什么是无人驾驶核心技术？未来的产业布局和趋势都在这里

现在无人驾驶的热潮，起源于 2005 年，美国国防部举办的 DARPA Grand Challenge 。04 年的第一届没有选手跑出来，但是 05 年在荒野的比赛，有多支队伍成功跑完，斯坦福大学和卡耐基梅隆大学获得了第一、二名。

1. 无人驾驶行业的现状分析

1.1 The origin: DARPA

现在无人驾驶的热潮，起源于 2005 年，美国国防部举办的 DARPA Grand Challenge 。04 年的第一届没有选手跑出来，但是 05 年在荒野的比赛，有多支队伍成功跑完，斯坦福大学和卡耐基梅隆大学获得了第一、二名。

而 2007 年的 DARPA Urban Challenge ，把挑战放到了城市路况中，这次是卡耐基梅隆大学，斯坦福大学和弗吉尼亚理工大学分别获得了第一，二，三名。

(图 01 两届非常关键的 DARPA Challenge，推动了无人驾驶在学术界的研究)

通过美国国防部的比赛，向世人证明了无人驾驶技术上的可能性。

1.2 Google 延续了 DARPA 的技术，从 09 年一直在不断的研发

Google 看到 DARPA 中无人驾驶技术的未来，于 2009 年将斯坦福 AI Lab 的负责人，也是 DARPA 中斯坦福大学队原型车的负责人 Sebastian 招到 Google，和他的原班人马一起，继续无人驾驶领域的研究。Google X 于 2010 年 1 月正式成立。

（图02 斯坦福大学 AI Lab的负责人 Sebastian）

（图03 Google 早年的无人车）

从 09 年到 2016 年 6 月，Google 的无人车累计行驶了 2,777,585 公里。光 2016 年 8 月这一个月，无人车就行驶了 202,777 公里。

截止到现在，Google 的无人车已经累计行驶了 500 万公里。最新的技术实力，可以达到平均连续 8000 公里 1 次人工干预的水平。

2016 年 12 月，Google 正式将 Google X 中的无人驾驶业务分拆出来，成立了独立公司 Waymo。

(图04 无人驾驶从 GoogleX 中独立出来，成立了子公司 Waymo)

由于 Google 对无人驾驶技术的大力推进，在硅谷大家都能看到最前沿的技术似乎已经能很快的得到普及。目前，Google 的无人驾驶技术还是公认世界最高的水平。

1.3 Tesla 的探索—激进的先驱者

Tesla 从 2014 年底的车型开始，就为用户提供可选的“辅助驾驶包”。采用的是Mobileye 提供的 ADAS 技术。

随后，由于技术路线上的差异，Tesla 于2016 年 7 月终止了和 Mobileye 的合作。目前 Tesla 的技术路线主要依靠 8 个环绕摄像头，1 个毫米波雷达和12个超声波传感器。

Tesla 的野心越来越大，宣称要在 2017 年末实现完全无人驾驶，而 2019 年全面上路。

（图05 Tesla 的 Autopilot --主要基于摄像头来做识别）

(图06 Tesla 当时的合作伙伴，Mobileye 的设备)

(图07 专业做 ADAS 的企业 Mobileye)

(图08 Tesla 的多传感器方案)

仅靠最简单的 ADAS 系统，在光照好的条件下也可以实现相当高的精度，但是业内普遍认为其安全性不达标。

Tesla 的论据是，目前 Tesla 的车在 “ 辅助驾驶模式 ” 下累计行驶了 13 亿英里，而目前的事故概率相当低，至少是人类同等里程下的二分之一。所以目前的自动驾驶系统，已经可以实现强于人类两倍的性能。

现实中， 2016 年 5 月，Tesla 的一名车主开启自动驾驶模式，在车上看视频，直接撞到拖车上身亡。根据事后调查，Tesla 由于有免责声明，要求车主对驾驶负责，而不能完全交给系统，Tesla 得以被判免责。

（图9 Tesla 车在自动驾驶模式下的严重事故）

(图10 严重事故后损毁的车)

因此，Tesla 一方面宣称其技术可以实现 Level 4 以上的“完全无人驾驶”，现实中为了免责，则要求用户仅将其当做辅助驾驶来使用。

虽然 Tesla 的技术路线较为激进，但是因为其广泛的消费者基数，吸引到了资本市场的强烈关注，可以说掀起了无人驾驶的热潮。

因为 Google 的车虽然在默默进步，但知道，乘坐过的人较少，而 Tesla 的车，有广大的车主基数。车主通过直观感受，觉得光是 ADAS 系统就离人们想象中的无人驾驶不远了。毕竟 99% 的安全，和 99.9% 的安全，在消费者看来其差异并不明显。

(图11 Tesla 的销售店，有奢侈品的感觉)

另一方面，Tesla 极其擅长制造话题，也起到了推波助澜的作用。

(图12 Tesla 相关的新闻不断)

1.4 Uber 和 Apple 的探索

2015 年 Uber CEO 正式宣布要用无人驾驶技术来提供服务，招了一些卡耐基梅隆的研究员，使用 LiDAR + 摄像头的多传感器融合技术。

2016 年 8 月，Uber 收购了做无人驾驶的公司 Otto。同年 9 月，Uber 正式在匹兹堡提供基于无人驾驶系统的出租车服务。同年 12 月，在旧金山提供同样的服务。

截止至今，Uber 的技术还略逊一筹，实际效果没有达到 Uber 的预期。目前 Uber 的车队有 43 辆车，无人驾驶模式下每周行驶 20,000 英里，平均连续 0.8 英里一次人工干预。

（图13 Uber 的无人驾驶租车）

(图14 Uber 的无人驾驶技术受到了较大的质疑)

Apple 于 2014 年末开始正式启动内部名为“ Project Titan ”的野心勃勃的造车计划—完全无人驾驶的电动车。据内部人士透露，Apple 是和一家机器人公司合作开发的技术原型车，采用最新的多传感器融合技术。该机器人公司是 Virginia Tech spin off 出来的公司，也曾经是 Virginia Tech 参加 DARPA Challenge 的团队和合作伙伴。

起初 Apple 是希望造一台类比 Tesla 的电动车，但 16 年战略发生了变化，Apple 希望打造一台“完全无人驾驶”的电动车。这辆车上不会有方向盘，预计最早 2020 年投入市场。

而 2017 年 6 月，Apple CEO 对公众承认了苹果对无人驾驶领域的兴趣，但是否认了造车，而是说在研究无人驾驶技术的软件。

(图15 Apple 的 Titan 计划)

1.5 无人驾驶技术指标对比—距离实现 Level 4 还有多远？

尽管指标的选择有所差异，按照加州的规定，申请了无人驾驶牌照的公司需要报备各自的无人驾驶运行情况。其中最核心的指标，是累计无人驾驶下的里程数，和平均连续无人工干预里程数。

(图16 Waymo，车厂代表的 Nissan 和 Uber 的指标对比)

从结论来看，Google 的技术依然瑶瑶领先其他可比公司，累计行驶了 500 万公里，而最新的技术可以达到平均连续 8000 公里 1 次人工干预。作为主机厂中比较先进的Nissan，大概是平均 230 公里 1 次人工干预。而 Uber 的水平，大概还停留在平均1.5 公里 1 次人工干预，可以看到大家的差距还较大。

国内的百度，据消息称，目前水平和 Uber 相当。

根据业内普遍的看法，如果无人驾驶车辆的安全性能够达到人类的 10 倍以上，就可以完全替代人。那么也许完全实现无人驾驶需要的技术目标，大约在连续 10 万公里1 次人工干预的水平。

恰恰因为 Google 的水平已经非常高，让资本市场看到了短期内（3-5年）实现足够安全性的可能，目前各家企业都在拼命冲刺技术的最后五公里。

1.6 蓬勃涌现的无人驾驶初创企业—向胜利发起冲锋的号角

从 2015 年开始，不断出现做无人驾驶的初创企业。这里我们摘取了一些典型的，做接近于 Level 4 （无人驾驶和辅助驾驶的定义见后续分析）技术的企业，供大家分析。

(图17 根据网上信息收集整理的主要 Level 4 无人驾驶 startup )

可以看出，2015 年和 2016 年，有很多从大公司，大学出来的初创公司开始进入该领域。无人驾驶系统的开发，呈现出百花齐放的状态。无人驾驶技术的黄埔军校，有斯坦福大学，Google，和国内的百度。

按照上述的分析，这些研究无人驾驶 Level 4 技术的企业，都在努力试图用各自的技术方案，实现安全性达标，成本可控的“无人驾驶最后五公里”。

究竟谁能够摘取最终的桂冠呢？我们认为类比汽车行业的引擎，电池管理技术等核心模块，无人驾驶技术应该也不会呈现出一家独大的情况。最终应该有大公司，也有一些初创公司可以做出性能和成本达标的产品。

1.7 无人驾驶还是辅助驾驶

根据 SAE 的分类，无人驾驶从 Level 0 到 Level 5 。更加详细的分类标准在网上已经有很多，我们就不做详细的科普。这里做一下简单的定义，并且给大家举例说明一下。

(图18 无人驾驶的分类简述)

根据定义，Level 2 到 Level 3 应该划分为“辅助驾驶”的范畴。之所以称之为辅助驾驶，是因为这个等级下，驾驶员要承担驾驶的完全责任，无人驾驶系统不承担一切事故的后果。

目前 Level 2 的 ADAS 系统的成本价降到 1,000 人民币以内，前装的售价也在数千人民币以内，可以算是得到了较好商业化的汽车智能化配件。海外有著名的 Mobileye，国内也有很多做 ADAS 系统的对标企业正在努力赶超。

Level 2 的技术虽然可以实现全面的驾驶辅助，但是由于对安全性的要求较低，效果很多时候是根据驾驶员的主观感受而决定的，可以说技术门槛也相对较低。目前很多主机厂，都在研发自己的 ADAS 系统，对 Mobileye 进行替换。

Level 3，是在 Level 2 的基础上，增加了更多的传感器，提高安全系数后，能够在部分路况下完全接管汽车的控制的系统。比如说一辆车从市区开到高速公路，在高速公路上可以实现无人驾驶下的定速巡航（Tesla 已经提供这项功能）。但是其问题是，由于适应的路况较为少，而且系统还是要求在发出请求后人类驾驶员必须在六秒钟之内接管，无法实现真正的人类替代。

对于国内目前涌现出来，做低速无人车如机场摆渡车，园区高尔夫车等等的企业，由于行驶速度非常低（10 km/h），安全性的要求也会低很多。一般而言，我们将其技术归类到 Level 2 到 Level 3 。

而 Level 2，Level 3，虽然有着较为可见的应用，他们所需要的技术和 Level 4 以上还是泾渭分明的。也许和很多人想象得不同，并不能实现从 Level 2 向 Level 4 的逐渐升级。Level 4 的主要技术，是要实现在市区环境下的完全无人驾驶—这需要系统具备极高的安全性。而 Level 4 的最大特征，在于给定事先定好的区域，就可以实现“完全无人驾驶”。这样的话，商业上可以实现对人类驾驶员的替代，可以改变传统的生产关系。而 Level 2，Level 3 的技术，最终还是“帮助”人类驾驶员把车开得更好而已。

正因为 Level 4 有着巨大的技术挑战和相应的更广阔的市场空间，目前 Level 4 无人驾驶技术是市场关注的焦点。

2. 无人驾驶行业的现状分析

2.1 车载传感器一览

无人车使用的传感器，大的来说有以下这些类别：激光雷达，摄像头，GPS （包括差分 GPS），IMU （惯性制导），毫米波雷达，超声波雷达等等。

虽然人类可以只通过视觉和听觉就实现驾驶，但是机器人缺乏能够有效识别场景的大脑，需要通过更强的“五感”，来弥补这个缺陷。传感器，可以说是无人驾驶汽车的眼睛和耳朵。

(图19 车载传感器的案例)

2.2 主要传感器之 LiDAR

而现在不同传感器类别中，源自于 DARPA 的激光雷达( LiDAR )，被认为是无人驾驶最重要也是最必不可缺少的传感器。相比起其他传感器，他最大的优势在于对于空间的测量非常精确，可以保证相对高的安全系数。

(图20 传感器的优劣势对比)

(图21 Velodyne 的 64 线，32 线和 16 线 LiDAR )

(图22 LiDAR 眼中的世界)

目前全球的 LiDAR 供应几乎被 Velodyne 垄断。价格昂贵，最便宜的 16 线 7,900 美金，最贵的 64 线 80,000 美金一台。

机械式激光雷达通过高速旋转，能够通过点云形成对周边空间环境的准确感知，各家无人驾驶厂商需要开发自己的点云特征识别技术。

2.3 LiDAR 开发的激烈竞争

目前全球范围内，技术比较成熟的厂商还只有源自 DARPA 的 Velodyne 一家。但是也有数不尽的初创公司诞生，试图挑战 Velodyne 的垄断地位。

而 LiDAR 本身，也有一个最新的技术方向，就是摒弃 Velodyne 的机械旋转设计，用相控阵技术实现固态的激光雷达。固态的激光雷达虽然最高线数只能到达 16 线。但是更易量产，成本也可以做得更低。被普遍认为是激光雷达的究极解决方案。最终的成本，可以降到 100 美金一个，和摄像头相仿。

(图24 Quanergy 开发中的固态 LiDAR )

(图25 Lumina 开发中的固态 LiDAR 的效果图)

(图26 Quanergy 规划中的固态产品和价格)

2.4 只采用摄像头是否靠谱— Deep Learning 的能力边界在哪里

今年由于 DNN（Deep Neural Network），也就是深度学习技术的进步，有很多基于此的新算法诞生。很多学者说仅仅依靠 DNN 技术，就可以实现类似人类的驾驶—只依靠摄像头的视觉信息，实现 Level 4 级别的无人驾驶。

其代表，就是来自于 Princeton 大学 AI 领域的教授肖建雄创立的 Auto X，和来自于斯坦福大学 AI Lab，著名 AI 三驾马车吴恩达太太创立的 Drive.ai。

然而，也许是发现只依靠视觉信息和 DNN 无法实现 Level 4 要求的安全性，加上摄像头单一传感器的局限性，这两家企业目前都已经改变了当初宣称的做法。

AutoX 说他们是“Camera First ”，未来 LiDAR 降价后会加上 LiDAR。而 Drive.ai说他们在使用 DNN 算法来识别 LiDAR 产生的点云—而不是仅仅用在摄像头上。

从我们的角度看来，因为 LiDAR 降价是个必然到来的事情，因为价格高昂而不用LiDAR，降低系统整体的安全性与可靠性，可能得不偿失。

(图27 AutoX 的车，有多个摄像头 )

(图28 AutoX 的车载摄像头阵列 )

(图29 Drive.ai 的车，可以看到六个 16 线 LiDAR 组成的阵列)

(图30 Drive.ai 的 LiDAR 下的识别图像，DNN 适用的对象也延伸到了点云数据)

2.5 Level 4 无人驾驶的新技术体系—多传感器融合和 DNN 算法

Google 开始做无人车是在 2009 年，基于斯坦福参加 DARPA 比赛时候的原型车。由于 2009 年摄像头的算法效果并不好，导致 Google 在今后的开发上，非常依赖LiDAR。不断对 LiDAR 算法遇到的 corner case（例外）进行算法层面的补充，也就是打补丁。而且，为了提高安全性，Google 甚至自己制造了世界上唯一的 128 线LiDAR。也就是说，Google 的技术体系中，高线数 LiDAR 是必不可缺的主传感器。

而近年来，主要有以下三个新的动向。

A. 多颗低线数 LiDAR 对高线数 LiDAR 的模拟和替换

由于高线数 LiDAR 的生产工艺要求极高，Velodyne 和谷歌的产量有限，而且成本非常高，导致使用 LiDAR 的技术方案普及遇到很大的苦难。近年来，有很多初创公司发现通过组合好多颗 16 线的 LiDAR，也能达到不逊于单颗高线数 LiDAR 的效果。

(图31 多颗 LiDAR 阵列对 64 线 LiDAR 的替代案例)

B. 多传感器，尤其是 LiDAR 和摄像头的算法融合

由于近年计算机视觉和深度学习算法的发展，摄像头的图像识别能力相比 2010 年前后有了质的飞跃。在传统使用 LiDAR 为主传感器的 Level 4 无人驾驶，和采用更便宜的摄像头为主传感器的 Level 2 ADAS 方案的基础上，有了将 LiDAR 和摄像头数据进行融合的新尝试。通过 LiDAR 和摄像头这两种传感器的优势互补，可以用更加低性能的传感器，实现更高的安全性。

(图32 摄像头和 LiDAR 数据的深度融合示意图)

C. 对于 LiDAR 点云数据，采用 DNN 算法

Google 的时代，DNN 还没有得到广泛的应用。所以 Google 对于点云的识别，采取的还是类似于 Computer Vision 的算法—提取特征。但是由于最近 DNN 的效果逐渐得到证明，也有一些新的尝试，用 DNN 来做点云数据的学习，并且识别物体。这个效果虽然还有待验证，但是我们相信最终这个方法在数据量大了以后会超越传统的特征识别算法。

(图33 DNN 在 LiDAR 数据中的应用例)

(图34 Nvidia 的 DNN 方案)

2.6 无人驾驶是泡沫吗？

对于无人驾驶普及而言，最关键的因素是性能和价格。

从价格的角度，业内普遍认为最贵的激光雷达，会在今后五年内价格降低到不碍事的程度。

现在问题的关键因素在于，无人驾驶是否能符合大家的预期，在可预见的短期内达到技术的成熟。

近年，谷歌的技术已经达到了 8,000 公里一次人工干预的水平。这个水平对于很多人而言，已经非常接近于实现了 Level 4 。而 Tesla，更是激进的认为仅靠摄像头和超声波雷达，毫米波雷达的方案，就已经能够实现两倍于人的驾驶能力。让我们保守一点，假设连续 100,000 公里一次人工干预是 Level 4 无人驾驶的基础要求。

(图35 技术的发展预测图，黄线是 Google 的方案，红线代表新的技术体系)

根据刚才所述，采用新的技术架构下，我们认为 Level 4 无人驾驶技术，有希望在 2025 年之前的某个时间，达到足够好的安全性。而无人驾驶是否破灭，则要取决于图中虚线所代表的未来的技术进展。

另外，根据 Gartner 著名的 Hype Cycle 来看，无人驾驶已经处于泡沫期的最后阶段。而他们的预测中，无人驾驶的普及需要远大于 10 年的时间。Gartner 对于无人驾驶技术还是抱着相对保守的态度。

(图36 Gartner 著名的 Hype Cycle 图)

最终无人驾驶是否会是一个泡沫，有待于接下来三年内技术的进步来揭开这个谜题。我们团队对无人驾驶技术的未来，充满信心。

3. 中国市场的独特性

3.1 中国道路的技术挑战

目前世界的无人驾驶路测，主要是在硅谷地区。而中国的道路交通情况，相比起硅谷，或者其他发达国家，路况更加复杂。目前主流的无人驾驶算法，都需要解决 corner case 的问题，无论是通过不断更迭算法打补丁的方式，还是通过 DNN，收集数据来解决，都需要实际上接触大量的 corner case，才能够实现。

因此，把硅谷的算法平移到中国，是一定会失败的。比如 Google 在旧金山湾区跑得很完美的无人车，开到德州就问题百出了，更不要说来中国了。

(图37 中美路况的对比)

因此，中国市场急需要针对中国的路况而开发的系统，不在中国进行大规模的路测收集数据，就无法实现在中国本土的 Level 4 无人驾驶落地。

3.2 中国的无人驾驶发展现状

根据工信部推出的《中国制造 2025 》的规划，中国 2020 年，2025 年关于无人驾驶的目标如下：

在《中国制造 2025 》重点领域技术路线图中，智能网联汽车分为 DA、PA、HA、FA 四个级别，其中， PA 指部分自动驾驶，HA 指高度自动驾驶， FA 指完全自主驾驶，驾驶权完全移交给车辆。

2020 年，汽车信息化产品自主份额达 50%，DA、PA 整车自主份额超过 40%，掌握传感器、控制器关键技术，供应能力满足自主规模需求，产品质量达到国际先进水平。启动智慧交通城市建设，自主设施占有率 80% 以上。

2025 年，汽车信息化产品自主份额达 60%，DA、PA、HA 整车自主份额达 50% 以上；自主智能卡车开始大规模出口。制定中国版完全自主驾驶标准，基于多源信息融合、多网融合，利用人工智能、深度挖掘及自动控制技术，配合智能环境和辅助设施实现自主驾驶，可改变出行模式、消除拥堵、提高道路利用率，综合能耗降低 10%，减少排放 20%，减少交通事故数 80%，基本消除交通死亡；FA 智能化装备率 10%，自主系统装备率 40%。

另一方面，国内也有很多企业，高校，开始自主研发 Level 4 无人驾驶系统。典型的比如百度，Volvo，国防科大和上汽等。很多都已经实现了较长距离的高速公路实验，以及封闭区域内的实验。

(图38 中国部分企业，高校，研究所的无人驾驶车路测)

3.3 中国特色的无人车小镇建设

在政府和开发商的推动下，中国各地正在兴起“无人车小镇”建设热潮。典型的比如深圳和福建漳州。

深圳的无人车小镇（摘抄自新闻）：

南方科技大学、密西根大学、前沿产业基金在深圳签订合作协议，宣布联合共建无人驾驶示范基地。该项目总投资规模 100 亿元，将选址在深圳龙岗区或深汕合作区，具体区域还在勘探和规划。

这个示范基地就是无人驾驶小镇。按照前沿产业基金联合创始人王乐京的设想，小镇内汇集智能汽车相关技术研发和创新企业，建造无人驾驶示范运行区，住宅、教育、医院等基础设施。员工步行就能上班，投资机构一天内可以洽谈多家企业。

王乐京想打造的是一个集智能汽车产业相关的「硅谷+Mcity」模式（ Mcity 是密西根大学建设的全球第一个专门用于测试汽车联网和自动驾驶汽车技术潜力的试验场）。按照规划，明年三季度到四季度将有第一批测试车在基地试用。

福建漳州的无人车小镇（摘抄自新闻）：

漳州的 “全球首个城市级无人驾驶汽车社会实验室”，基本上也是这个概念。据说，它还是Mcity在中国的独家合作伙伴，更与密歇根州政府和硅谷库比蒂诺市签署了战略合作协议。

它将落户漳州招商局经济技术开发区（下称“漳州招商局开发区”）。该项目计划构建三个关联递进的试验场景，包括 60 万平方米的封闭测试场、200 万平方米的产业园区实验场（既是产业聚集区，也是新的出行方式的实验区），最后在整个开发区（56平方公里）进行无人驾驶技术规管方式的规模化实验，形成与无人驾驶相关的法律制度、商业保险、技术标准等一系列制度框架。

漳州招商局开发区总面积 56 平方公里，是一个城市级别的物理空间，项目还将配套设立 100 亿产业母基金用于实验室的建设和对入驻企业支持。