雨夜出发——我们为什么要懂自动驾驶 / Why Bother Understanding Autonomous Driving

第一章 雨夜出发：我们为什么要懂自动驾驶

Chapter 1: Setting Out on a Rainy Night — Why Bother Understanding Autonomous Driving

> `<!-- chapter_metadata: id="ch01", tone="narrative-introductory", target_words="10000", language="zh-en", stories=["alex_rain_night","leo_traffic","jia_accident","chenxi_blind"], key_terms=["RoboTaxi","Perception","Decision","Planning","Control"] -->`

---

1.1 七点六公里的雨夜 / Seven Point Six Kilometers on a Rainy Night

凌晨三点十七分，深圳福田 CBD（Central Business District，中央商务区）的雨水顺着平安金融中心的玻璃幕墙倾泻而下，把整座城市冲刷成一幅流动的、分不清上下左右的镜像。街道上，黄色高亮的车尾灯拖出长长的水痕，一列又一列地消失在前方。下班晚了，又遇到了这样一场雨——这是 Alex 在科技公司做产品经理的第七年，他早就习惯了这种节奏：会议、需求、临时变更、地铁末班车、出租车、在手机上叫不到车的某个雨夜。

他在招商银行大厦门口，撑着一把深灰色的伞，看着手机里的地图 App——本来要叫一辆普通的网约车回家，地图上显示附近 0 单，等待时长 35 分钟。Alex 抬头看了一眼雨，想换一个平台试试。第二份地图上冒出一个他没见过的入口：顶部一行小字写着 "RoboTaxi · 全无人 · 体验官限时开放"，下面是一行更小的灰色字："本车已获深圳市智能网联汽车示范应用牌照，本路段为夜间测试路段，行程约 7.6 公里，预计 22 分钟。"

7.6 公里——这是他每天回家的距离。 22 分钟——这是他在深夜二环辅路上的正常耗时。 Alex 把页面滑到底部，看完了一份两页的电子协议：RoboTaxi 的核心传感器配置、紧急情况下的远程安全员介入机制、行驶路线、制动测试数据。最让他停下来的，是这一段：

> *在本次行程中，前排驾驶位与副驾驶位将全程无安全员。车辆将通过十二颗摄像头、五颗毫米波雷达、三颗激光雷达，融合 360° 感知系统，在云端高精地图支持下，自动完成起步、变道、转弯、避障、靠边停车等动作。如遇突发场景，系统将在 0.3 秒内触发最小风险策略（Minimal Risk Maneuver），执行缓慢靠边停车，并立即呼叫远程协助。*

Alex 看着窗外，下意识地用指节敲了两下手机壳。他从未在真正的方向盘后面坐过这种感觉。但他也不得不承认：他已经很久没有在三点起床了，他的心脏有些微微的异样感——不是激动，而是某种"礼貌的不安"，就像你要在一个陌生人家借住一晚时的那种感觉：你知道是安全的，但你的身体还没跟上。

他点了 "确认叫车"。

两分钟后，一辆白色的极狐 αT 缓缓滑到他面前。和所有 RoboTaxi 一样，车身顶部架着一个黑色的"咖啡机"——那是激光雷达（LiDAR，Light Detection and Ranging）的罩盖，底下是一个不断旋转的 905 纳米激光发射器，每秒向周围发出几十万个激光脉冲。雨点滴在罩盖上，沿着曲面向两边滑落，露出的金属看上去像一顶小小的绅士帽。车顶四角还有四个低矮的方块——那是毫米波雷达（Radar，Radio Detection And Ranging）罩；前挡风玻璃上方、车标位置、左右翼子板和后视镜的位置，藏着一圈摄像头（Cameras）。

车门自动弹开了一条缝。Alex 把伞折起来收好，钻进后座，把安全带拉过胸前，关上门。车内空气有一股淡淡的皮革味和淡淡的柑橘香氛，后排两个屏幕上亮起了柔和的米白色界面。屏幕顶部显示着"已上电 · 全无人状态 · 远程安全员心跳正常"，中部是一个动画版的车辆模型，周围的建筑物、行道树、其它车辆都被实时勾画成橙色的抽象轮廓——Alex 看了一会儿，才意识到这就是车辆"看到"的世界。

副驾驶位置是空的。前方驾驶位也是空的。方向盘在没有人触碰的情况下，缓缓动了十几度，测试了一下间隙。然后车自己开了出去。

这是 Alex 七年来最长的 22 分钟。

他没有按快进键，也没有打开手机通知。他把头靠在椅背上，看车内的摄像头实时呈现出的世界。每当车辆接近一辆停着的出租车，前方的橙色轮廓就会勾勒出它的轮廓——车尾、车牌、雨刷的弧度——然后屏幕上会标出一个小小的"3.2 米"估计距离，意思是前车距离 3.2 米。每当一辆外卖电动自行车从右后方窜出来准备超车，方向盘就会轻巧地往左转一下，给出 50 厘米的横向距离，然后继续前行。

RoboTaxi 没有"加速一脚"的猛进，也没有"踩刹车"的拖拽。它像一个受过良好教育的成年人在开车：温柔、清晰、可预测。这种感觉，在出租车上、在网约车上、甚至在自己开车的时候，都是难得一遇的。在交叉路口等红灯的时候，Alex 抬头看了一眼头顶的红绿灯，又看了一眼方向盘——心里突然涌上一个陌生的念头："方向盘在没人碰的情况下自己转动的那一刻，是二十世纪给二十世纪的一个告别礼。"

他花了 16 分钟回到小区楼下，比预估的 22 分钟快了 6 分钟。在临停靠边的那一刻，RoboTaxi 自己挂了 P 挡（驻车挡，Park），打开了双闪灯，屏幕上一行字轻轻地浮现："您已到达目的地。本次行程共 7.6 公里，平均时速 27.2 公里/小时，全程无接管、无急刹。 感谢体验 RoboTaxi。"

Alex 解开安全带，拿起伞。车门关闭。他站在雨里，看着那辆白色的、顶上那个像咖啡机一样的小帽子在雨里一闪一灭。

他在心里默默说了一句："有意思。"

这是他第一次坐完全无人的自动驾驶汽车。也是他开始把"自动驾驶"四个字从新闻标题、PPT、股价曲线、汽车展台的高光里，请回到他真正的工作、他的生活方式、他的城市、他的未来里的那个起点。

而你，本书的读者——也是从这一章、这一刻，开始这场旅程的旅行者。

---

1.2 三个故事，三种视角 / Three Stories, Three Perspectives

一本写给普通人看的关于自动驾驶的书，最不应该在第一章就开始堆术语、定理、缩略词。我们应该先听故事。三个故事，三种视角，三种感受——分别对应自动驾驶最常被提及的三种价值：效率（efficiency）、安全（safety）和平等（equity）。

它们不是宣传标语，也不是 PPT 上的对比图。它们每一个都来自一个活生生的人——可能是你，可能是你身边的朋友，可能是你以后会遇到的、连下车都需要排练三遍的视障老人。

1.2.1 故事一：每天三小时，Leo 的通勤战争 / Story One: Leo's Three-Hour Daily Commute

Leo，1998 年生，住在河北燕郊，工作在北京市朝阳区国贸 CBD（Central Business District）。这两个地名之间的直线距离是 32 公里。但 Leo 的实际通勤距离是 65 公里，平均耗时，单程 2 小时 10 分钟，往返 4 小时 20 分钟——加上偶尔的加班和出差频率，他每个工作日的时间支出，至少有 3.5 小时交给了"驾驶座"这件事。

他是一个普通的程序员，写 Java，写 SQL，写 Spring Boot；他也是一个普通的、需要被交通反复教育的中年人。

"我不是没想过坐地铁，"Leo 说，"但我家门口的地铁末班车是晚上十点二十三点；早上是从国贸方向过来的，我进了地铁也是被推着走的。每天回家，地铁口那段路没有共享单车，下班高峰打不到车。就只能开车。"

Leo 的故事，是过去三十年整个城市群"摊大饼"式扩张的一个普通切片。从 1990 年代开始，中国的城市化走过了一条典型的"先产业、后居所、再通勤"的路径：核心城区的写字楼越盖越高，价格水涨船高；而新城、新区、郊区、卫星城以更便宜的地价、更大的户型、更绿的环境吸引着年轻家庭。但这两个城市之间，必须有一条不短的距离。

这条距离，要用三种东西填：油、通勤时间和精神损耗。油是显性的；时间是隐性的，但更贵——按一线城市程序员工资计算，Leo 每年通勤占用的时间相当于一个免费月薪 8000 元到 12000 元的高级工程师的工资；而精神损耗是难计算的，但所有开过 50 公里夜路回家的人都知道——那是一种被悄悄偷走的未来。

如果有一天，Leo 不必再亲自开车呢？

我们不需要 RoboTaxi 立刻接管燕郊到国贸这段路——这段路在 2024 年的中国还远远谈不到 L4 级别（SAE，Society of Automotive Engineers，国际自动机工程师学会对自动驾驶的分级；L4 即"高度自动驾驶"，在限定区域内可完全无人）的全无人驾驶。但 Leo 可以设想一种"渐进式的解脱"：

• **L2 级别（部分自动化）**的高速 NOA（Navigation on Autopilot，导航辅助驾驶）：在燕郊到京哈高速这段，他可以让车辆自己完成跟车、变道、自动进出匝道，自己只保留注意力；这样他每天通勤时间里"高注意力"占用从 100% 降到 35%，可以在堵车时回两封邮件、喝一杯还温热的咖啡、甚至短暂地把眼睛闭上十几秒。
• **L4 级别的 RoboTaxi**：他在 2027 年到 2028 年可以在公司附近的 CBD 临时叫到一辆 L4 Robotaxi，剩下最累的最后几公里。
• **L4 级别的私人车辆（虽然这条路线比前者要更晚）**：到了 2030 年代，L4 级别的智能汽车可能不再是"豪华选项"，而是 15 万元级别家用车的标配。 Leo 可以买一辆这种车，每天车自己接送他上班；到了周末再让他自己开去郊外兜风。

这些不是科幻——它们是 2024 年到 2034 年之间正在发生的故事。自动驾驶对 Leo 来说，不是"科技公司的新玩具"，而是每天能省出来的两小时、省下来的颈椎、留给儿子的睡前故事、留给自己的周末。

1.2.2 故事二：那辆在路口失控的公交车 / Story Two: The Bus That Lost Control at the Intersection

2023 年 6 月 23 日，下午 4 点 18 分，江苏省苏州市吴中区木渎镇金山路。司机王某，51 岁，已经连续开了 11 个小时的公交车。他的公司是苏州某大型公交集团，他的当天排班是早 6 点到晚 7 点。他刚刚在香溪西路的一个公交站台靠站下客，准备起步继续行驶。

他没有注意到——但愿上天也能原谅他——一辆白色电动自行车，正从右后方以一种不到 35 公里/小时的速度朝他的车尾驶来。他起步的那一瞬间，他的眼角余光扫到了右后视镜上一道快速移动的白影——但他没有足够的时间踩下制动。

事故在 1.2 秒内发生：公交车右后侧与电动自行车相撞，电动自行车驾驶人、69 岁的王某某，连同所载的孙子、孙女一同被卷入车下。两名儿童当场死亡，王某某送医后于次日 14 时 30 分抢救无效死亡。

从司法的角度看，这是一起几乎"毫无悬念"的事故——驾驶员已被认定承担全部责任，他所在公司也承担了相应法律责任。但从技术的角度看，这起事故几乎完全可以避免。

第一个原因：一台合格的 L2 级别的智能汽车，在中国 90 万元以下的电动车市场，已经是 2024 年新车标配——在城市道路以 50 公里/小时以内的速度行驶时，AEB（Autonomous Emergency Braking，自动紧急制动）系统会在驾驶员未能及时踩下制动时自动介入。这辆公交车如果安装了 AEB，事故在 1.0 秒前就会被识别、减速。

第二个原因：一台合格的 L3 级别（有条件自动化）以上的智能汽车，可以在城市道路 50 公里/小时以内自动监控右侧盲区，一旦监测到右后方有高速近距离物体，会自动给驾驶员发出接管请求，并预备自动靠边停车。

第三个原因：一台 L4 级别（高度自动化）的自动驾驶汽车，根本不允许在这种注意力不集中、身体疲劳程度下进入循环状态。它在每次启动前会要求驾驶员通过注意力监测（DM，Drowsiness Monitoring）；如果检测到疲劳驾驶，它会拒绝启动，或者立即将车辆转交给"安全停车模式"——这种行为在人类的驾驶经验中只有少数资深司机才能做到，而对机器来说，是出厂硬设。

WHO（World Health Organization，世界卫生组织）在 2023 年 12 月发布的最新《全球道路安全状况报告》（Global Status Report on Road Safety）中，给出了一个让任何不带感情的读者都难以释怀的数字：全球每年因道路交通事故死亡约 119 万人（1,190,000 人），这是 2021 年的最新统计。这是中等收入国家主要死因的前十名，是 5 至 29 岁儿童与青少年死亡原因的第一名。

其中，90% 以上的事故是由人为因素引起的——分心、疲劳、酒驾、超速、判断失误、未保持安全车距。 这是 WHO 的同一个报告确认的，也是中国公安部统计年鉴、美国 NHTSA（National Highway Traffic Safety Administration，国家公路交通安全管理局）、欧洲 ETSC（European Transport Safety Council，欧洲交通安全委员会）等多个权威机构反复重申的事实。

自动驾驶——真正量产的 L3 和 L4 级别的自动驾驶——在理论上可以将这 119 万人中的一大类人为错误降到接近于零。我们今天在开车的时候，每 100 公里就会有一两次"本来差点出事"的小擦小碰；我们每年身边的亲友群里，会看到"有人开车撞了""有人开车撞了人""有小孩被车撞了"这样的消息。我们以为这些事故都是不可避免的——但它们不是。至少有 70% 到 90%，在工程意义上，是可以避免的。

我们之所以仍然在承担这些代价，不是因为我们没有能力解决，而是因为我们还没有把解决方案装到每一辆车上。我们还有时间。

1.2.3 故事三：视障工程师陈曦的第一程 / Story Three: Chen Xi's First Ride

陈曦，1991 年生，CN 视觉障碍等级为 L1（低视力，Low Vision），前阿里巴巴前端开发工程师。她 11 岁时被确诊为先天性眼底黄斑变性，矫正视力稳定在 0.05——这个数字意味着标准视力表上，最大的那个字母 E，她需要几乎贴到 5 米以内才能看见是什么方向。

她在 2009 年考入浙江大学计算机科学与技术系，2013 年本科毕业加入阿里巴巴，现在在杭州一个由她联合创立的、为视障人群设计无障碍软件的小型科技公司任职 CEO。从 11 岁到 33 岁，她的生活半径一直有一个"出行限制圈"——以她家或办公地点为圆心，半径不超过 2.5 公里。

她说她以前最大的奢侈，是打车到 10 公里以外的浙大校友咖啡馆坐一下午。 不是因为路途遥远，而是因为这段距离横跨多个未知的世界：她看不见路况，看不见站牌，看不见地铁上拥挤的间隙，看不见路边有没有凹陷、井盖、施工挡板。一个让她看上去很普通的"叫一辆网约车然后下楼"，在视障群体的实际生活中，是一场需要多次练习、多次排练、多次演练过的小型冒险。

2024 年 4 月 25 日，陈曦参与了深圳市"全无人 RoboTaxi 视障友好测试"项目。她在自己的小红书上记录了这一天——这是她写下的一段话：

> *上午 10 点 15 分，我在 App 里点了"全无人 RoboTaxi"，备注栏写"视障同行，请安排无障碍车型"。 5 分钟后，一辆带侧开门踏板的白色极狐 αT 停在我楼下。后座中控屏自动切到"视障模式"，全程只有 TTS（Text To Speech，文字转语音）在播报："车辆起步。""前方 80 米有一个路口，等红灯。""左转进入深南大道，预计 30 秒。""靠边停车，请您携带好随身物品。"到达目的地后，App 推送来了一张电子账单，人民币 0.00 元 —— 本次行程为免费体验。*

> *这是我失明 22 年以来，第一次独自坐上一辆真正的、车里完全没有别人盯着我开的车。*

陈曦的故事，是自动驾驶最被低估的一种价值：它不是给"快的人"更快的速度，而是给"不能开的人"一种可能性。 在美国，约有 2.5% 的成年人是法定盲人（Best Corrected Visual Acuity，BCVA 低于 0.1）；在中国，这一数字更高：估计有 1700 万视障人士。加上"未能取得驾照"的老年人、智力障碍人士、自闭症儿童、其他无法做出安全驾驶决策的人群，全球有约 13 亿人——约占总人口的六分之一——无法独立完成"从 A 到 B"的日常驾驶出行。

自动驾驶不会让他们都变成司机。但它能让他们中的一部分人，重新获得一种名为"我可以自己决定去哪里"的自由。

自由不是性能——自由是公平。

---

1.3 用数字回答"为什么" / Answering "Why" with Numbers

读到这里，你可能会有一个困惑——毕竟，自动驾驶在中国、在美国、在欧洲，已经被讨论了将近十年；估值万亿的独角兽、估值十万亿的上市公司、估值百万亿的话题。但它究竟为我们社会创造了多大的价值？这个数字，到底如何可靠地衡量？

这一节我们来认真算几笔账。这不是为自动驾驶唱赞歌——而是给想要判断"它值不值得"的人一组关键数字。

1.3.1 关于生命：每一年 119 万 / Lives: 1.19 Million Per Year

> 1.19 million ——这是 WHO 2023 年 12 月公布的 2021 年全球道路交通事故致死人数，最权威的全球数据。^[1]

这意味着什么？

• 平均每 25 秒，就有一个人因道路交通事故死亡；
• 平均每天 3260 人；
• 这相当于每天有 6 架满载的波音 737-800 客机坠落，且机上所有乘客全部罹难——但我们没有媒体如此报道；
• 道路伤害是 5 至 29 岁人群的第一大死因；
• 男性驾驶员死亡率约为女性的 3 倍。

几乎所有主流机构都将其中 90% 以上归因于人为因素。剩下不到 10% 来自车辆故障、道路设计、突发自然灾害等。

自动驾驶的核心承诺，就是把这"90%"分批拆解。

> 自动驾驶从 L2 到 L4 的每一次分级跃迁，都在试图解决一种特定的人为错误：

• L0 阶段（无自动化）：人开全部，车不介入；
• L1 阶段（驾驶辅助）：车道居中保持（Lane Centering Assist）、自适应巡航（Adaptive