无人驾驶还有多远面对“某城市大动作”新闻这次把技术账算清楚这两天不少朋友转发了一条消息某个长三角试点城市放出了一个“大动作”把无人驾驶的运营区域又扩大了一大截车内安全员也开始逐步撤掉。说实在的我比谁都关注这事儿——我做过一段时间智能驾驶相关的测试和系统分析工作朋友圈里一半人问我“是不是马上就能买车让它自己开回家了”另一半人问我“听说这东西撞了人算车企的是真的吗”。两个问题我都没法一句话回答。不是因为问题难而是因为“无人驾驶”这四个字背后叠了太多层概念有技术层面的感知决策有工程层面的测试验证有商业层面的运营成本还有法律层面的责任归属。大众对它的理解往往被新闻标题压缩成“能开还是不能开”但真实的技术进展情况要比一个二元的答案复杂得多也有趣得多。这篇文章我不打算预测某个具体的“落地时间表”那是算命不是分析。我想做的是把无人驾驶从“眼睛”到“大脑”到“考试过关”到“商业运营”的完整链路拆开来讲清楚。看完之后你再刷到类似的新闻自己就能判断这条消息的“含金量”到底有多高也就知道“还有多远”这个问题该怎么问、问谁。1. 先搞清楚“无人驾驶”说的是哪个阶段1.1 从L0到L5多数人以为的“无人”在L4汽车工程界对自动驾驶有一套通用的分级标准从L0到L5数字越大系统承担的责任越重。很多人刷新闻时把“辅助驾驶”“自动驾驶”“无人驾驶”混为一谈导致看到一个“大动作”就以为明天就能上车睡觉。实际上这套分级体系的本质是人和系统到底谁来负责什么以及在什么条件下负责。L0到L2属于辅助驾驶范畴——系统能帮你在车道里居中画龙能跟着前车加减速能在你打瞌睡时提醒你但驾驶员依然是那个“随时准备接管”的人。L2的核心是“人盯着”系统只能做部分横向或纵向控制出了事还是驾驶员的责任。目前绝大多数量产车上的自适应巡航、车道保持、自动泊车顶破天算L2。L3是个分水岭系统在特定条件下可以接管全部驾驶任务驾驶员可以暂时不看路但必须“随叫随到”系统一旦提示接管你得在几秒内把手放回方向盘。这个级别的麻烦在于责任切换——系统开着的时候撞了算谁的所以很多车厂宁愿跳过L3直接往L4冲。L4才是普通人理解的“无人驾驶”在限定区域、限定条件比如晴天、白天、固定路线下系统全权负责车内可以没有驾驶员甚至没有方向盘。我们现在看到的那些Robotaxi试点、无人配送车基本都是限定区域的L4。L5则是全场景、任何路况、任何天气都能跑的完全无人驾驶目前全球范围内依然是个远期目标。1.2 两个被说滥的词辅助驾驶与自动驾驶差别不在名字而在责任我常跟人讲一个判断方法别看广告里的宣传话术看事故后谁担责。如果出了事故第一时间是驾驶员的责任那不管厂商怎么吹“自动驾驶”它本质上就是辅助驾驶。如果是车辆系统责任、企业承担赔偿那才是真的往无人驾驶靠拢的东西。这个标准比任何技术指标都更有说服力。现阶段消费者买到手的量产车哪怕宣传说“L2.9”“接近L3”本质上都还是辅助驾驶——系统可以帮你开但眼睛和注意力必须留在路上。而新闻里那些真正允许“无人”上路的测试运营车辆背后往往都有一整套企业责任兜底机制这也是为什么这类项目只能以试点形式小范围推进没办法像手机APP一样一夜铺开。1.3 判断“还有多远”的时间标尺所以“无人驾驶还有多远”这个问题正确的打开方式不是问“哪一年能全面普及”而是拆成三个小问题辅助驾驶已经走进千家万户了吗——是而且很成熟L2级辅助在十万级车上已经普及。L4级无人驾驶已经在特定区域跑起来了吗——是国内多个试点城市都有常态化运营只是区域有限。L4级什么时候能扩展到绝大多数城市、绝大多数道路——这才是真正“还有多远”的部分。这三层答案如果非要用一个粗略的时间尺度来描述我的判断是L2早已是标配限定区域的L4在未来三年内会从“尝鲜”变成“部分城市通勤选项”L4在普通城市主干道、复杂城区的常态化推广至少还需要五到七年。这不是技术悲观而是下一章要讲的“感知、预测、决策”这套链条里还有很多工程细节没有完全打磨到可以让系统“全天候、全区域”放手的地步。2. 感知系统无人驾驶的“眼睛”在吃什么数据2.1 三大传感器各自擅长什么无人驾驶车辆一般会搭载激光雷达、毫米波雷达和摄像头往往还带一套GPS/惯导组合。这三类传感器干的事完全不同有点像人的眼睛、耳朵和前庭系统加起来才能让身体稳定行走。摄像头是唯一能“看懂”物体的传感器。它能分辨红绿灯颜色、读懂车道线、认出路牌文字、区分行人和自行车。但摄像头的短板也很明显受光照影响大夜晚或者逆光时识别能力骤降而且单目摄像头测距本质是“猜”需要通过目标在地面的位置和已知高度估算距离误差比主动传感器大。激光雷达靠发射激光束并测量反射回来的时间来计算距离能生成高精度3D点云图。它不依赖光照夜里也能“看见”物体轮廓。缺点是分辨率比摄像头低认不出红绿灯是红还是绿至少在纯点云里很难而且早年价格贵得吓人——早期一颗机械激光雷达好几万这直接决定了无人驾驶出租车早期的整车成本。毫米波雷达则是在雨雾天气里最“稳”的一个它发射毫米波利用多普勒效应能直接测出目标相对速度很适合做碰撞预警和自适应巡航的底层感知。但它的角度分辨率低常常把一个静止的大货车和路边的护栏分不太清所以在“精细识别”这件事上靠不住。2.2 纯视觉与多传感器融合技术路线的取舍行业内围绕“要不要用激光雷达”打过很长一段时间口水仗。走纯视觉路线的厂商认为人类开车只用眼睛就能完成摄像头方案理论上也能做到而且摄像头成本低、数据丰富更利于大规模量产。走多传感器融合路线的厂商则主张L4级无人驾驶要求的是系统冗余和安全兜底激光雷达的测距精度和不受光照影响的特点是纯视觉方案在极端场景下不可替代的“保险丝”。我之前的判断是两种路线在辅助驾驶领域可以并存但在L4级无人驾驶领域纯视觉方案的日子会比较难过。原因很朴素L4的传感器组合是安全冗余的一部分。如果某一个传感器失效了剩下的系统还能不能把车安全停在路边多传感器融合天然提供了这种“失效降级”的能力。当摄像头被远光灯晃瞎、毫米波雷达又无法分辨静止物体时激光雷达能提供一个独立于视觉的“第二意见”。当然多传感器融合的代价是算法复杂度直线上升。不同传感器各自输出一套“世界模型”有冲突时该信谁前车明明在摄像头里向左变道可激光雷达显示它还在原车道——这种不一致需要一套精巧的融合策略来处理不是简单加权平均就能搞定的。2.3 感知最难的不是“看得见”而是“看得懂”感知模块真正的难点不在“把物体检测出来”而在于“正确理解这个物体的意图和属性”。举个例子路上一个塑料袋飘过来检测算法会把它框出来但它既不是车也不是人暂时不会对行驶构成威胁系统能不能把它忽略掉、不产生误刹车反过来路面上一个很小的石子激光雷达能测到它但系统的目标分类器该不该把它当作障碍物做紧急制动高速行驶中一个急刹车带来的追尾风险可能比直接碾过去更大。这种“理解”依赖的是背后庞大的训练数据集和场景库。一个成熟的感知算法需要见过海量的“奇奇怪怪”的东西——掉落的轮胎、施工路障、快递三轮、校车伸出的停车牌、交警的手势。其中交警手势是很多团队非常头疼的部分因为交警的意图是动态变化且不完全符合红绿灯规则的系统要能从动作序列里推断出“现在让我停还是让我走”。处理不好这些边缘情况自动驾驶的车在路上就会表现得像个刚拿驾照的新手——要么畏手畏脚频繁急刹要么莽莽撞撞忽略关键信息。3. 真正决定“像不像老司机”的是预测与决策3.1 预测每个交通参与者接下来要干嘛感知系统解决了“现在在哪、是什么”的问题但无人驾驶要安全行驶还必须回答“接下来会发生什么”。这就是预测模块的活。它要去预测周围每辆车、每个行人未来几秒内的轨迹和意图。预测行人这个动作在学术上叫做意图预测。一个站在路边的行人可能下一秒突然起步过马路也可能一直站着不动。系统要给每种可能分配一个概率并根据这些概率去规划自己的应对策略。这里就出现了一个关键权衡如果系统对每种可能都做最保守的应对比如行人稍微挪动一下就往死里踩刹车那车永远都在被后面的车辆按喇叭坐车体验极其糟糕可如果系统太大胆又可能错过真正的危险时机。更复杂的是交互博弈。十字路口左转车辆和对向直行车辆同时在逼近谁该让谁人类司机的做法是进行一个微妙的“试探性博弈”我稍微往前挪一点观察对方是否减速对方如果减速我继续走如果对方加速我就让。无人驾驶系统要复现这种社会性驾驶行为难度远大于单纯的物理轨迹预测。目前业界主流做法是学习人类驾驶数据用神经网络模型预测多智能体之间的交互结果但这类模型有个共同毛病遇到训练数据里没见过的“社会场景”时行为会变得很怪。3.2 决策与规划从“要不要让”到“怎么让”预测完别人要干嘛就到了决策规划模块系统要决定自己怎么动。这个模块通常分成两层上层是做行为决策比如“这辆车想加塞我现在让不让”“前车太慢我要不要变道超车”下层是做运动规划要把行为决策转换成一条平滑的、物理上可执行的轨迹包含每一时刻的位置、速度、曲率。运动规划里面比较经典的技术是Frenet坐标系下的轨迹规划。简单说Frenet坐标系让车辆的规划问题分成了“沿着道路方向走多远”和“偏离道路中线多少”两个独立维度然后在这两个维度上分别生成候选曲线再找出兼顾安全、舒适、效率的折中轨迹。规划完成之后还有一层控制模块负责让车辆的实际方向盘转角、加减速度精确地跟上规划轨迹。控制上用得比较多的是PID和MPC模型预测控制其中MPC还能把未来一段时间的轨迹约束一并加进来在“追求精确”和“避免违反约束”之间做动态权衡。3.3 为什么长尾场景让测试工程师头秃预测和决策模块最让开发团队头疼的是无穷无尽的长尾场景。什么是长尾场景就是那些发生概率很低、但一旦发生就非常致命的边缘情况。举几个我实际接触过的例子。某个测试项目的车辆在一条老城区路段遇到过一个场景一位外卖骑手为了避开路边停靠的出租车逆行冲进了本车道紧接着又从激光雷达视野边缘“唰”一下切走。车辆如果只按正常轨迹预测会发现这个目标超出了所有常规模型——他既像行人又有车辆速度还在逆行。系统当时选择了减速让行但刹车的力度明显比人类司机要大车内体验相当突兀。另一个经典难题是“鬼探头”。行人从路边停着的两辆车之间窜出来系统必须在极短时间内作出反应。这时候感知、预测、决策全链路都要在几百毫秒内完成任何一个环节多花50毫秒结果都可能完全不同。为了应对这类场景团队的做法是构建一个巨大的场景库把真实路采数据里的“危险片段”抽出来在仿真环境里反复回放测试。但即使这样你依然无法穷尽现实世界的组合——天气、光照、路面材质、周边车辆遮挡关系、行人的穿着颜色每多一个变量问题的维度就爆炸一次。这也是为什么无人驾驶商业化落地比大多数人想象中要慢的核心原因它不是一个“识别准不准”的问题而是一个“在无限多意外面前如何保证系统不犯致命错误”的问题。4. 一个无人驾驶系统怎么才算“毕业”测试、安全与冗余4.1 仿真测试、封闭场地与公开道路的层层递进网上经常有人晒无人驾驶测试车路跑的里程数好像只要跑得够远就说明够安全。真实情况远没那么简单。一个成熟的无人驾驶系统上线前要经历三层测试层层递进缺一不可。第一层是仿真测试。把真实路面场景数字化在软件里模拟出各种天气、交通流、突发事件让算法在虚拟环境里跑几百万公里。仿真最大的优势是能安全地重现危险场景——比如高速上前车突然急刹、隧道里突然停电、施工区突然变道——这些在真实道路上没法故意制造但在仿真里想造多少造多少。很多团队会故意让虚拟车辆“犯错误”通过失败案例分析算法漏洞。第二层是封闭场地测试。在一片围起来的测试场里摆上假人、假车、水马、闸杆验证真实传感器在物理世界的反应。这一步非常重要因为传感器在仿真里被建模得太理想化了真实激光雷达会被灰尘污染真实摄像头会被连续多日的阴雨影响这些“脏数据”只有物理实车才能暴露问题。封闭场地里还有一个项目是“故障注入测试”人为切断某个传感器的信号、制造网络延迟看系统能否在降级状态下安全靠边停车。第三层才是公开道路测试。只有前两层跑得足够稳车辆才会带着安全员进入真实路面逐步累积真实的运营里程。公开道路测试的价值不在于“跑得多”本身而在于采集真实的长尾场景——这些数据会被标注之后回灌进仿真场景库形成一个“路测—发现—仿真复现—修复—再路测”的闭环。4.2 安全员与远程接管技术之外的兜底公开道路测试阶段的车辆副驾或后排往往坐着安全员。安全员的任务不是“开车”而是“监督”——盯着屏幕上的系统运行状态一旦发现异常就在规定时间内接管车辆。很多新闻里说的“去安全员”其实指的是“车内安全员”变成“远程安全员”。车辆通过5G网络连接到远程接管中心一旦车辆自动驾驶系统遇到搞不定的情况远程安全员可以接管操作。听上去很科幻但它对通讯链路的可靠性要求极高——网络延迟、断连、信号遮挡都会让远程接管变成空谈。所以很多试点城市在推进时对通信基础设施的依赖不亚于对车辆本身的依赖。技术之外的兜底还有一个关键环节就是事件回放机制。每辆无人驾驶车都像飞机黑匣子一样记录所有传感器的原始数据和系统决策日志。一旦发生事故或危险事件工程师可以精确回放当时的感知状态和决策过程定位是感知漏检、预测错误还是规划不当。这个机制不是单纯追责用的它更是整个系统快速进步的“养料”。4.3 接管率、安全里程这些指标该怎么读评估无人驾驶系统的成熟度行业内常用几个指标。一个是“平均接管里程”MPI即系统每跑多少公里需要人工接管一次。数值越大越好但要注意条件接管频率在不同城市、不同天气、不同路况下差异巨大不能只看单一数字。另一个指标是“碰撞事故率”但要分清谁撞谁。无人驾驶车被追尾往往不是车辆算法的问题而是它开得太保守后车没反应过来。这类事故在早期的Robotaxi运营里非常常见甚至成了很多城市试点初期的固定“新闻素材”。所以读新闻时看到“无人驾驶又出事故”先别急着否定技术要看事故责任判定和事故类型。还有一个容易被忽略的是“系统可用率”——车辆一天里有多少比例的时间能正常启动自动驾驶而不是因为天气、场地、软件故障而让乘客干等。可用率低于某个阈值像“雨天停运”“隧道停运”这样的限制决定了它离“好用”到底还有多远。5. 从测试车到乘客端当前落地形态与体验边界5.1 已经跑起来的几种形态目前国内道路上能实际体验到的无人驾驶主要集中在三种形态。第一种是Robotaxi无人驾驶出租车。这是在限定区域内通过手机打一辆车内可能没有安全员的出租车。我实际体验过的某次行程里车辆全程自己完成转弯、等红绿灯、避让路边违停车但遇到一个较窄的环岛时会稍微犹豫一下等后车鸣笛才缓缓起步。整体来说它在“封闭园区、固定路线、车流不复杂”的场景里体验已经不输新手司机一旦进入复杂的混合交通决策会变得明显保守。第二种是无人配送和小型物流车。这类车速度低、路线固定、遇到问题可以停车等远程协助落地难度比载人低很多。很多高校校园、居民社区、保税园区里已经能看到它们的身影。它们的意义在于验证“无人驾驶在真实物流场景里的经济性”——能不能替代人力骑手完成最后一公里的配送。第三种是量产车上的高阶智能驾驶比如城市NOA导航辅助驾驶。它不算L4但搭载量最大用户感知最强。城市NOA允许车辆在普通城市道路不是高速上按导航自己开自己变道、自己过红绿灯但驾驶员必须全程盯着脱手时间超过一定阈值系统就会报警。这一层体验的优化速度非常快因为它的真实用户基数大数据回流快算法迭代几乎以周为单位推进。5.2 体验上的“可用”和“好用”差距在哪从“技术能跑”到“乘客愿意掏钱坐”中间差了不止一个数量级的工作。我用“可用”和“好用”来区分这两个阶段。“可用”意味着系统能保证安全不会在简单场景里犯低级错误。但它在很多细节上还不够好比如刹车不够平滑、变道时机太保守、遇到小路口会犹豫。坐过而且习惯人类司机开车的人往往在前五分钟就会给差评因为身体的预期和车辆的实际动作不匹配会产生晕车感。“好用”则要求车辆在保证安全的同时在“效率”和“舒适”上达到老司机水平。这背后不只是算法问题还涉及学习人类驾驶风格、感知上下文的能力。比如同样一个加塞场景经验丰富的人类驾驶员可能会选择轻点油门紧贴前车、不给对方空间无人驾驶车辆出于安全第一的约束大概率会踩刹车让行。安全是安全了但乘客会用“这车怎么这么怂”来评价它。如何在不牺牲安全的前提下让行驶策略更接近人类是目前体验优化的核心矛盾。5.3 成本、盈利与商业模式的三重压力很多人以为无人驾驶只要技术到位就能大规模铺开显然低估了商业化的难度。一辆L4级无人驾驶车的硬件成本哪怕激光雷达已经大幅降价整车综合成本依然是普通家用车的两三倍以上。加上传感器的标定、维护、清洁激光雷达和摄像头脏了会影响性能运营方得安排清洗运营成本并不像想象中那么低。盈利模式上Robotaxi要跟传统出租车拼价格、拼服务同时还面临“白天订单少、晚上订单多但车不够用”的潮汐问题。就算技术上能做到全天候全区域车队规模需要多大、充电/维护网络怎么布置、保险怎么定价都是需要长期探索的问题。这也是为什么目前多数运营项目背后都有地方产业扶持在推动——它不仅仅是技术试验更是在验证一套全新的交通服务商业模式是否跑得通。6. 下次再看到“某城市大动作”用这套框架去判断含金量6.1 看新闻里藏着哪四个关键信息以后再刷到类似“某城市无人驾驶大动作”的新闻我从实操角度建议你用四个标准快速过滤一遍判断这条消息的成色。一看范围新闻里说的“覆盖XX平方公里”“开放XX条道路”到底有多大这个数字要放在整个城市面积里看。如果只是几个园区和十几条固定道路那更像是特定场景的示范如果覆盖了城市核心区的大片主干道那才有接近“日常可用”的苗头。二看条件车辆是在所有天气、所有时段都能跑还是限制了白天、晴天、固定路线很多新闻会把“晴天白天固定路线”包装成“区域全覆盖”。不用怀疑限制条件越少技术含金量越高。三看安全保障车内是不是还有安全员是远程接管还是无人值守远程接管的覆盖密度和响应时间是多大的这些信息的披露情况能直接说明项目是商业化运营阶段还是仍属于测试探索阶段。四看运营规模是几台试点车还是几十上百台规模的车队单车的“高光表现”说明不了问题车队的规模化稳定运营才算真正跨过了工程化门槛。6.2 对普通人的两个具体建议第一现阶段购买量产车时别被“自动驾驶”的宣传话术带偏。买之前问清楚它是不是L2级辅助驾驶是不是必须时刻关注路面。搞清楚这个定位之后你再用它心态就完全不一样了——辅助驾驶该用还是用长途高速上确实能大幅降低疲劳感但千万别把它当成“能睡觉的司机”。第二如果所在城市已经开通了无人驾驶体验线路建议去坐一次。不是因为它多完美而是因为亲身体验能帮你建立对这套系统的直观认知你会知道它在什么场景下流畅、什么场景下犹豫、什么场景下需要人工接管。这种一手体感比看一百篇分析更有利于你去判断“还有多远”。我个人的判断是无人驾驶的“远期”没那么远它已经在以“运营区域逐步扩大、接管率逐步下降、成本逐步走低”的方式一点点逼近日常生活。只是它的进展不像手机换代那样能一夜感知更像地铁网络的建设——你会突然发现自己生活的城市里某个街区开始出现无人车然后某天你就在打车软件上看到了它。到那时候你再回头读今天的这些技术细节就会对路面上每一台车多一点敬畏也多一点理解。
