自动驾驶概论 / Introduction to Autonomous Driving

自动驾驶（Autonomous Driving）作为智能交通系统的核心组成部分，其核心定义可表述为：通过搭载先进的车载传感器、控制器、执行器及通信设备，结合人工智能、高精度地图、车路协同等技术，使车辆能够在部分或全部驾驶场景下无需人类驾驶员主动干预，自主完成环境感知、定位导航、决策规划与运动控制，最终实现安全、高效的点到点行驶功能。与技术边界更为宽泛的智能驾驶（Intelligent Driving）概念不同，自动驾驶的核心判定标准是人类驾驶员在系统激活状态下是否需要对驾驶行为承担主体责任：若系统仅提供辅助预警、纵向/横向控制辅助，人类始终为驾驶责任主体，则属于高级驾驶辅助系统（Advanced Driver Assistance Systems, ADAS）；若系统可在特定条件下完全承担驾驶责任，人类仅需在系统请求时接管，则属于真正的自动驾驶范畴。

> 📌 侧边栏：辅助驾驶与自动驾驶的核心差异 > | 对比维度 | 高级驾驶辅助系统（ADAS） | 自动驾驶系统 | > |----------|--------------------------|--------------| > | 责任主体 | 人类驾驶员始终为第一责任人 | 系统激活状态下责任主体随等级转移至车企/运营方 | > | 系统能力 | 仅提供单维度/多维度驾驶辅助，无法完全覆盖全驾驶场景 | 可在限定或全场景下完成从感知到控制的完整驾驶闭环 | > | 接管要求 | 人类需全程监控驾驶过程，随时准备接管 | 仅在系统请求或超出运行设计域（Operational Design Domain, ODD）时需要人类接管 | > | 当前落地情况 | L1-L2级已大规模量产，渗透率超过40% | L3级开始小规模量产，L4级仅在限定场景商业化运营 |

当前全球汽车行业、科技企业及监管机构普遍采用国际汽车工程师学会（SAE International）于2021年更新的《SAE J3016：道路机动车辆驾驶自动化相关术语分类与定义》标准作为自动驾驶的分级依据[^1]，该标准基于人类驾驶员在驾驶过程中的参与程度，将自动驾驶划分为L0至L5共6个等级，每个等级对应明确的技术要求与责任边界。

L0级（无自动化，No Driving Automation）是最基础的驾驶等级，车辆没有任何自动驾驶功能，所有驾驶操作均由人类驾驶员完成，仅可能配备基础的预警类ADAS功能，如前向碰撞预警（FCW）、车道偏离预警（LDW）等，这类功能仅提供信息提示，不直接控制车辆。L1级（驾驶辅助，Driver Assistance）是首个具备控制能力的等级，车辆可实现对方向盘或加减速中的单一维度进行持续控制，例如自适应巡航控制（ACC）仅控制纵向加减速，车道保持辅助（LKA）仅控制横向方向，但二者无法同时工作，人类仍需全程监控驾驶过程并承担全部责任。当前市场上绝大多数10万元以下的燃油车仅配备L1级辅助驾驶功能。

L2级（部分驾驶自动化，Partial Driving Automation）是当前乘用车市场的主流落地等级，车辆可同时实现对方向盘和加减速的持续控制，在特定场景下（如高速巡航、拥堵跟车）可同时完成纵向跟车和横向车道保持，人类驾驶员仍需全程监控驾驶过程，随时准备接管车辆，承担全部驾驶责任。当前市面上特斯拉Autopilot、小鹏NGP、比亚迪DiPilot、华为ADS 2.0等均属于L2级辅助驾驶系统，部分企业将其宣传为“L2+”“L2.9”，本质仍是L2级范畴，并未突破责任边界的限制。据盖世汽车研究院2024年统计，2023年中国市场L2级及以上智能汽车的渗透率已达到42%，全球平均渗透率为35%，L2级已经成为中高端车型的标配功能。

L3级（有条件驾驶自动化，Conditional Driving Automation）是自动驾驶的入门等级，也是当前产业落地的核心突破点：在系统激活的限定ODD内（如高速拥堵路段、城市快速路，车速通常限制在60km/h以内），车辆可完全完成所有驾驶操作，人类驾驶员无需监控路面，可进行阅读、办公等非驾驶类活动，仅在系统发出接管请求时才需要接管车辆。L3级的核心突破是责任边界的明确：在系统激活且符合ODD要求的情况下，若因自动驾驶系统故障导致的事故，责任主体由人类驾驶员转移至车企/系统提供商。2021年，梅赛德斯-奔驰的Drive Pilot系统获得德国联邦汽车运输管理局（KBA）的批准，成为全球首个获得乘用车L3级认证的系统，允许在德国境内的高速公路拥堵路段（车速不超过60km/h）开启，系统承担驾驶责任；2023年，中国发布《智能网联汽车准入和上路通行试点实施方案》，正式允许L3级自动驾驶车辆在限定场景下上路，明确责任划分规则，预计2025年将有超过50款L3级车型在中国市场上市。

L4级（高度驾驶自动化，High Driving Automation）的技术要求是在限定ODD内（如园区、矿区、港口、城市核心区的Robotaxi运营区域），车辆可完全完成所有驾驶操作，无需人类驾驶员接管，即使系统发出接管请求，人类也可选择不接管，责任主体始终为车企/运营方。L4级与L3级的核心差异是“是否需要人类随时准备接管”：L3级要求人类必须在系统请求时接管，L4级则无需人类接管，系统可独立处理所有场景。当前L4级自动驾驶已经在封闭场景（矿区、港口、物流园区）实现大规模商业化落地，在开放场景的Robotaxi服务也已经在北京、上海、广州、武汉等城市的部分区域实现全无人商业化运营，例如百度萝卜快跑在武汉的运营区域已经覆盖了3000多平方公里的城市核心区，累计服务超过1000万人次。

L5级（完全驾驶自动化，Full Driving Automation）是自动驾驶的终极目标，车辆可在任何场景、任何天气、任何道路条件下完全自主完成驾驶操作，无需人类干预，也不需要限定ODD，责任主体始终为系统提供商。当前全球没有任何一款量产车型达到L5级标准，技术上仍面临极端场景泛化、长尾问题处理等核心挑战，行业普遍认为L5级自动驾驶的落地至少还需要10-15年的时间。

> 📌 侧边栏：SAE分级的核心判定逻辑 > SAE J3016分级并非基于技术参数（如传感器数量、算法精度）划分，而是基于“人类驾驶员在驾驶过程中的角色”划分，核心判定维度有三个：① 系统是否同时具备纵向和横向控制能力；② 人类是否需要全程监控驾驶过程；③ 事故责任主体是否为人类驾驶员。这种划分方式的优势是不随技术迭代而变化，即使未来技术升级，只要责任主体和人类角色不变，等级就不会变化。

自动驾驶技术的发展历程可追溯至20世纪80年代的实验室研发阶段，经过近40年的演进，已经从实验室原型走向商业化落地，其关键发展里程碑可梳理为实验室探索、技术验证、商业化破冰三个阶段。

实验室探索阶段的核心推动力是军方和高校的前沿研究。1984年，卡内基梅隆大学（CMU）启动Navlab（Naval Laboratory）自动驾驶项目，推出全球首款无人驾驶测试车Navlab 1，搭载了摄像头、激光测距仪和计算机系统，可在无人的情况下在平地上以1km/h的速度行驶，但仅能识别简单的障碍物，无法应对复杂路况。1989年，美国国防部高级研究计划局（DARPA）启动自主陆上车辆（ALV）项目，目标是研发可在非结构化越野道路行驶的自主车辆，该项目推动了早期传感器融合、路径规划等基础技术的发展，但受限于当时的计算能力和传感器技术，项目最终未能实现完全自主行驶的目标。

技术验证阶段的核心标志是DARPA挑战赛（DARPA Grand Challenge）的举办，该赛事由DARPA于2004年发起，旨在推动自动驾驶技术的快速突破，共举办了三届，是自动驾驶从实验室走向实用的关键转折点。2004年首届DARPA挑战赛的路线为美国莫哈维沙漠的230英里（约370公里）沙漠公路，共有15支队伍参赛，最终没有一支队伍完成全程，表现最好的卡内基梅隆大学Sandstorm车队仅行驶了11公里就因传感器被灰尘覆盖、导航系统失效而抛锚。2005年第二届DARPA挑战赛的路线同样是沙漠公路，共有23支队伍参赛，最终斯坦福大学开发的Stanley赛车以6小时53分8秒的成绩完成全程210公里，平均时速超过30km/h，成为首个完成赛事的无人车，该车搭载了5个

该车搭载了5个单线SICK激光雷达、1个毫米波雷达、2个普通摄像头、1个惯性测量单元（Inertial Measurement Unit, IMU）和差分GPS接收器，其核心创新在于首次将机器学习算法应用于越野障碍物识别，通过训练数据集让系统自动区分可行驶路面和岩石、灌木等障碍物，而非依赖人工编写的规则，这一技术路径成为后续自动驾驶感知算法的主流方向。

2007年举办的第三届DARPA城市挑战赛是自动驾驶发展史上的另一个里程碑，本次赛事的路线为模拟城市道路，总长度约96公里，要求参赛车辆遵守美国交通规则，在模拟城市环境中与其他6辆人类驾驶的车辆、数十名行人共同行驶，完成变道、超车、路口通行、停车等复杂任务。本次赛事共有11支队伍进入决赛，最终卡内基梅隆大学的Boss赛车以4小时29分的成绩获得冠军，平均时速达到22km/h；斯坦福大学的Junior赛车获得第二名，其核心创新是首次实现了对交通信号灯、停车标志的识别与遵守；麻省理工学院的Talos赛车获得第三名，其多传感器融合方案为后续行业提供了重要参考。本次赛事首次验证了自动驾驶系统在结构化城市道路、存在动态交通参与者的场景下的可行性，直接推动了后续自动驾驶技术的产业化进程。

DARPA挑战赛结束后，自动驾驶技术从实验室快速走向产业落地。2009年，谷歌秘密启动无人车项目（后独立为Waymo），成为首个将自动驾驶技术作为商业化目标推进的科技企业，其第一代原型车基于丰田普锐斯改装，搭载了激光雷达、摄像头、毫米波雷达等传感器，2012年获得美国内华达州颁发的全球首张自动驾驶测试牌照，2015年推出完全无方向盘的第五代无人车，定位精度达到厘米级。2014年，特斯拉推出Autopilot辅助驾驶系统，首次将L2级辅助驾驶功能带入消费级乘用车市场，通过纯视觉+毫米波雷达的方案实现了高速自动巡航、车道保持等功能，直接推动了L2级辅助驾驶的普及，2023年特斯拉FSD（Full Self-Driving）Beta版本开始向北美用户推送，实现了城市道路的自动辅助驾驶，虽然仍属于L2级范畴，但技术能力已经接近L3级

除特斯拉外，全球科技企业与车企也在加速推进自动驾驶技术的商业化落地。2009年谷歌秘密启动的无人车项目于2016年独立为Waymo公司，2020年Waymo在美国凤凰城推出全球首个全无人（无安全员）Robotaxi商业服务，覆盖面积超过200平方公里，截至2024年累计运营里程超过1000万英里（约1600万公里），其每百万英里事故率仅为人类驾驶员的1/8，安全性得到充分验证。在中国市场，百度萝卜快跑于2021年在北京亦庄启动Robotaxi商业化运营，2023年在武汉实现全无人Robotaxi规模化落地，运营区域覆盖3000余平方公里，累计服务用户超过1000万人次，单月营收突破1000万元，成为全球首个实现正向现金流的无人Robotaxi服务；小鹏汽车于2022年推出XNGP城市导航辅助驾驶系统，2024年已覆盖全国所有城市的所有道路，具备L2+级能力，用户使用率超过60%，直接推动了城市辅助驾驶的普及。

在商用车领域，自动驾驶技术的落地速度甚至快于乘用车。干线物流场景中，智加科技、图森未来等企业的L4级自动驾驶重卡已经在京沪、京港澳等高速干线开展商业化运营，可实现高速公路上的自动跟车、变道、超车，降低司机疲劳度的同时提升运输效率15%以上；封闭场景中，易控智驾、踏歌智行等企业的无人驾驶矿卡已经在内蒙古、新疆等地的露天煤矿实现7*24小时规模化运营，截至2024年累计运营矿卡超过2000台，每台矿卡每年可降低人工成本30万元，减少安全事故90%以上，矿区场景的自动驾驶渗透率已经达到30%。港口场景中，斯年智驾、主线科技等企业的无人集卡已经在上海洋山港、宁波舟山港等港口实现全无人运营，作业效率超过人工集卡的120%，成为港口物流的核心生产力。

值得注意的是，自动驾驶技术的商业化落地并非一帆风顺。2018年3月，美国亚利桑那州发生全球首例L4级自动驾驶测试致死事故：优步（Uber）的自动驾驶测试车在夜间行驶时，感知系统将横穿马路的行人误判为噪声，决策模块未触发紧急制动，安全员当时正在观看手机视频，未及时接管车辆，最终导致行人死亡。该事件直接推动了全球范围内自动驾驶测试安全标准的升级，多个国家要求L4级测试车辆必须配备双安全员，同时强制要求感知系统的障碍物识别准确率不低于99.99%，这也让行业意识到，自动驾驶技术的落地不仅需要技术突破，更需要完善的安全监管体系和责任划分规则。

自动驾驶技术的快速演进离不开核心硬件的持续迭代，其中车载传感器是感知（Perception）模块的基础