破曉前夕面臨難產，L3＋自動駕駛規模化商用究竟難在哪兒？

2020-10-16 09:04:24來源：蓋世汽車網濮思怡關鍵詞：自動駕駛交通產業閱讀量：26303

導讀：據悉，在L3方面，目前監管機構連基本的功能審批流程都沒有達成一致，除了德國、日本等少數幾個國家開放了L3級自動駕駛的使用，奧迪其他的目標市場均沒有出臺相關支持L3級自動駕駛汽車上路的政策，包括中國。

　　2020年是許多自動駕駛玩家曾宣布推出自動駕駛汽車的關鍵節點。然而因著奧迪宣布放棄在明年推出的A8車型上搭載L3，另一方面福特、Mobileye等企業也宣布推遲自動駕駛出租車計劃，導致這項技術面臨的形勢愈發嚴峻。即便目前市場上已經出現了一些L3的量產車，亦仍存在諸多爭議。目前能確定的是：自動駕駛的發展比大家預想的更難、更貴和更慢。

　　造成這種局面的，主要有三大因素：法規界限的模糊造成了L3+自動駕駛研發進度的緩慢，技術難題遲遲沒有得到解決，此外該技術還面臨著來自商業變現方面的巨大壓力。

　　L3+自動駕駛難產原因一：政策標準來堵門

　　法規標準的不完善甚至缺失一直是掣肘自動駕駛發展的主要難題，此前奧迪宣布放棄在下一代A8旗艦車型中引入L3級自動駕駛技術計劃，根本原因也在于此。據悉，在L3方面，目前監管機構連基本的功能審批流程都沒有達成一致，除了德國、日本等少數幾個國家開放了L3級自動駕駛的使用，奧迪其他的目標市場均沒有出臺相關支持L3級自動駕駛汽車上路的政策，包括中國。

　　盡管3月初，工信部發布了《<汽車駕駛自動化分級>推薦性國家標準報批公示》，標志著中國有了屬于自己的自動駕駛分級標準，但其中對于L3自動駕駛場景的描述依然比較模糊。更別說支持L4及L5自動駕駛的大規模商用，目前高級別自動駕駛的配套法規同樣缺失。

　　為什么會發生這種情況？標準遲遲不出臺，究竟是沒有制定，還是其他原因？對此，中國汽車技術研究中心有限公司首席專家、汽車標準化研究所副所長王兆表示，主要在于需求。“由于標準一般是基于科學經驗制定的，需立足于實際需求，但從我們目前接觸到的信息來看，主機廠、零部件供應商、政府機構對于自動駕駛標準的需求是不一樣的，有些甚至是矛盾的，這就需要時間去甄別出哪些是真正要解決的問題，進而制定相關的標準。”且在王兆看來，因為目前自動駕駛技術正處在快速發展的過程中，此時對于標準化的需求也在快速變化中，這同樣給標準的制定帶來了較大的挑戰。

　　恩智浦大眾化區汽車電子業務總經理劉芳對此表示認同。在她看來標準是基于經驗的總結，其出臺一定程度上依賴于技術成熟度的配合。這意味著只有當產品和技術到達一定的成熟度時，法律法規自然會來配套，以正規化其發展。而有了標準以后還要有測試的手段，需要有可量產的產品來做實驗，然后通過每一步實驗和客戶的需求反饋，反過來對硬件提出新的要求，促進技術進步。

　　不過好消息是，針對L3及以上級別自動駕駛標準的制訂，相關工作正在有序推進中。“我們去年就已經結合自動駕駛不同應用場景擬了草案并已提交，后續將會加快標準制訂的推進，預估明年相關標準將正式出臺，征求意見稿今年年底或者明年初或許就會出臺。” 王兆表示。

　　L3+自動駕駛難產原因二：技術缺陷難填補

　　技術難題是自動駕駛在發展過程中老生常談的問題。從技術角度看，要想實現簡單場景下的單車智能還是相對較容易的。但要保證自動駕駛汽車在復雜的道路環境下安全可靠的運行，在技術方面還有很多待提升的地方。

　　以高精度地圖為例，一旦到了L3及以上級別的自動駕駛，高精度地圖就成了門檻性的核心技術，它既是路徑規劃的基礎，可為自動駕駛汽車提供定位、交通動態信息等關鍵信息，又能在惡劣環境或者車輛其他環境傳感器發生故障時，提供感知冗余。

　　但是目前高精度地圖在規模化商用方面仍存在多重局限性。首先是高精度地圖采集成本較高，更新慢，且在數據地圖格式交換、數據互聯互通標準等方面均存在問題，因此目前很難做到實時更新。其次，按照國家規定，現階段高精度地圖還無法覆蓋所有場景，特別是涉及到有關國家安全的區域，沒有辦法進行民用或者只能展現部分要素。因此，至少在現階段，對于高精度地圖來說，其使用條件與應用場景都較為苛刻。

　　在分析決策層面，L3+自動駕駛對數據的處理能力也提出了更高的要求。業內一般認為，實現L2級自動駕駛需要的計算力在10TOPS左右，L3需要的計算力為30–60TOPS，L4需要的計算力大于250-500TOPS，L5需要的計算力則至少為1000TOPS。

　　在這個算力的要求下，目前能量產的很多自動駕駛芯片及計算平臺面對高級別自動駕駛其算力便顯得捉襟見肘。不過，也有不少國內企業抓住了這一發展機遇，積極開展技術攻關，與英偉達、高通、Mobileye等國外巨頭展開正面 PK，拿到了高級別自動駕駛市場的入場券。

　　比如華為就面向自動駕駛領域推出了MDC智能駕駛計算平臺，該平臺基于華為自研AI芯片、車控OS等基礎領域技術而打造。圍繞這一產品，近一年多來華為已先后與產業界的50多家主機廠、Tier1、應用算法、傳感器、執行器等客戶及生態合作伙伴，在L2+乘用車、智能重卡、港口物流、無人礦卡、無人配送等領域，實現了可落地的智能駕駛解決方案。

　　在2020北京車展前夕華為重磅發布了全新一代MDC車規級級智能駕駛計算平臺。新平臺采用統一的硬件π架構，可提供48-160TOPS強勁算力，基于智能駕駛操作系統AOS、VOS及MDC Core，覆蓋L2+ 至L4不同級別的智能駕駛應用。

　　緊隨其后，在2020北京車展上黑芝麻智能科技也推出了一款類似的產品——FAD全自動駕駛計算平臺。該平臺高算力可達140TOPS，未來還有望提升至280TOPS，具備高度靈活性和可擴展性，能夠自下而上滿足L2到L4級自動駕駛的計算需求。據透露，目前黑芝麻FAD計算平臺已經拿到了上百臺訂單。在相關企業的共同努力下，盡管目前高級別自動駕駛在技術方面仍存在諸多掣肘，相較于前幾年卻有了明顯的改善。

　　L3+自動駕駛難產原因三，商業模式亟待破局

　　法律法規可以出臺，技術問題也可以一個個解決，但產品做出來如果沒有人買單還是沒有辦法落地。這就需要從成本著手，成本控制是產品能否實現大規模量產的一個非常重要的因素。

　　特別是談到L3+自動駕駛，不免要提到多重冗余問題。L3+自動駕駛在部分場景中，需要將控制權部分甚至全部移交給系統，這就意味著必須要具備包括感知冗余、通訊冗余、供電冗余、轉向以及制動冗余等多重冗余，以保證其中一個系統失效的時候，自動駕駛汽車依舊可以安全行駛,提高安全性和可靠性，這無疑會進一步加重成本負擔。

　　以硬件為例，據中國電動汽車百人會發布的自動駕駛應用場景與商業化路徑(2020)報告顯示，現階段自動駕駛硬件成本約在5萬美元/車，到2025年這部分成本才有望降至5000美元，屆時作為自動駕駛硬件成本高的核心部件激光雷達和計算平臺，在大規模使用后價格都有望下降。如激光雷達， Velodyne的64線激光雷達此前售價在8萬美元/顆，2017年谷歌自研激光雷達后，成功將相關產品價格降至7500美元/顆，未來由機械式轉向固態激光雷達量產后，成本有望進一步下降至數百美元一臺。

　　除了硬件成本外，企業的研發投入也是一個不可忽視的巨大成本。以Robo-taxi領頭羊Waymo為例，該公司每年在研發費用、車隊支出及運營成本上就需要花費10億美元。但是目前，這項技術并不能為Waymo帶來多少收益，至少在未來幾年都會如此。

　　由于現階段Robo-taxi仍需花費高昂的改造及維保等費用，據麥肯錫預測，未來隨著Robo-taxi每千米成本不斷下降，與傳統出租車成本相比大約要到2025至2027年之間才會達到拐點。這背后的驅動因素是，未來人力成本的進一步升高，與此同時自動駕駛系統改造成本逐漸降低，才使得出租車駕駛員人力成本與自動駕駛改造成本的天平逐漸被打破，預計2025年左右Robo-taxi取消安全員并規模化部署后，其成本優勢將進一步凸顯，帶來出行服務的顛覆。

　　這意味著，自動駕駛市場前景雖然很好，但是離真正落地還有很長的路要走。不過，隨著配套法律法規的日漸完善，產品和技術趨于成熟，商業化難度自然會隨之下降，屆時自動駕駛的大規模應用也將指日可待。