初识自动驾驶：从日常场景到技术分级

你有没有在校园里见过没有驾驶员的无人配送车慢悠悠地行驶，遇到行人会主动停下，接到取件码后还会给你发消息提醒取件？你有没有用过扫地机器人，它会在家里自己绕开桌腿、沙发，把地板扫干净？你有没有坐过带有辅助驾驶功能的新能源汽车，在高速上它能自动跟车、保持车道，让你开长途的时候没那么累？这些你日常能接触到的产品，背后都藏着同一种核心技术——自动驾驶。本章就带你从这些熟悉的场景出发，一步步揭开自动驾驶的神秘面纱。

一、你身边的自动驾驶：从扫地机器人到无人配送车

很多人对自动驾驶的认知还停留在“没有司机的汽车”这个层面，但实际上自动驾驶技术已经渗透到了我们生活的方方面面，只是不同场景下的自动化程度差异极大。

先看最普及的扫地机器人：它属于典型的低速、封闭场景的初级自动驾驶系统。它的核心工作逻辑是：通过顶部的激光雷达（俗称“扫地机的眼睛”）每秒扫描周围环境几百次，构建出家里的平面地图，再通过算法规划出最高效的清扫路线，同时识别地上的电线、袜子、拖鞋等障碍物，要么绕开要么停下来提醒你清理。它的行驶速度不超过1米/秒，遇到台阶会主动停止，不会造成人身伤害，属于典型的L2级以下的自动驾驶系统。

再看高校、园区里常见的无人配送车：它属于中速、半封闭场景的中高级自动驾驶系统。以京东、美团在高校投放的无人配送车为例，它顶部通常会装1-2颗激光雷达、多颗摄像头和毫米波雷达，能感知周围30米范围内的行人、非机动车、其他车辆，行驶速度不超过15公里/小时，遇到行人会主动停下避让，遇到障碍物会自动绕路，还能通过手机短信、App通知你取件。这类系统已经能在封闭区域内实现完全无人驾驶，不需要安全员坐在车上，属于L4级自动驾驶的典型应用。

最后是家用智能汽车的辅助驾驶功能：以特斯拉Autopilot、小鹏NGP、华为ADS 2.0为例，它们属于高速、城市道路场景的中高级自动驾驶系统。在高速上，它们能自动跟车、保持车道、自动超车、上下匝道，驾驶员只需要手扶方向盘，不需要踩油门刹车；在城市道路上，它们能识别红绿灯、自动停车、避让行人和非机动车，部分车型甚至已经实现了“无图城市NOA”（不需要提前绘制高精度地图，就能在任意城市道路使用自动导航辅助）。不过目前所有量产车型的辅助驾驶都属于L2级，要求驾驶员全程手扶方向盘、注意力集中，不能脱手脱脚。

> 【技术小贴士】为什么不同场景的自动驾驶技术差异这么大？ > 自动驾驶的能力核心是“感知-决策-控制”的准确率和响应速度：园区配送车只需要在平路上开，速度慢，障碍物少，对算法的要求低；而城市道路的自动驾驶需要应对复杂的交通参与者、突发的交通事件、恶劣的天气，对算法的要求高几个数量级。这就好比让你在操场上跑步和在马路上跑步，难度完全不同。

1.1 自动驾驶的技术共性

不管是扫地机器人、无人配送车还是家用辅助驾驶，它们的核心架构都是统一的，可以分为四层： 1. 感知层：相当于车辆的“眼睛和耳朵”，通过激光雷达、摄像头、毫米波雷达等传感器，采集周围环境的信息，比如有没有车道线、有没有行人、前面的车距离多远。 2. 决策层：相当于车辆的“大脑”，根据感知层采集的信息，结合导航数据，判断车辆接下来要做什么，比如要不要减速、要不要变道、要不要避让行人。 3. 规划层：相当于车辆的“导航员”，根据决策层的指令，规划出具体的行驶路径，比如变道的时候要先打转向灯，再观察后车距离，再慢慢变过去。 4. 控制层：相当于车辆的“手脚”，根据规划层的路径，控制油门、刹车、方向盘、转向灯，让车辆按照规划的路径行驶。

> 【动手小实验】你可以用家里闲置的树莓派、USB摄像头，按照网上的开源教程（比如GitHub上的“车道线识别小车”项目），花不到200元就能做一个简单的自动驾驶小车，体验感知层识别车道线、控制层控制小车沿着车道线行驶的核心逻辑，这是你入门自动驾驶的第一步。

二、自动驾驶六级分级标准：明确当前技术的发展阶段

为了统一行业对自动驾驶能力的认知，国际汽车工程师学会（SAE）在2014年发布了《自动驾驶汽车分级标准》（SAE J3016），将自动驾驶从L0到L5分为6个等级，每个等级的驾驶主体、责任划分、适用场景都有明确的规定。这个标准现在已经被全球汽车行业、科技行业普遍采用，是我们理解自动驾驶技术发展的核心框架。

```mermaid graph LR A[L0 无自动化<br>驾驶主体：人<br>责任：人] --> B[L1 驾驶辅助<br>驾驶主体：人<br>责任：人] B --> C[L2 部分自动驾驶<br>驾驶主体：人+系统<br>责任：人] C --> D[L3 条件自动驾驶<br>驾驶主体：系统<br>责任：车企] D --> E[L4 高度自动驾驶<br>驾驶主体：系统<br>责任：车企] E --> F[L5 完全自动驾驶<br>驾驶主体：系统<br>责任：车企] style A fill:#f9f,stroke:#333,stroke-width:2px style B fill:#ff9,stroke:#333,stroke-width:2px style C fill:#9f9,stroke:#333,stroke-width:2px style D fill:#99f,stroke:#333,stroke-width:2px style E fill:#9ff,stroke:#333,stroke-width:2px style F fill:#fff,stroke:#333,stroke-width:2px classDef level0 fill:#eee,stroke:#999 classDef level1 fill:#ff9,stroke:#f90 classDef level2 fill:#9f9,stroke:#090 classDef level3 fill:#99f,stroke:#009 classDef level4 fill:#9ff,stroke:#0ff classDef level5 fill:#fff,stroke:#0f0 class A level0 class B level1 class C level2 class D level3 class E level4 class F level5 ``` *图1-1 自动驾驶SAE分级标准及责任划分*

2.1 L0-L2：人类驾驶员全程负责

L0 无自动化

这是所有燃油车、老年代步车的基础状态，没有任何自动驾驶功能，所有的驾驶操作（转向、油门、刹车）都由人类驾驶员完成，系统最多只能提供预警，比如车道偏离预警、前车碰撞预警，不能主动干预车辆行驶。 *典型场景*：你开家里的燃油车，压线了车机滴滴响，但是不会帮你打方向，这就是L0级。

L1 单维度驾驶辅助

系统只能控制车辆的某一个维度，要么控制油门刹车（比如定速巡航、自适应巡航），要么控制方向（比如车道居中辅助的低阶版），不能同时控制两个维度，人类驾驶员必须全程负责。 *典型场景*：你开带有自适应巡航的车，高速上系统帮你控制油门刹车，保持和前车的距离，但是打方向、变道还是你自己操作，这就是L1级。

L2 部分自动驾驶

系统可以同时控制油门刹车和方向盘，实现“跟车+车道保持”的基础功能，但人类驾驶员仍然是驾驶的主体，必须全程手扶方向盘、注意力集中，随时准备接管车辆。目前市面上所有量产的“辅助驾驶”车型都属于L2级，比如特斯拉Autopilot、小鹏NGP基础版、理想AD Pro等。 *典型场景*：你开小鹏G6在高速上开启NGP，它能自动跟车、保持车道、自动超车、上下匝道，但是你还是要手扶方向盘，不能玩手机、睡觉，一旦系统提示你接管，你必须在几秒内反应过来，否则就会出事故。

> 【技术小贴士】L2和L3的核心区别是什么？ > 核心是责任划分：L2级系统出事故，责任100%在驾驶员，因为系统只是“辅助”，驾驶员是主体；L3级系统在激活状态下出事故，责任在车企，因为系统是“驾驶主体”，驾驶员只是“乘客”。这个区别看似简单，却是自动驾驶技术从“辅助”到“自动”的核心分水岭，需要车企对系统的安全性做海量的验证，才能获批上路。

2.2 L3-L5：系统成为驾驶主体

L3 条件自动驾驶

在特定的场景下（比如高速、城市快速路、堵车场景），系统可以完全接管车辆的驾驶操作，人类驾驶员不需要手扶方向盘，可以做和驾驶无关的事情（比如看手机、刷视频），但是系统会在遇到无法处理的场景时提前提醒人类接管，人类必须在规定时间内接管车辆。目前只有少数车型获批L3级上路，比如2023年奔驰的Drive Pilot在德国、美国部分州获批，2024年国内也有少数车企的L3功能在特定区域测试。 *典型场景*：你开奔驰S级在德国的高速上开启Drive Pilot，堵车的时候你可以看手机、看电影，系统会自己跟车、保持车道，但是如果遇到施工、事故等突发场景，系统会提醒你接管，你需要在10秒内把手放到方向盘上。

L4 高度自动驾驶

在特定的区域内（比如园区、机场、测试区、固定线路的公交线路），系统可以完全接管所有驾驶操作，不需要人类接管，车辆甚至可以不配备方向盘、刹车踏板。目前L4级自动驾驶已经在多个城市落地应用，比如百度的萝卜快跑无人出租车、京东的无人配送车、机场的无人摆渡车等。 *典型场景*：你在北京亦庄打一辆百度萝卜快跑，车上没有安全员，你输入目的地后，车辆自己会开到目的地，遇到行人、非机动车都会主动避让，你不需要做任何操作。

L5 完全自动驾驶

这是自动驾驶的终极目标，系统可以在所有场景下（任何道路、任何天气、任何时间）完全接管所有驾驶操作，不需要人类干预，车辆甚至可以不配备方向盘、刹车踏板。目前L5级自动驾驶还处于实验室研究阶段，距离落地至少还有10年以上的时间。 *典型场景*：你坐在一辆L5级自动驾驶的汽车里，输入目的地“上海”，车辆会自己上高速、下高速，开到上海的目的地，中途你可以睡觉、工作、看电影，不需要做任何操作，也不会出任何事故。

2.3 当前自动驾驶的发展阶段

截至2024年，全球自动驾驶行业的发展阶段可以概括为：

• **L0-L2级已经大规模量产落地**：2023年国内L2级辅助驾驶的车型渗透率已经超过30%，2025年预计超过50%，也就是每卖出2辆新车，就有1辆带有L2级辅助驾驶功能。
• **L3级正在小规模落地**：2024年国内已经有理想、小鹏、华为等车企的L3功能在特定区域测试，预计2025-2026年会大规模量产落地。
• **L4级在特定场景商业化落地**：截至2024年，国内已经有超过20个城市开放了L4级自动驾驶测试区，百度萝卜快跑在亦庄累计服务超过300万人次，运行里程超过1亿公里，无人配送车已经在超过100个高校、园区落地应用。
• **L5级还处于实验室阶段**：目前还没有任何企业宣布L5级自动驾驶的落地时间表，核心瓶颈是“长尾场景”的处理能力不足。

> 【拓展阅读】什么是长尾场景？ > 长尾场景是指现实中极少发生，但一旦发生就会导致事故的极端场景，比如前车突然掉落一个冰箱、路上突然出现一只袋鼠、暴雨天路面有积水导致车辆打滑、行人突然闯红灯等。这类场景在真实的道路数据中占比不到0.1%，但却是自动驾驶安全的核心挑战，因为算法很难通过有限的训练数据覆盖所有长尾场景。

三、自动驾驶发展历程：从实验室原型到大规模落地

自动驾驶的概念早在20世纪20年代就已经出现，但真正的技术突破是从20世纪80年代开始的，至今已经经历了四个发展阶段。

3.1 实验室探索阶段（1980s-2003年）

1980年代，美国卡内基梅隆大学（CMU）的教授Hans Moravec带领团队研发了世界上第一辆自动驾驶原型车Navlab。这辆车是一辆改装的雪佛兰厢式货车，车顶装了一台超级计算机和5台摄像头，行驶速度最高只有20公里/小时，只能在平直的道路上行驶，但它第一次证明了“车辆可以通过传感器和算法实现自动驾驶”的可行性。

1990年代，欧洲、日本的汽车厂商和科研机构也开始投入自动驾驶的研发，比如奔驰、宝马都推出了自己的自动驾驶原型车，但都停留在实验室阶段，没有实现商业化落地。

> 【技术小贴士】当时的自动驾驶为什么这么慢？ > 核心原因是算力不足：Navlab的算力只有现在的智能手机的千分之一，处理一张图片需要几秒钟，根本不可能实现实时感知和决策。直到2010年之后，GPU（图形处理器）的算力大幅提升，才为自动驾驶的落地提供了硬件基础。

3.2 DARPA挑战赛阶段（2004-2007年）：推动技术从实验室走向实战

2001年，美国国防部高级研究计划局（DARPA）宣布举办“自动驾驶挑战赛”，奖金100万美元，要求参赛车辆自主完成132英里（约212公里）的沙漠赛道，全程不能有人工干预。这个比赛彻底点燃了全球自动驾驶的研发热情。

• **2004年首届挑战赛**：没有一辆车完成全程，最快的车也只跑了11公里就卡在了岩石上。这次比赛暴露了当时自动驾驶技术的核心问题：感知能力不足、决策能力差、可靠性不够。
• **2005年第二届挑战赛**：斯坦福大学的无人车**Stanley**夺冠，以6小时53分钟的成绩跑完了全程，平均速度约30公里/小时。Stanley的核心突破是用了当时最新的机器学习算法，能识别赛道上的障碍物和道路边界，这次比赛证明了自动驾驶在结构化道路上的可行性。
• **2007年城市挑战赛**：DARPA把赛道改成了城市道路，要求车辆遵守交通规则、避让其他车辆和行人、自动停车。最终卡内基梅隆大学的无人车**Boss**夺冠，这次比赛推动了决策规划、交通规则理解等技术的发展，为后来自动驾驶在城市道路的落地奠定了基础。

DARPA挑战赛被称为自动驾驶行业的“登月事件”，它吸引了全球顶尖的科研机构、科技企业参与，培养了一大批自动驾驶领域的顶尖人才，现在全球自动驾驶行业的很多技术骨干，都曾经参加过DARPA挑战赛。

3.3 技术爆发阶段（2012-2019年）：深度学习推动感知能力跃升

2012年，深度学习技术在图像识别领域取得突破，卷积神经网络（CNN）在ImageNet图像识别大赛上的准确率第一次超过了人类，这个技术突破直接推动了自动驾驶感知能力的跃升。

• **2012年**：谷歌秘密研发的自动驾驶项目（后来独立为Waymo）开始公开路测，用的是激光雷达+摄像头+毫米波雷达的多传感器融合方案，到2016年已经累计测试超过200万英里。
• **2016年**：特斯拉推出Autopilot 1.0系统，首次在量产车上实现了L2级辅助驾驶功能，用的是纯视觉方案（只用摄像头，不用激光雷达），成本只有多传感器融合方案的十分之一，直接推动了辅助驾驶功能的大规模量产。
• **2018年**：Waymo推出全球首个商业化无人出租车服务，在凤凰城开放给公众体验，车辆没有安全员，属于L4级自动驾驶。
• **2019年**：国内百度、小鹏、理想等车企开始大规模落地L2级辅助驾驶功能，同时在北京、上海、广州、深圳等城市开放L4级自动驾驶测试区。

3.4 量产落地阶段（2020年至今）：从测试走向商业化

2020年之后，自动驾驶技术的核心矛盾从“能不能开”变成了“能不能大规模商业化落地”，行业开始分化出两条技术路线： 1. 量产乘用车路线：以特斯拉、小鹏、理想、华为为代表，走“渐进式”路线，先从L2级辅助驾驶开始量产，通过用户实际行驶的数据迭代算法，逐步升级到L3、L4级。这条路线的优势是成本低，能快速落地，缺点是升级速度慢，需要十几年才能实现L4级。 2. Robotaxi（无人出租车）路线：以Waymo、百度、小马智行为代表，走“跨越式”路线，直接研发L4级自动驾驶系统，先在封闭测试区、开放测试区测试，再逐步扩大运营范围。这条路线的优势是能快速实现L4级落地，劣势是成本高，一辆L4级测试车的成本超过100万元，很难大规模推广。

截至2024年，国内自动驾驶行业已经进入了“L2大规模量产、L3小规模落地、L4特定场景商业化”的阶段，距离L5级完全自动驾驶还有至少10年以上的时间。

> 【数据支撑】截至2024年6月，国内L2级辅助驾驶的车型渗透率已经达到35%，也就是每卖出100辆新车，有35辆带有L2级辅助驾驶功能；百度萝卜快跑已经在11个城市开放运营，累计服务超过500万人次，其中北京亦庄的无人出租车已经实现了“车内无安全员、车外无安全员”的完全无人化运营。

四、青少年自动驾驶赛事：把书本知识变成实践能力

如果你对自动驾驶感兴趣，除了看书学习理论知识，还可以参加国内外的青少年自动驾驶赛事，把书本知识变成实践能力，甚至有机会获得高校自主招生、科技特长生的资格。目前国内常见的青少年自动驾驶相关赛事主要有以下几类：

4.1 全国大学生智能汽车竞赛

这是国内影响力最大、历史最悠久的智能车赛事，由教育部高等教育司主办，每年吸引超过500所高校、上万名学生参赛。赛事分多个组别，和自动驾驶相关的组别包括：

• **摄像头组**：参赛车辆只用摄像头作为传感器，通过视觉识别赛道上的导向线、障碍物，自动完成循迹、避障、停车等任务，最快速度可以到2米/秒，适合入门级选手。
• **自动驾驶组**：这是2020年新增的组别，参赛车辆可以使用激光雷达、摄像头、毫米波雷达等多传感器，需要自己编写感知、决策、规划、控制算法，在复杂的赛道上完成循迹、避障、识别交通标志、自动停车等任务，难度接近工业界的L4级自动驾驶系统，适合有一定基础的选手。

很多参赛的同学毕业后都进入了特斯拉、百度、华为、小鹏等自动驾驶企业的核心岗位，这个赛事也是高校科技特长生、自主招生的重要参考

除了全国大学生智能汽车竞赛，国内还有多个面向不同年龄段、不同技术方向的自动驾驶相关赛事，覆盖从中小学生到研究生的全年龄段参赛群体，为对自动驾驶感兴趣的青少年提供了从入门到进阶的实践路径。

4.2 RoboMaster机甲大师赛自动驾驶赛项

RoboMaster机甲大师赛是大疆创新发起的全球性机器人赛事，以对抗性玩法著称，2021年新增了自动驾驶赛项，成为目前国内技术难度最高、关注度最高的青年自动驾驶赛事之一，每年吸引超过500所高校、近万名学生参赛。

自动驾驶赛项的规则要求参赛队伍自主设计、研发具备自动驾驶能力的步兵机器人、英雄机器人，在复杂的模拟战场环境中完成自主移动、目标识别、自动瞄准、避障、能量机关激活等任务，全程不允许人工遥控操作。赛项对感知、决策、规划、控制全链路算法的要求极高：感知层需要同时识别静态障碍物（比如墙壁、弹坑）、动态障碍物（比如对方机器人、随机移动的假人）、战场标识（比如红蓝方的装甲板、能量机关的灯条）；决策层需要根据战场态势判断是