缘起：从DARPA沙漠挑战赛到自动驾驶的产业化征途

2004年3月13日的美国莫哈维沙漠，正午的气温已经爬升到38摄氏度，干燥的沙砾被风卷起，在阳光下形成一片朦胧的昏黄。距离起点线170公里处的最后3公里砂石路上，卡内基梅隆大学改装的重型悍马Sandstorm的转向液压管突然爆裂，淡蓝色的液压油滴落在滚烫的沙地上，瞬间蒸发成一团淡雾——这辆在此前6个月的测试中已经跑过数百公里沙漠路段、被所有人看好的夺冠热门，最终带着遗憾停在了距离终点线不到3公里的地方。现场的几百名观众爆发出惋惜的呼声，DARPA（美国国防部高级研究计划局）的官员皱紧了眉头，摄像机的镜头对准了停在沙地里、车顶还亮着传感器的Sandstorm，记录下这个足以载入自动驾驶史册的瞬间。

这是DARPA举办的首届“大挑战赛”（Grand Challenge），赛前主办方放出100万美元的奖金，吸引全球23支团队参赛，要求是让完全无人驾驶的车辆跑完从加州印第奥到内华达州拉斯维加斯的212公里沙漠路段，全程没有人类干预，限时10小时。赛前绝大多数人认为，自动驾驶至少要20年才能落地，而DARPA的目的就是打破这个认知——他们想要的是能在未来军事场景中自主行驶的无人车辆，没想到这场比赛意外成了整个自动驾驶产业的起点。

Sandstorm的退赛并没有让比赛彻底失去悬念：斯坦福大学团队改装的黑色大众途锐Stanley，正以32公里/小时的稳定速度在砂石路上行驶，车顶的黑色穹顶里装着当时最先进的单线激光雷达，车身四周的5个普通工业摄像头实时捕捉着道路画面，前后保险杠上的毫米波雷达精准测量着前方障碍物的距离和速度。车内的屏幕上跳动着传感器采集的原始数据，斯坦福团队负责人、后来成为谷歌自动驾驶项目创始人的塞巴斯蒂安·特龙（Sebastian Thrun）坐在监控车里，手指紧紧攥着对讲机，直到6小时53分钟后，Stanley稳稳冲过终点线，整个团队才爆发出欢呼。最终，Stanley以领先第二名卡内基梅隆另一辆参赛车H1ghlander近1个小时的成绩夺冠，而整个比赛只有5辆车完成了全程，其中3辆都采用了“摄像头+毫米波雷达+激光雷达”的多传感器融合方案，仅有的2辆纯视觉路线参赛车都在跑了不到50公里后因感知失效退赛。

这场比赛的现场照片和报道，在2004年的科技圈掀起了轩然大波：它第一次证明了，自动驾驶不是实验室里的仿真玩具，而是可以在真实开放道路、复杂非结构化场景下运行的可行技术。更关键的是，比赛无意中揭开了自动驾驶技术路线的第一次分野：以卡内基梅隆、斯坦福为代表的“多传感器融合”路线，和以麻省理工为代表的“纯视觉”路线，两种思路的对立在比赛结束后持续至今，甚至成为整个行业最核心的路线之争源头。

一、沙漠里的第一次分野：技术路线的底层基因

要理解当前自动驾驶行业的所有路线争论，都必须回到2004年的那场沙漠挑战赛，因为两种路线的底层逻辑，早在20年前就已经被这场比赛的实践验证过。

斯坦福Stanley夺冠的“朴素组合”，在当时已经是多传感器融合路线的典型配置：单线激光雷达负责精准测距，生成周围环境的点云数据，不受光线、扬尘的影响，能准确识别出道路的边缘、前方的障碍物；毫米波雷达负责测速和远距离探测，穿透性强，哪怕前方有扬尘也能检测到远处的车辆；摄像头负责语义识别，能读取车道线、交通标志、信号灯这些激光雷达和毫米波雷达无法识别的信息。三者互补，刚好覆盖了沙漠场景下的所有感知需求：强光下摄像头不会完全失效，扬尘中激光雷达和毫米波雷达能补上视觉的盲区，最终让Stanley在复杂的沙漠路况下稳定跑完全程。

而纯视觉路线在当时遭遇的滑铁卢，本质上是技术成熟度的问题：2004年的计算机视觉技术还停留在传统图像处理的阶段，神经网络的算力、数据集都远远不够，纯视觉方案在强光、扬尘、阴影等复杂场景下的误判率极高，甚至会出现把沙丘识别成道路、把岩石识别成障碍物的低级错误。但纯视觉路线的支持者始终坚持一个核心逻辑：人类司机只需要眼睛和大脑就能开车，不需要额外的激光雷达和毫米波雷达，所以机器也应该可以只用摄像头实现自动驾驶——这个逻辑的合理性在于，视觉是唯一能捕捉丰富语义信息的传感器，也是成本最低、最容易量产的传感器，只要能解决长尾场景的识别问题，纯视觉就是量产自动驾驶的最优解。

这场比赛的第二个隐藏分野，是技术架构的选择：当时的参赛团队已经普遍采用了分层模块化的架构，把自动驾驶系统拆成感知、决策、规划、控制四个独立模块，每个模块单独开发、单独优化。感知模块负责识别周围的环境，决策模块负责做出“跟车、变道、刹车”这类高层决策，规划模块负责生成车辆行驶的具体轨迹，控制模块负责控制方向盘、油门、刹车执行轨迹。这种架构的优势是逻辑清晰、可解释性强，出了问题容易排查，劣势是模块之间的误差会累积——如果感知层漏检了一个突然窜出来的行人，决策层就会做出错误的判断，最终导致事故。

2007年DARPA举办的第二届挑战赛“城市挑战赛”，进一步验证了这两个路线的合理性：这次比赛的场景是模拟城市道路，有红绿灯、其他车辆、行人、交叉路口，最终卡内基梅隆大学的改装车Boss夺冠，采用的仍然是多传感器融合+模块化架构，而纯视觉路线的团队仍然没有完成比赛。但这次比赛也暴露了模块化架构的痛点：城市场景的复杂度是指数级上升的，靠人工编写规则的方式根本覆盖不了所有的长尾场景，比如行人突然闯红灯、其他车辆加塞、外卖员骑车逆行，这些场景的规则根本写不完，靠规则驱动的决策模块已经接近能力上限。

也是在这次比赛后，DARPA的官员在颁奖典礼上公开表示：“自动驾驶技术的商业化落地，核心是解决‘成本’和‘长尾场景’两个问题，前者决定了技术能不能大规模普及，后者决定了技术能不能真正安全。”这句话精准点出了此后20年自动驾驶行业所有争论的核心。

二、从实验室到产业：三个关键节点的路线分野

2004年的DARPA挑战赛只是学术界的技术狂欢，真正把自动驾驶从实验室拉进产业化赛道的，是此后三个关键节点的落地。

第一个关键节点是2009年谷歌X实验室的成立。谷歌创始人拉里·佩奇在看完DARPA城市挑战赛的报道后，直接把斯坦福团队的冠军成员塞巴斯蒂安·特龙挖到了谷歌，成立了专门的自动驾驶项目。谷歌的团队继承了DARPA挑战赛的多传感器融合路线，一开始用的是改装的丰田普锐斯，车上装了7颗Velodyne的64线激光雷达，每颗售价高达7万美元，加上毫米波雷达、摄像头、高精度GPS和IMU（惯性测量单元），单车的改造成本超过30万美元。这种配置的安全冗余拉满，激光雷达的测距精度可以达到厘米级，哪怕在完全黑暗、暴雨、暴雪的场景下也能准确识别周围的环境，非常适合做Robotaxi（自动驾驶出租车）的运营，但显然不可能用在量产乘用车上。

谷歌的团队用了3年时间，在加州和内华达州的限定区域测试了超过100万公里，2012年拿到了内华达州颁发的全球第一张自动驾驶牌照，2015年开始在凤凰城向公众开放免费的Robotaxi试乘，2016年Waymo从谷歌拆分独立运营，成为全球第一家实现自动驾驶商业化运营的公司。截至2024年，Waymo已经在旧金山、洛杉矶、凤凰城三个城市推出了完全无人驾驶的收费服务，累计运营里程超过2000万公里，但它的单车成本仍然超过10万美元，只能在限定区域运营，离大规模普及还有很远的路。

第二个关键节点是2019年特斯拉FSD（Full Self-Driving）Beta的落地。特斯拉的路线和谷歌完全相反：从一开始就走纯视觉路线，2014年推出第一代Autopilot时用的是“摄像头+毫米波雷达”的方案，2016年发生第一起Autopilot致死事故后，特斯拉开始质疑毫米波雷达的可靠性——毫米波雷达对金属物体的识别能力差，会把路边的金属护栏识别成车辆，导致不必要的刹车，影响驾驶体验。2021年，特斯拉彻底去掉了所有车型上的毫米波雷达，成为全球第一家完全采用纯视觉方案的量产车企，同年推出FSD Beta，让超过1万名北美用户体验了基于纯视觉的高阶辅助驾驶。

特斯拉的纯视觉路线核心是“成本优先”：要大规模量产乘用车，就不能加昂贵的激光雷达和毫米波雷达，只能靠摄像头加高算力芯片实现自动驾驶。特斯拉的FSD芯片算力只有144TOPS，成本不到500元人民币，整个纯视觉方案的硬件成本不到3000元人民币，是Waymo多传感器融合方案成本的几十分之一。这种成本优势让特斯拉的FSD能在量产车上快速普及，截至2024年，北美已经有超过100万用户使用FSD Beta，中国的FSD也已经在国内开启测试。但纯视觉路线的痛点也一直存在：极端天气下的感知能力不足，长尾场景的误判率高，安全争议不断，截至2024年，美国NHTSA已经对特斯拉的Autopilot和FSD发起了超过20起事故调查。

第三个关键节点是2022年中国新势力城市NOA（自动导航辅助驾驶）的普及。NOA是L2+级辅助驾驶的核心功能，能实现高速、城市道路的自动跟车、变道、超车、进出匝道，甚至能识别红绿灯、礼让行人，是当前量产辅助驾驶的体验天花板。2022年之前，国内的车企普遍采用“多传感器融合”路线，比如小鹏2021年推出的G9，搭载了2颗激光雷达、12个超声波雷达、5个毫米波雷达、12个摄像头，传感器成本超过1万元人民币，整车的售价超过30万，只有高端车型能搭载。

2022年开始，国内车企开始走“降本增效”的路线：一方面用4D毫米波雷达替代部分激光雷达的功能，4D毫米波雷达的测距精度和激光雷达接近，成本只有激光雷达的1/10，能大幅降低传感器成本；另一方面用国产的激光雷达和芯片，把激光雷达的成本从2020年的1000美元降到2024年的300美元以下，毫米波雷达的成本降到几十美元。到2023年，国内已经有超过20款搭载城市NOA的车型上市，售价下探到15万级别，L2级辅助驾驶的乘用车渗透率超过45%，L2+级渗透率超过15%，中国成为全球首个实现高阶辅助驾驶大规模普及的市场。

这三个节点的路线分野非常清晰：谷歌Waymo走的是“多传感器融合+限定区域运营”的Robotaxi路线，核心是高安全、高成本、小范围商业化；特斯拉走的是“纯视觉+全场景量产”的乘用车路线，核心是低成本、大规模普及、体验优先；国内新势力走的是“多传感器融合降本+城市NOA量产”的中间路线，核心是平衡安全、成本和体验，快速实现商业化落地。三种路线没有绝对的对错，只是适配了不同的应用场景和商业化目标。

三、核心路线之争的底层逻辑：不是技术对立，是场景适配

当前行业关于“纯视觉还是多传感器融合”“模块化还是端到端”的争论，本质上是不同场景下“安全、成本、体验”三个核心诉求的优先级不同，而不是技术本身的对立。

先看纯视觉和多传感器融合的争论。支持纯视觉的一方认为，摄像头是唯一能捕捉丰富语义信息的传感器，能识别车道线、交通标志、信号灯、行人、非机动车这些激光雷达和毫米波雷达无法识别的对象，而且成本极低，适合大规模量产。特斯拉FSD V12版本的实践已经证明，只要数据量足够大、模型足够强，纯视觉方案也能实现城市NOA的功能，甚至在某些场景下的体验比多传感器融合方案更好。支持多传感器融合的一方认为，自动驾驶的安全是第一位的，激光雷达的测距精度是厘米级，不受光线、天气的影响，毫米波雷达的测速精度极高，能提前探测到远距离的障碍物，多传感器的冗余设计能大幅降低事故概率，适合对安全要求极高的Robotaxi场景。

两种路线的核心差异是“成本优先还是安全优先”：如果场景是量产乘用车，用户对价格敏感，需要大规模普及，那么纯视觉+高算力是更优解；如果场景是Robotaxi，运营商对安全的要求远高于成本，那么多传感器融合是更优解。现在行业已经逐渐形成了共识：不会出现“纯视觉淘汰多传感器融合”或者“多传感器融合淘汰纯视觉”的情况，两种路线会长期共存，分别适配不同的场景。

再看模块化和端到端的争论。模块化是过去10年自动驾驶行业的主流架构，把系统拆成感知、决策、规划、控制四个独立模块，每个模块单独开发、单独迭代。感知模块输出周围的物体列表、车道线、交通标志等信息，决策模块根据这些信息做出“跟车、变道、刹车”这类高层决策，规划模块生成车辆行驶的具体轨迹，控制模块控制车辆执行轨迹。这种架构的优势是可解释性强，出了问题容易排查，每个模块都可以用不同的算法优化，比如感知用Transformer，决策用规则引擎，规划用优化算法，劣势是模块之间的误差会累积，而且规则引擎很难覆盖所有的长尾场景，需要投入大量的人力编写规则。

端到端是最近两年兴起的新架构，直接把传感器的原始数据输入到一个大神经网络里，直接输出控制信号，中间的感知、决策、规划、控制过程都由神经网络完成，不需要人工干预。端到端的优势是数据驱动，泛化性好，遇到没见过的长尾场景也能处理，比如突然窜出来的外卖员、路上倒着的三轮车，端到端模型可能比规则引擎处理得更好；劣势是黑盒，可解释性差，出了问题不知道是神经网络哪一部分出了问题，调试难度极大，而且需要大量的高质量数据训练，数据成本极高。

现在行业的共识也不是“模块化淘汰端到端”或者“端到端淘汰模块化”，而是走向“混合架构”：感知层仍然用模块化的多传感器融合或者纯视觉方案，保证感知的准确性和可解释性；决策规划层用端到端的大模型，提升长尾场景的处理能力；控制层仍然用传统的PID或者MPC（模型预测控制）算法，保证控制的稳定性和安全性。比如特斯拉FSD V12版本就是典型的混合架构：感知层用纯视觉的Transformer模型，决策规划层用端到端的大模型，控制层用传统的控制算法，既保留了模块化的可解释性，又提升了端到端的泛化性。国内的小鹏、理想、华为等车企的XNGP、AD Max、ADS 2.0等系统，也都是采用类似的混合架构，在保证安全的前提下提升用户体验。

四、三角平衡的核心痛点：安全、成本、体验的不可能三角

当前自动驾驶行业的核心痛点，是“安全、

当前自动驾驶行业的核心痛点，是“安全、成本、体验”的不可能三角，是过去20年自动驾驶行业所有争论的核心。这个三角的每一个顶点，都对应着完全不同的技术路线和商业化路径：安全优先的路线，必然要堆冗余传感器和高算力硬件，导致成本居高不下，为了安全会采用保守的驾驶策略，频繁刹车、变道犹豫，牺牲体验；成本优先的路线，必然要砍掉冗余传感器，降低硬件成本，导致极端场景下的安全冗余不足，体验也会因为感知能力的局限而打折扣；体验优先的路线，必然要用到更先进的算法和更多的数据，算法的迭代速度会优先于安全验证，导致安全风险上升。

举个具体的例子：当前全球Robotaxi的标杆Waymo，单车改造成本超过10万美元，搭载了1颗128线激光雷达、5颗毫米波雷达、12个摄像头、1套高精度GPS+IMU（惯性测量单元）组合导航系统，感知冗余拉满，能在暴雨、暴雪、完全黑暗的场景下正常运行，安全冗余达到人类驾驶员的10倍以上，但它的运营成本高达每公里3美元，是普通网约车的10倍，而且为了保证安全，它的驾驶策略非常保守，遇到加塞、行人闯红灯的情况会频繁刹车，甚至停在原地等待，用户体验远不如人类司机。而特斯拉的FSD，硬件成本不到3000元人民币，体验上能实现城市道路的自动跟车、变道、超车、识别红绿灯，甚至能处理无保护左转、环岛通行这类复杂场景，但它的安全冗余只有人类驾驶员的1.5倍左右，极端天气下感知能力会大幅下降，2023年美国NHTSA（国家公路交通安全管理局）的统计数据显示，美国每1亿公里FSD行驶里程会发生0.8起事故，而人类驾驶员的每1亿公里事故率是1.1起，看起来比特斯拉的事故率低，但要注意的是，FSD的事故大多是低伤害的追尾、剐蹭，而一旦出现高速场景下的感知失效，就是致命的追尾事故——2023年特斯拉FSD在加州高速上把白色的大货车识别成白云，直接撞上去导致驾驶员死亡的事故，就是纯视觉方案在极端场景下的致命缺陷。

国内的新势力走的是中间的平衡路线：比如小鹏2023年推出的G9，搭载了2颗128线激光雷达、5颗毫米波雷达、12个摄像头、12个超声波雷达，传感器成本约8000元人民币，整车售价30万左右，安全冗余达到人类驾驶员的3倍以上，城市NOA（自动导航辅助驾驶）的体验已经接近人类司机的水平，成本只有Waymo的1/30，安全水平比FSD高，体验也比Waymo好，但它的售价仍然偏高，只能覆盖20%的高端用户，离大规模普及还有距离。而比亚迪2024年推出的海豹07，搭载了纯视觉的辅助驾驶方案，硬件成本只有2000元人民币，整车售价15万，L2级辅助驾驶的渗透率已经覆盖了该车型90%的销量，但它的功能只有高速NOA，没有城市NOA，安全冗余只有人类驾驶员的1.2倍，只能满足用户的基础需求。

这个不可能三角的平衡，本质上是技术成熟度和商业化的权衡：在技术成熟度不够的时候，安全和体验很难兼顾，要么堆硬件保安全，要么砍硬件降成本；只有当技术成熟到足够高的时候，才能在保证安全的前提下，同时实现低成本和好体验。比如激光雷达的成本从2010年的7万美元降到2024年的300美元，算力从2010年的几TOPS（每秒万亿次运算）升到2024年的254TOPS，大模型的泛化性从2010年的只能识别固定物体到2024年的能处理99%的长尾场景，都是在逐步缩小这个三角的边长，让平衡点越来越靠近“安全、低成本、好体验”的理想状态。

---

2018年3月，亚利桑那州坦佩市的一条街道上，一辆Uber改装的自动驾驶沃尔沃XC90以65公里/小时的速度行驶，车上的感知系统已经检测到了正在横穿马路的行人伊莱恩·赫茨伯格，但系统的决策模块为了避免急刹导致后车追尾，选择了保持速度继续行驶，最终车辆撞上了赫茨伯格，导致其死亡。这是全球第一起自动驾驶致死事故，事故调查发现，Uber的感知系统为了降低成本，只用了1颗激光雷达和摄像头，没有装毫米波雷达，而且感知系统的阈值设置得太低，把行人识别成了“未知障碍物”，决策模块为了避免误刹车，直接忽略了感知结果，最终导致事故。

这起事故给整个行业敲响了警钟：自动驾驶的安全不是技术成熟度的问题，而是系统工程的问题，任何一个环节的疏漏都可能导致致命的事故。事故发生后，Uber暂停了所有自动驾驶测试，全球各地的自动驾驶监管政策全面收紧，行业进入了一段时间的低谷。但也正是这起事故，让行业第一次意识到“安全”在自动驾驶中的优先级高于一切：任何为了降低成本、提升体验而牺牲安全的行为，最终都会付出惨痛的代价。当时UberATG（自动驾驶部门）的负责人、后来成为图森未来创始人的陈默在接受采访时说：“我们之前为了赶进度，砍掉了不少安全冗余的测试，现在想起来，那时候真的是在拿生命冒险。”

2020年，Waymo在凤凰城推出了全球第一个完全无人驾驶的收费Robotaxi（自动驾驶出租车）服务，用户可以通过APP叫车，车上没有安全员，完全由自动驾驶系统驾驶，收费和普通网约车差不多。这个服务的推出，标志着自动驾驶从测试阶段正式进入商业化阶段。但Waymo的运营范围仍然限定在凤凰城的特定区域，车辆只能在划定的区域里行驶，不能去其他区域，而且运营时间也有限制，晚上不能出车，下雨天也不能出车，离真正的全场景无人驾驶还有很远的距离。当时Waymo的CEO约翰·克拉夫茨克在接受《纽约时报》采访时说：“我们现在的目标是先