【导读】先是万亿，后是1.2万亿，特斯拉市值不断创下新高。放眼望去，整个车企都在积极拥抱无人驾驶。但是目前的技术面临着的诸多瓶颈，却不得不让人们重新思考无人驾驶的中国道路在哪里？

先是万亿，后是1.2万亿，特斯拉市值不断创下新高。

放眼望去，整个车企行业都在积极拥抱无人驾驶。

可以说，特斯拉万亿市值摧毁了传统车企对旧时代的一丝留念。

然而，现实是包括特斯拉，Waymo在内的无人驾驶企业在安全性和高级别无人驾驶技术的推进上屡屡受挫。

先不说多次致命的特斯拉撞车案， Waymo自动驾驶汽车还有着「不撞南墙不回头」的执着 。

就比如最近在洛杉矶市的一条死胡同，这条路每天最多要「接待」50辆Waymo自动驾驶汽车，而且已经持续了8个星期。

于是，一条独特的风景线就这样诞生了： 「每5分钟」就能看到一辆Waymo在掉头 。

不论是特斯拉，还是Waymo，它们都是单车智能的典型代表——通过提升车子自身的智能化水平实现自动驾驶，看似智能其实不一定。

无法识别「白色卡车」、十年仅累积3000多万公里路测数据等等，这是单车智能目前无法解决的瓶颈。

如果现在能够把车和路结合，以车端的智能+路端的智能互相结合，是不是会成为高级别自动驾驶的另一种出路？

车路协同VS单车智能

还是用Waymo纷纷驶入死胡同这件事举例吧。

如果像我们小时做题那样，单纯地在地图上连线的话，这路，确实可以走。

当然，前提是这个路的尽头没有下面这个牌子。

为什么这条路明明是「死路」，无人驾驶车还要往里使劲开呢？

其实很简单，因为Waymo的车载地图并不知道……

结果就导致，所谓的自动驾驶车辆直到走到跟前才发现：「哦，此路不通」，于是只能掉头往回走。

这就是单车智能难以逃避的一个局限性： 只能以车为中心对周边区域进行局部感知，只有车辆能识别到才能进行相应的调整和动作 。

那么，如果是用「车路协同」来实现，又会是如何呢？

（来源：德勤分析）

车路协同，顾名思义是由「车端」和「路端」两大关键部分组成，其实除了这两个看得见的部分外，还有看不见的“云端”来为车和路的协同配合来提供后台支持：

车端：可以联网且具有一定自动驾驶能力的车辆；

路端：包含智能感知设施（摄像头、毫米波雷达、激光雷达等）、路侧通信设施、计算控制设施（边缘计算节点等）等配套设备。

云端：包括计算平台和云控平台等后端平台，可以将车和路的信息进行实时收集、计算和处理，将车和路的协同能力调配到最优状态。

和单车智能仅靠车端来感知外界不同，「聪明的车」+「智慧的路」+「强大的云」，三者的协同结合将使得车路协同具备站得高、坐的稳、数据好、算得快的这几个技术优点。

蒙上「眼睛」的车

站得「高」、看得远的「上 帝视角」

先说站的高。

在车路协同的方案里，“高高在上”的路端设备能够以「上 帝视角」实时获取路况信息：激光雷达负责物体三维坐标的探测，配合上毫米波雷达、摄像头和5G传输设备，从而能够实现局部高精度地图的实时绘制和路况的实时动态跟踪。

当这种以「上 帝视角」采集到的信息与车端进行交流后，「车端」除了一如既往地通过多种传感器来进行环境的感知和数据的融合外，还能无延迟地实时接受路端提供的信息。

随着「路端」将交通参与者的位置、速度、轨迹等信息不停地发送给「车端」，也就相当于让车本身拥有了一个无死角、无限远的全域感知，从而能够提前了解到路上的实际情况并进行及时的响应。

因此，在车辆的行驶中，不管是预测准确率，还是复杂场景的通行效率都可以得到提升。可以说，车路协同的本质是让车「站」的更高、「看」得更远了

「站得高」的路端感应设备

那么，回到最开始的那个问题，如果有了车路协同，Waymo还会不会开进死胡同里？ 现在，就非常好回答了。

在车路协同的加持下，车不仅能「知道」前面的路到底能不能走，甚至能提前知道前言道路上行人和车辆的实时情况，自然也就不会再去「不撞南墙不回头」了。

当然，这种站得高并非只是物理位置的“高”，还是统筹全局的“高”：当系统发现前方道路在施工或发生变化时，就可以及时指挥车辆进行调整路线，实现交通优化。

据有关数据计算显示，基于车路协调，道路的拥堵情况在道路上无人驾驶车辆和有人驾驶车辆同时存在的情况下就能降低30%~40%，如果全是无人驾驶甚至可以基本解决道路拥堵问题。

数量大、质量高的数据收集

在无人驾驶中，系统对数据的收集效率和收集质量是解决应用落地最为重要的因素：只有收集到庞大和高质量数据来进行分析和学习，才更使系统更精准地进行优化。

这也是兰德公司早在2016年就提出，「L4级无人驾驶车辆的量产需要测试177亿公里（110亿英里）以上才能实现」的原因——毕竟驾驶行为是涉及到“人命关天”的大事，哪怕在驾驶行为的处理中有0.1%的概率出现问题，都有可能会造成车毁人亡的大事故。

（来源：Rand）

然而，在单车智能方案中，以Waymo为例，虽然背靠着谷歌这个大靠山，在投入了巨额的资金，十年的时间里才积累了3500万公里的真实路测数据，迟迟不能实现应用和落地。

这实际上是单车智能方案的共性问题：缓慢的数据收集能力使得学习能力变得缓慢；学习能力的缓慢也使得系统的优化提升变得缓慢；系统优化的缓慢导致了方案落地的缓慢。

比如，在2021年5月，面对着一个人类驾驶员很容易处理的情况，Waymo自动驾驶汽车却陷入了「三角锥难题」，以一己之力，连续数次堵住道路。出现这种情况的根本问题就是它从来没有遇到过这种情况，也从来没有解决这种情况的方案。

‍

‍

与此相对的则是车路协同方案在数据收集能力上的颠覆性的突破：除了收集「车」上的数据以外，还会以「路」为单位进行收集；除了收集无人车辆的行驶数据，还收集人类驾驶员的数据。

仅以苏州为例，在完成路端的改造后，在数据「量」上，全市公路里程1.2万公里，按450万辆汽车的真实行驶里程计算，每天可收集1.2亿公里的真实车辆行驶数据；在数据「质」上，「路端」的收集的数据不但全视角、可连续，而且还能够记录真实CornerCase发生的前因后。

大数据处理

算力大、计算快的「隐身英雄」

当然了，如此巨大的数据量也不是个善茬，带来的是对整个系统「算力」的极高要求。 然而，单车智能搭载的芯片由于空间和功耗的限制， 目前的算力最高只能达到1000+TOPS 。

这是个什么概念？

（来源：未来汽车日报）

从L3有条件的自动驾驶开始，车辆除了需要控制自身的转向和加速减速以外，还需要在行驶过程中对环境进行监测。

此时，车载芯片的算力起点就已经从L2的2Tops提升到了L3的24Tops。

进入到L4和L5阶段之后，还需要加入紧急事件触发接管机制，此时对算力的要求几乎是呈现「指数」级的上升，达到320TOPS和4000TOPS。

至少目前来看，单车智能在面对如此海量的数据时，只能选择「躺平」。

（来源：东兴证券研究所）

而相比来说，车路协同中的计算可以运用边缘计算和云计算技术，调用海量的算力来完成这些复杂运算，而不会受制于单车的算力。

不仅如此，车路协同算力设备部署更为稳定，不受行车规则的限制，光纤通信可实时调用海量算力把车端路端算法互相反馈测试来验证结果。这些也都是单车智能在算力上所不具备的优势。

除了安全，还是安全

就像刚才提到的那样，车路协同除了能能让车「认路」以外，最厉害的一点就是有能力解决 自动驾驶面临的最大挑战：安全问题 。

尤其是自动驾驶的概念越来越普及的现在，由辅助驾驶引起的事故也越来越多。

2020年6月一辆特斯拉Model 3在高速上径直撞向一辆翻倒的卡车。

即便当时视野开阔且光线良好，然而AutoPilot依然没有成功识别出来前方静止的障碍物。

这实际就是单车智能在安全问题上遇到的瓶颈。

比如说被遮挡住的「STOP」指示牌，对于人类驾驶员来说，基本上可以轻松识别并很快作出行动反应。

但对单车智能来说，在有足够的数据和信息、并且系统足够优化之前，这些符号是难以识别的，毕竟它看到的不是具体的「STOP」，而是一堆无意义的数字代码。

车路协同所具备的信息收集和分析优势使得车路协同在安全性的保证上可以引入「多余度」的概念。

多余度一词源自飞机的设计之中，该技术通过使用多个相同的功能单元和模块来接受相同的信息。当主单元故障时，便会切换至备份单元工作，保障飞机的安全运行。

对于车路协同来说， 多余度就是利用道路交通各参与方来进行多维度的感知、跟踪、预测和学习 。

通过路端的感知，以及车、路之间的信息共享，不仅可以补足车端感知视距有限、感知存在盲区等问题，特别能够实现对于其他交通参与者行为的预测和判断。

比如，行人的「鬼探头」、路口有车辆突然窜出、同一条道路其他车辆的不规范行驶，甚至在无红绿灯路口交警现场指控交通时的命令等都可以由「路端」感知后提前预测判断，然后再把信号无延迟地传送给车辆端。

这就像是给单点智能的车加装上全天候、全场景、360度的「千里眼」和统筹全局的「智慧脑」， 实现车、路、人、基础设施的万物互联和万物互控。

未来，每辆车都将成为信息的接收者、中转者、处理者和发出者，全局调配将在一张城市智慧网上运行，实现对信息的多重采集和判断，从而实现无人驾驶安全性上指数级的提升。

盲区预警

中国无人驾驶特色道路怎么走？

2019年可以说是个分水岭 ，中美两国在智能驾驶的发展上选择了不同的方向。

美国一如既往走在「单车智能」的道路上。而在中国， 车路协同越来越成为无人驾驶一个更为可靠的实现路径 。

首先，从地理环境来看，美国地广人稀，交通环境相对单一，即便是不太精确的单车智能就有可能实现辅助驾驶的目的。

反观国内，人口密度大且集中，交通环境复杂，对自动驾驶的要求相对更高，依靠单车智能很难实现高级别的自动驾驶，而车路协同则提供了一个好的解决方案。

其次，基础设施投入建设也很重要。高宽带、低时延、广连接等特性的5G才足以支撑车路协同的发展。

最新数据显示， 中国目前已累计建成5G基站超91.6万个 ，在全球占比约为70%。

中美车路协同基础设施对比（来源：德勤分析）

最后，中国实现车协同具备巨大的规模优势。相比于单车智能方案中每一辆车都必须配备复杂且昂贵的传感器和计算单元设备的巨大投入，车路协同只需要I4级别的道路和L2级别的车辆即可实现高级别的无人驾驶。

从中国的汽车保有量和庞大的路网布局来看，规模化的发展将使改造成本不断降低。在中国以车路协同技术来实现L4级别的无人驾驶方案，从总投入来看，成本甚至不到单车智能的一半。

（来源：德勤分析）

正是这种优势使得「车路协同决定中国无人驾驶的成败」的观念基本上已经成了包括产业政策制定者在内的行业参与者的共识，一些先行者已经在车路协同无人驾驶的道路上实现了突破。

参考资料：

https://pdf.dfcfw.com/pdf/H3_AP202108131509805924_1.pdf?1628869939000.pdf

https://www.bilibili.com/read/cv8821840

https://www2.deloitte.com/content/dam/Deloitte/cn/Documents/consumer-business/deloitte-cn-cb-autonomous-driving-under-new-infrastructure-zh-210126.pdf

https://www.leiphone.com/category/transportation/cozGOy3epRSg7QK0.html

https://www.rand.org/content/dam/rand/pubs/research_reports/RR1400/RR1478/RAND_RR1478.pdf

https://www.vzkoo.com/read/11c32912f0dfacc9cc4058679905d772.html

本文来自微信公众号 “新智元”（ID：AI_era），编辑：好困 桃子，36氪经授权发布。

关键词： 特斯拉 都搞 解决方案