自動駕駛無疑是截至目前，今年最受投資青睞的一個細分領域。

據業內人士介紹，這是繼 2014、2015 年以來，自動駕駛領域的又一次投資熱潮。有專業人士認為，這次投資熱潮中有明顯的投資趨勢轉變特征出現。具體表現在，與 2022 年 Q1 偏向 ADAS 以及高級別自動駕駛系統級解決方案提供商不同，Q2 獲投技術領域分布比較均勻，從感知層的毫米波雷達、激光雷達到決策層的芯片、計算平臺，再到執行層的智能底盤領域，均有企業獲得了新一輪融資。

這種轉變的背后，是否展現了自動駕駛未來技術演進的方向？帶著這樣的疑問，InfoQ 編輯采訪了智行者 CTO 王肖和智行者聯合創始人、研發中心副總經理張放，以及多位機構投資人。

難以突破的自動駕駛核心技術

多位機構投資人和創業者均表示，投資方向的轉變并不是近期發生的。事實上，投資方向轉變需要放置到自動駕駛及其相關產業的整體發展進程來判斷。從風險投資早期階段來看，投資是緊跟隨產業發展需求的脈絡進行的布局。

比如，早期投資機構聯想之星 2014 年就入局投資自動駕駛，稱得上是行業的先行者。2014 年起，聯想之星投資了 ADAS、毫米波雷達、 AEB （自動緊急制動）、激光雷達自動駕駛零部件方案的供應商。2015 時，自動駕駛研發迎來大爆發，聯想之星投資了解決方案提供商 Pony 。

2018 年開始，聯想之星先后投資了以小馬智行為代表的自動駕駛整體解決方案的初創公司。2018 年后，自動駕駛從此前追求單車智能，逐漸轉變為“聰明的車 + 智慧的路”。聯想之星的投資也向著更廣的方向發展，投資了地圖、智慧交通等領域的公司。不難看出，聯想之星的投資布局動線圖，緊跟著自動駕駛及其相關產業的整體創業趨勢。不少投資人坦言：“最近，我們并沒有觀測到有新的技術突破。”

軟硬件在短時間內很難發生實質性的突破。所以，智行者 CTO 王肖認為：“L4 未來的趨勢是要滿足常用場景的商業化落地，把實現無人駕駛的成本降下來。產品策略方面也是需要自動駕駛提供商需要突破的關鍵所在。”

自動駕駛是人工智能深度學習的一種應用。自動駕駛汽車關鍵技術主要包括環境感知、精準定位、決策與規劃、控制與執行、高精地圖與車聯網以及自動駕駛汽車測試與驗證技術等。簡單說，自動駕駛核心技術體系可概括為“感知、決策與控制執行”（如下圖所示）。

圖 1：自動駕駛核心技術

感知與決策與是無人駕駛中最難突破的兩個模塊，也正是這兩個模塊決定了自動駕駛等級。這兩個模塊可通過車載攝像機、激光雷達、毫米波雷達、超聲波等傳感器來感知周圍環境，實時動態監測周邊環境變化，并依據所獲取的信息進行決策判斷，形成安全合理的路徑規劃。

市面上推出的自動駕駛解決方案，也基本是圍繞著這兩個模塊展開。這兩個模塊構成了自動駕駛的決策規劃能力。面對人工智能算法以及以毫米波雷達為代表的感知系統方面的現有局限性，自動駕駛方案提供商需要在極度安全與極度智能這兩個維度中找到平衡點。投資人普遍認為，軟硬件的突破確實不易，如何在產品策略方面推出能夠落地商業化綜合應用是眾多玩家未來的主要策略。

深度學習算法以及感知能力的 瓶頸該如何解決？

目前，深度學習還有尚未突破的痛點。比如，在高速路上行駛，廣告牌上若有人像，汽車“大腦”會誤認為是人，發出提示音。原因是深度學習尚未達到與人類相同的判斷能力。“基于深度學習的視覺系統，不可能把萬事萬物都學習一遍。”王肖解釋道。

再有，近期出現的多起電動汽車安全事故，都是撞上了高速路上的靜態物。這不僅有上述的深度學習原因，也有感知層面中毫米波雷達的固有弊端。最常見的有，由毫米波雷達對金屬比較敏感，有時會誤將龍門架識別為汽車。

以上提及的深度學習算法以及感知能力到底該如何解決？如果是特斯拉這樣單純使用視覺識別是否可行？縱觀業內眾多解決方案，主要是兩種方法。一是多融合感知方案，用決策邏輯彌補感知問題；二是在云端自動化的實現算法迭代，通過數據驅動的強化學習來訓練決策邏輯。在本月 17 日，召開了新品發布會的智行者，向外界發布了“輕地圖，重感知”的解決方案。這套解決方案包含了以上兩種方法。

張放直言，智行者不是純視覺支持者。“如果后端決策規劃能力沒有上來之前，采用純視覺識別永遠是有問題的。最典型的是夜間場景。我們推出的 H-INP 系統恰恰彌補了這一缺點。”

據悉，H-INP 采用了 6 顆攝像頭 +5 個毫米波雷達的多融合感知方案。這種解決方案可以減少對高清地圖的依賴，從而實現“輕地圖，重感知”。不依賴高清地圖，也是中國自動駕駛廠商未來拓展海外市場必須具備的能力。

此外，在硬件架構配置方面，H-INP 還采用了智行者自主研發的車規級高算力域控制器，算力可達 128TOPS，CPU 計算能力達 30K DMIPS。結合上述的多融合感知方案，實現了成本的有效控制，既滿足了車輛安全運行的需求，又達到了前裝量產的標準。據智行者介紹，目前 H-INP 的成本在數千人民幣。智行者希望通過低成本的方式，快速推進自動駕駛落地，進而形成商業閉環。目前，這套系統還處于原型測試階段，預計今年第四季度推出量產版本。

據張放介紹，H-INP 采用了平臺化設計，可在此統一架構下開發出系列產品，滿足不同場景的需求。在整體系統架構的設計方面，H-INP 具有功能模塊化、接口抽象化等特點，具體表現為：

1. 將架構進行了分層解耦，可以更加便利地利用最新技術成果；

2. 算法模塊化復用，通過圖形化工具實現應用設計、開發、集成和調試，將研發聚焦在算法本身；

3. 深度優化的通信和調度機制，提供多級通信機制與模塊部署的局部性特點相適應，提供確定性和 CPU-GPU 聯合調度。

在構建多融合感知方案中，智行者實施了以下三個步驟，以通過語義理解生成一個實時的云端地圖。整個過程，還原和模擬了人在開車時的真實情境。“通過眼睛感知外部事物，從而在大腦中形成了外界地圖。”

第一步是準確的目標和準確的檢測能力。通過傳感器準確傳回所需要的數據，要精確的“看到”車道線、標志牌等道路元素。

第二步 3D 場景重建的能力。在感知算法的基礎上，盡可能在 3D 場景中準確還原傳感器傳回的“圖景”，并把離散在不同時空中的每一幀融合為一個完整的物理世界。

第三步是語義理解，理解周遭環境的能力。只有經過邏輯關系和拓撲關系處理之后，才能做出最終的決策規劃。比如，經過前兩步實現了完整清晰的物理世界，抓取到了車道線等道路基本相關信息。那么，接下來，車輛在行駛中要如何利用這些抓取到的這些信息，來判斷是左拐還是右拐？這就需要第三步邏輯關系去處理，形成決策規劃，然后輸送給控制單元進行實施。

用數據驅動迭代算法，從而提升自動駕駛能力也是智行者著重提升的能力維度之一。這其中涉及到如何去快速挖掘數據，清洗數據和更新云端的算法模型。張放認為，有用的數據才能反饋出真實問題，提升算法。快速發現數據就是要自動化的挖掘有意義的數據。這些數據通常是在邊界或者目前尚未解決的場景。張放補充到，在此環節，智行者先采用仿真系統測試一遍算法模型，之后再將有效的數據運用到真實車輛進行試驗。這樣做可以提升開發效率。

綜上，智行者用在夯實能力的基礎上，使用了產品策略來實現其從特殊場景、特種車輛等場景延伸至乘用車領域。

“必經戰事”：商業化場景落地

今年 8 月初，百度發布了一個聲明：已獲得中國武漢、重慶兩個城市的批準，可以向乘客提供全無人駕駛網約車（ Robotaxi ）有償服務。但這并不意味著無人駕駛可以進行大范圍商業應用。只有達到現有網約車相同的實用性，徹底拿掉安全員、不限目的地、不限區域的自動駕駛，才是真正的商業化。我們熟悉的理想、蔚來、小鵬以及特斯拉實質上應用的都是 L2 級別的輔助駕駛系統。L5 級別的自動駕駛（完全無人駕駛）實現還需要很長時間的探索和落地試驗。傳感器、算法軟件等將是無人駕駛技術本身需要攻克的難關。另一方面，能否在現實場景中實現無人駕駛與整個交通體系密切相關，這又取決于智慧交通的發展。

在這篇文章創作之初，InfoQ 編輯曾聯系過多家曾經投出了自動駕駛明星項目的早期投資機構。事實上，已經有投資機構將注意力轉移到了其他領域。有關人士指出，目前各個賽道的競爭格局已經形成，加之技術創新周期長的原因，接下里的競爭主要集中在商業化落地場景中。此前，畢馬威中國則預測，中國主要城市將在 2030 年實現自動駕駛的大規模應用。自動駕駛很可能在下個十年以網約車或物流配送車的形式進入市場。

據智行者介紹，其已在特種場景和室外無人環衛車細分市場中進行了布局，且所占市場份額不低。此次發布的高速領航系統 H-INP（Highway – Idriver+ Navigation Pilot）表明智行者正式進入了乘用車領域。未來，還將打造適用于城市場景的城市領航系統 C-INP 系統，可實現不同時段（白天 / 夜間），人車混行交通流下的輔助駕駛。

上述的感知與決策模塊，以及商業化場景落地探索問題，都可以采取產品策略進行緩解。但是，還有許多業內人士指出，算力已是制約當前自動駕駛向前發展的一個重大考驗，同時也是自動駕駛系統得以大規模落地以及進一步實現商業化的前提條件。在提及算力之前，當前芯片短缺已成為汽車行業的巨大痛點。

審核編輯 ：李倩