自動駕駛系統的痛點。
這就使得路端信息的加入是一個必需的過程。通過對部分主機廠已經量產的自動駕駛產品統計分析看出，L4在其限定的運行范圍ODD內需要運行穩定安全，更多是需要路端軟件配合車端軟件進行優化。主機廠希望通過構建智慧的路以彌補車端感知缺陷，從而達到提高自動駕駛性能，降低成本的目的。
總結
自動駕駛技術的發展已經到了必須改造基礎設施的階段，要全面構筑“人-車-路”全域數據感知的智能路網，進入“聰明的車”與“智能的路”相互協同的新階段。也就是說，從自主駕駛轉向車路協同?？梢韵葘唵蜗鄬潭ǖ膱鼍斑M行路端改造。
比如乘用車行駛路線因個人和時間的不同而不同，短期內難以大面積鋪開。但對固定物流路線改造則相對容易，由于使用率高，邊際成本將大大降低。對于廣泛應用的小汽車，自主駕駛的技術路線更為可能和現實。當然，對于城市公交和礦區、碼頭的搬運車輛等，由于固定線路和特定區域，可充分利用車路協同技術的優勢。
