读智能涌现： AI时代的思考与探索05自动驾驶(上)

1. 万亿级赛道

1.1. 作为汽车行业革命的关键技术，自动驾驶将从安全、效率及商业模式等多方面赋能交通产业升级

1.2. 自动驾驶的优势一是安全高效，二是节能环保，三是能创造巨大的产业机遇

1.3. 自动驾驶能够极大地提升交通安全和效率

• 1.3.1. AI的介入可以大幅降低人为事故隐患

• 1.3.2. 自动驾驶车辆的安全标准应较人类驾驶提高至少一个数量级，达到人类驾驶安全系数的10倍

1.4. 自动驾驶能够有效提升交通系统的出行效率和能源使用效率

• 1.4.1. 可以提高行驶效率，优化行驶路线，提高交通流的速度和密度，减少交通拥堵，优化全网交通流，提升整体能源利用效率

• 1.4.2. 将催生新的商业模式和服务模式，如共享自动驾驶出租车、无人货车等，这些新模式不仅能提高车辆的使用效率，还有助于减少环境污染

1.5. 自动驾驶能够创造出巨大的商业价值

1.6. 自动驾驶也是一个垂直且狭义的AI问题，可以被分解为有边界的子领域技术问题

2. 三个阶段

2.1. 第一个阶段（20世纪70年代至20世纪末）​：完全基于规则的技术

• 2.1.1. 典型的案例如卡内基梅隆大学的ALVINN（Autonomous Land Vehicle in a Neural Network，神经网络中的自主陆地车辆）项目

2.2. 第二个阶段（21世纪初至2010年代中后期）​：感知与数据驱动

• 2.2.1. 随着传感器技术的进步，自动驾驶开始注重环境感知，通过传感器获取大量数据，并利用这些数据进行决策

• 2.2.2. 包括谷歌无人车（后来的Waymo）​、百度Apollo等

• 2.2.3. Apollo自动驾驶系统研发初始阶段采用了很多碎片化的小模型来分别训练地图、视觉、激光雷达等，随之还制定了大量感知、规划、决策的规则，这使整个系统不可避免地变得越来越复杂

2.3. 第三个阶段（2010年代晚期至今）​：大模型和生成式AI

• 2.3.1. AI技术，特别是端到端学习、深度学习和持续学习等，在自动驾驶过程中得到广泛应用，使车辆具备了更强的学习能力和适应性

2.4. 市场力量，如技术可行性、用户需求挖掘、产品生态走向与商业模式等

2.5. 非市场力量，包括政策、法规、伦理、隐私及其他人为因素

3. 不容错失的机会

3.1. 当下，新能源汽车、智能汽车、自动驾驶、软件定义汽车、从汽油转向电能对汽车产业带来了巨大的颠覆与重塑，而自动驾驶无疑是最具颠覆意义的因素

3.2. 自动驾驶系统是核心，各种新形态的“车辆”是承载核心价值的“外骨骼”

• 3.2.1. 将传统的二维交通体系扩展到三维空间

• 3.2.2. 交通工具—无论是地上跑的、天上飞的、海里游的—只要被赋予了自动驾驶的能力，研发人员就可以专注于设计性能、安全性与可靠性更高的机械部分，至于感知、定位、决策、控制、通信、人机交互和能源管理，都可以交由自动驾驶系统来完成

3.3. 在自动驾驶车辆商用化落地方面，中国已初步确立“先发”优势

3.4. 任何时候都必须把生命安全放在第一位

3.5. 新能源汽车，早在1990年，通用汽车公司便面向全球推出了Impact纯电动汽车

3.6. 作为当前全球市场的领导者之一，特斯拉汽车公司于2003年成立，但直到2020年才赢利

3.7. ​“感知”曾经是研究者渴望攻克的首要关隘

• 3.7.1. 人类驾驶员不仅可以根据过往经验迅速找出解决办法，还能够随机应变、灵活应对各种突发问题

• 3.7.2. 人类驾驶员的能力不能无损耗地复制给其他人，而且驾驶员之间的驾驶水平也可能相差悬殊

• 3.7.3. 可靠的自动驾驶系统能任意复制，这是AI的优势所在

• 3.7.4. 传感器的类型、数目和品质对自动驾驶汽车的能力与安全性有着极大的影响。多传感器优于单传感器，但由于前者的总体成本一度居高不下，客观上成为这一领域创新提速的掣肘因素

3.8. 随着智能网联逐步上升为国家战略，车路协同技术得以更快发展

• 3.8.1. 相较于单车智能缺乏全局视野、感知能力有限等问题，车路协同的模式具有实时获取全局交通信息、感知范围更加广阔和全面等优势，能够为单车智能提供必要、关键、互补的信息，进而提高自动驾驶的安全性

4. 变革与突破

4.1. 电动化、网联化、智能化、共享化被称为汽车工业“新四化”转型方向，如果再加上绿色低碳化，那便是“新五化”​

4.2. 汽车的产品架构与技术要素也在变化，以经典的发动机、离合器、变速箱等工程要素为主的架构，逐步扩展至包容了电化学（电池）​、半导体芯片、AI算法、互联网应用等繁多、全新的技术要素，汽车产业也在不知不觉中升级为一个崭新的交叉型产业

4.3. 纵览AI技术的发展历史与演进趋势，它与自动驾驶系统可谓天作之合

• 4.3.1. AI在真正崛起前长达数十年的时光里，受限于数据、算力和算法

• 4.3.2. 将来自机器的、更高深的智慧投射于不同的垂直行业、不同的创新产品，是无数人的美好期待

4.4. 现实中，城市在深度数字化，交通在深度数字化，乘用车辆本身也在深度数字化

4.5. 足够的数据只是圆梦自动驾驶的必要条件之一

• 4.5.1. 其他必要条件还包括深度学习领域的算法突破，以及更快推进半导体技术发展从而大幅提升用于系统训练的算力

• 4.5.2. 数据、算力、算法三者完美结合，才有可能使大规模、高安全的自动驾驶普及至城乡每个角落，从而彻底重塑汽车产业的格局与面貌

4.6. 能自行驾驶、安全应对各种路况的汽车，可视为一个被交付了特定任务、需实现特定目标的，对技术、安全与可靠程度要求非常高的机器人

• 4.6.1. 有别于传统的功能型汽车，是先进的机械技术与更聪慧的AI技术的有机结合，用户甚至可以将之理解为一台有着汽车外形的机器人

4.7. 架构

• 4.7.1. 一个基础

• 4.7.1.1. 控制抽象层：车辆端与车路协同端实时将海量数据上传至数据平台，经由联邦学习技术来训练和提升生成式大模型的性能，同时持续优化和增强仿真平台的场景丰富度与真实度

• 4.7.2. 四个层次

• 4.7.2.1. 原始数据层的效用是数据的同步采集和管理

• 4.7.2.2. 定位感知层负责多感知网络的融合与鲁棒性以及精准定位

• 4.7.2.3. 定位感知层负责多感知网络的融合与鲁棒性以及精准定位

• 4.7.2.4. 决策规划层致力于结合人类智能与机器智能的案例与经验，在最短时间内做出正确的决策规划

4.8. 端到端学习(End-to-End Learning)，即让神经网络模型直接从摄像头、激光雷达、毫米波雷达等设备采集的原始传感器数据中习得车辆的控制方式，实现从感知到决策的端到端映射

• 4.8.1. 端到端学习将整个驾驶过程作为一个整体任务，减少了模块之间融合的损失，通过快速迭代，系统的智能性和安全性大幅提高，可以更好地适应各种实际驾驶场景，从而赋予了系统更强的整体性能与泛化能力

4.9. 传统的方法通常会将自动驾驶任务分解为感知、规划、控制等多个子任务，每个子任务都由不同的小模型完成，需要设定大量的规则

4.10. 得益于大模型与生成式AI、激光雷达、毫米波雷达、高分辨率摄像头及车联网(Vehicle to Everything, V2X)等技术的发展与进步，自动驾驶汽车已能做到比单纯依赖双眼视觉的感知更加全面，所能获得的数据也更加丰富、更加多维