自动驾驶破局之路：从单车智能到车路协同

自动驾驶技术是影响未来汽车产业发展的重要因素。随着自动驾驶技术的成熟和商业化的加速，汽车将不再是从属于人的驾驶工具，车的核心价值部件由体现动力和操作系统的传动系统转向体现自动驾驶水平的智能软件系统和处理芯片，驾驶员的双手、双脚、双眼将被解放，出行过程中的娱乐、社交、消费场景或许可被彻底打开，开辟万亿级市场。

自动驾驶目前有单车智能自动驾驶（ Autonomous Driving，AD） 和车路协同自动驾驶（Vehicle-Infrastructure Cooperated Autonomous Driving，VICAD） 两种技术路线。

AD 主要依靠车辆自身的视觉、毫米波雷达、激光雷达等传感器、计算单元、线控系统进行环境感知、计算决策和控制执行。

VICAD 则是在单车智能自动驾驶的基础上，通过车联网将“人-车-路-云”交通参与要素有机地联系在一起，助力自动驾驶车辆在环境感知、计算决策和控制执行等方面的能力升级，加速自动驾驶应用成熟。VICAD 不仅可以提供更安全、更舒适、更节能、更环保的驾驶方式，还是城市智能交通系统的重要环节，也是构建新型智慧城市的核心要素。

1、单车智能的限制

目前，高等级的自动驾驶大规模商业化落地仍然面临着诸多的困难与挑战。

首先，自动驾驶安全方面依然是影响自动驾驶商业化落地的关键原因。在低等级自动驾驶方面，很多车企都已经商用量产，但很多ADAS功能仍然存在特定场景下应对能力不足和失效的风险。例如针对恶劣天气、隧道环境、鬼探头等等，目前的自动驾驶系统都无法完美地解决这些问题，自动驾驶的可靠性和应对这些高挑战性交通场景的能力还有待提升。

其次，就是尚未解决的单车感知长尾问题。感知的长尾问题是当前限制单车智能自动驾驶车辆运行设计域的主要原因之一。受车端传感器安装位置、探测距离、视场角、数据吞吐、标定精度、时间同步等限制，车辆在繁忙路口、恶劣天气、小物体感知识别、信号灯识别、逆光等环境条件中行驶时，仍然难以彻底解决准确感知识别和高精度定位问题。这些长尾问题，严重制约和影响了自动驾驶的规模商业化落地，而这些感知长尾问题仅靠车端传感器融合感知是难以解决的。

最后，自动驾驶的经济性问题还未得到充分的解决。经济性是自动驾驶规模商业化落地必须考虑的现实问题。为了实现高等级自动驾驶，车载传感器的数量需要显著增加，目前 L4 级自动驾驶车辆的硬件设备一般包含：6～12 台摄像头、3～12 台毫米波雷达、5 台以内的激光雷达以及 1～2台 GNSS/IMU 和 1～2 台计算平台，硬件成本过高，难以保证车辆的经济性。另外，为了确保自动驾驶安全，会在车端部署冗余传感器系统、高精度地图、及相应的软件系统，也大大增加了自动驾驶车辆的成本。

2、车路协同自动驾驶的三个阶段

因此，我们知道了目前单车智能所遇到的困境，而这时需要从本质上来提升自动驾驶的能力。车路协同自动驾驶通过信息交互协同、协同感知与协同决策控制，可以极大地拓展单车的感知范围、提升感知的能力，引入高维数据为代表的新的智能要素，实现群体智能。可以从本质上解决单车智能自动驾驶遇到的技术瓶颈，提升自动驾驶能力，从而保证自动驾驶安全VICAD 是 AD 的高级发展形式，是一个循序渐进由低到高的发展过程， 可以分为三个大的发展阶段：

（1）阶段 1：信息交互协同，实现车辆与道路的信息交互与共享；

（2）阶段 2：协同感知，在阶段 1 的基础上，发挥路侧的感知定位优势，与车辆进行协同感知定位；

（3）阶段 3：在阶段 1 和阶段 2 的基础上，车辆与道路可实现协同决策与控制功能，能够保证车辆在所有道路环境下都能实现高等级自动驾驶。

其中阶段一可以实现有条件协同决策控制：在自动驾驶专用道、封闭园区等环境下实现协同决策控制，或实现 AVP 自主泊车；而阶段二、三可以实现完全协同决策控制：在任何时间、任何道路和交通环境下，都可实现车路全面协同感知、协同决策控制功能。

3、车路协同解决自动驾驶安全问题

自动驾驶汽车是一种极其复杂的系统，所处的实际驾驶环境要素繁多、复杂多变，使得自动驾驶车辆在安全方面存在许多不确定性。而这种不确定性更多得表现在自动驾驶的感知和预测层面。例如，在感知方面，自动驾驶遇到得主要困难包括极端天气影响激光雷达的反射效果，不利照明条件下的感知错误，遮挡条件下的感知失效等等问题；预测方面，则包括行人和车辆轨迹预测的不确定性、自动驾驶决策算法的可靠性问题等等。

而通过协同感知、协同决策、协同控制则可以大大提升自动驾驶的安全性，而这样的实现主要包括两个方面：

1.不安全场景转换为安全场景

针对原有“不安全”的场景，处理方式有两种：一是提升自动驾驶能力将其转化为安全场景，二是进行触发条件检测并通过限制 ODD 进行排除。车路协同的加入，让自动驾驶车辆能够获取更全面的数据，可以更早更远的启动处理，从而为车辆应对不安全场景营造更好的条件。同时，也支持增强对危险场景的触发检测能力，以便通过 ODD 将其排除。

2.未知场景转换为已知场景

针对原有“未知”的场景的探索是一个行业难题“你永远不知道不知道什么”，车路协同一方面可以通过全量的感知识别完成对未知现象触发和处理，如将未知异常的交通现象转化为触发条件，并且提示过往车辆提前做出预判；另一方面，通过数据驱动和算法学习，可以将未知数据采集、挖掘、训练提升，发现未知场景，从而完成学习式系统的成长。

我国车路协同研究和发展迅速，I 阶段 车路协同已在多个城市开展规模性测试验证和先导示范，并逐步开展商业化运营先行先试 ；II 阶段也在部分城市开展了建设部署和测试试验，道路的协同感知能力得到了充分验证，部分场景下基础设施的协调和控制也得到了探索，但总体而言，II 阶段目前还不足以支撑高等级自动驾驶规模商业化落地。

所以，为了尽早实现自动驾驶规模商业化落地，需要针对车路协同深度融合系统进一步开展深入研发测试，加快建设部署高等级智能化道路，在保障自动驾驶安全运行和快速规模商业化落地的同时，为智能交通、智慧出行和智慧城市建设提供高维数据，带来更多新智能应用。