车辆的“视野”被极大打开，令其提前接收到更多信息，这就在无形中延长了云端以及终端计算决策的时间，从而更加“有备无患”。
作者 | 吴玖
编辑 | 杨铭
近年来，自动驾驶行业风起云涌，但迄今仍未摸索出完全成熟的技术方案，同时由于真实行驶环境的复杂多变，更导致安全事故频繁发生。此外，为了实现自动驾驶能力，车辆常常要装配众多昂贵的传感器，高企的成本也令其商业前景晦暗不明。
在这样的背景下，智能网联汽车的出现，则为自动驾驶技术落地提供了破局的可能。
何谓智能网联汽车？根据中国工程协会的定义，智能网联汽车是指搭载先进的传感器、控制器、执行器等装 置，并融合现代通信与网络技术，实现车与X(车、路、人、云等)智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可以实现安全、高效、舒适、节能行驶，并最终代替人来操作的新一代汽车。
事实上，在原来“智能汽车”的基础上增加“网联化”标签，无疑相当于一次进化和升级。7月14日，在中国互联网大会首届智能网联分论坛上，腾讯智慧交通副总裁施雪松表示，在智能网联概念下的行使环境中，可以通过路侧的智能设备为汽车提供全方位实时动态信息，相当于开启了“上帝视角”。
与此同时，由于车辆的“视野”被极大打开，令其提前接收到更多信息，这就在无形中延长了云端以及终端计算决策的时间，从而更加“有备无患”。
01
马斯克的“难题”：单车智能远远不够
要沿单车智路线实现自动驾驶，个中困难想必特斯拉CEO马斯克深有体会，不久前他在个社交媒体上感慨“自动驾驶是一个难题”，并坦言自己过去“从没想到会如此困难”——这也是“硅谷狂人”鲜少向外界展示略显消极的一面。
早在2018年，马斯克就曾信心满满地预告将会推出FSD beta V9.0，即令汽车具备“完全自动驾驶”功能，在2019年的特斯拉Autonomy Day（自动驾驶日）上，他又宣称到2020年底，特斯拉将会拥有超过100万辆“完全自动驾驶”汽车……但因为技术和安全等层面的难题迟迟未能解决，马斯克一再食言，成为著名的“跳票大王”。
直到7月10日，特斯拉FSD beta V9.0才姗姗来迟，马斯克也承认该版本FSD距离真正意义的自动驾驶还有不小差距，但其中最大的亮点就是基本上实现了他此前一直鼓吹的纯视觉方案——车辆仅依赖摄像头采集数据并通过智能算法驱动行驶。
不过，马斯克也通过社交媒体提醒车主，“Beta 9解决了大多数已知问题，但会有未知问题……安全始终是重中之重。”马斯克的“示弱”背后，曾有着血淋淋的教训。事实上，因为频繁发生的恶性安全事故，特斯拉曾屡次接受美国道路安全监管机构的调查。
世上没有完美的传感器，其精度无不被各种各样的因素制约。例如特斯拉纯视觉方案采用的摄像头，便十分容易受到大雾、雨雪或光照等因素影响。尽管该公司一直对自家视觉感知算法十分自信，实际上却依旧停留在验证阶段，远非成熟路径，更没有得到业界其他大佬的认可。不久前华为ADS智能驾驶产品线总裁苏箐就曾公开批评特斯拉自动驾驶的“高事故率”无异于“杀人”。
在对自动驾驶的探索之路上，除了纯视觉路线，还有以谷歌Waymo为代表的“激光雷达+摄像头”融合路线，并辅以高精地图。由于雷视融合可以补足纯视觉的诸多短板，为系统留出更多“冗余”，因而也是更为主流的路线，如Uber和大多中国企业均采用这一方案。
虽然上述路线看上去更加稳定可靠，但最大的一个包袱就是成本太高，尤其是激光雷达，据CMU卡内基梅隆大学无人驾驶研究中心首席科学家John Dolan介绍，一个64线激光雷达的成本就高达7.5万美元，“这对普通用户来说太贵了”。
事实上，当前国内许多采用激光雷达方案的厂商就遭遇了“堆料”的质疑，推出的车型大多集中在30万元以上的高端市场。特斯拉一直将激光雷达摒除在外，并最终弃用毫米波雷达，主要原因之一便是出于成本层面的考虑。
算法和硬件层面之外，对于单车智能路线下的自动驾驶，最大的挑战还是数据的获取。业界公认一套自动驾驶技术算法至少需要110亿英里的测试，才能达到量产应用的条件。可在现实情况中，还没有哪家企业能够达到这种“硬性”指标，即便是特斯拉，截至去年4月，其自动驾驶累计数据才仅仅30亿英里左右。至于其他企业，更是远远不及。
同时，由于自动驾驶测试车辆和高精地图采集车辆改装成本高昂，通常需要花费数百万甚至上千万，再叠加线下的人工成本，对于企业来说无疑是一笔庞大的支出。这也是为何绝大多数高精度图仅覆盖少数城市，而较高阶的辅助驾驶功能也只面向部分高速和城市快速路等相对封闭的驾驶环境开放。
在这样的背景下，虚拟仿真测试便成为各大车企和科技企业争相布局的领域。以腾讯自动驾驶虚拟仿真平台TAD Sim为例，该平台内置高精地图，且基于腾讯云服务，可以同时在本地和云端部署测试场景，支撑上百万车辆和上千台自动驾驶车辆交通流的全天候测试。
事实上，虚拟仿真测试不仅局限于线上，同时也在线下实车测试中发挥着重要作用。仍以TAD Sim为例，腾讯利用数字孪生技术，在襄阳达安汽车检测中心构建了总里程100公里、与真实场景相差无几的三维环境以及包括202场景在内的场景库。
借由该场地，襄阳达安汽车检测中心可以实现包括标准交通法规场景、自然城市场景和部分极限场景等多场景在内的实车测试。用该检测中心总工程师周正的话来说，就像人类在玩虚拟游戏一样，相当于为汽车戴上了一副“VR眼镜”。
但即便虚拟仿真测试的场景库再丰富，也很难复制线下全部真实场景，大量的长尾场景仍然难以预料，甚至在百万级公里的实际路测中才会出现一次。哪怕一辆车被训练得再聪明，但路上的“视野”毕竟有限，极端天气、不利照明和物体遮挡等仍会对其感知和预测能力提出极大挑战。
02
“上帝视角”：智慧的路不可或缺
自动驾驶曙光初露，但要到达那里仍有很长的路要走，一辆车不仅要在芯片、传感器、算法和底层OS等层面变得越来越聪明，还需要在更高的维度解决动态信息的获取问题。
想要实现更可靠安全的自动驾驶，就需要打开车辆的“视野”。事实上，要驶向真正的自动驾驶时代，紧紧依靠聪明的车远远不够，智慧的路也不可或缺。
在智能网联的概念下，车、路和人作为终端，而V2X车联网则是将三者联系起来，并在云端实现融合，共同构成完整的自动驾驶生态，从而突破单车智能的非视距感知和车辆信息共享等技术瓶颈，为车辆提供更丰富的信息和更加广阔的视域。
那么，在数据层面的“硬指标”上，“智慧的路’是如何开拓车辆”视野“的？据施雪松在智能网联分论坛上分享的、不同路径下的相机数据显示。
普通视角（相机安装于车上）下，盲区距离为50m，像素与图像分辨率分别为800万和3840X2160，最小覆盖水平宽度与最少覆盖车道数分别为 39m和9车道。而在鱼眼视角（高度为10m的鱼眼相机）下，上述各项指标的结果变成了0m、1200万和4000X3000、360度全方位覆盖，探测范围的提升一眼便知。
尤其对于单车智能难以应对的复杂多变的交通环境和天气因素，很大程度上可以依靠包括信号灯、标志牌和摄像头等智能路侧单元辅助解决。例如在行车穿过路口时，车辆可接收路侧摄像头的信号，提前获知行人信息，避免“鬼探头”等安全事故的发生。在浓雾或雨雪天气中，智能网联汽车亦可通过车联网得知其他车辆的位置信息，从而做出更精准的决策……
正是由于V2X车联网的诸多优势，车路协同成为我国当前实现自动驾驶的主流路线，智能网联汽车近年来也得到了政策层面的支持，并且上升至国家战略层面。
工信部于2018年印发的《车联网（智能网联汽车）产业发展行动计划》更是对智能网联汽车提出了明确的规划：第一阶段，到2020年，实现具备高级别自动驾驶功能的智能网联汽车实现特定场景规模应用，车联网用户渗透率达到30%以上。第二阶段，2020年后，高级别自动驾驶功能的智能网联汽车和5G-V2X逐步实现规模化商业应用，“人-车-路-云”实现高度协同。另据《智