技術發(fā)展日新月異，時間來到2024年，自動駕駛汽車也不再是報紙、手機上的一個新聞報道或技術科普，而是在某些城市、某些區(qū)域可以真實接觸、實際體驗到的技術。尤其是百度在武漢布局蘿卜快跑無人出租后，自動駕駛更是有了具象化的使用場景，也屢次登上網(wǎng)絡熱搜，沒有駕駛員在駕駛位置的出租車，著實給大家?guī)�來了非常驚艷的感受。

當然，這也給很多人帶來了壓力，尤其是在武漢的一些出租車、網(wǎng)約車司機，切實感受到很多的顧客出行使用無人出租，讓他們的生存空間進一步壓縮，收入進一步減少，更多很多司機表示無人出租或將讓自己失業(yè)。

再來看看現(xiàn)在的一些車企，尤其是很多的造車新勢力，在進入2024年之后，也在大力宣傳自己的NOA技術。所謂NOA，即導航輔助駕駛，也被一些車企稱之為“高階智能駕駛輔助”。雖然很多車企對于NOA技術的叫法不同，如特斯拉和理想稱其為NOA，小鵬稱為NGP，華為稱為NCA、另外還有NOH、NAD、NCA等多種叫法，但本質上都是NOA�，F(xiàn)階段，很多車企已經(jīng)將NOA技術應用到城市路段，開始在各平臺宣傳和展示自家的城市NOA技術，讓更多消費者看到私家車在城市道路“自動駕駛”的可能性。

自動駕駛現(xiàn)狀

雖然自動駕駛給我們的感覺近在咫尺，但細心的小伙伴應該也發(fā)現(xiàn)到了，現(xiàn)在網(wǎng)絡上對于自動駕駛概念的宣傳，還是使用的L2級、L2+級、L2.9級、L2++級等字眼，鮮有使用L3級的說法，為何我們現(xiàn)在已經(jīng)可以體驗到自動駕駛技術了，但大家在宣傳時，還是沒有使用到L4級的說法呢？其實是因為L4級的自動駕駛，真的太難實現(xiàn)了！

為何L4級自動駕駛那么難實現(xiàn)？在聊這個話題之前，我們要先了解下，什么是L4級自動駕駛。根據(jù)國際汽車工程師學會（SAE）的分類，自動駕駛被分為了L0級～L5級，共6個等級，其中對于L4級的定義為高度自動駕駛，此時在特定的道路和特定環(huán)境條件下，高級輔助駕駛系統(tǒng)可以完成所有的駕駛操作，駕駛員無需保持注意力集中，可以在乘車時將更多的時間用于娛樂。

2022年3月1日起，由工業(yè)和信息化部提出、全國汽車標準化技術委員會歸口的GB/T 40429-2021《汽車駕駛自動化分級》推薦性國家標準正式發(fā)布，這一標準的發(fā)布，解決了我國汽車駕駛自動化分級的規(guī)范性問題。在這一標準中，也將自動駕駛分為了0級駕駛自動化～5級駕駛自動化，共6個等級，對于4級駕駛自動化的標準定義中，要求系統(tǒng)在其設計運行條件下持續(xù)地執(zhí)行全部動態(tài)駕駛任務并自動執(zhí)行最小風險策略。

在這一階段中自動駕駛系統(tǒng)可以獨立完成規(guī)定的駕駛場景中（如園區(qū)、學校等）的自動駕駛功能，駕駛員依舊需要充當安全員的角色，監(jiān)管自動駕駛系統(tǒng)的駕駛行為。自動駕駛系統(tǒng)在遇到不能完成駕駛行為的場景或自動駕駛系統(tǒng)功能失效時，會向安全員提出請求讓其介入駕駛行為，如果安全員對請求不做響應、安全員不滿足駕駛車輛能力或安全員要求自動駕駛系統(tǒng)控制車輛到最小風險狀態(tài)時，自動駕駛系統(tǒng)可以自行將車輛控制到最小風險狀態(tài)下。

可以發(fā)現(xiàn)，在我國的標準中，4級駕駛自動化要求更為寬松，在行駛時可以有安全員的介入，而SAE歸類的L4級自動駕駛則對安全員不再作要求�；乜船F(xiàn)階段的自動駕駛實際應用，貌似只有蘿卜快跑與L4級自動駕駛最為接近，在很多媒體的宣傳中也使用了L4級自動駕駛相關字眼，但事實真就如此嗎？

在蘿卜快跑頻繁出現(xiàn)在熱搜時，有一個詞條非常亮眼，那就是蘿卜快跑后臺居然是有汽車機器人智控中心的，并有網(wǎng)友附上了圖片。從圖片中可以看到，一個個安全員坐在電腦前，觀察著車輛的行駛狀態(tài)，宛如大型賽車游戲現(xiàn)場。對此，蘿卜快跑客服回應稱“蘿卜快跑目前是自動駕駛，是沒有人操控的”�？头�還表示，為了保證乘客安全，有的車輛配有安全員，而全無人車輛也會配備行程專員，行程專員會在后臺監(jiān)控，乘客如有需要可以通過屏幕上的SOS聯(lián)系到他。由此可見，蘿卜快跑雖然不再需要駕駛員，但其背后，依舊有安全員的加入，并不能稱之為L4級自動駕駛。

L4級自動駕駛為何如此難實現(xiàn)？

為何現(xiàn)在自動駕駛技術已經(jīng)在很多領域得到了應用，卻沒有可以達到L4級的呢？

2.1 技術復雜性

環(huán)境感知與理解

L4級自動駕駛系統(tǒng)需要能夠在幾乎所有環(huán)境中自主駕駛，無論是高速公路、城市街道還是復雜的交叉路口。要做到這一點，車輛需要通過多種傳感器（如激光雷達、毫米波雷達、攝像頭等）對周圍環(huán)境進行全面感知。這些傳感器需要協(xié)調工作，提供高分辨率的環(huán)境數(shù)據(jù)，并將這些數(shù)據(jù)融合到一個統(tǒng)一的模型中。然而，傳感器本身存在局限性。例如：

• 激光雷達可以提供精確的三維點云，但在雨雪天氣條件下，其性能可能會下降。

• 攝像頭能捕捉視覺信息，但在光線不足或過強的情況下，效果會受限。

• 毫米波雷達能夠穿透霧霾和雨雪，但其分辨率較低，難以準確識別細小或復雜的物體。

為了處理這些復雜場景，自動駕駛系統(tǒng)需要先進的感知算法來正確解讀這些傳感器的數(shù)據(jù)，并進行場景理解和目標檢測。但目前的算法在應對復雜、不確定的道路狀況時，仍然可能出現(xiàn)誤判。例如，系統(tǒng)可能無法正確識別突然出現(xiàn)的行人或對某些非標準物體的反應較慢。

決策與規(guī)劃

一旦系統(tǒng)感知到環(huán)境中的所有元素，就需要做出駕駛決策和路徑規(guī)劃。這涉及復雜的算法，如路徑優(yōu)化、障礙物規(guī)避、行為預測等。在開放環(huán)境中（如城市道路），系統(tǒng)必須處理大量的不確定性，例如：

• 其他車輛的行為是否符合預期？

• 行人會否突然橫穿馬路？

• 信號燈故障如何處理？

要做到安全駕駛，系統(tǒng)需要在毫秒級別的時間內處理這些信息，并做出最佳決策。目前的人工智能和機器學習算法在某些情況下可能表現(xiàn)不穩(wěn)定，特別是在面對從未遇到過的新場景時。因此，系統(tǒng)的魯棒性和安全性還需要進一步提升。

2.2 數(shù)據(jù)與算法局限

數(shù)據(jù)采集與標注

自動駕駛系統(tǒng)依賴大量數(shù)據(jù)來訓練和優(yōu)化其算法，尤其是在感知和決策方面。然而，采集并標注這些數(shù)據(jù)是一個龐大而昂貴的過程。為了覆蓋各種駕駛場景，系統(tǒng)需要大量的真實世界數(shù)據(jù)，包括不同天氣條件、不同時間段以及各種地形和道路類型。這些數(shù)據(jù)的多樣性直接影響系統(tǒng)的泛化能力。然而，目前的數(shù)據(jù)采集仍然主要集中在少數(shù)特定區(qū)域和條件下，導致系統(tǒng)在面對某些特殊情況時，可能缺乏足夠的經(jīng)驗。

極端場景與長尾問題

長尾問題是指在訓練數(shù)據(jù)中很少見但在實際駕駛中可能會遇到的極端場景。例如，系統(tǒng)可能很少遇到大型動物突然橫穿高速公路，或者遭遇嚴重的交通事故場景。這些極端情況雖然發(fā)生頻率低，但一旦發(fā)生，其風險極高。目前，系統(tǒng)在應對這些極端場景時的表現(xiàn)還不夠理想。

算法的局限性

盡管深度學習和其他機器學習技術在圖像識別、語音識別等領域取得了顯著進展，但在自動駕駛中，這些算法仍面臨挑戰(zhàn)。尤其是在多目標跟蹤、行為預測和異常檢測等方面，現(xiàn)有算法還不能保證在所有情況下都能做出最優(yōu)決策。此外，算法在處理不確定性和推理方面的能力有限，使得系統(tǒng)在復雜決策場景下容易出錯。

2.3 法律與法規(guī)障礙

法律框架的不完善

許多國家和地區(qū)的法律和法規(guī)尚未完全跟上自動駕駛技術的發(fā)展�，F(xiàn)有的交通法規(guī)通常假設有人類駕駛員在控制車輛，因此，在完全無人駕駛的情況下，法律責任的歸屬仍然是一個巨大的挑戰(zhàn)。例如：

• 責任劃分：如果L4自動駕駛車輛發(fā)生事故，責任應該歸于駕駛員、汽車制造商、技術供應商還是其他第三方？這在法律上尚無定論。

• 數(shù)據(jù)隱私：自動駕駛車輛會收集大量數(shù)據(jù)，包括位置、駕駛行為、環(huán)境信息等，這些數(shù)據(jù)的使用和保護如何符合現(xiàn)行的隱私法規(guī)，也需要進一步明確。

法規(guī)限制與標準化

不同國家和地區(qū)對自動駕駛技術的測試和部署要求不同，這使得跨國部署變得復雜。此外，目前缺乏全球統(tǒng)一的自動駕駛安全標準，使得技術供應商在不同市場之間難以保持一致的技術和安全標準。

2.4 基礎設施與成本

基礎設施建設不足

L4級自動駕駛系統(tǒng)的順利運行往往需要支持性的基礎設施。例如：

• 高精度地圖：L4級自動駕駛依賴于精確到厘米級的高精度地圖，以確保車輛能夠準確定位和導航。但這些地圖的更新和維護成本高昂，且在某些偏遠地區(qū)，可能沒有足夠的地圖數(shù)據(jù)支持。

• V2X通信：V2X（Vehicle-to-Everything）通信技術允許車輛與其他車輛、交通信號、道路基礎設施等進行實時通信，從而提高交通安全和效率。然而，這種通信基礎設施在大多數(shù)地區(qū)尚未完全普及，且標準化程度較低，影響了自動駕駛技術的應用。

高昂的研發(fā)與運營成本

L4級自動駕駛系統(tǒng)的研發(fā)需要投入巨大的資金和資源。開發(fā)、測試、驗證和維護一套安全可靠的自動駕駛系統(tǒng)涉及大量的工程和計算資源，因此現(xiàn)階段自動駕駛還是應用在無人出租上，為企業(yè)化的統(tǒng)一管理。此外，商業(yè)化部署所需的傳感器、計算硬件等成本也非常高，這使得目前的L4自動駕駛解決方案難以在商業(yè)上大規(guī)模推廣。

2.5 安全性與可靠性

安全性挑戰(zhàn)

自動駕駛系統(tǒng)的首要任務是確保乘客和周圍道路使用者的安全。要做到這一點，系統(tǒng)的故障率必須極低。即使在面對極端情況下，系統(tǒng)也必須做出正確的決策。例如，如何在沒有明確道路標志或信號燈失靈的情況下安全行駛？如何在車輛傳感器或通信系統(tǒng)失效時仍能保障行駛安全？

多層冗余與系統(tǒng)可靠性

為了提高可靠性，L4級自動駕駛系統(tǒng)通常需要多層冗余設計，包括冗余的傳感器、冗余的計算系統(tǒng)等。然而，這種冗余設計不僅增加了系統(tǒng)的復雜性和成本，還需要復雜的軟件架構來管理和協(xié)調多個冗余系統(tǒng)的工作。確保所有系統(tǒng)在任何情況下都能無縫協(xié)作，并在故障發(fā)生時及時切換，是一項巨大的技術挑戰(zhàn)。

長期測試與驗證

為了確保系統(tǒng)的安全性，L4級自動駕駛需要經(jīng)過長時間、大規(guī)模的測試與驗證，包括在不同的環(huán)境條件、不同的道路類型和不同的駕駛場景下進行全面測試。然而，即使進行了大量測試，仍然存在某些極端情況可能未被覆蓋的風險，這對系統(tǒng)的全面可靠性提出了更高要求。

2.6 社會接受度與倫理問題

公眾信任

許多人對完全由機器控制的自動駕駛技術仍然持有懷疑態(tài)度，特別是在涉及安全和隱私問題時。多起涉及自動駕駛車輛的事故報道加劇了這種擔憂。要推動L4級自動駕駛技術的廣泛應用，需要通過實際表現(xiàn)、透明的測試流程和公正的法規(guī)來逐步建立公眾的信任。

倫理決策

自動駕駛系統(tǒng)在某些情況下可能需要做出涉及生命倫理的決策。例如，如何在緊急情況下決定避讓行人還是優(yōu)先保護乘客？這些倫理決策目前主要依賴于人類駕駛員的判斷，但在自動駕駛系統(tǒng)中，如何編程和實現(xiàn)這些決策是一個巨大的倫理挑戰(zhàn)。這不僅涉及技術問題，還涉及社會道德和法律的復雜討論。

如何破局？

想要實現(xiàn)L4級自動駕駛，我們首先要明確，L4級自動駕駛真的可以實現(xiàn)嗎？答案是肯定的，我們已經(jīng)非常接近L4級自動駕駛了�，F(xiàn)在自動駕駛發(fā)展路徑已經(jīng)非常明確，在不考慮成本的前提下，感知硬件也已非常完善。而想要達到L4級自動駕駛，需要的是一個足夠聰明，可以靈活處理各種交通場景的決策系統(tǒng)。

之所以現(xiàn)在很多自動駕駛應用中離不開安全員的角色，主要是因為我們對于自動駕駛決策系統(tǒng)還不夠信任，決策系統(tǒng)也無法和人類一樣靈活應對各類交通場景。

技術是有籠子的，自動駕駛汽車決策系統(tǒng)也是如此，技術人員教給決策系統(tǒng)的是如何根據(jù)交通規(guī)則來行駛，但人的不確定性太大了，不按交規(guī)行駛行為屢見不鮮，這就讓自動駕駛汽車無法正確判斷進一步的行駛方式，這也是為何L4級自動駕駛無法實現(xiàn)的原因。雖然現(xiàn)在已有很多車企提出來端到端的解決方案，但歸根到底，還是難以處理突發(fā)性的交通狀況。

或許還有一個方法，可以快速實現(xiàn)L4級自動駕駛，那就是禁止人類駕駛汽車，全由自動駕駛汽車按照統(tǒng)一規(guī)則來服務大家出行吧�。ㄍ嫘υ挘�切莫當真）

       原文標題 : 為什么L4自動駕駛那么難實現(xiàn)？