缺钱还是缺技术？众多企业放缓自动驾驶研发节奏

记者丨子楚逸飞

责编丨听雪吃火锅

被狂欢掩盖的漫天鸡毛，最终还是要落地。

2016年，时任福特CEO的马克·菲尔兹在加州帕洛阿托向媒体表示，福特打算在2021年推出自动驾驶出租车。

然而到了去年4月，新任的CEO吉姆·哈克特（原任职于福特的自动驾驶业务部门）在接受采访时表示，完全无人驾驶汽车的到来仍需时日，现在大家对于无人驾驶车辆的普及都过于乐观了。

一场由新兴科技企业挑起的“军备竞赛”，随着时间推移和面临的技术瓶颈，给陷入狂热的自动驾驶领域浇了一盆“冷水”。

从乐观到谨慎的转变

2016年，Waymo、Uber的自动驾驶路测引起了整个行业的关注，互联网企业在自动驾驶领域的步步紧逼，也让许多汽车企业倍感压力。

之后几年Waymo和Uber向传统车企采购成千上万辆汽车用于无人驾驶汽车的研发、改制和生产，同时通用和福特等传统车企也对自动驾驶巨额投入，国内包括腾讯、百度等互联网企业以及中国汽车企业也纷纷布局自动驾驶领域。

那个时候，大家都乐观地认为，2020年将是自动驾驶的元年。整个自动驾驶行业仿佛被大量分泌的“多巴胺”裹挟着加速前进，但是谁也没想到“急刹”是来得如此之快。

2018年的夏天出现了戏剧性的转折，一辆Uber自动驾驶测试车在亚利桑那州坦佩市撞死一名行人。在那场悲剧发生后，Uber意识到再多的炒作也无法解决自动驾驶面临的技术挑战，于是调整了自动驾驶的时间表。

随后Waymo的CEO约翰·克拉富西克坦诚，无人驾驶（L5）是有局限的，而且承认在今后的很长一段时间内，自动驾驶汽车都会需要司机的协助。苹果的联合创始人史蒂夫·沃兹尼亚克也表示，汽车在没有方向盘的情况下自动驾驶不太可能。

经过近两年的合作，汽车零部件供应商麦格纳也于最近终止了与Lyft的共同开发自动驾驶汽车的合作。取而代之的是，该公司将专注于L2级驾驶辅助系统的进一步研发和优化。“我得说，几年前，整个行业要乐观得多。我们已经意识到，这不是一个容易解决的问题。”麦格纳高级副总裁Sharath Reddy在接受采访时表示。

回归理性的传统车企，也在放弃过于激进的策略。日产已经承认，在这个十年结束之前，它不太可能生产自动驾驶汽车。通用汽车之前曾承诺在2019年之前销售一款自动驾驶汽车，但到现在还没有宣布更新的计划。

相比而言，丰田一直都保持着较为清晰而理性的思考。自2017年以来，丰田没有专注于全自动驾驶，而是依赖双轨战略来破解自动驾驶。其中一条名为Guardian的方案，主要通过研发自动紧急制动等技术来防止事故；另一条名为Chauffeur的方案，是一个自动驾驶研究项目。

从2016年开始，自动驾驶技术的高速发展，让很多在当时看来高不可攀的“高科技”逐渐走入寻常百姓家。但随着时间的推移，自动驾驶技术最终还是没办法摆脱技术成熟度曲线的规律，在渡过峰值之后，正在快速跌入谷底。

在5G网络还没全面覆盖的当下，自动驾驶技术的研发依然还是以“单车智能”为主。但是，随着对自动驾驶的研究逐渐进入深水区，“单车智能”的局限性也越来越突出，面临着传感器、芯片和数据等方面的问题。

不同传感器之间的融合

就像人的眼睛、耳朵一样，作为路况探测的传感器，其收集的信息将是驾驶决策的重要保障。如果没有完整的信息，就不可能支持决策系统做出正确、安全的驾驶决定。但困扰目前自动驾驶发展的问题之一，就在于不同传感器之间的融合难和成本控制问题。

如今量产车上大规模运用的ADAS系统，配备了包括摄像头、雷达、超声波、激光雷达等探测器，但大部分ADAS功能都是独立工作的，彼此之间不会交换信息，后视摄像头、环视系统和前方摄像头等往往起到不同的作用，承担不同的功能。

L2级对传感器的功能要求只是提供预警信息以及紧急刹车等等，因此传感器可以独立工作。但是当对传感器的要求提高到需要承担自动驾驶级别的感知时，不同传感器的缺点使得单一要素无法承担重任，比如摄像头测距能力有限，而雷达也缺少较高的分辨率。

因此，多传感器融合的问题就摆在了从业者面前。首先，不同传感器采集的数据类型不同，其次，不同传感器对于物体的检测会出现不同的情况（例如雷达监测前面有障碍物，但摄像头只发现只是一张纸），需要进行数据的修正、融合等，得到较为贴近真实的路况信息。

与此同时，包括选择处理数据的方式、在哪里完成数据处理、如何将传感器数据发动到ECU、考虑由哪个器件最终执行等等都困扰着自动驾驶的发展。

此外，根据西门子的最新研究，目前汽车上的线束总长度已经达到1.5英里，而传感器所带来的线束长度将超过1.5英里。如何在汽车有限的空间内合理布局线束，也是自动驾驶发展路上面临的难题。

芯片的性能如何保障

越完善的自动驾驶技术，需要更全面的探测路况信息，就需要更多的传感器，但同时，更多的传感器也意味着更多的数据量和更难的融合，并且随着更精准的探测器和更复杂的路况，数据量也会呈几何倍数增长。

从英特尔公布的信息来看，一辆配置了GPS、摄像头、雷达和激光雷达等传感器的自动驾驶车辆，每天将产生约4TB待处理的传感器数据。如此海量的数据信息对处理芯片的性能提出了更高的要求——这也是为什么现在的自动驾驶车辆的后备厢会有一台巨大的计算平台，以及为这台计算平台散热的装备。

需要更强大的运算能力，同时又对低能耗有更高要求，成为了自动驾驶企业需要解决的问题，即便是英伟达这样的顶级GPU企业，也很难做到一个比较好的平衡点。

为了解决这一问题，研发专用计算平台已经势在必行。如今，谷歌研发的AI专用芯片TPU已经投入运用，国内顶尖创业公司地平线也已推出自研的BPU，特斯拉也投入了巨资进行自动驾驶芯片的研发。

但是，如今已经研发完成或者是正在研发的芯片，都只是一个过渡产品，虽然其整体表现要比传统芯片更适合自动驾驶技术，但谁也不知道实现真正的自动驾驶需要多少运算能力的芯片。

虽然如今很多车企已经宣称已经能够量产L3级别的自动驾驶技术，但L3级自动驾驶需要处理20TOPS（处理器运算能力），还是40TOPS，没人能给出准确的答案。而且这还只是L3级别，真的进入L4级别，将对计算平台的运算能力需求会呈指数增长。

如今以“单车智能”为研发方向的自动驾驶技术研发已然遇到了瓶颈，这也是为何越来越多企业放慢研发脚步的问题所在。不过，随着5G技术逐渐步入商用，也给了自动驾驶一条全新的发展方向，那就是通过V2X，将数据上传到云计算平台来解决运算难的问题。这也给了最先实现5G商业化的中国，在自动驾驶领域赶上甚至超越国外企业的契机。

相关阅读：

高阶自动驾驶初体验 5G+AI是自动驾驶的最优解吗？

超级大国的自动驾驶之争 中国胜算何在？|析技