我们距离自动驾驶汽车究竟还有多远？｜理性派对第三季(5)

在可以预期的未来，如果将大部分车辆的数据都累积到云端的“大脑”上去，这个“大脑”能够自我学习、自我更新、自我进化。举个例子，假如北京地区有200万辆联网的汽车，它就可以同时学习200万辆汽车的驾驶员所采集的数据进行自我学习与更新，进而实现自己智能的进化，这就有可能加速自动驾驶算法的演进。总而言之，数据是基础的生产力，它能够推进算力的演化。
段玉龙：最近自动驾驶汽车上数据的来源成为人们关注的焦点。比如某公司就强调自己坚决不用激光雷达，只用视觉雷达，但是一些厂商却认为激光雷达的效率更高，您怎么看？
李慧云：这个需要分阶段和目标来看待。某公司的初衷是做辅助驾驶，那么要低成本地实现商业化落地，采用视觉的方案无疑是达到它的目标的途径。现在大部分造车新势力要做的是更高级别的自动驾驶，那么激光雷达在大部分场景是不可或缺的。它在目标检测甚至定位建图方面都是视觉不可替代的，因为它有深度的信息。如果要达到L3-L4级别，那两方的目标最终将殊途同归，达到多传感融合。
段玉龙：路面上能够装载自动驾驶相关系统的车毕竟数量有限，只依赖这些车获取数据，是否足够支撑整个自动驾驶系统的升级呢？
李慧云：所以在未来，车路协同将成为必然。因为单车智能有它的局限：如果每个车都依赖于累积传感器数量、种类以及算力资源，成本将会很高；另外也有一些物理局限，比如前方车道车辆或右转道路遮挡导致的“鬼探头”现象。通过车路协同的方法，显然能够低成本地解决单车智能的局限带来的问题。

车路协同示意图
从另一个角度讲，单车智能并不能很好地完成数据采集以及解决整个城市的拥堵。因为如果以速度或者是行驶的舒适性为考量，单车的优化势必会造成多车之间的竞争，这就带来了博弈。如果要达到一个总体作用，那么就要考虑城市交通，这时车路协同就自然而然地引入了。从这个层面讲，有道路旁边的传感器、算力以及调动能力的辅助，将会使自动驾驶时代的交通整体达到最优，包括事故数、平均通行速度以及舒适程度。