从谷歌开始，自动驾驶的发展被推上了世界的舞台

自动驾驶已经有65年的历史, 1948年称之为现代巡航的发明，开始尝试控制车辆，可以称之为第一个自动驾驶。

1980-1995年期间，在欧洲、美国大学，甚至戴姆勒，做了非常多自动驾驶的贡献，同现在的自动驾驶车一样，他们也组建车队，或跨越欧洲，或穿越美国。那时的传感器体积大，车辆造价昂贵，完成的挑战和任务同今天的很像，只不过人为干涉比现在多一点。

这次大的变化发生之后，有很多ADAS系统开始慢慢出现在市场上。2000年之后，美国军方挑战赛，智能驾驶能做的更多，从谷歌开始，自动驾驶的发展被推上了世界的舞台。

国内自动驾驶从2014年开始起步，无数创业公司涉足这个领域。在谷歌等互联网企业的冲击之下，造势者纷纷提出自己的目标，第一个有限的自动驾驶出现在2020年，全自动驾驶在2030年即将到来。

这些目标能实现吗？ 

行业共识形成

在2015年的时候，谷歌和传统的OEM差异在于，前者直接从L4级的自动驾驶开始研发，并认为这样的自动驾驶才是能落地的形态，而后者则是从L0、L1开始，认为在无人驾驶真正实现之前，低等级的自动驾驶无法跨越。

特斯拉、Uber、奥迪、凯迪拉克在量产的自动驾驶中，走的最快，但发生的事故给业界带来了不小的震动。不同等级的自动驾驶商业化落地预期，也在悄无声息的延后。

欧菲智能车联驾驶事业部算法及自动驾驶总监段勃勃认为，从技术实现和商业化难易程度来看，商用车比乘用车容易。

商用车的自动驾驶，无论是智能车队，还是限定园区下的运行，体现的特点是：任务复杂度还是L4，只是场景复杂度进行了区分和限制，比如说矿区、港口、园区、封闭高速路等等。

乘用车自动驾驶的着力点主要在L2到L3之间，整个任务复杂度、场景和功能是被限定的。随着这个度的逐渐开放，车辆能提供的服务也越来越丰富，越能满足消费者的期待。

而对于乘用车L4，业内普遍有了共识，技术实现、大规模商业化会稍微远一点，当下人们更关注的是功能、产品的落地能力，商用车的限定条件下的L4自动驾驶，和乘用车的L3及以下的辅助驾驶成为热点。追本溯源，还是因为落地必须技术、商业、法律都满足之后才行。

OEM积累核心竞争力

段勃勃表示，面对这样的形势，传统的OEM会联合Tier1完成一个功能的开发，Tier1要把IP供应商、工程服务、GPU集成在一起，承担非常多的任务。这个阶段，OEM的压力稍微小一点，但OEM也有自己的焦虑。

当互联网造车势力涌现，同传统OEM一样可以采购Tier1的零部件，实现类似的功能、汽车，二者的差异化在哪里？

真正的核心技术掌握在Tier1手中，差异化很难体现，同质化的竞争非常多。因此现在趋势是OEM开始加大研发投入，它要逐渐充当主动的角色，特斯拉、沃尔沃、通用都在尝试做这样一件事情。

现在OEM也承担自动驾驶的开发集成，而且它会有专利的创新。过去可以找到供应商把功能完整copy，现在很难，OEM有自己的软件、集成、专利，在未来会发生的更加明显。

OEM为了发展，也在积累架构能力、软件能力，算法能力的核心技术。比如多域控制器，将会把所有的传感器集成在一起，完成任务和功能。

在段勃勃看来，供应商给OEM提供零部件，OEM做集成控制，供应商就是供应商，真正做控制的可能以软件的模式来实现。OEM的需求在变，相应的产业链也在发生变化。

未来OEM和供应商的关系，可能会是一对多的关系，一个OEM会直接对应IP Tier1、控制器的Tier1，供应链关系更加扁平。Tier1与Tier1之间，将会出现更多密切的合作，这也在给Tier1提出新的挺挑战。

OEM和供应商之间是灵活合作的模式，不同的OEM拥有的能力不同，软硬件实力不同，需要供应商提供的服务也就不同，供应商工程服务的能力要提升。只有这样，在整个开发的周期被压缩短后，配合OEM交付才能顺畅。原来找供应商难，未来更难。 

段勃勃表示，现在OEM开发一款车的周期也正在变短，以前先成熟后上市，现在可以先发布，再OTA升级，这样的案例以后越来越普遍，因为这是竞争、发展变化的需要。

2015年欧菲智能车联开始投入智能驾驶的领域，专注于环视系统来做ADAS及无人驾驶技术。

目前，公司环视摄像头已经实现低成本，高收益。技术上目前在国内已经实现L2等级的自动驾驶，接近L3的落地，2019年会有一些L2、L3功能的量产。

2016年9月摄像头产品上市，2017年9月，360度环视系统上市，在2018年6月第一款高清环视上市，第一款AI泊车系统将于2019年Q1完成上市。还有融合方案的全自动泊车，能够适应多场景，于Q4能够达到量产，已经拿到国内非常重要的两家主机厂的项目。

成立三年多，欧菲智能车联积累了十个OEM客户，约40个工程定点，完成十几个SOP的项目。

技术的挑战

在段勃勃看来，随着产业链的成熟，技术的升级，曾经越来越多的不可能正在变为现实。

以低光照下地下停车场的泊车系统为例，光照在20lux左右，通过特殊选型的sensor可以做到L5，以及高精度的相机模组，在可控范围内就可以完成泊车。

深度学习的重要性会越来越大，其算力也会同步摄像头的发展而升高。对于深度学习，目前的挑战在于单位算力下的功耗降低，面对不同数据模型，计算模型的适配性。

比如，针对不同的目的，数据来源不同，数量也不同，与之匹配的数据筛选、处理也千差万别，而后端数据采集、标注的能力还未跟上。以及，为了适应车内的工作环境，稳定性、可靠性都还有待验证。

此外，自动驾驶的功能测试，需要通过仿真测试来进行大量的验证、控制、检测， 数据库来源于真实数据的采集，工作量很庞大。