無人駕駛、車聯網的快速發展，帶動了汽車產業鏈從設計、生產到營銷、售後、產業生態建設等一系列的戰略轉型。但是被視為產業創新角兒之一的"自動駕駛"，到底何時才能真正惠及恐車族、路障族？這其中起決定作用的是哪些技術及環境因素？
近日，在ENI經濟和信息化網主辦的" IT轉型助力汽車業數位化加速"直播會議中，中國信息通信院華東分院副總工程師賀仁龍從產業環境、技術落地、轉型重點等角度對這一系列問題進行了深度解讀。
實現自動駕駛，還需要10年以上
5G的大規模商用將加速AI技術的成熟，進而必將加快推動自動駕駛的發展成熟，實現自動駕駛還需要多久？賀仁龍表示，自動駕駛整體上進入生產成熟期的時間還有10年以上。
Gartner發布的2019年度新科技的技術成熟度曲線顯示，與智能網聯自動駕駛相關的典型技術類別處於三個發展階段，分別為：Level4自動駕駛已走出期望膨脹期，工程和商業的成熟度進入緩慢攀升階段，距離 Gartner定義的生產成熟期還有10年以上；5G在2019年進入了期望膨脹期區間，距離 Gartner定義的生產成熟期還有2-5年時間；Level5自動駕駛進入期望膨脹期區間，距離Gartner定義的生產成熟期還有10年。總體來說，自動駕駛進入生產成熟期還需一段時間。
另一方面，根據主流廠商推出自動駕駛的時刻表，賀仁龍表示，各大車企自動駕駛標稱的限定各不相同，比如自動駕駛完全與否、駕駛場景以城市還是高速為主、技術是實現還是成熟量產等，且L4級自動駕駛雖然已經逐漸從技術研究階段發展到商業化落地階段，但目前還無法做到與所有駕駛場景完美匹配，大部分廠商則會優先選擇1-2個場景落地。例如，博世、百度、縱目、多核等車企的自動駕駛主要場景為自主泊車，但要求場景封閉，對停車場設施有一定的要求；圖森未來、沃爾沃、蘇寧物流等車企主要應用於幹線物流，但自動駕駛只適用於有固定路線、高速路等，對路況有一定的要求。因此，從主機廠、自動駕駛技術方案供應商的規劃看，L4級自動駕駛在限定場景的商業化地將先於開放場景，預計在未來3-5年內可以實現商業化。
再者，伴隨著國內一系列科技企業、傳統車企和初創企業已經進入提供自動駕駛解決方案的領域及國際行業巨頭積極推動自動駕駛落地商用，自動駕駛呈現競合布局狀態。其中，百度獲得北京首批40張自動駕駛載人測試牌照，發布車路協同和智能車聯的兩大開放平臺，截至2019年底，測試裡程超過300萬公裡；長安汽車開創國內2000公裡自動駕駛先河，實現全速自適應巡航(ACC)、智能語音、飛屏互動等70餘項技術成功量產；蔚來、奇點、小鵬、零跑等新銳車企已經具備L2級至L2.5級的自動駕駛能力；地平線、圖森、PONY等自動駕駛解決方案提供商也對各大車企提供了自動駕駛所需的軟硬體。且美國Waymo、Tesla雙雄領跑，德國致力於自動駕駛領域的「世界第一」，日本Toyota新技術的研發等這些為自動駕駛所做出的創新方案，讓自動駕駛仍處於高資本投入階段。
誠然，科技巨頭深度介入，加速了自動駕駛商業化落地。但是，量產商用的ADAS（高級輔助駕駛系統）依然有大概率的失效情況。2019年，美國汽車協會(AAA)對雪佛蘭邁銳寶XL、本田雅閣、特斯拉Moel3和豐田凱美瑞進行了AEB-P測試，結果幾乎「全軍覆沒」，幾乎每個車型都發生了撞擊現象，即使成熟商的AEB也有大概率的失效情況。因此，實現完全自動駕駛落地依然任重道遠。
自動駕駛技術如何突破？
自動駕駛事故的發生，可以看出自動駕駛的系統功能仍有不確定風險。賀仁龍表示，自動駕駛技術是單車智能和網聯智能的有機結合，而IT系統提供產品轉型、業務轉型，顯得尤為重要。
單車智能已經邁入長尾
為對單車智能技術進行有效分析，北京與加州進行了自動駕駛測試，該報告顯示，自動駕駛測試存在大量脫離接管，自動駕駛系統的可靠性和應對挑戰性交通場景的能力仍有待提升，報告還分析了功能失效的原因，包括感知、決策、預測、控制、性能故障等問題。例如，河北邯鄲高速路上特斯拉汽車在定速狀態下，未能識別且及時躲避清掃車輛而發生追尾，實際原因是感知失效；美國加州一輛谷歌提供技術支持的雷克薩斯汽車與公交車發生碰撞，是因為車載電腦假定後方行駛的公交車會由於前方路面空間不足而減速，表現為決策失效。
總體來講，感知、決策是自動駕駛失效的主要原因，而軟硬體性能幾乎是所有車企面臨的問題，從上述測試報告的前期調研情況看，單車智能很難聚焦主要的短板在哪個領域，更多的是端到端系統整體能力和可靠性的提升。
那麼從技術流程上看單車智能的關鍵環節，所謂技術成熟度和產業成熟度究竟體現在哪裡？其實，在環境感知環節中，硬性標稱、技術指標基本滿足系統的整體要求，而在車載視覺感知的硬體性能上，雖然空間解析度和人眼接近，但距離範圍仍存在較大的差距。可靠性、逆光、動態範圍，這是視覺傳感器的主要挑戰。
此外，雷射雷達感知技術目前仍以避障應用為主，因而車載雷射雷達的可靠性及成本與商用量產還有較大差距，此外，車載毫米波雷達、車載定位等技術在也都同樣存在特定場景的局限。儘管多傳感器融合會解決這一系列問題，但其所涉及到的多模態數據量的增大依然會對實現此目標帶來挑戰。因此，單車自動駕駛在技術層面仍面臨著諸多環境條件和技術能力的制約，且單車智能已經邁入長尾，如何分步驟，分級別劃分場景是逐步推進自動駕駛落地的現實路徑。
自動駕駛網聯需求催生車網連接變革
單車自動駕駛在環境和技術等因素的制約和交通管理便利的要求下，自動駕駛還具有網聯化的需求，且不同自動駕駛的場景對網聯需求的指標量化，包括信息服務、安全駕駛、駕駛效率等場景下的性能需求指標。事實上，自動駕駛對網聯化的需求不僅體現在傳輸速率、通信距離、時延等性能需求上，還對網聯輔助信息交互、協同感知、協同決策與控制有一定的功能需求。例如，在車對紅綠燈的感知過程中，不像單車智能靠機器視覺識別，易發生被樹等遮擋的情況，而是通過下達指令的方式傳達，在決策控制裡面有協同和融合。
此外，在部分複雜的交通規則場景下，如「人」字形道路的交替通行，出於對單車自動駕駛保守出行原則的考慮，標誌牌網聯化則會提供更有效的決策，避免駕駛員在車道中的持續等待，同時，對於標誌牌的微小改動，網聯化也會有效避免駕駛員受改動影響的錯誤判斷。總而言之，自動駕駛和車路協同將在車內產生海量數據，同時這些數據處理產生的大帶寬、精同步、低時延等需求共同催生了車內網絡連接的變革及新型車載高速總線技術。
可以說，自動駕駛在進步和發展中蘊含著一個又一個難關，面向未來新的生態系統，IT需要重新定義自己的價值和地位，不管是變成服務，還是變成軟體本身，都在為轉型帶來價值。