248
最近特斯拉的刹不住车的讨论已经很多了，我就不累述这个方向上面的内容（如何看待特斯拉工作人员在海口情景再现刹不住车？如何看待NHTSA拒绝特斯拉失控的召回申请）。结合着车展上的自动驾驶方向上面，各家争奇斗艳，有几个核心的问题：
1） 特斯拉这种开路先锋，在国内外也是挨上个各种质疑和挑战，而后续如何部署FSD软件，让大量用户真的去尝试，这种对道路安全的潜在风险很大的可能是由路人和其他车辆买单的
2） 跟着特斯拉一样走的企业，是否能按照安全的设计要求来做，其实我们上次已经聊过，这段时间主流的车企倾向于用L3的方式先做封闭高速道路L2+，等立法和消费者熟悉之后再逐步往L3上更新。而这把不管是华为、阿波罗，玩法都是很有意思的。后续科技企业小米、大疆的切入，肯定往这个方向上进行扩展
图1 目前不同架构的基本要求
01、北汽和华为
车展里面最引人关注的还是华为和北汽首款落地产品阿尔法S，这是围绕自动驾驶配置激光雷达的一款车型，是面向城市道路自动驾驶能力的设计的车型，覆盖多个场景如城区、高速、停车场的全场景点到点通行，从使用特性的设计方面，是尝试让用户可以拥有从小区车库到公司车库的连续自动驾驶体验的（这个野心可不小啊，面向城市道路的L3）
图2 阿尔法S后面的自动驾驶畅想
当然，说直接一些，这款车是把华为所有的（ICT）能力-ADS高阶自动驾驶全栈解决方案Autonomous Driving Solution，整合进去了。高阶自动驾驶的成功，依赖在全栈算法、数据湖、计算和传感器硬件这三方面的快速迭代和长期坚持，任何一项的不足都会导致失败而退出赛道：
1）算法方面，ADS以超领先的全栈算法，唯一将Robotaxi高阶自动驾驶能力落地于私家车，机器自我学习持续积累环境信息和驾驶习惯，不断迭代优化
2）数据方面，海量基于算法能力的高质量数据促进ADS不断迭代优化。ADS超级数据湖与原始素材有本质区别，其源于核心算法，服务于核心算法，充分发挥数据价值，否则就只是一堆徒耗成本的原始素材堆积而已。
3）硬件方面，ADS搭载超级中央超算ADCSC，可支持400TOPS/800TOPS两档算力，并通过领先的设计，支持未来的算力进一步升级；以中国城区场景出发，面向私家车市场，优化传感器布局。
阿尔法S，从硬件配置上全车配置五大类35个传感器，阿尔法S配置了3个激光雷达，6个毫米波雷达和4个鱼眼环视摄像头数量，通过远距高清摄像头和激光雷达，匹配高精地图准确提取车道级红绿灯信息。
备注：这些硬件把价格拉得非常高
图3 阿尔法S的自动驾驶传感器配置
在这里面，首先还是要提及激光雷达的重要性，在中国城市道路由于场景复杂，特别是无保护路口转弯、Uturn、NN路口、车辆随意并线和插入等场景下，对于自动驾驶系统来说侧向视野与前向视野同等重要，所以除了前激光，还需要侧边2个激光来实现整体的效果。
02、阿波罗和威马
第二个有趣的地方，是威马和阿波罗想做的面向L4的低速停车AVP，具体细分了两种不同的情景，面向用户个体私密场景的停车路径，主要面向的区域是车主所在的住宅区、公司停车场等固定车位，这个定位HAVP无人自主学习泊车。在这种使用的场景下，可简单理解为使用固定路线进行无人驾驶泊车。如下图所示，用户根据自己的确定的停车位置，在停车场入口和泊车位置设置进入和泊出两条路线，红线进入，黄线泊出。先带着W6的AVP系统跑一次，高算力的系统在本地及云端自动记忆行驶轨迹和预设车位的位置，然后每次只要在出入口的地方下车，然后遥控车辆进去和等着它出来就可以了。
图4 需要学习和储存的HAVP
基于阿波罗的高精度地图，甚至能扩展成PAVP，主要面向的是公共区域，对于用户无固定车位的地方，比如商业停车场，如商场、写字楼地下车库等。PAVP可实现非固定车位场景（帮你寻找一个可以泊入的位置）的无人驾驶泊车，通过云端超强算力和高精地图支持的AVP系统，在特定停车场环境内可自主完成绕行障碍物、跨层巡航并自动泊入车位。在你需要的时候，也可召唤车辆行驶至你身边。这种使用，一方面需要停车场就具备高精度地图，而且能自主找到合适的车位，一定弄好了就真的完全打破距离限制，彻底解放用户。
图5 PAVP 是一步步从公共的停车场高精地图开始的
基于低速来做，整体的配置就不需要激光雷达和特别高算力的核心，这套环境感知的硬件主要包括：
2 个高清智能摄像头：最大探测距离超过 150 米；
4 个高清环视摄像头：100 万像素，覆盖周身 20 米探测范围；
5 个毫米波雷达：前向探测距离 210 米，侧向探测距离 100 米；
12 个超声波传感器：长距检测距离 25 - 500 厘米；短距检测距离为 20- 250厘米。
图6 威马W6的传感器配置
小结：在这两个案例里面，都是科技提供方驱动着整车企业在走，估计后面不少车企的自动驾驶工程师未来的角色定位就是合作方的角色，和不同的科技企业合作然后对比着上车，当然和特斯拉的案例一样，这些系统上车在使用中可能会遇到非常大的挑战。
