自动驾驶商业化之路！革命还是改革？

近日，美国政府表示，计划在30年内将国内交通事故死亡人数降至零。

这一计划的背景是，美国国家公路交通安全管理局宣布，上半年美国交通事故死亡人数增加了10.4%。

自动驾驶被认为是该计划的基石。

“这项自动驾驶技术什么时候才能成熟？”谈到自动驾驶，这应该是公众问得最多的问题。

自动驾驶商业化之路：革命还是改进？今年3月，在德克萨斯州奥斯汀举行的SXSW互动媒体活动上，谷歌自动驾驶项目技术负责人厄姆森表示，“自动驾驶汽车的真正出现可能比曾经预测的要晚得多，而且可能需要长达30年的时间。

” 2009年，谷歌自动驾驶项目启动时，厄姆森曾雄心勃勃地表示希望将谷歌的自动驾驶汽车推向市场。

但拉里和佩奇显然没有这样的耐心。

在今年的 TED 节目中，拉里·佩奇在谈到自动驾驶时表示，他在大学时就有了这个想法，并对这个项目的潜力感到非常兴奋。

当被问及自动驾驶何时实现时，他表示：“我认为会非常非常快，我非常渴望尽快推出产品。

”他进一步澄清了自己的态度：“我们需要革命性的改变，而且不是改进性的改变。

”去年，谷歌聘请了汽车行业资深人士、现代汽车美国分公司前首席执行官克拉夫西克(Krafcik)担任自动驾驶项目的总监，业内普遍的解读是谷歌将把这个项目从X实验室搬出去。

但我们应该打造自己的汽车、许可软件产品，还是像Uber那样直接运营？这是业内反复猜测的话题。

随着7月谷歌尚未确定自动驾驶汽车的商业模式，外界的声音更加尖锐，Speak With Me首席执行官Ajay Juneja认为谷歌尚未制定明确的商业化计划。

市场咨询机构Strategy Analytics直言：谷歌需要一个合作伙伴、一个销售团队和一个营销策略。

8月初，厄姆森黯然离开谷歌，卡内基梅隆大学的机器人专家的离开无疑反映了谷歌与谷歌之间的巨大裂痕。

自动驾驶的愿景和商业化。

谷歌曾多次公开表示，并不打算成为整车制造商，而是寻求合作。

然而现实是，我们看到了特斯拉与强大的ADAS技术供应商Mobileye的高调分手，以及通用汽车10亿美元的投资。

收购自动驾驶初创公司Cruise Automation、福特汽车收购以色列机器学习和计算机视觉公司SAIPS、投资至少3家与自动驾驶相关的初创公司、宝马、丰田等联合投资硅谷初创公司Nauto、其他汽车厂商也在加大人才招聘力度。

主流汽车制造商正在发起一场自动驾驶军备竞赛，他们也准备自己动手。

与汽车制造商合作并不是一件容易的事，尤其是下一代核心技术。

如果企业不准备自己造车，在自动驾驶上过于高调，往往会适得其反，成为合作的障碍。

毕竟汽车是品牌认知度最高的行业之一，汽车制造商也不希望被供应商超越。

引起了人们的注意。

“自动驾驶将定义下一个十年，我们预测自动驾驶汽车将对社会产生巨大影响，就像一百多年前福特发明了装配线一样。

”福特首席执行官马克·菲尔兹的一句话揭示了自动驾驶对汽车行业的意义。

或许正因为如此，拉里·佩奇才痴迷于实现完全自动驾驶。

自动驾驶卡车突然出现，但现实往往出乎意料。

今年年初，谷歌自动驾驶汽车团队的技术天才安东尼·莱万多夫斯基(Anthony Levandowski)和谷歌地图前负责人利奥尔·罗恩(Lior Ron)离职，成立了初创公司Otto。

仅仅六个月后，移动出行巨头Uber就在7月，宣布以6.8亿美元高价收购Otto。

考虑到这家初创公司成立仅半年时间，可以得出结论，他们主要依赖于谷歌之前开发的技术。

现在，这项技术的商业价值已经得到了投资者的认可，商业化前景非常明确：为货运卡车提供自动驾驶运营服务。

为什么相同技术的商业化差距如此之大？答案需要从当前的市场现状中寻找。

我们先来看看美国货运市场的现状：美国卡车运输业价值1亿美元，足够大； 2018年美国有1万名卡车司机，占美国劳动人口的1%。

卡车司机的平均年龄高达55岁，这说明这个行业对年轻人吸引力不强，招人难。

目前，大型卡车司机短缺5万名（根据美国卡车运输协会的数据），这已成为物流公司面临的问题。

由于劳动力短缺，每英里收入预计将从目前的 0.30 美元增至 0.70 美元。

如果采用自动驾驶，对于物流公司来说，毫无疑问会节省人力成本（虽然会导致1%以上的劳动人口失业），以及服务区、汽车旅馆、餐厅等费用基本不会需要。

汽车保险费用大幅降低；在生产效率方面，自动驾驶汽车可以24/7运行。

即使考虑到车辆维护和货物装卸的时间消耗，每周的行驶时间也是载人驾驶的三倍以上。

这意味着资金周转率将同步提升。

从部署成本来看，如今的大型卡车售价基本都在15万美元以上。

奥托目前的自动驾驶套件售价约为 3 万美元。

从成本降低空间来看，5年内降低到1万美元是很有可能的。

从技术上来说，卡车主要在高速公路上行驶，高速公路场景下的自动驾驶技术比城市道路简单得多。

传感器可以安装在离地面更高的地方，这样它们就能探测到更远的地方。

因此，该领域的自动驾驶可以在短时间内达到商业化所需的成熟度。

虽然准确的成本计算还需要更多的数据，但上述数据已经让人相信基于自动驾驶的物流成本将会降低2倍以上，资金回报率可能会提高十倍以上。

据路透社报道，Uber将从明年开始提供货运服务。

不得不说，Uber的眼光非常准确。

更多公司开始效仿。

欧洲六大卡车制造商（包括沃尔沃、戴姆勒、达夫、依维柯、曼恩和斯堪尼亚）已经组建了一支由超过 12 辆自动驾驶卡车组成的车队进行道路测试。

自动驾驶卡车可能会深刻改变物流行业，催生标准化装卸站等场所，人类司机将负责将货物交给刚刚从高速公路出口驶出并完成最后一程的自动驾驶卡车。

100公里。

运输。

回顾奥托的成功，其实是一个技术与市场结合的美丽案例。

一项技术的研发在一开始可能面临着极其长远的目标，但当技术达到一定程度后，在某些场景下下一步就可以产生商业价值。

因此，通过限制使用场景，我们可以降低技术实现的难度。

就公路货运而言，我们甚至可以进一步降低技术难度，例如采用LED编队。

在此模式下，人类驾驶员驾驶领头车辆。

，其次是5到10辆无人车密集行驶，意味着劳动效率提升5到10倍，其商业价值显而易见。

自动驾驶的应用之路 目前公众对自动驾驶的质疑其实是基于一个前提，那就是让汽车可以随时在任何开放的道路上行驶。

这无疑是最终目标，但你能想象自动驾驶吗？如何驾驶汽车并遵守方言交警的指挥？用最困难的场景来评估一项正在发展的技术，自然很容易得出更悲观的结论。

事实上，正如我们之前在自动驾驶卡车的例子中看到的那样，商业价值的产生已经多元化，在达到最终目标的过程中，或者通过限制场景或者限制功能，都可以实现自动驾驶应用和产生商业价值。

如果按照自动驾驶卡车同样的思路去探索商业化路径，你会发现很多行业都可以在短期内实现。

仓储物流行业：亚马逊、京东等领先电商企业纷纷部署AGV；农业自动驾驶车辆：包括可用于耕种和收割的农业机械。

在非道路和换乘场景中低速行驶非常困难。

可使用其他运输车辆接送；部分封闭场所：如度假村、旅游景区、机场、矿区、码头、建筑工地等。

此应用中使用的车辆大多为特种车辆，如挖掘机、起重机、小型电动车等。

随着进一步的发展随着技术的发展，更多的自动驾驶场景将会实现： 城市公交系统：有固定的行驶路线，比如使用公交专用道，可以选择性地实现自动驾驶。

商用运营车辆：如出租车、公司班车等。

对于私家车来说，自动驾驶应用的普及也可以根据不同的场景范围逐步扩大：例如首先在高速公路上；然后在停车场，最后在开阔的道路上。

通用汽车公司的一项调查显示，在特大城市，30%的汽油浪费在寻找停车位的过程中，而中心城市的停车时间通常超过15分钟。

停车场自动驾驶其实意义重大，而且停车场的驾驶环境也比较友好，不受天气因素影响，车速较低。

同样是一个封闭的地方，所以它的实施难度显然比在开阔的道路上要小。

商业化逻辑 无论自动驾驶的应用场景是什么，总需要满足三个核心原则：技术成熟度满足应用场景要求；投资成本可以接受；投资回报达到突破点：与以前的载人驾驶相比，必须能够降低成本或者增加效益，而且这种商业效益是可以量化的。

一句话：部署自动驾驶就意味着省钱或者赚钱，否则只能陷入炫耀场景。

因此，自动驾驶的商业化路径在不同国家必然有所不同，因为同样的应用场景，成本结构也不同。

比如出租车行业，美国的出租车人工成本明显比中国高很多。

这也是Uber为何如此积极投资自动驾驶技术的原因之一。

国内，一线城市正在积极推动自动驾驶测试试验区发展。

其背后的商业驱动力不容忽视。

北京20%以上的道路被汽车占据，而私家车的实际利用率通常不足10%且90%以上的时间都在停车，这带来了两个巨大的问题：停车难和拥堵（潮汐交通、寻找停车位造成的局部拥堵）。

传统上，解决方案是建造更多停车场和更多道路，这不可避免地消耗土地。

目前一线城市的土地价格是多少？上海平均每亩1亿以上。

如果我们能够利用自动驾驶来提高车辆利用率，那么停车场就可以少建。

如果减少停车10万辆，则节省停车场面积至少1.6平方公里，价值1亿元。

！道路资源也是如此。

如果能够利用自动驾驶结合绿化带交通，使道路利用率翻倍，很多道路都可以重新规划，比如减少新建道路的数量，或者将旧道路和居民区集中拆除，进行整体重建。

土地的节省是显而易见的。

成本也不容忽视。

先进技术的商业化往往随着成本的降低而逐渐开始。

如今，我们大部分的汽车都配备了雷达，但雷达第一次投入使用的时候，是在二战前夕，当时英国人在索夫克海岸建立了第一个雷达站。

后来在二战期间，雷达技术在巨大的军事需求下得到了迅速发展。

从陆基防空雷达扩展到舰载雷达，随后机载雷达也出现了。

此后，雷达逐渐进入民用。

雷达在汽车上的应用是二十年前才开始的，而77GHz毫米波雷达在汽车上的应用也是近几年才发生的。

虽然有技术因素，但成本无疑是决定性的。

毕竟汽车是大众消费品，成本因素不容忽视。

自动驾驶也是如此。

成本并没有降低。

不到一定程度，在乘用车上普及是不可能的。

不可忽视的技术因素 目前，几乎所有的自动驾驶测试车辆都是基于自主感知模式，利用多种不同类型的传感器来感知环境。

然而任何传感器都有局限性，传感器融合并不是那么容易做到的。

例如，如果雷达检测到前方有很强的回波，并确认它是一个很大的障碍物，但摄像头没有看到它，此时应该信任哪些传感器数据？真实情况可能是前面有一个罐子，它放大了雷达回波。

自动驾驶对安全性要求如此之高，必须有多种冗余的传感方式。

V2X在这里扮演着非常关键的角色。

与摄像头或雷达不同，V2X 是一种依赖 0.11p 或 5G 通信的精确传感方法。

，V2X可以在更大范围内（室内米、室外米）准确感知周围车辆的情况，包括其位置、速度、转向灯状态等，同时通过与道路基础设施的通信，获得精确的车辆信息当地范围的地理信息； V2X使动态车队组网成为可能，并可通过V2I实现绿波带交通； V2X不会受到天气条件的影响，这是其他传感器难以实现的。

可以说，V2X让自动驾驶的可靠性有了质的飞跃。

但V2X是一种典型的依赖标准的技术，这意味着真正的领导者只有一个：政府。

目前，我国V2X标准仍在制定中，LTE-V技术刚刚开始研究。

离实用还有很远。

这反映了政府决策的复杂性，这使得V2X部署时间变得困难。

预计在部分封闭的地方部署V2X会容易得多。

一家公司可以在机场或者某个园区部署V2X，而且由于是封闭的场所，不需要考虑互联或者标准问题，所以商业实施的效率就非常高。

V2X的价值取决于它的渗透率。

如果道路上车辆的V2V覆盖率不到%，其意义就会大打折扣。

V2I需要大量的基础设施投资。

目前，在自动驾驶研发方面，媒体的焦点仍然集中在汽车厂商身上，但如果V2X要实现全覆盖，政府的作用是不可替代的。

与任何大规模的基础设施投资一样，V2I部署不能从一开始就规划全覆盖，而是从局部开始，因为这样的投资必须考虑商业回报。

我们可以想象，政府可能会首先在几条干线高速公路上部署V2I，例如G2京沪高速、长三角城市带高速等，以提高道路利用率并获得更高的商业回报。

如今，自动驾驶感知与决策方面主流技术的发展方向逐渐清晰，即基于深度学习和强化学习相结合的机器学习。

然而机器学习需要大数据驱动才能实现高性能和高可靠性。

这意味着开发者需要首先在大量车辆上安装自动驾驶设备，以便车辆在实际运行过程中生成所需的数据量。

结果，他们就会陷入先有鸡还是先有蛋的问题：从自动驾驶开始可靠性差，无法大量销售设备；设备不足导致数据量不足，进而制约性能提升。

如果首先部署在某些特定应用中，可以逐渐积累数据，提高性能，为更广泛的自动驾驶应用做好准备。

谷歌的自动驾驶七年前就开始测试，至今仅行驶了300万公里，而特斯拉的Autopolit自2015年10月推出以来，半年多时间累计已超过1.6亿公里； Uber 更夸张的是，摩根士丹利曾在一份报告中表示：“Uber 在 24 分钟内收集的数据相当于谷歌自动驾驶汽车自诞生以来记录的所有数据。

”这是通过量产汽车积累的数据优势。

归根结底，数据驱动技术必须在实践中完善。

单个公司的测试规模有限，效率太低。

科技史上这样的例子不胜枚举。

当苹果推出第一代 iPhone 时，用户在推出后短短几周内就发现了数百个错误。

这是史蒂夫·乔布斯的作品，他对质量要求非常严格。

同时，自动驾驶的发展也具有很强的区域特色。

欧洲和北美的驾驶环境不同。

中国的驾驶环境与欧美更加不同。

例如，驾驶员频繁变换车道、人车混杂严重等，车辆特性差异很大。

道路系统复杂等，这些本土化因素往往导致变道、过路口等在欧美相对成熟的功能，在国内实际测试中成功率大幅降低。

从这个意义上讲，本地化数据处理和自动驾驶决策算法开发是不可避免的。

在此问题上，地平线与多家国外汽车厂商及国际Tier1进行了广泛的探讨，各方认可度较高。

。

历史启示：美国智库兰德公司在其《驶向安全》报告中认为，自动驾驶的安全性需要数亿至数千亿英里来验证其可靠性，凸显了在开放道路上完全自动驾驶的复杂性。

自然，以及由此带来的测试方法的巨大挑战。

凭借在机器学习方面的杰出成就，地平线在自动驾驶领域引起了业界的广泛关注。

同时，地平线定位为自动驾驶解决方案Tier 2供应商，与众多车厂及Tier 1保持着广泛的沟通，与众多合作伙伴进行了深度合作。

这样相对上游的定位，让地平线有一个很好的视角来观察和思考这个行业，并更多地根据市场的真实需求来制定政策。

相应的技术路线图已经确定了在实现完全无人驾驶的最终目标的道路上的许多中间节点。

我们相信ADAS将不断发展，从目前的Level 2过渡到Level 3，并最终向Level 4自动驾驶发展。

而在技术研发方面，从感知，到三维场景语义理解，再到环境态势预测、路径规划，场景逐渐扩大其适用范围，从高速公路到一般道路。

同时，ADAS还将从外部感知扩展到驾驶员感知和理解，以确保自动驾驶和手动驾驶之间的过渡可靠性。

一家有远大抱负的公司往往试图一步完成目标，一步将革命性技术商业化。

摩托罗拉一手开创了移动通信时代。

当时移动通信面临的最大挑战是地面基站覆盖范围不足，基站之间切换的可靠性较差。

因此，在研发新一代移动通信技术时，这家科技巨头决定打造一个能够彻底解决这一问题的卫星通信系统。

这就是著名的铱卫星系统。

从技术上讲，这是一个好主意。

然而，令人意想不到的是，地面基站的建设速度超出了预期，并且在普及过程中可靠性也逐渐提高，但仅依靠摩托车的铱星系统却无法支撑自己。

巨额投入导致服务成本高昂，利润回报未达到预期，最终退出市场。