独家｜自动驾驶来了 预计2021年L3规模量产爆发 2025年L4规模量产
本篇文章以专访形式，与汽车行业资深专家、《车业杂谈》汽车新媒体平台独家特约汽车行业评论员方圆就汽车自定驾驶发展相关问题进行深入讨论。
01
《车业杂谈》：最近您在前两期的专访中提到自动驾驶L3/L4/L5级自动驾驶量产的时间要比预计快，这个该怎么理解？
方圆：首先，自动驾驶的研究及产业化已经从个别企业为长远未来的研发行为转化成为一些企业的中长期目标行为，到成为行业发展目标行为，再到全球化的产业链的发展行为。
同时，人们也看到自动驾驶对人类、社会、经济巨大的贡献潜力。如以目前全球汽车保有量（10亿辆）为例进行估算，以平均每天使用一小时计算，假设以这一小时为工作时间计算（每天工作8小时），自动驾驶解放/节省的时间每年潜在贡献的GDP（一个近似的类比）大约相当于一个日本（2018年全球排名第三），或法国+英国（2018年全球排名第五及第六），或德国+加拿大（2018年全球排名第四及第十）等。而共享汽车/经济的关键核心基础之一也是自动驾驶车的使用/运行。当然，使用自动驾驶的人们也可娱乐、休息、学习等。
由于上述的愿景/需求/经济效益的驱动以及各个行业/技术的推动与进步，自动驾驶的进步比起预期要加快。以2019年Gartner各种技术发展进步成熟度曲线中的相关技术进步项进行叠加，由于芯片/算力技术进步（如GPU加速器在Gartner AI曲线的第五期-Plateau of Productivity/实际应用高峰成熟期），网络/宽带传输技术进步（如车载无线连接-在Gartner汽车电子曲线的第四期-Slope of Enlightenment/实际应用发展增长期），环境感知/传感器技术进步（如CMOS 毫米波雷达在Gartner汽车电子曲线的第四期-Slope of Enlightenment/实际应用发展增长期，而传感器融合技术也开始走出第三期进入第四期），以及AI/人工智能技术进步，模拟仿真技术进步等进行叠加而产生出倍增效应。正是这些叠加倍增效应在技术层面上促进了自动驾驶技术及产业化的加速发展与进步。
参见网络《三思派》： 2019 Gartner汽车电子技术成熟度曲线
进一步来讲，由于芯片/车载算力技术的进步加快，环境感知/传感器技术的进步加快，AI/人工智能算法的进步加快，大数据（道路实测及模拟仿真）逐渐开始充分/规模化、“长尾”越来越短，L3/L4/L5级的实现或量产要比以往的预测要提前。
这些也可以从目前很多整车企业的量产计划的时间表中看出。如很多的整车企业目标在2021年或前开始大规模化的量产L3级自动驾驶车，2025年开始规模化量产L4级自动驾驶，2030年开始量产L5级自动驾驶。如据报道：全球首款L3级自动驾驶车奥迪A8已经在2017年就宣布量产上市，奥迪A8 L3级自动驾驶的车载计算/控制器命名为zFAS（zentrales Fahrerassistenz Steuergeraet 或central driver assistance controller）有4个核心元件（前方图像处理单元、全景图像处理单元、传感器融合主控单元和应用主控单元），其中Mobileye EyeQ3，负责信号识别，光线探测，车道识别，行人检测，及碰撞报警等。英伟达的K1负责环境360度检测以及驾驶员状态检测。英特尔的Altera以及Cyclone V负责激光雷达传感器数据处理，目标识别融合、刹车预警、地图融合、自动泊车等。英飞凌的Aurix TC297T负责监测系统运行状态，使系统达到ASIL-D的安全标准等。
02
《车业杂谈》：注意到您在对“2021年或前开始大规模化的量产L3级自动驾驶车，2025年开始规模化量产L4级自动驾驶，2030年开始量产L5级自动驾驶”的量化词使用不同，其中L3级为大规模化，L4级为规模化，而L5级为开始量产，其具体含义如何？
方圆：预计2021年，大多数规模化的整车企业都会有量产的L3级自动驾驶车型，中高端车型都会配备L3级自动驾驶功能。L3级自动驾驶会成为大部分中高端豪华车的标配。为此，从行业整体上来看，开始了大规模化的量产L3级自动驾驶车。
预计2025年，大多数规模化的整车企业都会有一定批量产的L4级自动驾驶车型，高端车型都会有选配的L4级自动驾驶功能。L4级自动驾驶会成为部分高端豪华车的标配。L4级自动驾驶会成为部分商务/货车的标配。为此，从行业整体上来看，开始了规模化的量产L4级自动驾驶车。
预计2030年，部分规模化的整车企业都会提供量产化的L5级自动驾驶车型。L5级自动驾驶车型会在许多特定区域（新型工业园区，新型度假/休闲/养生园区，新型小镇等）及特定公路（高速货车专用道路/线，机场/高铁/货运中心/特定园区连接线/路等）上行驶。为此，从行业整体上来看，开始了量产L5级自动驾驶。
03
《车业杂谈》：就芯片/算力发展进步而言，其对自动驾驶的进步影响如何？
方圆：根据《2019-2020中国人工智能计算力发展评估报告》：算法、数据及算力是AI的三大核心要素。如果对于自动驾驶来说，加上环境感知/传感器技术，则为四大核心要素。
随着算法的不断地快速进步，数据采集及模拟数据的快速积累，AI快速进步的挑战更加集中在算力/芯片快速提升上。目前就自动驾驶芯片/算力研发及制造而言，全球有几大家企业，如英伟达、Mobileye/英特尔、谷歌、特斯拉，以及地平线等。最近特斯拉在英伟达芯片的基础上进行了改进与提升、形成其车载计算中心FSD（Full Self-Driving）的芯片/硬件系统HW3，其中的关键核心器件是其NPU（Neural-Network Process Unit -神经网络处理器），同时有一组CPU以及一个GPU，如下图所示。
FSD系统NPU拥有72 TOPS图像处理及运算性能（有两个36 TOPS芯片），而整个FSD计算系统拥有144 TOPS的性能，与目前的HW2.5相比，成本降低20%，性能提升21倍，功率上升约25%。同时，HW4的研发也在进行中，性能预计是HW3的3倍（400 TOPS），并预计2年左右完成。特斯拉FSD（HW3）将被配置在2020年Model S/X，以及Model 3上。下表给出Gartner预测实现L3/L4/L5级别自动驾驶至少所需要的车载计算机的算力，以及2019/2020年几大芯片制造企业芯片/卡（车载计算机）所具备算力的大致的对比（华为昇腾910芯片，在FP16/半精度为256 TOPS，而INT8/整数精度下为512；谷歌Cloud TUP 在INT8/整数精度下为180 TOPS）。
由于车载芯片卡/计算机总算力的大小也基于单个芯片的算力以及其在芯片卡的数量。如四个芯片Mobileye EyeQ5可以组成96 TOPS算力。另，以往EyeQ3/Q4主要负责视觉信号部分的单芯片，现有报道EyeQ5也许将会升级负责传感融合部分。另一个非常有用、也经常被用于评判芯片性能指标的是芯片的算力/功耗，即TOPS/W，见下表。注：对于实际的应用，由于CPU、GUP、TUP等设计的方法不同，对于某一类问题应用的效率也不同。因此，对于车载计算机也往往会用到CPU、GPU、TPU、NPU、BPU等构架组合及再组合。注：也有专家估计L5级自动驾驶所需的算力为1000 TOPS（几乎与人脑算力相当）。
04
《车业杂谈》：就环境感知/传感器技术发展进步而言，其对自动驾驶的进步影响如何？
方圆：L3/L4/L5级自动驾驶规模化量产的另一大的挑战是环境感知/传感器技术的发展进步。
以L3为例，从L2级到L3级自动驾驶级别的跳跃是一个很大的挑战。众所周知，从L2级到L3级自动驾驶，根据SAE分类，L3级自动驾驶是：有条件自动驾驶，允许驾驶员脱手，只需要在系统提示时接管驾驶（这也是一个很大的挑战）。但对于环境感知（物体和时间的探测响应）部分来说，就从驾驶员的职责交给到车/系统了（如下表所示）。为此，至少车/系统的环境感知功能不能比驾驶员低，但这也是一个很大的挑战。如以动态视觉感知/传感器为例，驾驶员能够在时速超过100kph以上识别距离200米以上的车辆/物体，但对于目前的摄像头技术来说，是个很大的挑战。
当然，由于环境感知/传感器技术的快速发展进步（如前面所述：如CMOS 毫米波雷达在Gartner汽车电子曲线的第四期-Slope of Enlightenment/实际应用发展增长期），多感知技术的传感器融合技术的快速进步（如前面所述：在Gartner曲线上，传感器融合技术也开始走出第三期进入第四期），结合车载计算机的算力以及算法的进步，动态以及全天候/全天时的环境感知有了很大的进步。
以CMOS 毫米波雷达为例。毫米波雷达制造工艺从砷化镓/GaAs工艺（1990年开始规模量产）发展到锗硅/SiGe工艺（2000年开始规模量产），再到CMOS工艺（2010年萌芽，2015年大力投入，2017年开始量产，2021年成熟/大规模的量产上市）。由此，毫米波雷达的成本从GaAs工艺到SiGe工艺降低了50%，再到CMOS工艺又降低了40%。同时，性能显著提升，如体积缩小了33%，功耗降低了50%，精度提升了10倍。同时，集成度显著提升，功能模块由GaAs工艺的7、8块降低到SiGe工艺的3、4块，再到CMOS工艺的1块，所有的功能模块全部集成（由于28nm节点工艺等的应用）。最近（2019年2月28发布），基于77GHz CMOS工艺的车载毫米波相阵（Phase Array）雷达也已经开发出来，结合毫米波雷达成像算法,有望可实现媲美激光雷达的高分辨率成像效果。
以谷歌激光熊蜂窝（LBH-Laser Bear Honeycomb）为例。LBH具有95度垂直视野，以及360度水平视野。而市场上大多数激光雷达产品的垂直视场角约30°。这样谷歌的LBH相当于把三个3D激光雷达聚合在一起。为此，也显著的提高了效率同时降低了成本。注：当发现市场上没有合适的激光雷达，在2011年Waymo就开始研发自己的激光雷达系统。在八年的时间里，Waymo最终研发出了三个距离/视场范围的激光雷达-长、中、短程视场（同时，早在2016年时就将激光雷达的成本降低了90%，由7.5万美元降到了0.75万美元）。
Waymo激光雷达Laser Bear上市，保障自动驾驶无盲点
以激光夜视视觉成像系统为例。自动驾驶的另一个挑战是夜间行驶，其视觉感知要比白天更有挑战。即使是驾驶员在夜间驾驶时，其视觉感知的范围也要比白天小的多。为此，需要有更加优秀的夜视系统来配置自动驾驶。
目前，新型激光夜视成像系统显著的提升了夜视效果（2018 IEEE Intelligent Vehicles Symposium (IV) Changshu, Suzhou, China, June 26-30, 2018，以及Gated2Depth: Real-time Dense Lidar from Gated Images，arXiv：1902.04997），其夜视距离最远可达350M。由于新型激光夜视成像系统的采用了激光成像技术，不但提升了夜视效果，同时还可以提升雾、雨、雪天气以及眩光环境下的视觉感知的效果，眩光及雾天效果对比如下图所示。
结合双目或Gated的3D测试技术，其也可以进一步地提升为全场实时高密度/高分辨率的3D夜视及白天的感知系统-成为全天候全天时的感知系统（突破式的进步可期）。新型激光夜视系统是采用成像原理，为全场实时（不用扫描），低功耗。为此，即有视觉优势又有激光穿透优势且低功耗。以上只是列举了一些个别的例子。由于自动驾驶已经成为全球/行业的努力，特别是传感器行业的努力，传感器技术，传感器融合技术正在发生日新月异的进步（当然同时也是巨大的市场需求所推动）。
05
《车业杂谈》：如前面所述，算法、数据、算力、以及环境感知/传感器技术是自动驾驶汽车的四大核心要素。算力以及环境感知/传感器技术已经讨论了，那就数据而言，目前的发展如何？
方圆：如前期报告中所述，兰德智库在一份研究报告中曾提出：自动驾驶汽车将必须行驶上百亿英里，有时甚至是上千亿英里才能证明它们的安全性。
特斯拉Autopilot启动时的行驶实测数据：截止2019年10月，Autopilot启动时的数据采集里程约达15.5亿英里，2018年7月约为12亿英里，2016年10月约为2.22亿英里，5月约为1亿英里（虽然目前特斯拉的总里程数已约达100亿英里）。目前，特斯拉预计大约有50万辆搭载了Autopilot系统的车子在道路上行驶，预计每日行驶里程可达1500万英里。按照目前的生产/销售状态，这个车队的规模很快就可增加至超过100万辆，那么每月产生的行驶里程将可达10亿英里。
对于谷歌Waymo来说，目前Waymo已经累积了约1500万英里的实际道路测试/行驶里程。但是谷歌Waymo的道路行驶的模拟仿真数据已经达到了约100亿英里。也正是Waymo将路试实测数据与模拟仿真数据结合进行环境感知、决策、执行的算法进行优化，使得成为自动驾驶的领军者、L4级自动驾驶落地/量产的领军者。
06
《车业杂谈》：如前面所述，算法、数据、算力、以及环境感知/传感器技术是自动驾驶汽车的四大核心要素。算力、感知、及数据已经讨论了，就算法而言，目前的发展如何？
方圆：就算法/提升方法而言，目前，在自动驾驶深度神经网络算法方面常用/研究的大致有三种方法：强化学习、自我监督学习、模仿学习方法。模仿学习需要大量的标注数据来训练网络，自我监督学习的优势是可以应用标注数据及非标注数据来训练网络，强化学习的优势是可以训练网络从更加宏观的角度/形势来做出精准的判断。
由于数据的相对充足，预计特斯拉三种方法都在应用。而Waymo由于数据不足，面临着“长尾：一些罕见的场景”问题的巨大挑战，也是完备性的挑战。为此，Waymo也研发其模拟仿真软件Carcraft来应对（即使特斯拉数据相对充足，其依然要面对“长尾”问题，只是“长尾”的尾会短一些。如这次其智能召唤/Smart Summon功能开发面临的挑战就是如此）。模拟仿真测试已经成为自动驾驶研发中的关键/不可或缺的一环。Waymo已经模拟仿真了100亿英里，在这个方面，Waymo独占优势。通用Cruise使用其模拟仿真软件“The Matrix”预计也已经模拟仿真了50亿英里。目前具有类似功能的模拟仿真软件还有PanoSim 、CarSim等。
如上所述，由于深度神经网络的学习需要大量的数据，除了特斯拉有相对充足的实际行驶数据，其它的企业的数据量远远不够，为此，模拟仿真测试已经成为自动驾驶车研发中的关键/必要一环。Waymo也是大力的借助其模拟仿真测试软件Carcraft来极大的加快其4/5级自动驾驶的研发，其自动驾驶车队已经投入了凤凰城无人出租车运行。没有模拟仿真测试的帮助，Waymo是不可能完成4/5级自动驾驶的研发（至少需要上百亿英里的数据）。到目前为止，Waymo的实际行驶测试里程数据为1500万英里，而其Carcraft的模拟仿真行驶测试里程数据已达100亿英里。
目前除了Waymo有自己研发的模拟仿真测试软件Carcraft以及通用Cruise的“The Matrix”之外，市场上还有一些专业级不同的模拟仿真测试软件，其中比较知名的、专业化程度较高、各具特色有PanoSim、PreScan、CarSim、Apollo 2、IPG、VIRES、SANNeR等。以PanoSim为例，PanoSim是一款高度专业化的模拟仿真软件，是集高度复杂车辆动力学（发动机、变速箱、电机等）/运动学模型（底盘/操控/悬挂/制动/转向系统、轮胎，车身/刚度等）、汽车三维行驶环境感知模型（路面/光照/雨雪等）、汽车行驶交通模型（信号灯/路标/V2X等）、车载环境传感器系统模型（视觉像机/雷达/Lidar等）、导航GPS、无线电通信模型、以及高精度数字地图模型并通过Matlab/Simulink仿真环境模型自动生成、图形与动画后处理工具等的大型模拟仿真软件平台/引擎。
07
《车业杂谈》：最后一个问题，为何在自动驾驶的专访中您多次对硬件/芯片的技术进步进行交流讨论？
方圆：目前的流行说法是：今后是软件定义汽车。但实际上，没有硬件（特别是在还没有充分竞争的市场上），软件的水平是没有办法达到所需要的水准的，软件的水平是需要硬件基础来支撑的。在可预见的将来，是硬件/芯片定义/支持软件的功能与水平，硬件与软件共同定义汽车。这也为何谷歌也开始研发/量产硬件了（芯片TPU，以及其自动驾驶车上主要传感器/激光雷达等），为何特斯拉也开始研发/量产硬件了（芯片卡FSD及芯片NPU/HW3/HW4等），为何地平线也开始研发/量产硬件了（芯片BPU（Brain Processing Unit）/Journey 2/3）。这些行业中的领军者已经先行。
最后借用Alan Kay（天才计算机大师，2003年图灵奖获得者，图形用户界面发明人）的话来说：预测未来的最好方法是创造未来。真正认真对待软件的人应该做自己的硬件。
写在最后：由于传感器技术快速进步、传感器融合技术快速进步、路试数据及模拟数据的快速积累以及两者迭代相互循环验证、车载计算机算力的快速提升，自动驾驶算法的快速迭代升级，整体自动驾驶技术已经开始形成叠加倍增效应。为此，2021年将是L3/L2.9级自动驾驶开始大规模量产的爆发年，2025年将是L4/L3.9级自动驾驶开始规模化量产的转折年，2030年将是L5/L4.9级自动驾驶开始量产的奇点年。
由于自动驾驶级别的挑战，由于自动驾驶法规等需要进一步地完善，由于自动驾驶技术的快速进步（感知、数据、算力、算法），也许为了更加安全，车企也许会倾向于实施过度级别内冗余。如L2+/L2.9级、L3+/L3.9级、以及L4+/L4.9级或将被实施。L2.9级不用应对L3级的挑战，而L3.9级即可最大化的避免L3级可能出现的问题，又可以不用应对L4级的挑战，同理L4.9级。
环境感知/传感器技术发展迅速，特别是三大主要传感技术：视觉摄像系统，毫米波雷达，以及激光雷达。如目前在视觉摄像系统领先的Mobileye EyeQ系列在2018年销售了1240万颗，同比增长42.5%。从2014年到2018年累计销售了3400万颗。根据HIS报道，在2020年车载摄像头全球销售量预计会突破8000万颗，相比2016年再翻一倍。车载摄像头除主流的单目摄像头之外，双目摄像头量产也在增加，特别是特斯拉Model 3也首次实现了三目摄像头量产。双目及三目是发展趋势的摄像头组合方式。其最大程度上模拟了人类双眼快速变焦以及双眼视差的三角测距原理、同时覆盖长短距范围、以及距离估算的特性。同时如上所述，视觉芯片的算力也正以每年十几倍的速度快速迭代升级。
根据Plunkedt Researc/智研咨询报告，2014 年全球的毫米波雷达市场出货量在1900 万颗，2018年车载毫米波雷达出货量将达6,500万颗，预计2020年，全球车载毫米波雷达出货量可达7200万颗。2020年，如果以国内自动驾驶/ADAS渗透率在达到30%估算（仅以每套需要4个短距毫米波雷达及1个长距毫米波雷达），则国内出货量就可达4500万颗。技术上，毫米波雷达的发展方向包括高分辨率成像、79Ghz、CMOS芯片快速发展。
模拟仿真测试已经成为自动驾驶研发中的关键/不可或缺的一环。将实际路测数据结合模拟仿真并进行迭代已经成为神经网络深度学习的有效方法，是缩短长尾的有效方法。Waymo的实际行驶测试里程数据为1500万英里，而其模拟仿真行驶测试里程数据已达100亿英里。这也是为何Waymo在自动驾驶技术、在L4级自动驾驶技术上如此领先的原因之一。在国内，自主品牌PanoSim也是一款高度专业化的模拟仿真软件，是集高度复杂车辆动力学（发动机、变速箱、电机等）/运动学模型（底盘/操控/悬挂/制动/转向系统、轮胎，车身/刚度等）、汽车三维行驶环境感知模型（路面/光照/雨雪等）、汽车行驶交通模型（信号灯/路标/V2X等）、车载环境传感器系统模型（视觉像机/雷达/Lidar等）、导航GPS、无线电通信模型、以及高精度数字地图模型并通过Matlab/Simulink仿真环境模型自动生成、图形与动画后处理工具等的大型模拟仿真软件平台/引擎。
虽然，2021年或前开始大规模化的量产L3级自动驾驶车，2025年开始规模化量产L4级自动驾驶，2030年开始量产L5级自动驾驶。但领军者们已经开始行动。就L3级自动驾驶技术而言，目前已经有几家汽车企业发布/上市了L3级自动驾驶车，如奥迪A8（2017年）、广汽Aion LX（2019年）等。计划2020年/2021年量产L3级自动驾驶车的企业（据不完全统计）有：长安汽车、长城汽车、吉利汽车、上汽乘用车、北汽新能源、奇瑞汽车、威马汽车、小鹏汽车、蔚来汽车、零跑汽车、神龙汽车、宝马汽车、奔驰汽车、本田汽车、大众汽车等。
可以说，到2021年绝大多数汽车企业都会量产L3级的自动驾驶车。就L4级自动驾驶技术而言，Waymo L4级自动驾驶出租车Waymo One已经于2018年底在美国凤凰城试运行。运营时间为每周7 天 24小时运行，客户可以通过APP在运营区域内预定车接送，自动驾驶出租车最多可以搭载4人。目前，仅7/8月份就已经共搭载/行驶了10500次行程。同时，Waymo也已经于2019年1月22日宣布，在美国密歇根州，建立世界上第一家完全致力于L4自动驾驶汽车大规模组装/改装生产的工厂。据媒体报道，福特汽车公司首次发布《福特汽车自动驾驶发展报告》，报告内提到福特将于2021年在美国市场推出第一款量产版全自动驾驶汽车，该车将具备L4级自动驾驶能力。而奔驰、宝马计划于2024年量产L4及自动驾驶车。通用 Cruise 、拜腾等的L4级自动驾驶车预计可在2020/2021年开始运行。据媒体报道，福特汽车首次发布《福特汽车自动驾驶发展报告》，报告提到福特将于2021年在美国市场推出第一款量产版的L4级自动驾驶汽车。而奔驰、宝马计划于2024年量产L4及自动驾驶车。通用 Cruise 、拜腾等的L4级自动驾驶车预计可在2020/2021年开始运行。
谷歌Waymo One L4级自动驾驶出租车，APP预定车，凤凰城区域内运行
福特自动驾驶报告2021年发L4级量产车
宝马与奔驰预计2024年量产L4级车
当然，特斯拉一直在努力成为第一个量产L4级自动驾驶车的企业，也计划在2020/2021年量产L4级自动驾驶车。沃尔沃曾领先L3级自动驾驶技术上的探索，也有报道计划在2021年量产L4级自动驾驶车。
国内， 2019年7月26日长安汽车也在重庆仙桃国际大数据谷半开放园区，测试示范运行L4级自动驾驶汽车。 而国内的领军者，据新浪汽车及汽车之家报道，将由中国一汽红旗与百度联合量产的国内首批L4级自动驾驶出租车-红旗E·界（Robotaxi），45辆红旗E·界也于2019年8月2日开始在国家智能网联汽车(长沙)测试区进行测试运行，年内将在长沙开展大规模开放道路载人测试。与此同时，百度与红旗还将携手在长春打造的中国首条L4自动驾驶车规模化前装量产线，3.6分钟即可下线一台自动驾驶乘用车。L4自动驾驶车规模化前装量产线标志着L4级自动驾驶车制造告别了改装时代，从开始就融入了正向设计的理念。红旗品牌在“中国第一、世界著名”的牌战略指导下，加快了“新高尚品牌”品牌战略的实施。
未来已来，全球著名咨询机构IHS预测，至2025年全球自动驾驶汽车销量将有100万辆，营销公司ABI则称到2025年全球将会增加800万辆自动驾驶汽车，而麦肯锡认为2030年全球自动驾驶车辆销售占比为50%。为此，从行业整体上来看，规模化的量产/运营L4级自动驾驶车的前奏已经开始了。预计2025/2030年，部分规模化的整车企业都会提供量产化的L4/L5级自动驾驶车型。L4/L5级自动驾驶车型会在许多特定区域（新型工业园区，新型度假/休闲/养生园区，新型小镇等）及特定公路（高速货车专用道路/线，机场/高铁/货运中心/特定园区连接线/路等）上行驶。
"'