自动驾驶，别再谈「接管」色变了

编者按：过去两年里，国内 Robotaxi 的公开运营多点开花，这些 Robotaxi 所搭载的自动驾驶系统也都具备了处理常见场景的能力，比如识别红绿灯、避让行人、变道超车等——在这种背景下，零接管似乎已经成为行业发展的硬通货。

针对这种颇有「唯接管次数论英雄」意味的现象，新智驾与近 10 位业内资深人士交流探讨，基于五个重要角度，梳理出了他们眼中一个优秀自动驾驶系统该有的样子。

有人说，从五年前惊艳众人的 demo 频现到整个行业的务实派作风蔓延，自动驾驶发展的第二波热潮已经到来。

也有人说，从感知规划决策算法的拼杀到 Robotaxi 公开运营的多地开花，今年将是自动驾驶落地至关重要的元年。

尽管这些说法都尚未有定论，但可以看到，眼下几乎所有自动驾驶系统都具有了处理常见场景的能力，比如识别红绿灯、避让行人、变道超车等。

不过，作为外界了解这一行业发展的重要窗口，业界相关报道的关注重心大多还是放在路况、天气、车辆基本配置（激光雷达、摄像头、车型）以及安全员的接管次数等，内容同质化较为严重。

这些信息固然重要，行业的进程也值得欣喜。同时，我们或许也该思考：

行业亲历者和见证者的姿态来看，我们该如何去评判一个自动驾驶系统优秀与否？是不是有更多深层次的内容等待我们去挖掘，而不是唯接管次数论英雄？

在自动驾驶技术走向落地的关键阶段，长尾场景也已成为各个玩家绕不开的话题。目前道路上自动驾驶所遇到的或可能遇到的主航道问题是否已经全部解决？

针对这些问题，新智驾从自动驾驶技术公司、主机厂、Tier 1、用户的角度出发，与近 10 位业内资深人士交流探讨并总结了以下五个维度。

可能无法全面陈列出一个优秀自动驾驶系统应该具备的所有能力和特征，但也足以从中窥见一二。

接管次数越少越好，但要分场景

近两年，面向公众开放的 Robotaxi 运营服务如雨后春笋般在国内多个城市落地，看似遥远的自动驾驶技术开始走近用户的生活，人工接管次数无疑成了影响用户体验最为直观的指标。

目前开放给媒体试乘的自动驾驶车辆都有固定的行驶路线，技术公司基于这些路线已经做了大量测试，而接管的本质就是车辆驾驶控制权从「机器」到「人类」。

在这种语境下，零接管似乎成为了行业硬通货。      

正如 AutoX 相关负责人所指出的，用户试乘情况下仍发生人工接管则说明是大概率事件，而常见交通场景的稳定处理是成熟自动驾驶系统的基本素养。

诚然，接管次数与技术安全性有着紧密的联系，而且只有做到不依赖安全员以及任何形式的人工直接干预，自动驾驶技术才能带来更大的商业价值。

但需要注意的是，人工接管并不能简单与自动驾驶技术不成熟划上等号，接管率也不可当作评价自动驾驶系统优秀与否的唯一标准。

曾作为自动驾驶行业风向标的《自动驾驶脱离报告》，近年开始受到越来越多的争议。这份报告由加州车管局（DMV）发布，试图通过接管次数等指标对各大自动驾驶玩家的实力进行排位。

然而，争议点之一就在于：

"目前媒体试乘体验中所提到的「零接管」更多是指 PR 层面的零接管。"某自动驾驶公司相关负责人告诉新智驾。

如果是非媒体试乘环节（比如研发测试阶段），玩家们可能会更倾向于选择更加复杂的场景去磨炼系统--测试的意义就是找问题，不断找问题解决问题才能推动系统进入稳定迭代期。

福瑞泰克相关负责人则提到了 ODD（Operational Design Domain，设计运行域）场景的重要性：

"由于行业绝大多数人还是在谈 L4 及以下的系统，并不是在空谈 L5，谈零接管就必须要与 ODD场景相结合。"

根据 SAE J3016 标准的定义，即使是 L4 级自动驾驶，在超出 ODD 场景时，人类驾驶员也需要进行接管操作。

因此，在不同场景下，哪怕是同一个自动驾驶系统的接管次数也可能出现巨大差异，脱离场景谈零接管的意义不大。

另一方面，接管次数或许能较大程度反映出系统的可靠性，但评定自动驾驶系统的性能还有其它重要维度，仅靠接管次数无法客观公正地衡量。

长尾场景的处理是关键，但任重道远

长尾场景，已经成为了业内讨论自动驾驶发展现状时绕不开的一个话题。

玩家们通常将其理解为一切突发的、低概率的、不可预知的场景，比如交通信号灯故障的路口、醉驾的车辆等。

包括小马智行在内的多位受访者表示，这些场景处理难度大，是实现自动驾驶乃至于完全无人驾驶必须要解决的关键问题，也是体现一家公司技术水平的重要因素。

不过，目前业内并没有一个量化的、直观的评估体系来帮助行业理解自动驾驶系统的长尾场景处理能力。

从开发者的角度来看，福瑞泰克认为构建这么一个评估体系非常重要，主要可以从两部分切入：

• 第一部分是建立已知典型场景的场景库，这些典型场景库是对现有已知危险场景的高度概括。通过对自动驾驶系统在这些典型场景中的性能评价，能够在一定程度上评估自动驾驶系统的长尾场景处理能力。

• 第二部分是通过大规模的实车道路行驶（可以是路试或者是众包）的场景采集以及仿真和数据回灌等方式，对系统在面临未知危险场景的性能进行评估。

在不断的测试、评估、迭代的循环下，许多原先被认为是长尾场景的情况可以逐渐被解决，变为日常可处理的复杂场景，最终成为系统可轻松处理的普通场景，同时系统的泛化能力也得到增强。

自动驾驶应对漂浮在路中央的气球

有意思的是，在自动驾驶系统走向成熟乃至实现真正完全无人驾驶的过程中，不同玩家对于长尾场景的处理有着不同的思考。

有观点认为，技术解决问题的过程应该是循序渐进的，目前道路上自动驾驶所遇到的主航道问题（包括已知的危险场景）还远远没有全部解决，应该把精力和时间重点放在这一部分。而长尾场景，也就是那些未知的危险场景，还不是现阶段自动驾驶面临的主要问题。

另一种声音则表示，技术方应该同时注重覆盖道路上的主航道问题以及最后 1% 的长尾问题。如果将主航道场景和长尾场景的处理排上先后顺序，很容易从一开始就陷入「错误的假设」中，这样的研发思路可能会在后期遇到瓶颈。

不过，受访者无一例外都提到了虚拟仿真测试对于长尾场景处理的重要性。

为了穷尽自动驾驶系统可能会遇到的各种场景，保证系统的安全可靠，玩家们对于长尾场景的处理任重道远。

合理的系统架构帮助事半功倍

架构，不是一项单纯的技术也不是一类具体的零部件，而是一种顶层设计。

就像是维持一个国家正常运转所需的基本社会制度和发展规划，架构体现的则是一个系统里的实体及其之间的关系。

从宏观角度来说，自动驾驶技术的实现无法跳脱出以下三大核心流程：

• 环境感知定位。包括摄像头和激光雷达等环境感知硬件、卫星定位和惯导定位相关设备、V2X系统）；

• 决策规划。包括基于高精度地图的路径规划、也包括基于交通参与者行为预测以及自动驾驶行为的决策；

• 执行控制。涉及 CAN 数据总线、油门、制动、转向等。

从细节层面来说，玩家们在设计/优化自动驾驶架构时也有很多需要考虑的因素。

• 譬如哪些任务应该由系统自主完成？计算资源如何分配？哪些事情又是被明令禁止的？

• 譬如怎样对传感器、计算平台等硬件设备进行选型以及布局？各类传感器与整车的协同怎么去实现？安全冗余怎么保障？

可见架构对于自动驾驶系统的重要意义。

换言之，优秀的架构足以支撑更好的软件迭代、保证成本、性能、功能等的平衡，强化系统的演进性和拓展性——这也是很多自动驾驶玩家非常重视系统架构的原因。

小马智行相关负责人告诉新智驾，为了能够让车辆能够顺利地完成自动驾驶任务，小马智行已经结合车辆本身，在软硬件各个模块中都加入了冗余设计；同时，基于不同硬件传感器之间的协同，为系统提供时空同步的数据，以便于更安全地车辆控制。

福瑞泰克也在提高自动驾驶系统安全可靠方面做了诸多工作，严格按照功能安全的开发要求和流程进行产品硬件，软件的开发；对系统进行全范围覆盖的单元测试、模块测试和集成测试，保证系统正常运行。

对于自动驾驶系统架构在不同阶段的优化方向，有业内人士也发表了自己的看法：

不过，正可谓术业有专攻，擅长三电体系开放的公司可能会在自动驾驶算法层面感到吃力，而精通算法的公司往往又缺乏专业的汽车开发知识。

站在主机厂的角度，奇瑞相关负责人向新智驾透露：

优秀的自动作业能力让用户舒心

如果说以上三大维度凸显的是自动驾驶系统的硬实力，是保障车辆安全顺利地完成自动驾驶任务的前提。

那么，自动作业能力就是软实力，是差异化服务的重要体现、是提升用户体验的关键。

正在积极布局无人小巴的宇通相关负责人表示，

“自动作业能力可以理解为类似于人类司机的服务能力，比如人类司机不仅开车还需要处理各种情况，比如车内有人摔倒了，系统要进行识别处理。”

奇瑞也持有相似的观点——良好的人机默契合作，用户会有安全的用车心理体验。

用户体验是从「人」出发的、实际应用时产生的主观感受，因此用户的心理安全应该充分被考虑。

除了像老司机一样做到自然舒适的加减速、正确及时的转向等驾驶决策，系统还应该通过信息显示或其他适当的方式进行人机交流互动。

一些友好的、人性化的人机互动，可以降低或消除用户使用自动驾驶功能造成的迷惑、紧张、不安等情绪。

具体来说，还可以从以下几点增进用户体验：

• 帮助用户理解系统在做什么，比如交互界面上的信息显示，或是车内语音播报；

• 以平易近人的语言来与用户进行交互，而不是机械晦涩的语言；

• 满足用户的个性化需求，比如听音乐、看视频等；

• 支持在用户帮助下自我改进，留有用户反馈的通道。

总之，自动驾驶发展的实质，到最后都会是安全地完成从 A 点到 B 点的运输任务，从车辆起步、到自动驾驶、到停车，整个过程是固化的。

在可预见的未来里，系统的自动化作业能力会越来越重要。

产线管理、远程兜底、成本把控等细节

当然，仅仅只是实现完美的自动驾驶效果、带来愉悦的用户体验，这还不够。

想要让自动驾驶系统成为一个真正接地气的、大规模应用的产品，玩家们还要面临许多看似细枝末节但又举足轻重的问题。

比如，在大规模生产环节，如何更清晰地掌握硬件的损耗状态，以至于在正常运行时不会发生故障？

与此同时，在自动驾驶车辆发生极端安全事故之际，如何做好远程应急措施？

另外，降本一直是横亘在各大自动驾驶玩家面前的大山。

百度日前已携手极狐共同发布了一款共享无人车--Apollo Moon。

据称成本低至 48 万，仅为业内 L4 级自动驾驶量产车型平均成本的三分之一，是首款下探至普通量产乘用车价格区间的 Robotaxi 车型。

自动驾驶系统开发费用高、零部件成本高，对于其他玩家来说，如何增强自身的供应链整合能力，在不影响系统性能的前提下优化成本？

这些问题的都可能影响到自动驾驶系统快速规模化部署的进度。

总  结

自动驾驶技术开始与越来越多的乘客发生紧密勾连，同时给未来出行带来了无限的想象空间。

回到最初的问题：

由于众多的不确定性因素，这个问题可能永远不会出现唯一的高下立判的标准，但有一点可以得出——从比拼技术背景、算法能力逐步向比拼产品定义、工程速度会是未来主旋律。

或许，市场很快就会给我们最终的答案。