提到智能車，大家都不會(hui) 陌生，智能車是一個(ge) 集環境感知、規劃決(jue) 策、多等級輔助駕駛等功能於(yu) 一體(ti) 的綜合係統，它集中運用了計算機、現代傳(chuan) 感、信息融合、通訊、人工智能及自動控製等技術，是典型的高新技術綜合體(ti) ，自動駕駛便與(yu) 之有著異曲同工之妙。自動駕駛的核心技術，有的人認為(wei) 是感知、有的人認為(wei) 是決(jue) 策，有的人認為(wei) 是非技術的東(dong) 西，比如能否持續賺到錢、能否做好前瞻性的管理工作等等。本期文

章就知乎上的幾位答主的觀點，來看自動駕駛技術的核心。

小鵬、特斯拉、蔚來“聰穎“不一

在對Model 3、小鵬P7、蔚來ES6的自動駕駛功能進行測試時，其中一項是對雪糕筒的識別和反饋卻截然不同：

小鵬：直接衝(chong) 過去。

特斯拉：變道躲避。

蔚來：提示駕駛員接管車輛，自動刹車，同時打開雙閃。

當時測試的車輛速度是40-50km/h，理論上來說，以三台車當前的硬件能力，不可能識別不到前方樁桶，最終不同的表現其實代表的就是三台車不同的決(jue) 策邏輯，來聽下三台車的內(nei) 心獨白：

小鵬P7：前方有樁桶？這是施工路段呐，理論上這屬於(yu) 駕駛員自己接管的範圍，主動介入有可能造成危險，萬(wan) 一出了事責任也很難劃分清楚吧？算了，還是維持當前操作！

特斯拉：前方有障礙物？哈哈，大顯身手的機會(hui) 來了！看我的，變道避障！

蔚來：前方有障礙物？可能有危險吧？不行不行，趕緊刹車降速，同步告知駕駛員和周圍車輛，小心！有危險啊！

自動駕駛技術的核心還是決(jue) 策

自動駕駛技術的核心實際上還是決(jue) 策。過去幾年由於(yu) 視覺感知的不穩定，自動駕駛的發展受到了極大的製約，因此很多人都認為(wei) 環境感知才是自動駕駛技術的核心。但隨著環境感知的硬件越來越好，底層控製係統越來越精準，智能決(jue) 策的重要性越來越關(guan) 鍵。

如果自動駕駛類比人開車，那麽(me) 感知就類似於(yu) 人的眼耳，獲取汽車周邊的環境信息，而手腳則是偏執行層的控製。那麽(me) 自動駕駛的核心就應該更偏向腦部的功能——決(jue) 策。

過去往往都在吐槽mobilesye的攝像頭或者哪家的雷達不行（眼神不太好），譬如車道線無法準確識別，靜止車輛在遠距離識別不到，這個(ge) 目標又丟(diu) 了，然後再加一堆的邏輯去解決(jue) 這些參數異常跳動或者目標無法準確識別、丟(diu) 失等問題。除此之外還需對執行層進行調試，譬如這個(ge) EPS死區有點大，這個(ge) 車輛製動響應不太好（可以理解為(wei) 手腳不太好使）。但隨著供應商以及自研技術的提升，這樣的場景越來越少了，無車道線場景也可以給出安全行駛的邊界了，大家也有更多的精力去打磨決(jue) 策相關(guan) 的內(nei) 容了，在學會(hui) 走路的基礎之上，研究如何的跑的更快，跑的更優(you) 雅了。

決(jue) 策邏輯評價(jia) 體(ti) 係攸關(guan) 重要

①能不能

比如，想識別所有的障礙物，但是你能枚舉(ju) 出所有的障礙物來測試嗎？大千世界，無奇不有，顯然是不能枚舉(ju) 完的。所以，那些沒測過的障礙物，風險怎麽(me) 評估呢？你敢在產(chan) 品放行文件上簽字嗎？

仿真能大大提高測試的覆蓋度，那麽(me) 仿真和實際的偏差，怎麽(me) 評估呢？仿真能識別了，實際就能嗎？

簡單來說就是幾個(ge) 問題，第一，你知道你能識別什麽(me) ，但是你知道你不能識別什麽(me) 嘛？第二，如果你知道不能識別，那你能及時報警讓駕駛員接管嗎？第三，如果沒接管，你能及時執行最小風險策略嗎？這些需要一套體(ti) 係來管理和評價(jia) 。

SOTIF能解決(jue) 不少問題，但是SOTIF，有幾個(ge) 公司能完全用起來呢。更別說SOTIF解決(jue) 不了的問題了。

②可不可靠

之前是一些模糊邊界的問題。那麽(me) 對於(yu) 已經定義(yi) 清楚的功能，怎麽(me) 保證可靠性呢？

功能安全裏有個(ge) 安全目標的概念，簡單說就是對於(yu) 影響安全的事件（比如製動失效），有一套體(ti) 係來保證相關(guan) 的功能是可靠的。這裏就引出了最常用的提高可靠性的方法---冗餘(yu) 。

冗餘(yu) 在傳(chuan) 統的車輛上很常見，比如扭矩計算，比如製動執行機構的冗餘(yu) 。但是對於(yu) 自動駕駛的一些問題，比如基於(yu) AI的感知，目前還不好做。

因此，沒法直接套用功能安全的體(ti) 係，來保證已經定義(yi) 並實施的功能，是‘可靠’的。那怎麽(me) 辦呢？可以結合數據閉環來debug。但有個(ge) 問題是，數據閉環是滯後的。就算用測試車，測試車的數據在數量和test case的覆蓋度是比較局限的。OK，所以還要結合仿真，所以老問題又來了，仿真測試能過，路測就可以嗎？偏差怎麽(me) 評估呢？

這就是一係列如何評價(jia) 可靠性的問題。不是對自動駕駛悲觀，隻是覺得要正視問題，避免盲目自信。也許以後有更好的體(ti) 係來支撐自動駕駛的開發，但是歸納起來一句話---都需要時間。但是不希望有車企用激進的方式，像特斯拉那樣用消費者來做測試，加速這個(ge) 進步。