2021年08月12日 | 自动驾驶的部署还有哪些难点？

自动驾驶汽车（AV）的发展继续吸引着交通和其他产业部门的大量投资。这些投资是需要的，因为大量艰难的技术问题仍然远没得到解决。

其中有三个主要的问题：

为什么AV问题如此难解决？

不同的AV使用场景是如何影响AV问题的？

部署AV使用场景可能如何演变？

为了回答这些问题，用三个图表总结旨在为大家提供一些观点。

AV的复杂度

根本问题是开发安全可靠的自动驾驶汽车的SAE L4能力所涉及的巨大复杂性。下图总结了这些挑战。

如图所示，AV问题在红色区块中分为三组。潜在的解决方案被列在12个黑框中，每个问题组有四块。请注意，有三块的蓝色文字是相同的，因为软件平台，包括机器学习和神经网络在内的AI软件都需要解决这三类问题。

首先是知道AV的确切位置，在多数情况下具有厘米级的准确性。下一步是对所有道路使用者和物体进行分类，包括他们正在做什么，并预测他们在未来几秒钟内可能做什么。

这些问题的解决方案是大量的传感器、巨大的算力，以及管理多个复杂系统所需的平台和AI软件。例如，一个Robotaxi需要30多个传感器，包括摄像头、雷达和激光雷达。例如，Zoox最近发布的robotaxi有64个传感器。28个摄像头、20个雷达和16个激光雷达。

还需要基于AI的视觉软件来处理传感器数据。大多数AV都需要高精地图，以便准确确定位置。

所有的软硬件系统都需要广泛的网络安全保护。软件也必须通过内置的（OTA）软件更新功能定期更新。

第二个问题是确保AV硬件和软件的可靠性，没有单点故障。在发生故障的情况下，需要一种所谓的“跛行模式（limp home）”能力，至少可以引导车辆停在路边。

随着AV法规的出台，安全和操作规则必须被纳入系统和可靠性设计的一部分。

还需要的是系统设计中的硬件冗余。至少有三个AV系统需要冗余：驾驶控制（转向、制动、速度）、视觉传感能力（三类）和计算。

系统架构必须使用能够简化软件平台合作的技术，允许强大的网络安全和OTA更新。

这些系统仍然相当昂贵，需要大幅降低成本。幸运的是，基于芯片的技术正在提供大量的成本节约，特别是对于最昂贵的部件激光雷达。

AV组件的模拟是至关重要的，包括软件和硬件以及所有类型的测试和建模。

为了深入了解撞车事故以及如何提高安全性，需要AV事件数据记录器。远程操作也正在成为AV法规的标准，在解决边缘案例的同时，也是实现跛行回家能力的关键。

第三个问题是开发一个超过人类驾驶员的软件驱动程序。至于好到什么程度，还在争论之中。很明显，AV开发商必须继续测试和改进他们的系统。开发时间将取决于使用场景。

边缘案例测试被广泛使用，基本上意味着找到软件系统以前没有见过的、可能不知道如何处理的新驾驶情况。为系统能力增加新的边缘案例被认为也许是最优先的。

另一个棘手的问题是确认AV系统程序可以胜过人类驾驶员。目前还不清楚AV法规和未来的AV类型批准将如何处理这一重要问题。

解决方案大多涉及测试，分析大量的测试数据以确定系统程序的弱点，然后进行更多的测试。幸运的是，这种测试的大部分能以比道路测试高得多的速度进行模拟，在模拟模式下每天的里程数是道路测试的100倍。那些模拟的重点是边缘案例和类似场景。

测试必须包括不同的天气和照明条件。大多数历史上的AV测试都是在理想的天气条件下进行的。因此，需要更多的真实世界模拟。

AV的使用场景上述的复杂性将根据AV的使用情况有很大的不同。AV的复杂性主要由驾驶复杂性决定。下图是对AV使用场景复杂性的概述，重点是SAE L4部署。这些情况的许多变化并不包括在内。

上图显示了各种AV使用场景如何融入一个二维空间，AV复杂性在Y轴上增加，而驾驶复杂性在X轴上增加。驾驶复杂性包括路线障碍、驾驶速度、交通密度、道路使用者类型（汽车、自行车、行人等）和天气状况。死亡率风险也被列出，主要由速度决定。一些AV使用场景的死亡风险非常低。

低AV复杂度

低复杂度指的是简单的路线、低速和低速用户或交通种类。在最简单的层面上，操作被限制在封闭区域，如校园、办公园区或军事基地。人行道上的送货车辆与多个参与者走得最远。人行道上的AV领导者Starship在2021年5月突破了150万次的运货次数，并将很快突破200万次。

固定路线的AV也具有较低的AV复杂性，细分市场包括多个参与者。由于AV价格高，部署一直很缓慢，但已经在数百个城市进行了测试。应用包括低复杂度的公交线路和/或封闭环境。

固定路线的AV也可能被用于灵活的路线，如按需取货。最近在2021年7月发布的ISO 22737低速自动驾驶（LSAD）法规应该对固定路线的AV部署产生了积极影响。

用于最后一英里送货的送货AV带来了更多的交通复杂性，以比人行道AV更高的速度在道路上航行。货车和小型卡车也可以被改装成AV送货车。它们正在接受使用安全驾驶员的测试。

中等AV复杂度

这一类包括几个AV场景。没有安全驾驶员的低速货物AV属于这一类别。拥有枢纽到枢纽路线的自动驾驶卡车也可能包括在内，但目前需要一个安全司机。这一类也被称为中间地带的卡车运输。

如果当安全司机被取消，远程操作监控可以用于点到点的卡车运输和robotaxi。大多数AV法规要求远程操作作为管理AV的最后手段。远程操作也可能成为一种更普遍的技术，最终取代安全司机。

高AV复杂度

上图包括三个具有高AV复杂性的应用场景。点到点的卡车运输用例在这个类别中最低，其次是robotaxi。仍在计划中的个人自动驾驶汽车也将被归类为高复杂性。个人用车可能会受益于robotaxi在城区部署的经验。

AV使用场景部署

AV的部署将从简单过渡到复杂。下面这个稍加修改的用例图将X轴改为时间轴，贴上绿色标签表示用例模块的重新排列。AV用例的位置反映了它们在时间轴上何时可能看到有意义的使用。

在这种情况下，人行道AV的部署率最高，在许多城市运送饭菜、杂货和其他小包裹。人行道AV也是最便宜的产品，因为传感器少、重量小和行人速度慢。撞到人或东西的风险相对较低。

纯货物型AV的代表是Nuro送货车，它还处于测试阶段。目前的进度表明，Nuro可能已经准备好进行更广泛的部署。

Robotaxi仍主要处于测试阶段，有一个安全驾驶员。Waymo在凤凰城地区的大部分测试中已经取消了安全司机。在美国和中国的一些城市，一些robotaxi运营商已被允许对服务收费。

带有安全驾驶员的货物AV也在为商店和仓库之间的最后或中间环节运送包裹。

EasyMile、Local Motors和Navya等固定路线的AV已经在几个国家进行了广泛的测试。疫情终止了大部分测试，这些测试的重点是每次运输最多12名乘客。最近的ISO LSAD法规涵盖了这一用例，并应在未来几年内启动固定路线的AV使用。

我们还看到带有安全驾驶员的点到点的自动驾驶卡车的正在进行越来越多的测试。其中大部分包括将货物运送给付费客户。

其余的类别则更难部署，比上图所示的时间晚。点到点的自动驾驶卡车部署可能在2025年左右出现。Robotaxi的批量部署要晚几年，但一些有希望的robotaxi公司将在几年后大规模部署，但可能会在少数城市。个人AV将比robotaxi晚得多。

AI可以解决复杂性问题

AV技术仍然很难做，但一些用例的复杂程度较低，正在进行有限的部署。针对较简单的AV场景的法规正在出现，许多公司最终将部署法规允许的内容。

在所有的AV法规中，远程操作可能是必须的，但它也可以用来消除安全隐患，以便更早部署一些用例。

目前，AV系统成本由价格昂贵的激光雷达主导，在未来五年内将迅速下降。这意味着过高的AV系统成本在2025年后将不会成为阻碍因素。

复杂的AV系统的早期部署最终取决于AI技术的突破，这是不可预测的。如果这种创新发生，潜在的用户可能不必等到2030就会拥有个人AV了。