第1章 自动驾驶的前世今生：从科幻梦到现实路 / Chapter 1: Past and Present of Autonomous Driving: From Sci-Fi Dreams to Real Roads

1920年，捷克作家卡雷尔·恰佩克（Karel Čapek）在科幻小说《罗萨姆的万能机器人》（R.U.R. Rossum's Universal Robots）中首次提出了“机器人（Robot）”一词，书中描绘了能够自主完成劳动、甚至拥有自我意识的类人机器人，其中就包括了能够自主行驶的无人驾驶汽车。这本出版于百年前的科幻作品，第一次把“无需人类操控的移动机器”的概念带入了公众视野，也为后世自动驾驶技术的发展埋下了思想的种子。如果翻开更早的科幻典籍，你会发现早在1888年，英国作家H.G.威尔斯（H.G. Wells）就在短篇小说《大空战》（The Land Ironclads）中描写了自动行驶的陆地战车，这些早期科幻作品中对“自主移动机器”的想象，本质上是人类对“解放双手、降低驾驶负担”这一朴素需求的投射。

真正把自动驾驶从科幻拉入现实的尝试始于20世纪初的无线电遥控技术。1925年，美国发明家弗朗西斯·胡迪纳（Francis Houdina）在纽约街头公开演示了一辆由无线电遥控的汽车：他坐在后方跟随的车辆里，通过无线电信号控制前车完成转弯、刹车、加速等操作，当时围观的民众以为这辆车是被“幽灵”操控的，引发了极大的轰动。这辆遥控车虽然本质上还是由人类远程操控，并非真正的自动驾驶，但它第一次证明了“无需人类在车内驾驶”的技术可行性，也被视为自动驾驶的雏形。

自动驾驶的发展历程：从实验室到公开道路的百年跋涉

自动驾驶的正式技术研发起步于20世纪80年代，彼时计算机技术刚刚进入实用化阶段，美国卡内基梅隆大学（Carnegie Mellon University, CMU）于1984年启动了NavLab（Navigation Laboratory）自动驾驶项目，研发出第一辆基于计算机视觉的自动驾驶原型车。这辆原型车最大的特点是车尾拖着一个体积堪比家用冰箱的计算机主机——因为当时的计算机算力极低，只有把主机放在车外才能满足视觉处理的算力需求。NavLab项目团队在随后十几年里不断迭代技术，到1995年，他们研发的自动驾驶面包车已经能够在普通公路上实现95%路段的自主行驶，完成了从匹兹堡到洛杉矶的横穿美国测试，总里程超过4500公里。

如果说NavLab是学术界的技术探索，那么2004年举办的DARPA自动驾驶挑战赛则是自动驾驶技术从实验室走向产业化的关键转折点。DARPA是美国国防高级研究计划局（Defense Advanced Research Projects Agency），2001年美国国会提出“到2015年实现1/3军用车辆无人化”的目标，DARPA为此设立了总额100万美元的奖金，举办首届自动驾驶挑战赛：要求参赛车辆在不配备人类驾驶员的情况下，自主完成150英里（约241公里）的沙漠越野赛程。2004年的首届挑战赛吸引了23支全球顶尖的科研团队参赛，但最终没有一支队伍完赛：最好的队伍也只行驶了11公里就因传感器误判、车辆卡在沙地里等原因退赛。这次挑战赛暴露了当时自动驾驶技术的核心瓶颈：环境感知能力极差，无法应对复杂的非结构化道路。

2005年的第二届DARPA挑战赛对赛道和规则进行了优化，最终斯坦福大学（Stanford University）的Stanley车队以6小时32分钟的成绩夺冠，成为首个完成全程赛事的自动驾驶车辆。Stanley的核心技术突破在于：它采用了摄像头、毫米波雷达、GPS和高精度惯性导航的多传感器融合方案，能够准确识别道路边缘、障碍物和路标，同时团队研发的机器学习算法可以让车辆自主应对沙漠中的碎石、坑洼和阴影路段。值得一提的是，Stanley的原型车现在被收藏于美国华盛顿特区的史密森尼美国国家博物馆，作为自动驾驶技术的里程碑展品展出。2007年的第三届DARPA城市挑战赛则将赛道搬到了模拟城市环境中，要求参赛车辆遵守交通规则、避让其他社会车辆和行人，最终卡内基梅隆大学的Boss车队夺冠，这次比赛直接催生了全球自动驾驶产业的萌芽：后续成立的Waymo、Cruise等头部自动驾驶公司的核心技术团队，大多来自当年的参赛队伍。

SAE J3016分级标准：全球通用的自动驾驶“成绩单”

随着自动驾驶技术的快速发展，行业急需一套统一的标准来定义不同技术的成熟度。2014年，国际汽车工程师学会（SAE International，原美国汽车工程师学会）发布了《J3016自动驾驶分级标准》，这套标准被全球汽车行业、监管机构和消费者广泛认可，成为衡量自动驾驶技术的“通用成绩单”。

SAE分级标准从三个维度划分自动驾驶的等级：①驾驶操作动态任务（Dynamic Driving Task, DDT，即转向、加速、刹车等核心驾驶操作）的负责方；②驾驶监控的负责方；③系统对驾驶场景的响应范围。三个维度组合后形成了L0到L5共6个等级，每个等级的核心差异是驾驶责任的划分，这也是消费者最容易混淆的核心点：

| 等级 | 官方名称 | 驾驶操作负责方 | 驾驶监控负责方 | 系统响应范围 | 责任承担方 | 典型应用场景 | |------|----------|--------------|--------------|------------|------------|------------| | L0 | 无自动驾驶（No Driving Automation） | 人类 | 人类 | 仅提供预警（如车道偏离提醒） | 人类 | 无自动驾驶功能的传统燃油车 | | L1 | 驾驶辅助（Driver Assistance） | 人类为主，系统负责单一子任务（加减速/转向） | 人类 | 仅触发特定场景响应（如自动紧急制动） | 人类 | 定速巡航（ACC）、自动紧急制动（AEB） | | L2 | 部分驾驶辅助（Partial Driving Automation） | 系统负责转向+加减速 | 人类必须全程监控 | 仅支持特定场景（如高速、城市快速路） | 人类 | 特斯拉Autopilot、小鹏NGP、理想AD Max | | L3 | 有条件自动驾驶（Conditional Driving Automation） | 系统负责所有驾驶操作 | 人类无需监控，需按需接管 | 仅支持设计运行域（ODD，如高速、堵车场景） | 系统（设计运行域内） | 奔驰Drive Pilot、宝马L3级自动驾驶系统 | | L4 | 高度自动驾驶（High Driving Automation） | 系统负责所有驾驶操作 | 人类无需接管 | 仅支持特定区域/场景（如园区、港口、城市核心区） | 系统 | 百度萝卜快跑（武汉经开区）、Waymo（凤凰城）、港口无人集卡 | | L5 | 完全自动驾驶（Full Driving Automation） | 系统负责所有驾驶操作 | 人类无需接管 | 支持所有场景、所有道路类型 | 系统 | 暂无量产产品，仅存在于科幻作品 |

可以用一个简单的公式来理解不同等级的责任划分：总责任$R_{total} = R_{driver} + R_{system}$，其中$R_{driver}$是驾驶员承担的责任权重，$R_{system}$是自动驾驶系统承担的责任权重。L0-L2级时$R_{driver}=100\%$，$R_{system}=0\%$，也就是说只要出了事故，都是驾驶员的责任；L3级时$R_{system}\approx70\%$，系统在设计运行域内的事故由车企承担；L4-L5级时$R_{driver}=0\%$，所有责任都由系统供应商/车企承担。这也是为什么L3级自动驾驶的落地难度极高：车企需要为系统的失误承担法律责任，因此对技术的安全性要求远高于L2级。

很多青少年可能会疑惑：“特斯拉的Autopilot不是可以自动开车吗？为什么只是L2级？”这是因为Autopilot虽然能自动跟车、保持车道、自动变道，但系统会明确要求驾驶员全程将手放在方向盘上，随时准备接管，一旦出现系统无法处理的场景（如施工改道、突然冲出的行人），驾驶员必须在几秒内做出反应，否则就会发生事故。特斯拉官网也明确标注Autopilot属于L2级驾驶辅助功能，而非自动驾驶，这也是很多消费者容易产生的认知误区。

商业化落地现状：自动驾驶已经从科幻走进日常生活

截至2024年，自动驾驶技术已经在多个场景实现了规模化商业化落地，不再是实验室里的概念产品：

1. RoboTaxi（自动驾驶出租车）场景

RoboTaxi是目前自动驾驶技术最受关注的落地场景，代表企业包括谷歌旗下的Waymo、中国的百度萝卜快跑、小马智行、文远知行等。Waymo于2018年在美国凤凰城正式推出商业化RoboTaxi服务，截至2024年6月累计运营里程

截至2024年6月累计运营里程超过1.2亿公里，每周完成超过10万次付费订单，服务覆盖凤凰城、旧金山、洛杉矶三个城市的核心区域，用户可以通过Waymo APP呼叫无人车，完成通勤、购物、机场接送等多种出行需求，其中超过60%的用户是每周至少使用1次以上的高频用户，足以证明无人驾驶服务已经得到了普通消费者的认可。在中国，百度旗下的萝卜快跑是RoboTaxi领域的领军企业，截至2024年6月累计订单量超过6000万单，运营范围覆盖全国30多个城市，其中武汉经开区是全国首个全无人自动驾驶商业化运营试点区，2023年全年累计完成无人驾驶订单超过200万单，运营里程超过5000万公里，没有发生一起因系统失误导致的主责交通事故。从安全数据来看，Waymo的无人车每1亿公里事故率仅为0.2起，且90%以上是其他人类驾驶员失误导致的被动事故，远低于美国国家公路交通安全管理局（NHTSA）统计的人类驾驶员每1亿公里4.2起致命事故的平均水平，安全性优势已经非常明显。

> 📌 电子版侧边栏提示：想体验RoboTaxi服务？如果你在武汉经开区、北京亦庄、广州南沙等试点区域，可以直接打开百度Apollo Go、小马智行等APP，就能呼叫到无人驾驶车辆，很多试点区域还对学生群体提供优惠折扣，不妨周末和同学一起体验一下未来的出行方式。

如果说RoboTaxi是面向C端用户的出行服务，那么无人配送车则是自动驾驶技术最先大规模落地的C端场景，也是很多青少年第一次近距离接触自动驾驶的载体。2020年以来，京东、美团、阿里等电商和本地生活企业陆续在高校、园区、社区投放了数千台无人配送车，这些车辆大多属于L4级自动驾驶，最高时速不超过25公里，搭载激光雷达、摄像头和毫米波雷达，能够自主识别行人、电动车、台阶等障碍物，还能自动避让违停车辆，规划最优配送路线。以美团的小魔袋无人配送车为例，截至2024年6月已经在国内100多个城市、超过2000个社区投入运营，累计完成配送订单超过3亿单，单台车日均配送量最高可达200单，相当于3个快递员的工作量，配送成本比人工降低60%以上。疫情期间，这些无人配送车在封控小区发挥了巨大作用：上海疫情期间，美团累计投入超过1000台无人配送车，为超过500个封控小区配送物资超过1000万件，完全避免了人员接触带来的疫情传播风险。在北京大学、清华大学等高校的校园里，京东的无人配送车“京鱼”已经成为常客，它们不仅能自主行驶，还能自己乘坐电梯到宿舍楼下，把快递送到同学手里，很多同学戏称这是“不用给好评的快递员”。

无人货运是自动驾驶技术降本增效效果最明显的落地场景，目前已经成熟应用的主要包括港口无人集卡和干线物流无人卡车两类。港口是自动驾驶技术最早落地的商用场景之一：上海洋山港四期是全球最大的自动化集装箱码头，2017年正式开港，截至目前已经投入运营了超过300台无人集卡，这些集卡全部采用L4级自动驾驶技术，能够24小时不间断地在码头堆场和泊位之间运输集装箱，不需要人类驾驶员，每台集卡每年能节省人工成本20万元，运输效率比人工驾驶提升30%，截至2024年6月洋山港四期的无人集卡累计运输集装箱超过2000万标准箱（TEU，Twenty-foot Equivalent Unit，20英尺标准集装箱，是国际航运通用的集装箱计量单位），占码头总运输量的70%以上，是全球自动化程度最高的集装箱码头。在干线物流领域，无人卡车也在快速落地：2023年，图森未来、智加科技等企业的无人卡车已经在北京、上海、广州、深圳之间的高速干线实现商业化运营，这些无人卡车搭载了多传感器融合感知系统，能够自动跟车、变道、超车，应对高速上的各种场景，单台车日均行驶里程超过1000公里，比人工驾驶的效率提升40%，运输成本降低25%，截至2024年6月国内干线物流无人卡车的累计运营里程已经超过1亿公里，成为物流行业降本增效的核心技术。

除了开放道路，自动驾驶技术在封闭和半封闭场景的应用已经非常普及，很多青少年可能在景区、机场、矿区都见过这些无人车。北京大兴国际机场的无人摆渡车从2019年机场开航就投入运营，截至目前已经服务超过2亿人次旅客，这些无人摆渡车采用L4级自动驾驶技术，能够在航站楼和远机位之间自主行驶，识别旅客、避让其他机场车辆，行驶速度比人工驾驶更平稳，准点率达到100%。国内各大景区的无人游览车也越来越常见，杭州西湖景区、西安大唐不夜城的无人游览车，游客扫码就能呼叫，车辆会自动开到面前，载着游客游览景区，完全不需要驾驶员操作。在矿区场景，无人矿卡的应用已经非常成熟：内蒙古霍林河露天煤矿是全球首个百台级无人矿卡编组运营项目，2022年正式投入运营，现在有120台无人矿卡24小时不间断工作，每台矿卡载重量可达300吨，每年能节省人工成本15万元，运输效率比人工驾驶提升20%，每年能为煤矿节省超过2000万元的成本，同时完全避免了矿卡驾驶的事故风险。此外农业领域的自动驾驶拖拉机也已经大规模落地：大疆、极飞等企业的无人拖拉机，搭载高精度GPS和视觉感知系统，能够自动完成耕地、播种、施肥、收割等作业，误差不超过2厘米，比人工驾驶的效率提升50%以上，目前在东北、新疆的农田里已经普及，很多农民已经不再需要自己开拖拉机下地。

```mermaid graph TD A[自动驾驶商业化落地场景] --> B[开放道路场景] A --> C[封闭/半封闭场景] A --> D[低空场景] B --> B1[RoboTaxi 自动驾驶出租车] B --> B2[无人配送/货运] C --> C1[园区/景区无人摆渡车] C --> C2[矿区/港口无人集卡] C --> C3[农业无人拖拉机] D --> D1[物流无人机] D --> D2[载人飞行汽车] classDef default fill:#f0f8ff,stroke:#333,stroke-width:1px ```

尽管自动驾驶技术已经取得了很大的进展，但要实现真正的“完全自动驾驶（L5级）”，还有很长的路要走，目前行业面临三大核心挑战，也是未来青少年可以参与攻关的方向： 首先是长尾场景难题。自动驾驶系统的核心是“感知-决策-规划-控制”的闭环，常规场景（比如城市道路行驶、高速跟车、红绿灯识别）的技术已经非常成熟，但“长尾场景”——也就是出现概率极低、但种类极多的极端场景，是当前最大的技术瓶颈。比如：突然从路边窜出来的小猫小狗、暴雨天路面的积水反光导致摄像头误判、施工改道没有临时标识、前车掉落的货物、行人突然横穿马路等等，这些场景虽然出现的概率可能只有百万分之一，但一旦出现就可能造成严重事故。2023年美国加州发生的一起自动驾驶车辆撞上行人的事故，原因就是施工改道的临时标识被树叶遮挡，车辆的感知系统没有识别到改道后的路线，直接撞上了路边的施工围栏，导致车内安全员受伤。这类长尾场景的应对，是目前全球自动驾驶行业都在攻关的核心难题，很多企业采用“场景库测试”的方式，把几百万个极端场景输入系统训练，但现实中的场景是无穷无尽的，很难完全覆盖，这也是目前端到端大模型被寄予厚望的原因——通过海量真实驾驶数据训练，让系统具备类似人类的“举一反三”能力，应对未知的长尾场景。

其次是法规与责任划分难题。自动驾驶的核心痛点之一是“出了事故谁负责”，尤其是L3级自动驾驶的落地，需要明确“系统负责驾驶的场景下，事故责任由车企承担”，这给车企的技术研发带来了极高的要求。2023年12月，中国工信部、公安部、交通部联合发布了《智能网联汽车准入和上路通行试点实施方案》，正式允许L3级自动驾驶车辆在特定场景下上路，明确责任划分规则，这是中国L3级自动驾驶落地的里程碑。但目前L3级车辆的渗透率还非常低，主要是成本高、技术成熟度不够，而且不同地区的法规还不统一：比如欧盟的L3级法规允许车辆在高速上最高以60公里/小时的速度自动驾驶，而中国的法规还没有明确速度限制，这也给车企的研发带来了挑战。对于青少年来说，未来你们或许会成为制定自动驾驶法规、完善责任划分体系的核心力量，这也是法律、社会学专业和自动驾驶技术结合的交叉方向。

第三是成本与普及难题。目前L4级自动驾驶车辆的核心传感器——激光雷达，单颗价格仍在3000-10000元之间，一辆L4级自动驾驶车辆需要搭载1-5颗激光雷达，加上高算力芯片（比如英伟达的Orin芯片，单颗价格约4000元），仅传感器和芯片的成本就超过5万元，远高于普通家用车的成本。要让自动驾驶普及到普通家用车，必须把成本降到1万元以内，这也是当前行业的核心攻关方向。目前很多企业已经在研发固态激光雷达，预计到2027年，固态激光雷达的成本会降到500元以内，届时L2+级辅助驾驶的渗透率会超过80%，普通消费者也能用上更高级的自动驾驶功能。

```mermaid graph LR A[自动驾驶技术演进路线] --> B[2020-2025年<br/>L2+辅助驾驶普及<br/>L3级小规模落地] B --> C[2025-2030年<br/>L4级在开放道路规模化落地<br/>车路协同普及] C --> D[2030-2035年<br/>L4级家用车开始普及<br/>低空自动驾驶商业化] D --> E[2035年以后<br/>L5级完全自动驾驶落地<br/>全场景无人驾驶] classDef default fill:#fff,stroke:#333,stroke-width:1px style A fill:#e1f5fe style B fill:#b3e5fc style C fill:#81d4fa style D fill:#4fc3f7 style E fill:#29b6f6 ```

尽管面临挑战，自动驾驶技术的发展速度仍然远超预期，未来5-10年，我们会看到更多颠覆性的变化，其中三个方向最值得青少年关注： 第一是端到端大模型的应用。传统自动驾驶系统是“感知-决策-规划-控制”的模块化架构，每个模块单独训练，而端到端大模型则是把整个驾驶流程整合成一个神经网络，输入传感器数据，直接输出驾驶控制指令，就像人类驾驶员一样，看到路面情况直接做出反应，不需要经过多个模块的处理。2024年，特斯