L4自動駕駛因何難落地

黃耀鵬

最近，馭勢科技CEO吳甘沙在某論壇上炮轟L4自動駕駛的商用化項目。他認為，至少在幾年內，開放道路上的L4級白動駕駛商用化，是不可能實現的。所有以L4為“哏”的商業活動，基本都是忽悠。

鳳凰城是避重就輕的選擇

不管從哪個角度衡量，目前自動駕駛的行業領先者仍是谷歌旗下的Wavmo。今年早些時候，該公司宣布年內將開始運營無人駕駛出租車（車上也不配備技術人員），地點將在亞利桑那州鳳凰城，屆時可以透過谷歌的APP叫車。Wavmo的CEO克拉夫西克表示，接人等技術問題已經解決。他承認鳳凰城天氣不錯，但否認因這里缺乏挑戰性而被選擇。

但是，鳳凰城全年大部分時間處于晴朗，干旱少雨，也沒有自動駕駛最害怕的暴雪天氣。這里街道整齊、居民很少。雖然Waymo否認有“電子圍欄”，出租車主要運營于這樣的地方，無疑削弱了全球第一個無人駕駛商用化項目的說服力。

吳甘沙抓住這一點。他放出圖片來比較鳳凰城和北京、重慶等人口大市。前者人少車少，一馬平川，而中國大城市永遠熙熙攘攘，路況極為復雜。他舉出北京的五道口和重慶的黃角樹立交橋，有100多個出口入口。

更為關鍵的是，很多交通參與者都不遵守交通規則，這一點讓外國駕駛員視為畏途，而白動駕駛則可能無所適從。

優步自動駕駛車隊在鳳凰城路試的時候，就發現一個問題。如果將自動駕駛系統的識別標準調至“敏感”級別，乘客體驗就相當糟糕。車不是開得速度偏低，就是一驚一乍，惡化了整條道路的交通狀況。優步測試員調降了系統敏感度，結果在鳳凰城附近的坦帕市出了事，車上安裝的多種傳感器都識別出行人，但系統選擇將其忽略，導致一名行人罹難。

在吳甘沙看來，簡單路況都錯漏不斷，復雜路況就可想而知了。沒有到中國路試過的L4技術，都不具備商業價值。為什么中國成為“L4試金石”？不單純因為中國的交通狀況復雜，比中國交通參與者更加大膽、甚至無法無天的“馬路天使”廣泛存在于發展中國家。大城市街頭交通的混亂程度固然跟人口和交通基礎設施、治理情況有關，更跟經濟發展水平、人群平均受教育程度正相關。

中國是全球最大的汽車市場，至尊地位將保持很多年，自然也是最具商業價值的大市場。它的交通使用情況千差萬別，可以提供世界上幾乎所有能想象到的交通測試環境。從比發達國家更先進、更新的硬件基礎，到邊遠地區年久失修、缺乏維護的交通設施，應有盡有。不到中國測試就無法說服消費者。

恐怖的路試標準

目前任何一個公司的實測數據都是很不完備的。Wavmo實測里程多達600萬英里，是目前最多的，但遠遠不夠。美國的人類駕駛員每16.5萬英里才出一次普通事故，9000萬英里才出一次致命事故，所以白動駕駛要證明比人類熟練駕駛員更強大，必須要有高出一個數量級一即10億英里無致命事故的數據，才能證明測試具備足夠的置信度。但單獨的公司很難拿到如此之多的數據，即便資金充裕的谷歌也無法勝任。

而且有跡象表明，Wavmo的測試技術水準提升陷入了某種瓶頸。2016-2017一年內，備用駕駛員每5000英里的干預次數只下降了10%。

而且，正如吳甘沙所言，這不單是里程的問題。Wavmo的測試缺乏“激勵”。100英里的平穩駕駛，也不如1英里的極端路況（擁擠、搶道），對系統的訓練有效。

因此，Wavmo的實測里程含金量，還要再打個折扣。

如果拿不出更好的辦法，L4自動駕駛商用化，更像是登月工程一—人類有能力組織實施，但代價太過高昂又缺乏直接匯報。比登月更糟糕的是，白動駕駛項目無法指望政府組織國家力量參與（不只是投資問題）。而各個創業公司的投資既分散又弱小，還要加上“吹水”和各種不靠譜。

有激進的說法認為，目前有多少聲稱“L4商業化項目”，就有多少騙子。

聊勝于無的解決辦法

L4落地有兩個前提：一個是開放道路，一個是商業化。前者意味著不能預設路況參數，后者則意味著可靠性和經濟性達到推廣標準。

如果都采用實打實的路測數據，單獨公司很可能永遠無法達到“比人類安全10倍”的要求。

解決方法也是有的，Wavmo建立了虛擬城市，和封閉路況相結合，形成“半實物仿真。虛擬城市中可以設置復雜路況，模擬充分復雜的環境。如果算力充足，可以一天就能在模擬器里面跑100萬英里。問題在于，虛擬訓練的里程，與實際路試的“折合”關系如何？誰都無法給出確切答案。也就是無法證實虛擬測試的有效性。

還有吳甘沙鼓吹的“影子駕駛”。這個提法不新鮮，特斯拉就聲稱采用這種辦法。簡單而言，就是在有人駕駛的工況下，控制器同時運行一套白動駕駛算法，只進行虛擬決策，但不參與實際控制。數據則自動上傳主機廠商的云端服務器。讓所有賣出去的產品免費充當測試車，如果未獲得充分授權，此舉有侵犯客戶的隱私權、知情權和物權的嫌疑。

虛擬測試和影子測試無法取代實測。

技術與愿望的距離

根據Wavmo的自動駕駛報告，無人車需要解決以下幾個問題：

我在哪？

我周圍有什么？

接下來要發生什么？

我該怎么辦？

前兩個問題目前得到切實解決。位置依靠衛星定位模塊和高精度地圖匹配獲知，而周圍環境，則可以通過多傳感器識別。事實上，各個公司的傳感器均置于冗余狀態。

而第三個問題則代表考驗來了。預測下一秒、未來10秒、未來60秒將要發生什么，需要AI比現在更有效。人類閱讀路況的能力，AI尚未取代。而工程師們可調整AI的參數，但其決策過程是黑箱，這加重了公眾的疑慮。他們擔心將自己的生命交給無法預測、不可觀察的AI來控制。

第四個問題則耗費了自動駕駛工程師們大部分的精力。與預測緊密相關的是決策執行能力。一個是近景規劃，決定下一個駕駛動作;另一個是遠景規劃，根據路況情報和需求，規劃更有效率的路線。而現在的手機軟件似乎能做規劃，但經常讓使用者感到失望，原因是未能預估路況的變化速度和算法太過理想化。

Wavmo吹噓稱，Waymo的測試車，不但讓自身處于安全狀態，還能保留空間給周圍的交通參與者。并借助路測經驗對駕駛模式進行改進，使得行駛過程更加順暢，令車內乘客更加舒適，讓其他道路用戶可以預測無人車的動向。

但對于至關重要的舒適與辨識銳度的矛盾，Wavmo并沒有工程化的解決方案。

目前聲稱“L4自動駕駛”的，都在封閉區域。而將電子圍欄擴張到城市的某個特定區域，5年內可以做到。Wavmo目前的技術手段已經做到，只不過未能說服“中國路況特殊化”的持論者們。而大規模的商用化，悲觀者可能認為在2030年以后的某個時段。這和創業公司鼓噪的聲音構成沖突。

不過，幾年內L4級自動駕駛無法落地，是有共識的。急不可耐地試圖該項目中攫取商業價值的公司，很可能無法兌現承諾。