Name: 当汽车学会思考：自动驾驶技术全景解析
Author: MiniMax-M3

第一章：驶向无人之境——自动驾驶的百年长梦

第一章驶向无人之境——自动驾驶的百年长梦

2004年3月13日清晨，加州巴斯托（Barstow）以东的莫哈韦沙漠（Mojave Desert）寒风刺骨。15支来自美国顶级高校和企业的机器人研究团队，带着他们改装的全自主车辆（autonomous vehicle），驶入了一条据说"连上帝都难以穿越"的 142 英里（约 228 公里）荒原。美国国防高级研究计划局（Defense Advanced Research Projects Agency, DARPA）悬赏 100 万美元，奖励第一支在 10 小时内跑完全程的队伍。

10 小时后，DARPA 不得不尴尬地宣布：没有一支队伍跑完 7 英里之外的赛段。卡内基梅隆大学（Carnegie Mellon University, CMU）红队（Red Team）的悍马（HMMWV）改装车 "Sandstorm"（沙暴）在冲出 7.4 英里（约 11.9 公里）后，被一块毫不起眼的岩石卡住底盘，然后因电控系统过热而自燃。CMU 另一辆 "Highlander" 干脆还没出发就在热身区撞上了围墙。其他 13 支队伍，或陷在沟里，或被仙人掌刺穿轮胎，或是被自己的路径规划算法（path planning algorithm）误导进了死胡同。

这场后来被业界戏称为"自动驾驶界莱特兄弟时刻（Wright Brothers Moment）"的惨败，以一种近乎戏剧化的方式告诉世界：让汽车自己开，远比想象中困难得多。但它同时也点燃了之后 20 年人类对自动驾驶最狂热的赌注——从 2005 年斯坦福的 Stanley（斯坦利）夺冠，到 2009 年 Google 秘密启动的无人车项目（Project Chauffeur），再到 2024 年 Waymo 在凤凰城、旧金山、洛杉矶全面铺开的 Robotaxi（全无人驾驶出租车）商业化运营。

核心问题由此浮现：在人类追求自动驾驶的百年历程中，技术范式（technological paradigm）究竟经历了哪些根本性转变？是什么力量，让一代又一代工程师在反复失败后仍然执迷不悔？

要回答这个问题，我们必须穿越三个层面的"驱动力"——技术驱动力（从规则到学习的范式转移）、商业驱动力（从科研到万亿赛道）、以及社会驱动力（安全、效率与老龄化）。本章将以 2004 年 DARPA 沙漠惨案为切片，纵向梳理 1885—2024 这 140 年的技术演进，横向比较传统车企与科技公司的路线之争，最终建立一套理解当前自动驾驶格局的整体认知框架。

---

1.1 从遥控到深度学习：自动驾驶技术的三次范式跃迁

如果把一辆自动驾驶汽车比作一个"会开车的机器人"，那么过去 140 年的工程师们其实在反复回答同一个问题：这台机器的"驾驶知识"从哪里来？ 这个看似简单的问题，背后隐藏了三次深刻的范式革命（paradigm shift），每一次都伴随着对"知识"本质的重新理解。

1.1.1 第一次范式革命：规则与专家系统时代（1925—1990）

自动驾驶的源头，比很多人想象的都要早。1925 年 8 月，一位名叫 Francis P. Houdina 的美国发明家，在纽约百老汇街头公开展示了一辆通过无线电遥控（radio control）行驶的 Chandler 轿车——后视镜里不时冒出火花，转向柱上绑着一个硕大的天线。Houdina 给它起名叫 "American Wonder"（美国奇观），并在《纽约时报》上宣称"未来的汽车将不再需要司机"。

但严格意义上，遥控车不等于自动驾驶车。遥控的本质，是把人类驾驶员从车内的方向盘"挪"到了几米之外的另一个盒子。真正的转折点发生在二战之后的冷战时期。

1969 年，人工智能之父之一、斯坦福教授 John McCarthy 在一篇名为 "Computer-Controlled Cars" 的论文中，第一次系统性地描述了"电子 chauffeur（电子司机）"的构想：一个能像人一样感知路况、规划路径、并执行驾驶动作的机器。他甚至预见到了"自动视觉输入"（automatic visual input）和"自动驾驶高速通勤"（automatic chauffeur-driven highway trip）等概念，比 DARPA 启动 Grand Challenge 早了整整 35 年。

但 1970—1980 年代的技术水平，远远支撑不起 McCarthy 的愿景。这一时期的自动驾驶研究，主要沿着两条平行线展开：

第一条线是欧洲的 Ernst Dickmanns。 这位慕尼黑联邦国防军大学（Bundeswehr University Munich）的教授，从 1980 年代开始，先后主持了 EUREKA-PROMETHEUS 项目（1987—1995），其代表作 VaMoRs（Vorgängermodell eines autonom fahrenden, rechnergesteuerten Straßenfahrzeugs）和 VAMP（VaMoRs-Pkw）车辆，在德国高速公路上创造了多次"视觉驾驶"纪录。1994 年，VAMP 完成了从慕尼黑到丹麦欧登塞（Odense）的 1600 公里自主驾驶，平均时速 90 公里以上，全程仅有少量人工干预。Dickmanns 的方法，本质上是基于规则的方法学（rule-based approach）：工程师把"看见红灯要停"、"前方有车要减速"这类人类驾驶经验，翻译成数百条 if-then 规则，写进 C 语言代码里。

第二条线是美国的 CMU NavLab。 1984 年，CMU 机器人研究所（Robotics Institute）的 Charles Thorpe 和 Takeo Kanade 启动了 NavLab 系列项目。1995 年，NavLab 5 完成了一次名为 "No Hands Across America" 的横穿大陆试验——一辆改装的 Pontiac Trans Sport 在 4587 公里（2850 英里）的行程中，98% 的时间由计算机控制油门和方向盘，但视觉感知仍然薄弱，主要依赖前置摄像头和简单的车道线检测（lane detection）。驾驶员 Dean Pomerleau 仍然需要时刻盯着路面，必要时人工干预。

这一时期的共同特征是：知识来源于人类工程师的手工编码。换句话说，自动驾驶系统的"大脑"，本质上是把"老司机"的驾驶经验，转化为成百上千条 if-then 规则，再配上图像处理、传感器融合（sensor fusion）等信号处理技术。它们的局限同样显而易见——当遇到规则表里没有的边角案例（corner case），比如一只鹿突然跳到路中间，或者路边的施工标志形状怪异，系统就会陷入混乱。

1.1.2 第二次范式革命：统计学与机器学习的引入（1990—2012）

1990 年代中期，随着概率论（probability theory）、统计学（statistics）和早期机器学习（machine learning）方法的成熟，自动驾驶研究开始从"规则驱动"悄悄转向"数据驱动"。

这个范式转移的关键事件，是 2005 年 10 月 8 日 DARPA Grand Challenge 的冠军——斯坦福车队（Stanford Racing Team）的 Stanley。 Stanley 是一辆改装的大众途锐（Volkswagen Touareg），由德国裔美国计算机科学家 Sebastian Thrun 领衔，搭载了 5 颗 SICK 激光雷达（LiDAR, Light Detection and Ranging）、一套立体摄像头（stereo camera），以及——这是关键——一套基于贝叶斯网络（Bayesian network）的机器学习算法。

Stanley 的胜利，标志着自动驾驶第一次从"写规则"走向了"学规则"。Thrun 团队的工程师们不再试图穷举所有驾驶场景，而是让 Stanley 先在沙漠里跑几百圈采集数据，然后用机器学习算法从这些数据中自动提取驾驶模式。这一思路后来被 Thrun 带到 Google，于 2009 年秘密启动的无人车项目（Project Chauffeur）里发扬光大，并最终孵化出估值千亿美元的 Waymo。

但 2005—2012 年间的"机器学习时代"，仍然带有强烈的过渡色彩。这一阶段的特征是混合架构（hybrid architecture）：感知（perception）部分开始用 SVM（Support Vector Machine，支持向量机）、随机森林（Random Forest）等浅层学习算法；定位（localization）仍然高度依赖高精度 GPS 和预制的高精地图（HD map）；决策规划（planning）则继续由手工编码的有限状态机（Finite State Machine, FSM）和 cost function（代价函数）主导。深度学习尚未登场，GPU 算力还不足以训练大型神经网络。

1.1.3 第三次范式革命：深度学习与端到端架构（2012 至今）

2012 年是多伦多大学教授 Geoffrey Hinton 的学生 Alex Krizhevsky 用 AlexNet 在 ImageNet 图像识别大赛中把错误率从 26% 砸到 15.3% 的那一年。这一事件，被业界普遍视为第三次范式革命的起点。

AlexNet 的核心武器是深度卷积神经网络（Deep Convolutional Neural Network, CNN）——一种受人类视觉皮层启发的多层结构，能够从海量图像中自动学习层级化的视觉特征：底层学到边缘和颜色，中层学到部件（轮子、车灯、车窗），高层学到整体（"这是一辆 SUV"）。这种"特征学习"能力，几乎完全替代了上一代手工设计特征（hand-crafted features，如 HOG、SIFT）的范式。

自动驾驶的工程师们迅速意识到：感知层（perception layer）的天花板，被这一夜之间彻底掀开了。

2013—2015 年间，深度学习如海啸般涌入自动驾驶感知模块。目标检测（object detection） 领域，从 R-CNN（2014）到 Fast R-CNN、Faster R-CNN，再到 2015 年的 YOLO（You Only Look Once）和 2017 年的 Mask R-CNN，速度和精度都实现了数量级跃升。语义分割（semantic segmentation） 领域，从 FCN（Fully Convolutional Network）到 U-Net、DeepLab，神经网络第一次能逐像素地标出"这是路面、这是车道线、这是行人"。

2016 年，英伟达（NVIDIA）发表了一篇极具争议性的论文 "End-to-End Learning for Self-Driving Cars"，展示了仅用一台车载摄像头和一台 NVIDIA DevBox，通过端到端学习（end-to-end learning），就能从方向盘转角直接映射到人类驾驶行为的可能性。这篇论文把范式革命推向了极致——它暗示：也许我们根本不需要把感知、定位、规划拆成几个模块；也许整个驾驶任务可以被一个巨大的神经网络"一锅端"。

特斯拉（Tesla）的 Elon Musk 是这一思路最激进的拥趸。2015 年 10 月，特斯拉推出 Autopilot（自动辅助驾驶）功能，初期使用的是 Mobileye 的 EyeQ3 视觉芯片。2016 年，几起与 Autopilot 相关的致死事故让 Musk 痛下决心，全面转向自研、视觉主导、端到端的 FSD（Full Self-Driving, 完全自动驾驶）路线——这条路线后来与 Waymo 的"激光雷达 + 高精地图 + 规则主导"路线形成鲜明对照，我们将在 1.3 节详细比较。

截至 2024 年，自动驾驶行业已经全面进入第三次范式革命的成熟期：深度学习不再只是感知层的工具，而是开始向预测（prediction）、规划（planning）、甚至控制（control）层全面渗透。端到端神经网络（end-to-end neural network）、Transformer 架构、世界模型（world model） 等新概念层出不穷，传统车企不得不从"机械工程师主导"转向"软件工程师主导"，整个汽车工业的人才结构正在被重塑。

为了帮助读者建立历史坐标系，下面这张时间线图梳理了 1885—2024 年间自动驾驶的关键里程碑事件：

```mermaid flowchart LR A[1885 Benz Patent-Motorwagen First automobile] --> B[1925 Houdina Radio-controlled car in NYC] B --> C[1961 Stanford Cart First vision-based navigation] C --> D[1987 EUREKA-PROMETHEUS Dickmanns VaMoRs] D --> E[1995 NavLab 5 No Hands Across America] E --> F[2004 DARPA Grand Challenge All 15 teams fail] F --> G[2005 Stanley Stanford wins DARPA] G --> H[2007 Boss CMU Urban Challenge] H --> I[2009 Google Project Chauffeur Thrun leads] I --> J[2012 AlexNet Deep learning explosion] J --> K[2015 Tesla Autopilot Production deployment] K --> L[2016 Waymo spun off Google self-driving becomes Waymo] L --> M[2024 Waymo Robotaxi Commercial operation in 3 US cities] ```

理解这张时间线，需要把握三个关键判断：

第一，三次范式革命的"驱动力"并不相同。 第一次范式革命是经典控制论（cybernetics）和早期人工智能的产物，受限于当时的算力和算法。第二次范式革命是统计学复兴的产物，受限于数据和算力。第三次范式革命是大数据 + GPU + 算法的合奏，是摩尔定律（Moore's Law）和互联网时代数据爆炸的产物。

第二，每一次范式革命都没有完全替代前一代。 即使在深度学习时代，激光雷达的几何建模、贝叶斯滤波的概率跟踪、有限状态机的决策框架，依然是不可替代的工程工具。真正的进步，是把不同范式的工具组合成更鲁棒（robust）的系统。

第三，从规则到学习的转移，并不意味着人类工程师变得不重要——它只是把人类的位置，从"规则书写者"转移到了"系统架构师 + 训练数据策展人"。后者的稀缺性甚至比前者更高，这也是为什么自动驾驶领域的人才薪资在过去 10 年上涨了 5—10 倍。

---

1.2 2004 年莫哈韦沙漠的惨败：一场改变行业的"全军覆没"

让我们把镜头拉回 2004 年 3 月 13 日的莫哈韦沙漠。这场被后来的历史学家称为"自动驾驶分水岭"的事件，值得我们用解剖刀般的精度拆解一遍，因为它集中暴露了自动驾驶技术的不确定性本质，也解释了为什么 20 年后行业仍然没有完全解决 2004 年的问题。

1.2.1 为什么 DARPA 要办这场挑战赛？

DARPA 的全称是美国国防高级研究计划局，成立于 1958 年，其使命是资助高风险、高回报的前沿科技以保持美军技术领先。互联网的雏形 ARPANET、隐形飞机、GPS、无人机，背后都有 DARPA 的身影。

进入 21 世纪，DARPA 有一个清晰的政治授权：到 2015 年前，让美军三分之一的地面车辆实现无人驾驶。背后的逻辑不难理解：在伊拉克和阿富汗的战场，美军伤亡的相当一部分来自 IED（Improvised Explosive Device，简易爆炸装置）和伏击。如果能让补给车队自主行驶，士兵就能坐在装甲车里远程监督。DARPA Grand Challenge 本质上是一场"技术悬赏"——用 100 万美元的奖金，撬动整个机器人学术界为军方需求服务。

1.2.2 比赛规则与技术挑战

2004 年比赛的规则极其简洁：在 10 小时内跑完 142 英里的沙漠路线，路线在比赛前 2 小时才发给队伍。车辆必须完全自主——不能远程操控，不能有人在车里接管。这是对当时机器人技术极限的全方位压力测试。

参赛车辆必须解决三个核心子问题： 1. 感知（Perception）：用传感器"看见"地形 2. 定位与建图（Localization & Mapping）：在 GPS 偶尔失效的沙漠里，知道自己在哪里 3. 路径规划（Path Planning）：在感知到的地形中，找出可通行的路径

当时主流的技术栈包括：

**传感器**：SICK LMS 激光雷达（最贵那种约 7.5 万美元/台）、雷达（Radar）、立体摄像头、惯性测量单元（IMU, Inertial Measurement Unit）
**软件**：感知用 OpenCV、点云处理用 PCL（Point Cloud Library）；定位用 GPS + 卡尔曼滤波（Kalman Filter）；规划用 A*、D* 等图搜索算法

1.2.3 15 支队伍的"花式翻车"

2004 年的 15 支参赛队伍，事后被业界称为"全明星阵容"：CMU 派出了 Red Team（红队）和 Red Team Too 两支队伍；斯坦福派出了 Sebastian Thrun 的 Stanley 团队；MIT、佐治亚理工、弗吉尼亚理工、康奈尔、加州大学各路名校，加上 Honeywell、Oshkosh 等企业车队齐聚莫哈韦。

但比赛从一开始就是一场灾难：

**CMU 的 Sandstorm（悍马改装车）**：跑出 7.4 英里（11.9 公里）后，左侧车轮驶上一块半掩的岩石，被卡住底盘。电控系统尝试多次倒挡脱困失败，制动器过热起火，远程灭火系统启动，整车报废。**这是全场最远纪录，也是当天最大的希望破灭。**
**CMU 的 H