破晓前夕面临难产,L3+自动驾驶规模化商用究竟难在哪儿?
+关注

盖世汽车 Jeff2020-10-15

2020年是许多自动驾驶玩家曾宣布推出自动驾驶汽车的关键节点。然而因着奥迪宣布放弃在明年推出的A8车型上搭载L3,另一方面福特、Mobileye等企业也宣布推迟自动驾驶出租车计划,导致这项技术面临的形势愈发严峻。即便目前市场上已经出现了一些L3的量产车,亦仍存在诸多争议。目前唯一能确定的是:自动驾驶的发展比大家预想的更难、更贵和更慢。

造成这种局面的,主要有三大因素:法规界限的模糊造成了L3+自动驾驶研发进度的缓慢,技术难题迟迟没有得到解决,此外该技术还面临着来自商业变现方面的巨大压力。

三大原因.png

L3+自动驾驶落地难的三大原因 

L3+自动驾驶难产原因一:政策标准来堵门 

法规标准的不完善甚至缺失一直是掣肘自动驾驶发展的主要难题,此前奥迪宣布放弃在下一代A8旗舰车型中引入L3级自动驾驶技术计划,根本原因也在于此。据悉,在L3方面,目前国际监管机构连最基本的功能审批流程都没有达成一致,除了德国、日本等少数几个国家开放了L3级自动驾驶的使用,奥迪其他的目标市场均没有出台相关支持L3级自动驾驶汽车上路的政策,包括中国。

奥迪A8.png

奥迪2021款A8车型,图片来源:奥迪

尽管3月初,工信部发布了《<汽车驾驶自动化分级>推荐性国家标准报批公示》,标志着中国有了属于自己的自动驾驶分级标准,但其中对于L3自动驾驶场景的描述依然比较模糊。更别说支持L4及L5自动驾驶的大规模商用,目前高级别自动驾驶的配套法规同样缺失。 

为什么会发生这种情况?标准迟迟不出台,究竟是没有制定,还是其他原因?对此,中国汽车技术研究中心有限公司首席专家、汽车标准化研究所副所长王兆表示,主要在于需求。“由于标准一般是基于科学经验制定的,需立足于实际需求,但从我们目前接触到的信息来看,主机厂、零部件供应商、政府机构对于自动驾驶标准的需求是不一样的,有些甚至是矛盾的,这就需要时间去甄别出哪些是真正要解决的问题,进而制定相关的标准。”且在王兆看来,因为目前自动驾驶技术正处在快速发展的过程中,此时对于标准化的需求也在快速变化中,这同样给标准的制定带来了较大的挑战。 

恩智浦大众化区汽车电子业务总经理刘芳对此表示认同。在她看来标准是基于经验的总结,其出台一定程度上依赖于技术成熟度的配合。这意味着只有当产品和技术到达一定的成熟度时,法律法规自然会来配套,以正规化其发展。而有了标准以后还要有测试的手段,需要有可量产的产品来做实验,然后通过每一步实验和客户的需求反馈,反过来对硬件提出新的要求,促进技术进步。 

不过好消息是,针对L3及以上级别自动驾驶标准的制订,相关工作正在有序推进中。“我们去年就已经结合自动驾驶不同应用场景拟了草案并已提交,后续将会加快标准制订的推进,预估明年相关标准将正式出台,征求意见稿今年年底或者明年初或许就会出台。” 王兆表示。

L3+自动驾驶难产原因二:技术缺陷难填补

技术难题是自动驾驶在发展过程中老生常谈的问题。从技术角度看,要想实现简单场景下的单车智能还是相对较容易的。但要保证自动驾驶汽车在复杂的道路环境下安全可靠的运行,在技术方面还有很多待提升的地方。 

以高精度地图为例,一旦到了L3及以上级别的自动驾驶,高精度地图就成了门槛性的核心技术,它既是路径规划的基础,可为自动驾驶汽车提供定位、交通动态信息等关键信息,又能在恶劣环境或者车辆其他环境传感器发生故障时,提供感知冗余。

四维图新.png

自动驾驶地图构建,图片来源:四维图新

但是目前高精度地图在规模化商用方面仍存在多重局限性。首先是高精度地图采集成本较高,更新慢,且在数据地图格式交换、数据互联互通标准等方面均存在问题,因此目前很难做到实时更新。其次,按照国家规定,现阶段高精度地图还无法覆盖所有场景,特别是涉及到有关国家安全的区域,没有办法进行民用或者只能展现部分要素。因此,至少在现阶段,对于高精度地图来说,其使用条件与应用场景都较为苛刻。 

在分析决策层面,L3+自动驾驶对数据的处理能力也提出了更高的要求。业内一般认为,实现L2级自动驾驶需要的计算力在10TOPS左右,L3需要的计算力为30–60TOPS,L4需要的计算力大于250-500TOPS,L5需要的计算力则至少为1000TOPS。 

在这个算力的要求下,目前能量产的很多自动驾驶芯片及计算平台面对高级别自动驾驶其算力便显得捉襟见肘。不过,也有不少国内企业抓住了这一发展机遇,积极开展技术攻关,与英伟达、高通、Mobileye等国外巨头展开正面 PK,拿到了高级别自动驾驶市场的入场券。 

比如华为就面向自动驾驶领域推出了MDC智能驾驶计算平台,该平台基于华为自研AI芯片、车控OS等基础领域技术而打造。围绕这一产品,近一年多来华为已先后与产业界的50多家主机厂、Tier1、应用算法、传感器、执行器等客户及生态合作伙伴,在L2+乘用车、智能重卡、港口物流、无人矿卡、无人配送等领域,实现了可落地的智能驾驶解决方案。 

在2020北京国际车展前夕华为重磅发布了全新一代MDC车规级级智能驾驶计算平台。新平台采用统一的硬件π架构,可提供48-160TOPS强劲算力,基于智能驾驶操作系统AOS、VOS及MDC Core,覆盖L2+ 至L4不同级别的智能驾驶应用。

华为.png

华为发布全新一代MDC系列产品,图片来源:华为

紧随其后,在2020北京车展上黑芝麻智能科技也推出了一款类似的产品——FAD全自动驾驶计算平台。该平台最高算力可达140TOPS,未来还有望提升至280TOPS,具备高度灵活性和可扩展性,能够自下而上满足L2到L4级自动驾驶的计算需求。据透露,目前黑芝麻FAD计算平台已经拿到了上百台订单。在相关企业的共同努力下,尽管目前高级别自动驾驶在技术方面仍存在诸多掣肘,相较于前几年却有了明显的改善。 

L3+自动驾驶难产原因三,商业模式亟待破局

法律法规可以出台,技术问题也可以一个个解决,但产品做出来如果没有人买单还是没有办法落地。这就需要从成本着手,成本控制是产品能否实现大规模量产的一个非常重要的因素。

特别是谈到L3+自动驾驶,不免要提到多重冗余问题。L3+自动驾驶在部分场景中,需要将控制权部分甚至全部移交给系统,这就意味着必须要具备包括感知冗余、通讯冗余、供电冗余、转向以及制动冗余等多重冗余,以保证其中一个系统失效的时候,自动驾驶汽车依旧可以安全行驶,提高安全性和可靠性,这无疑会进一步加重成本负担。

以硬件为例,据中国电动汽车百人会发布的自动驾驶应用场景与商业化路径(2020)报告显示,现阶段自动驾驶硬件成本约在5万美元/车,到2025年这部分成本才有望降至5000美元,届时作为自动驾驶硬件成本最高的核心部件激光雷达和计算平台,在大规模使用后价格都有望下降。如激光雷达, Velodyne的64线激光雷达此前售价在8万美元/颗,2017年谷歌自研激光雷达后,成功将相关产品价格降至7500美元/颗,未来由机械式转向固态激光雷达量产后,成本有望进一步下降至数百美元一台。

硬件.png

自动驾驶传感器硬件成本趋势(美元),图片来源:自动驾驶应用场景与商业化路径(2020)报告 

除了硬件成本外,企业的研发投入也是一个不可忽视的巨大成本。以Robo-taxi领头羊Waymo为例,该公司每年在研发费用、车队支出及运营成本上就需要花费10亿美元。但是目前,这项技术并不能为Waymo带来多少收益,至少在未来几年都会如此。 

由于现阶段Robo-taxi仍需花费高昂的改造及维保等费用,据麦肯锡预测,未来随着Robo-taxi每千米成本不断下降,与传统出租车成本相比大约要到2025至2027年之间才会达到拐点。这背后的驱动因素是,未来人力成本的进一步升高,与此同时自动驾驶系统改造成本逐渐降低,才使得出租车驾驶员人力成本与自动驾驶改造成本的天平逐渐被打破,预计2025年左右Robo-taxi取消安全员并规模化部署后,其成本优势将进一步凸显,带来出行服务的颠覆。

2025.jpg

自动驾驶出租车预计在2025至2027年之间达到拐点,图片来源:中国电动汽车百人会

成本.png

自动驾驶出租车成本分析,数据来源:中国电动汽车百人会 

这意味着,自动驾驶市场前景虽然很好,但是离真正落地还有很长的路要走。不过,随着配套法律法规的日渐完善,产品和技术趋于成熟,商业化难度自然会随之下降,届时自动驾驶的大规模应用也将指日可待。


评论
盖世汽车APP

全球视野,中国声音,快来体验吧