第一章 自动驾驶的进化之路：从科幻设想到规模落地

1925年，美国发明家弗朗西斯·皮亚扎·史密斯坐在改装的“美国陆战号”汽车前座，手里举着一台连接着无线电接收装置的杆子，随着车辆缓慢行驶，杆子顶部的接收器不断转动，将前方路况转化为无线电信号传回车内，由另一台设备转换成简单的图像——这辆被《纽约 Times》称为“没有马的马车”的装置，被认为是人类历史上第一辆具备自动驾驶雏形的车辆。虽然它的实际行驶速度只有每小时20公里，且只能在预设的轨道附近行驶，但当时的人们已经大胆预测：“不出20年，自动驾驶汽车将彻底改变人类的出行方式。”这个预测显然过于乐观，但从这个荒诞又充满想象力的发明开始，自动驾驶的进化之路已经走了整整一个世纪。

真正让自动驾驶从科幻走向实验室的，是20世纪80年代计算机算力的爆发和传感器技术的进步。1984年，卡内基梅隆大学（Carnegie Mellon University, CMU）启动了著名的NavLab（Navigation Laboratory）项目，先后研发了NavLab 1到NavLab 5共5代无人驾驶实验车。其中1995年的“No Hands Across America（双手放开穿越美国）”项目堪称自动驾驶史上的里程碑：团队驾驶改装后的NavLab 5，从匹兹堡出发横穿美国，全程4600公里，仅用摄像头、激光测距仪、GPS和惯性测量单元（Inertial Measurement Unit, IMU）就完成了98%的自动驾驶里程，人工接管次数仅为几十次，最高行驶速度达到每小时65公里。虽然当时的系统只能应对结构化道路，遇到复杂路口就需要人工接管，但这是人类首次证明：自动驾驶在技术上是可行的。

这一里程碑直接推动了美国国防部高级研究计划局（DARPA）在2003年发起“DARPA大挑战赛（DARPA Grand Challenge）”，旨在推动无人驾驶技术在军事场景的应用。2004年的首届比赛中，最优秀的参赛车辆——斯坦福大学团队的Stanley也只跑了11公里就因故障瘫在沙漠里，连赛道的一半都没完成，评委们戏称这场大赛是“沙漠里的 scrap metal show（废铁展）”。但仅仅一年后，2005年的第二届比赛中，Stanley就完成了212公里的全部赛程，以不到7小时的时间夺冠，拿到了200万美元的奖金。2007年的“城市挑战赛”更是把场景从沙漠搬到了模拟城市，要求参赛车辆遵守交通规则、避让其他车辆和行人、完成泊车等操作，最终卡内基梅隆大学的Boss团队夺冠。这三届比赛直接催生了自动驾驶行业的第一次创业热潮：如今全球自动驾驶行业的头部企业中，超过60%的核心团队成员都曾参与过DARPA大挑战赛，Waymo的创始人塞巴斯蒂安·特龙（Sebastian Thrun）正是2005年斯坦福Stanley团队的负责人。

如果说DARPA大赛证明了自动驾驶的技术可行性，那么2014年国际汽车工程师学会（Society of Automotive Engineers, SAE）发布的J3016标准，则为整个行业提供了统一的“语言体系”。这份标准被全球所有车企、自动驾驶企业、监管机构奉为圭臬，明确将自动驾驶从L0到L5分为6个等级，每个等级对应不同的驾驶任务责任主体、系统激活条件和功能边界。

1.1 SAE J3016分级标准：从“辅助”到“自动”的边界

很多人会把L2和L3混为一谈，认为“能自动跟车、自动保持车道就是自动驾驶”，但实际上两者的核心差异是责任划分：L2级系统的所有驾驶责任都由人类驾驶员承担，而L3级及以上，当系统处于激活状态时，驾驶责任由车企承担。我们逐级拆解每个等级的定义和技术难点：

• **L0 无自动化（No Driving Automation）**：人类驾驶员负责所有的驾驶任务，包括感知、决策、规划、控制，车辆没有任何辅助驾驶功能。比如20世纪的老式燃油车，只有定速巡航（Cruise Control）功能也属于L0，因为它只能固定车速，无法应对前车减速、弯道等情况。
• **L1 驾驶辅助（Driver Assistance）**：系统仅能辅助完成单一驾驶任务，比如自适应巡航（Adaptive Cruise Control, ACC）可以辅助控制车速，车道保持辅助（Lane Keep Assist, LKA）可以辅助控制方向，但两者不能同时工作，驾驶员必须全程手握方向盘、监控路况。目前绝大多数10万元以下的燃油车都仅支持L1级功能。
• **L2 部分驾驶辅助（Partial Driving Automation）**：系统可以同时辅助完成多项驾驶任务，比如ACC+LKA组合成的车道居中辅助（Lane Centering Control, LCC），驾驶员可以短暂松手，但必须全程监控路况，随时准备接管。目前特斯拉Autopilot、小鹏LCC、理想AD Pro都属于L2级功能，这也是当前量产车的主流配置。L2的核心难点是**人机共驾的监控问题**：大量事故数据显示，驾驶员在使用L2功能时容易过度依赖系统，出现分心、睡觉等情况，导致无法及时接管。
• **L3 有条件自动驾驶（Conditional Automation）**：这是自动驾驶从“辅助”到“自动”的分水岭：在系统设计的运行设计域（Operational Design Domain, ODD）内，比如高速堵车场景（车速不超过60km/h）、城市快速路场景，系统可以完全负责驾驶任务，驾驶员不需要监控路况，可以看手机、处理工作，只有当系统发出接管请求时，驾驶员才需要在规定时间内（通常是10秒）接管车辆。2023年奔驰S级搭载的Drive Pilot系统是全球首个获得联合国法规认证的L3级系统，在德国、美国加州等地区的高速堵车场景下可以开启，最高车速60km/h，事故责任由奔驰承担。L3的核心难点是**责任划分和系统可靠性**：一方面需要法律法规明确责任边界，另一方面系统必须保证在ODD内不会出现失效，同时要能准确判断驾驶员是否具备接管能力。
• **L4 高度自动驾驶（High Automation）**：系统在限定区域、限定场景下可以完全负责驾驶任务，不需要人类驾驶员接管，车辆甚至可以取消方向盘和刹车油门。比如百度萝卜快跑的Robotaxi、Waymo的无人驾驶出租车，都只能在测试区域的公开道路行驶，出了区域就无法使用。L4的核心难点是**长尾场景覆盖和成本控制**：需要覆盖99.99%以上的极端场景，同时要把改造成本降到普通消费者能接受的范围。
• **L5 完全自动驾驶（Full Automation）**：终极目标，系统可以在全场景、全气候下完全负责驾驶任务，不需要人类驾驶员，不需要限定ODD，不管是暴雪天、无标线的乡村道路，还是驾驶员酒驾的状态，车辆都可以正常行驶。目前全球还没有任何企业能实现L5级功能，行业普遍预测要到2035年之后才能落地。

为了更直观地理解不同等级的区别，我们可以用下图梳理SAE分级的核心逻辑和责任划分： ```mermaid graph TD L0[L0 无自动化<br/>No Driving Automation<br/>责任：100%人类] -->|仅辅助单一任务| L1[L1 驾驶辅助<br/>Driver Assistance<br/>责任：100%人类<br/>例：ACC、车道保持] L1 -->|可同时辅助多项任务| L2[L2 部分驾驶辅助<br/>Partial Driving Automation<br/>责任：100%人类<br/>例：特斯拉Autopilot、小鹏LCC] L2 -->|特定ODD内系统负责| L3[L3 有条件自动驾驶<br/>Conditional Automation<br/>责任：车企承担<br/>例：奔驰Drive Pilot、奥迪A8 L3] L3 -->|限定区域/场景无需接管| L4[L4 高度自动驾驶<br/>High Automation<br/>责任：车企承担<br/>例：百度萝卜快跑、Waymo Robotaxi] L4 -->|全场景无限制| L5[L5 完全自动驾驶<br/>Full Automation<br/>责任：车企承担<br/>终极目标] %% 高亮分水岭 style L3 fill:#ffeb3b,stroke:#333,stroke-width:2px style L4 fill:#4caf50,stroke:#fff,stroke-width:2px style L5 fill:#2196f3,stroke:#fff,stroke-width:2px ```

1.2 技术路线演进：从模块化Pipeline到端到端大模型

过去20年，自动驾驶的技术路线经历了两次重大迭代：从早期的“模块化Pipeline”到如今兴起的“端到端大模型”，同时“纯视觉”和“多传感器融合”两条路线的争论也贯穿了整个行业的发展。

1.2.1 模块化Pipeline：工业界的黄金标准

过去10年，几乎所有自动驾驶企业的技术方案都是基于模块化Pipeline，把整个自动驾驶系统拆分为四个独立的模块，每个模块单独开发、单独迭代： 1. 感知层（Perception）：负责识别周围的障碍物、车道线、交通标志、红绿灯等信息，输出结构化数据，比如“前方10米有一辆白色轿车，速度30km/h”“左侧车道线为虚线”。 2. 决策层（Decision-making）：根据感知层输出的信息，结合导航路径，做出驾驶决策，比如“跟车”“超车”“变道”“停车”。 3. 规划层（Planning）：根据决策层的指令，规划出具体的行驶路径，比如变道时规划出平滑的轨迹，避免急刹急转。 4. 控制层（Control）：根据规划层输出的轨迹，输出具体的控制指令，比如“油门踩下20%”“方向盘左转15度”“刹车踩下30%”。

这套方案的优势是逻辑清晰、可解释性强，每个模块的算法都可以单独优化，比如感知层的障碍物识别准确率可以从90%提升到95%，整个系统的安全性就会明显提升。但它的劣势也非常明显：误差会逐级累积。如果感知层把前方的一个纸箱识别成了行人，决策层就会做出紧急刹车的决策，规划层就会规划出急刹的轨迹，控制层就会猛踩刹车，不仅影响乘坐体验，还可能导致后车追尾。

1.2.2 端到端大模型：下一代技术方向

2023年，特斯拉发布的FSD Beta V12版本，首次把端到端大模型用到了量产车上，彻底取消了传统模块化Pipeline中超过30万行人工编写的规则，直接输入摄像头的原始数据，输出油门、刹车、转向的控制指令。这套方案的核心逻辑是：让大模型自己学习“什么样的路况该做什么样的操作”，不需要人工告诉它“什么是障碍物”“什么是车道线”。

端到端方案的优势非常明显：泛化性极强。传统模块化方案需要针对每个场景单独写规则，比如遇到施工路段的临时标志需要单独识别，遇到行人闯红灯需要单独处理，而端到端大模型可以通过海量数据学习到所有场景的应对方式，长尾场景的覆盖能力远高于传统方案。目前特斯拉FSD Beta V12在美国的测试数据显示，它的城市场景通行能力已经接近人类驾驶员的水平，人工接管率已经降到了每1000公里不到1次。

但端到端方案也有明显的劣势：可解释性差。传统模块化方案如果出了问题，可以快速定位是感知层识别错了，还是决策层规则没写对，而端到端大模型是个“黑盒”，如果它做出了错误的决策，开发者很难知道是哪里出了问题，监管机构也很难认可它的安全性。目前行业的主流观点是：未来

目前行业的主流观点是：未来3-5年不会是端到端完全取代模块化，而是混合架构成为主流：端到端大模型负责感知和决策的全局推理，模块化Pipeline负责可解释性校验、规则兜底，比如感知层用端到端模型做目标检测，同时用规则引擎校验检测结果是否符合物理常识（比如车速不可能超过300km/h，障碍物不可能出现在天上），决策层用端到端模型做驾驶策略，同时用规则引擎校验决策是否符合交通规则（比如不能闯红灯、不能压实线），这样既保留了端到端的泛化性，又解决了可解释性的问题。2024年小鹏发布的XNGP 5.0版本、华为发布的ADS 3.0版本，都采用了这种混合架构，测试数据显示，混合架构的城市场景接管率比纯模块化方案降低了40%，同时可解释性比纯端到端方案提升了60%，是当前公认的最优技术路径。

如果说模块化和端到端的争论是“怎么处理数据”的分歧，那么纯视觉和多传感器融合的争论就是“用什么数据”的分歧，这场争论贯穿了自动驾驶发展的整个历程，至今没有定论。

纯视觉路线的核心逻辑是“模拟人类驾驶员的感知方式”：人类驾驶员只用眼睛就能开车，不需要额外的传感器，所以自动驾驶也应该只用摄像头就能实现。特斯拉从2016年开始就坚持纯视觉路线，取消了车上的毫米波雷达和超声波雷达，仅靠8个摄像头采集的原始数据输入FSD大模型，直接输出控制指令。特斯拉的理由非常充分：第一，摄像头成本极低，单个摄像头成本不到10美元，8个加起来不到100美元，而激光雷达的成本虽然在下降，但单个还是要200美元以上，多传感器融合的方案成本是纯视觉的3-5倍；第二，摄像头的信息量远高于其他传感器，能识别颜色、纹理、文字，比如交通标志、红绿灯、车道线的虚实，这些是激光雷达和毫米波雷达做不到的；第三，摄像头的数据和人类驾驶员的感知逻辑一致，大模型更容易学习。但纯视觉路线的劣势也非常明显：对光照、天气的敏感度极高，比如逆光、黑夜、暴雨、沙尘暴天气下，摄像头的识别准确率会大幅下降，2021年美国国家公路交通安全管理局（NHTSA）披露的特斯拉Autopilot事故数据显示，超过60%的事故发生在逆光或黑夜场景，其中有一起事故是特斯拉把前方横穿马路的白色货车识别成了天上的白云，直接撞了上去，造成了人员伤亡。为了弥补纯视觉的劣势，特斯拉在2023年发布的FSD Beta V12中加入了占据栅格网络（Occupancy Network, OccNet），通过摄像头的数据推断出三维空间的占据情况，不用激光雷达也能识别出障碍物的位置和形状，相当于给纯视觉方案加上了“空间推理能力”，目前这套方案在晴天的高速和城市道路上的表现已经接近激光雷达融合方案，但在极端天气下的表现仍有较大差距。

多传感器融合路线的核心逻辑是“冗余和安全优先”：不同传感器的优缺点互补