如果自動駕駛標準是按照L5級別來要求的話，那確實還有很長的路要走，因為今天關于完全自動駕駛汽車還存在許多爭議，不僅是技術上的，還包括法律、倫理等方面的界定。但羅馬不是一天建成，飯也不是一口吃大，如果我們適當降低標準，以有限的自動駕駛來看，比如L2-L3級別，那么我們已經看到有很多公司在這樣做，而且已經離我們很近了。

最近幾年，自動駕駛車一直是傳統汽車廠商、一級零配件供應商孜孜探索的領域，也是包括IT公司和互聯網公司在內都很關注的風口。

雖然大家一直都在討論這個熱點，但是關于“自動駕駛何時能量產？全自動駕駛什么時候實現？”說了這么多年，似乎依然是個未知數。

有人說：“自動駕駛汽車是活在夢里，不可能實現?！?/p>

如果說的這個人是按照L5級別來要求的話，那確實還有很長的路要走，因為今天關于完全自動駕駛汽車還存在許多爭議，不僅是技術上的，還包括法律、倫理等方面的界定。

但羅馬不是一天建成，飯也不是一口吃大，如果我們適當降低標準，以有限的自動駕駛來看，比如L2-L3級別，那么我們已經看到有很多公司在這樣做，而且已經離我們很近了。

說到這兒，也許你還有點云里霧里：“L2、L5這些術語代表什么？”

為了方便您了解自動駕駛汽車，我們先來一個簡單科普。

1、什么是自動駕駛？

有關自動駕駛，美國汽車工程師協會（SAE）已經對其技術定義了六級自動化級別。

從圖中可以看到，L2級和L3級之間有條分界線：L2級及以下，由駕駛員主導監視環境；L3級及以上，由系統監視環境。

所以，可以說L2級到L3級是一個明顯的分界點——從ADAS（高級輔助駕駛）向AD（自動駕駛）過渡。

通俗來講，L3級以下和L3級以上最大區別就是，汽車能否像人一樣感知周圍環境并做出決策。

而在現階段，L5級存在著巨大爭議，盡管很多創業公司、IT公司以及車企都把L5視作終極目標，但無論是法律、法規方面的阻礙，還是技術成熟度上的局限，都使人們意識到實現L5還需要很長時間。

所以在現階段的市場上，大多數傳統車企更著力于研發L2/L3級別的自動駕駛技術，并行研究封閉場景內的L4級自動駕駛系統。

2、實現自動駕駛的難點在哪？

那么，當前階段實現自動駕駛的難點在哪呢？

這里我們就要討論自動駕駛的三大要素——感知層、決策層和執行層。

感知層

相當于駕駛員的眼睛和耳朵，由各種各樣的傳感器來完成對外部環境的判斷和識別。

考慮到復雜的外界場景，多傳感器的融合技術是一個趨勢。目前主流的有兩套傳感器系統，一套以雷達和攝像頭為主的感知系統，和一套以激光雷達為主的感知系統，兩套系統互為備份提供冗余性、覆蓋范圍和精度上的需求。

決策層

相當于駕駛員的大腦，通過控制器對環境的認知以及路徑規劃進行決策判斷。

L2級別以下的ADAS系統，主要對傳感器收集的數據進行篩選和分析；而L3級別以上，需要系統對環境進行認知，參與到路徑規劃和決策判斷中來。

在此場景下，深度學習算法、大量算力以及存儲海量數據的價值就凸顯出來了，決策層的關鍵點就在于車載芯片和算法。

執行層

相當于駕駛員的手和腳，來完成車輛制動、轉向和驅動。

自動駕駛的算法和芯片依賴于機械特性強有力的執行來完成決策層的指令，包括以電機為核心驅動的電子轉向和電子制動等核心部件。

在自動駕駛場景下，有關制動系統的要求會更高，自動駕駛需要更快地線控車輛系統，包括電子油門、線控轉向以及電子機械制動系統。

這三個要素中，每個要素都至關重要，缺一不可。

其中，核心決策層的研發尤為關鍵。

傳感器和執行層，可以配置多套冗余系統進行保護。但是決策層的核心算法如何保證可靠性和安全性，是自動駕駛研發中最為關鍵的核心討論點。

很多IT跨國公司、車企、創業者都把目光聚焦到這個核心算法領域。

3、自動駕駛行業格局

最近，資訊機構Navigant Research公布了2019自動駕駛領導力排行榜，谷歌母公司Alphabet旗下的Waymo公司拔得頭籌。

至于評判標準，是根據每家公司在「愿景」、「商業化策略」、「合作方」、「量產計劃」、「技術」以及「產品持久力」這幾個方面的綜合表現進行打分排名。

來源：Navigant Research

Waymo從2018年的第七位一躍成為今年的第一，從去年開始的大規模商業化試運營應該是其領先的重要原因。

既然決策層對于自動駕駛技術如此重要，難道一馬當先的Waymo公司背后，都是算法工程師嗎？

數字媒體公司The Information對Waymo的組織架構進行了梳理。

在Waymo的950名員工中，工程研發團隊一共610人，其中340人屬于軟件團隊，260人屬于硬件工程團隊。而在340人的軟件團隊中，劃分是這樣的：

從軟件團隊的人員結構可以看出，Waymo最重視基礎架構，研發自動駕駛主要依靠的是基礎架構設施。這是因為，無論是深度學習還是仿真驗證，都需要大量的IT基礎架構提供支持。

4、Waymo為何重視IT基礎架構？

為什么基礎架構設施這么關鍵呢？這就要從自動駕駛研發平臺遇到的一些挑戰說起了。

.

ADAS研發基礎架構挑戰之一：海量非結構化數據

ADAS/AD的研發需要基礎架構提供海量數據和高帶寬的性能。傳感器的數據大多是非結構化數據，以圖像、視頻、點云文件、日志文件為主。面對不同的SAE級別，數據量的要求如下：

·L2級別的ADAS系統，需要4-10PB的數據和1,000-5,000核的計算資源；

·L3級別的ADAS系統，需要50-100PB的海量數據和5,000-25,000核的計算資源；

·到了L5級別實現完全自動駕駛，需要超過2EB級別的數據量。如果按照1TB的硬盤來計算的話，2EB的數據量相當于200萬個1TB的移動硬盤。

5、為什么需要這么多數據？

因為要訓練和測試足夠多的復雜場景。

Waymo首席科學家Dargo Anguelov在MIT的深度學習課程中第一次分享了自動駕駛研發遇到的一些挑戰和最佳實踐。

其中有幾個比較有趣的場景。

來源：Waymo

左圖一有幾個行人背著木板在行走，圖二是一個鏡面反射問題，圖三是一個人在騎馬。在這樣的場景下，深度學習如何更好地判斷周圍環境，不僅僅要求算法對物體進行識別，更要求識別復雜場景的能力。

面對這樣的復雜場景，如何保證算法的可靠性呢？

使用大量標注過的數據對深度學習網絡進行監督訓練，使得物體感知甚至到對于復雜場景的識別成為可能，這些技術在Waymo自動駕駛研發過程中得到了大規模的應用。

Dargo也提出，隨著Waymo采集數據的場景增多，深度學習的算法也有了更頻繁的用處。

有了這么多數據，如何對其進行管理？如何保證持續增長的數據量能夠被研發團隊最高效地使用？

這就是IT技術架構能為ADAS/AD提供的核心競爭力。

來源：Waymo

研發基礎架構挑戰之二——高性能和高帶寬的要求

眾所周知，深度學習需要對數據進行訓練，而且是多次重復調參的訓練。

要實現成熟的模型算法，僅有算法和數據是不夠的，更重要的要達到大量的算力性能要求，一個深度學習模型需要經過多少次計算才能完成一次前饋??！

除了大量GPU算力要求，我們還需要利用大量高帶寬性能讀取真實環境數據，以進行仿真測試。Waymo研發部門每天會進行大量的仿真測試，回放真實采集的環境數據，24×7地進行仿真測試，驗證算法的可靠性，確保系統的準確性。

這些真實環境數據每天都會被分類成不同的場景，從存儲中高帶寬地讀取到HPC服務器上，進行大量的仿真測試。

除了軟件在環（SiL），還有硬件在環的仿真測試。將真實的車載硬件設備加載算法，回放數據，進行硬件在環的仿真測試。

硬件在環測試平臺（HiL）對于數據讀取的延遲要求非常高，需要在數百納秒和數微秒之間。如此小的延遲讓硬件在環仿真的實現變得非常具有挑戰性，也很難將仿真測試放到公有云上來實現。

在我們看到的仿真測試場景中，存儲帶寬要求竟高達800GB/s，這是因為研發團隊需要對數據進行并發讀取和回寫，才能保證研發周期。