[首發于智駕最前沿微信公眾號]談到自動駕駛，不可避免地會涉及到自動駕駛分級，美國汽車工程師學會（SAE）根據自動駕駛系統與人類駕駛員參與駕駛行為程度的不同，將自動駕駛分為了L0～L5共5個等級。國內也發布了《汽車駕駛自動化分級》（GB/T 40429-2021），明確了自動駕駛不同等級所設計的技術要點。為什么自動駕駛一定要分級？自動駕駛分級考慮了哪些因素？

無論是SAE的標準，還是國內的標準，對于自動駕駛分級，主要考慮了兩點，即系統能替人做多少駕駛任務，以及在系統不能應付時誰來負責。隨著等級上升，車輛承擔的任務越來越多，人類司機的監督角色逐步弱化，直到最高等級系統可以在任何場景、任何時間獨立完成整個駕駛任務。

低等級的自動駕駛更多是給駕駛員“幫忙”，如在高速上保持車距或對車道做微調。中等級別開始出現“在限定場景下放手”的能力，系統可以負責一段時間的駕駛但需要人備份。高等級則把很多不確定、復雜的情形也覆蓋進來，系統要能自主判斷并處理各種突發情況。這個從“輔助到自主”的轉變，看似是量的積累，實際上涉及感知、決策、控制、冗余與驗證等多方面的質的飛躍。

從感知到決策，技術能力的逐級提升

自動駕駛的技術骨架可以粗略拆成感知（看見周圍）、定位與地圖（知道位置）、預測與決策（判斷別人的下一步并決定自己怎么做）、控制（把決策轉換成動作）、還有人機交互與退化策略（異常時如何和人交接或安全停靠）等幾條主線。在較低級別，這些模塊可以比較簡單；到中高等級，它們不僅要更精確，還要有可證明的可靠性和容錯能力。

低等級系統可能只需單一傳感器就能滿足基本功能，如雷達用于自適應巡航、前置攝像頭用于車道偏離警示等場景，就是在較低等級自動駕駛下可以實現的功能。到了更高等級，單一傳感器的局限就日益凸顯，攝像頭對強逆光、夜間和雨雪敏感，毫米波雷達在精細形狀識別上不如攝像頭，激光雷達在某些天氣條件下表現也有波動。因此高級系統采用多傳感器融合，把不同來源的數據結合起來，以提高魯棒性。融合不僅是把數據堆在一起那般簡單，還要處理時序對齊、坐標變換、各傳感器置信度評估與異常檢測，這些都是工程量很大的工作。

定位與地圖在自動駕駛等級提升中也很關鍵。基礎定位靠GNSS加慣導能滿足城市低速輔助，但一旦需要精確到車道級別的決策，高精度定位和高精地圖就變得必要。地圖不僅包含幾何信息，還需要語義化地描述車道連通性、交通規則和歷史事件等。此外，地圖也要能及時更新，道路施工、臨時封閉、標線變動都可能令地圖失配。系統需要設計策略應對地圖不一致的情況，不能假定地圖永遠準確。

預測與決策是自動駕駛“智能”的核心。較低等級的決策往往是基于規則和簡單模型，而中高等級要對動態目標做軌跡預測、評估多個備選策略的風險收益并實時選擇，這要求更復雜的模型、更大的算力和更嚴格的延遲控制。此時，決策還必須包含事故避免與安全約束的顯式機制，不能只是尋求最優路徑，還要保證在極端或異常情況下的安全退路。

隨著自動駕駛等級的不斷提升，控制層面的要求也從能平順地執行縱橫向操作，進化到在冗余硬件與斷聯場景下仍能維持車輛穩定。控制算法需要考慮執行器的物理極限、車輛動力學以及在傳感器退化時的保守策略。軟件架構要支持熱冗余與失效切換，保證在部分模塊失效時系統不會陷入不可控狀態。

把“會開”變成“被允許上路”

自動駕駛系統的最終目標并不是讓自動駕駛系統在一個封閉場景中獨立駕駛，而是要讓自動駕駛駕駛從“能做”變成“可靠地、可證明地做”，這就需要冗余設計、嚴密的驗證體系和配套的法規標準。冗余不是單純地增加同類設備，而是要跨層級、跨模塊地設計，如傳感級別的冗余、計算平臺的冗余、電源與通訊鏈路的冗余等，都是需要考慮的方向。設計冗余的核心目的是避免單點故障導致安全臨界失效，同時要保證切換過程是快速且不會引入新的危險。

對于自動駕駛系統來說，驗證工作一定會占據開發周期極大部分的精力。低等級功能可以通過場景測試和實驗室驗證完成，但中高等級需要海量仿真覆蓋大量邊界情形、數以百萬計的行駛里程實車驗證、以及針對邊緣案例的專門試驗。驗證方法也要更加精細化，其中要包括形式化驗證、場景生成、因果歸因分析和穩健性測試。評估指標不能只看平均性能，更要關注極端條件下的最壞情形與故障恢復時間。這正是為什么大型車企和自動駕駛公司投入巨額資源做閉環仿真與場景回放分析的原因。

一步步走穩比一步到位更現實

現階段，已有諸多車企發布了不同應用場景的自動駕駛，為了確保自動駕駛可以更好地服務于人，一定要把技術“關在籠子里”，選擇可控的操作設計域并把系統限定在該域內，是實現自動駕駛早期部署的可行策略。封閉園區、限定車道的接駁車和在特定城市片區試運行的無人出租車，都屬于這樣的策略。通過把復雜性控制在一定范圍內，系統可以先把各種退化、異常和災難模式補齊，再逐步擴大可運行的場景。

要把高級別推廣到大規模量產和普遍應用，仍有幾項長期任務不能忽視。其一是成本與重量的折中。高精度傳感器、大型算力平臺與冗余模塊都增加了車輛成本與能耗，這對量產化是障礙。其二是軟件與數據的生命周期管理，自動駕駛系統需要頻繁更新模型、校正感知參數與修補漏洞，如何保證更新安全、回滾機制可靠、以及線上版本管理是一個持續的工程難題。其三是社會與用戶的接受度問題，當系統面對突發情況時，用戶能否快速響應接管請求、社會對自動駕駛事故的容忍度如何，都會直接影響部署策略。

技術發展并不是一條直線。現階段穩妥的路徑常常是分階段迭代，先在可控域內先實現高度自動化，積累運營經驗、數據與用戶信任，再逐步開放邊界。同時產業生態的共建也要跟上，這其中包括高精地圖的持續維護團隊、路側智能基礎設施的配套、以及跨企業數據共享與標準化工作。沒有單一公司能獨自解決所有問題，協同與標準化在未來一定會越來越重要。

最后的話

自動駕駛每一級別的提升，在工程上都是質的改變。感知要從能“看到”變成能“在復雜環境里穩健看到”；決策要從“遵守規則”變成“面對不可預期情況仍能做出安全選擇”；系統要從“偶發故障可由人接管”變成“任何時候都不會把車帶入危險”。要達到這些目標，需要在傳感、計算架構、軟件工程、驗證方法與法規適配上同時推進。比起一夜之間實現最高級別，更現實的做法是把每一步做到極致、把退化路徑設計得安全可靠，并在真實世界中持續驗證與迭代。