华体会体育(中国)hth·官方网站超越方向盘：自动驾驶的愿景与实践自动驾驶技术的发展正呈现出多样化和综合化的趋势。不同的技术路线相互竞争、 相互借鉴，共同推动着自动驾驶技术的不断进步。
有人说“懒人是推动这个世界进步的力量”，这是有一定道理的——没有人喜欢劳累的生活，为了让“懒人”节省更多的力气，人们发明了各式各样的工具、机器，这些发明铸造了人类的科学技术，也塑造了人类文明。同时，发明和技术催生了更多的产品、延长了产业链条、扩大了分工合作，由此推动了社会经济的发展。
到了智能时代，人们已经不满足于那些被动服务人类的工具了，人们希望工具能够想人之所想，主动服务人类。而汽车作为人们日常生活中经常接触到的“高科技集成平台”，早就开启了智能化之路。和其他常用物品不同，经常在路上跑的汽车对安全性要求更高，人们开车时需要付出更大的精力，因此汽车的智能化需求更高，智能化之路也更难。
好消息是，在汽车工业发展一百多年后，汽车的智能化时代已经到来——智能辅助驾驶、智能座舱、自动驾驶、无人驾驶等词语频繁出现在人们的生活中，智能驾驶已经成为近年来新款汽车的标配。
2009年1月，搜索巨头谷歌公司启动了一个名为Project Chauffeur的项目。负责该项目的是当时刚刚成立的Google X实验室，这个实验室后来以探索前沿科技而享誉业界，其产品包括谷歌眼镜和街景地图。
美国斯坦福大学教授塞巴斯蒂安·特伦（Sebastian Thrun）是Project Chauffeur项目的主导者，他被称作“无人驾驶汽车奠基人”。特伦在斯坦福大学领导着一个由学生和教职员组成的无人驾驶技术团队，设计了一款被称为Stanley的机器人汽车。Stanley因能自行在沙漠中行驶132英里（约212千米），在2005年的DARPA（美国国防部高级研究计划局）机器车挑战赛中获得了200万美元奖金。
谷歌自动驾驶汽车利用GPS（全球定位系统）、传感器、相机、雷达和激光感知周围的环境，这些传感器能发现距离汽车2个足球场远的物体——其中包括人、车辆、施工区、鸟、骑车人等。最初，谷歌改装了6辆丰田普锐斯和一辆奥迪TT，并在美国加利福尼亚州山景城对它们进行测试。刚开始测试时，谷歌聘请了技术出色的驾驶员坐在司机座位上，准备随时接管汽车控制权。
2010年，谷歌自动驾驶汽车测试里程超过14万英里（约23万千米）。谷歌当时发表博文称，其无人驾驶汽车能够把每年因交通事故死亡的人数减少一半。2011年，谷歌把测试车型由丰田换为雷克萨斯，利用其技术改装了23辆RX450HSUV。2014年4月，谷歌宣布其自动驾驶测试车辆能应对数千种城市道路交通状况，这是自2012年以来谷歌首次正式更新自动驾驶汽车项目信息。
2014年5月，谷歌开发了自己的车型，在Code Conference上展示了一款原型车。谷歌的原型车没有刹车、方向盘，甚至没有油门，只有一个用于启动汽车的按键。谷歌把其最高速度限制为每小时25英里（约40千米），计划生产100-200辆。
2015年9月，谷歌聘请前福特和现代汽车高管、在线购车服务平台TrueCar总裁约翰·克拉富西克（John Krafcik）出任自动驾驶汽车项目CEO，表露出希望将无人驾驶汽车技术打造成一项独立业务的想法。同年，谷歌重组为一家名为Alphabet的控股公司，将搜索和广告业务与其他业务分拆，包括Nest智能恒温器和高速光纤网络服务。作为该公司的高端项目研发部门，Google X成为Alphabet旗下的一家子公司。
到2016年，谷歌自动驾驶测试车辆在美国4个城市行驶了200万英里（约322万千米），并掌握了包括从如何礼貌鸣笛到“看见”骑车人和行人在内的各种技能。同年，谷歌自动驾驶汽车首次遭遇了交通事故：一辆谷歌自动驾驶汽车与一辆以每小时2英里（约3千米）速度行驶的公交车相撞。
随后，谷歌测试车又在加利福尼亚州以每小时30英里（约48千米）速度行驶到一个十字路口时和另外一辆汽车相撞，造成严重损毁。Airbnb前高管肖恩·斯图尔特（Shaun Stewart）也在2016年来到谷歌，这标志着谷歌的自动驾驶汽车项目向商业化又迈进了一步。
至此，谷歌已经成为自动驾驶领域绝对的领军企业。也从那时起，自动驾驶领域的另一个重量级玩家开始崛起，那就是特斯拉。
2014年，特斯拉发布了自动驾驶系统Autopilot，并于当年10月默认将其搭载在每一辆出厂的Model S、Model X和Model 3上。到2019年第三季度结束，特斯拉在全球一共交付了近79万台车，其中74万台都搭载了Autopilot的硬件。凭借巨大的交付量，特斯拉后来者居上，一举超越谷歌，成为自动驾驶领域的王者。
特斯拉官方账号“Tesla AI”近日宣布，其全自动驾驶（FSD）系统于10月将推出新功能。
当然，谷歌也没有放弃深耕多年的自动驾驶技术。2016年，谷歌自动驾驶部门从母公司独立出来，成立了Waymo公司华体会体育，开启商业化之路。2017年11月，Waymo宣布该公司开始在驾驶座上不配置安全驾驶员的情况下测试自动驾驶汽车，并在美国菲尼克斯市（又名“凤凰城”）有限度地进行载客。2018年底，首款自驾叫车服务Waymo One推出市场，其自动驾驶车辆正式上路了。2020年3月，Alphabet正式推出自动驾驶卡车业务Waymo。2020年7月，其宣布与沃尔沃建立独家合作关系，将Waymo的自动驾驶技术整合到沃尔沃的汽车上。从2022年起，Waymo开始在旧金山的街道布局全自动驾驶车辆。
今年7月，Alphabet首席财务官露丝·波拉（Ruth Pora）表示，会继续追加对Waymo的投资。在露丝·波拉看来，新一轮融资将会使Waymo继续保持世界领先自动驾驶公司的地位。“Waymo是Alphabet长期投资的一个重要范本。”露丝·波拉说道。
谷歌的自动驾驶项目可以说是智能驾驶技术领域里的活样本，其最大的贡献就是以一己之力让人们广泛关注自动驾驶技术、相信这项技术的可行性，并让全球车企投入这项技术。自本世纪10年代以来，包括通用汽车、福特、奔驰、宝马在内的大型汽车企业都在研发拥有自主知识产权的自动驾驶汽车技术。
对自动驾驶技术最早的探索，可追溯到20世纪20年代。1925年，Houdina Radio Control公司制造了一辆名为“美国奇迹”（American Wonder）的无线电操控汽车，车辆上装有可以接收无线电信号的装置，操控者可以通过无线电控制车辆做出启动、转向、刹车甚至是按喇叭的动作。这家公司对这辆车进行了路测，他们在纽约繁忙的街道上，操控着车辆穿过了几个街区。当时的《纽约时报》对此报道称：“就好像有一只幽灵的手放在方向盘上。”
现在看来，“美国奇迹”就是一辆遥控汽车，但它在100年前是非常新鲜的事物，这也激发了汽车行业关于自动驾驶的无限遐想。通用汽车就很快地进行了关于无人驾驶与城市智慧交通有关的探索。
1939年，通用汽车在纽约世界博览会上赞助设计和展示了一件名为《未来世界》的作品。这件作品由设计师诺曼·贝尔·格迪斯设计，是一个巨大的美国城市机动立体模型，向人们展示了未来交通的一种解决方案：汽车以无线电控制、由电力驱动，带有集成电缆的专用高速公路可以推动汽车行驶。在该作品中，自动驾驶汽车、卡车和公共汽车在自由流动的高速公路上纵横交错，遍布在摩天大楼之间。甚至还有一座“交通管制塔楼”，正如未来城市的设计师所想象的那样，调度员将通过无线电指挥成千上万辆汽车的行驶。
通用汽车的自动驾驶方案本质上仍然是“遥控”——人工在中央塔台控制着所有汽车的行驶。不过，电力驱动、集成电缆推动汽车行驶的设想非常有想象力。此后，设计师们进一步提出了真正的无人驾驶的设想，他们认为人类应该从驾驶中脱离出来。在20世纪50年代，通用汽车积极推动自动化高速公路的建设，通过无线电技术尝试推动驾驶的无人化。
1956年，通用汽车展示了第一台具备自动导航功能的汽车Firebird，并在第二年用一辆雪佛兰汽车在77号公路上进行了无人驾驶试验。这些早期关于自动驾驶的设想，基本都是基于外部引导模式。当时间的指针转至20世纪60年代，随着计算机和人工智能的兴起，自动驾驶的研发重点已经转移到利用计算机的新技术来设计能够真正独立自主驾驶而不需要外界帮助的汽车。当时，斯坦福大学的研究人员制造出了使用摄像头观察、计算机导航的机器人。在高度控制的实验中，这些早期的机器人会沿着白线行驶，避开路上的障碍物。
1969年，约翰·麦卡锡（John McCarthy）在主题为“电脑控制汽车”的论文中，提出了与当今自动驾驶汽车概念相似的构想。麦卡锡被公认为人工智能领域的奠基人之一，他所阐述的理念涉及“自动司机”的概念——自动司机能够借助“电视摄像机输入数据，并利用与人类司机相似的视觉输入”来辅助车辆进行道路导航华体会体育。
他在论文中指出，用户应能够通过键盘输入目的地，从而驱动汽车自动驶向该地。此外，用户还能够根据需要更改目的地，例如在休息室或餐厅停留、调整车速，或在紧急情况下加速。这为后续研究者在自动驾驶任务设计方面提供了宝贵的指导。
20世纪70年代末，日本筑波大学机械工程实验室在道路上测试了世界上第一辆自动驾驶乘用汽车。该测试车辆以最高时速20英里（约32千米）行驶，使用两个摄像头来从视觉检测街道标记。
20世纪90年代初，卡内基梅隆大学的研究人员迪恩·波默洛撰写了一篇博士论文，内容为神经网络如何让自动驾驶汽车能够实时从公路获取原始图像来实现和输出方向控制。他在论文中首次使用了神经网络的方法，这比其他尝试手动将图像划分为“道路”和“非道路”类别的尝试更有效。
1995年，波默洛和他的同事在公路上试驾他们的无人驾驶小型货车穿越了2797英里（约4500千米）——从匹兹堡、宾夕法尼亚州到加利福尼亚州的圣地亚哥，从东海岸到西海岸。在这段旅途里，这对伙伴实现了“不用手驾驶横跨美国”的任务，当然，他们必须手动控制速度和刹车。
进入21世纪，无人驾驶开始受到业界更多的关注。1990年，丰田开始以“交通事故零伤亡”为终极目标，研发自动驾驶相关技术。2003年，丰田在新款普锐斯上配备了自动停车辅助系统，但整体效果仍然处在初级阶段。2002年，DARPA局长托尼·特瑟在一次活动中宣布了一项有关自动驾驶的重大挑战，号召研究机构的研究人员积极参与，DARPA给出的条件是：如果参与人员能够研发出一辆在莫哈维沙漠行驶142英里（约229千米）的无人驾驶汽车，将获得100万美元的奖金。这项挑战被命名为“DARPA大挑战赛”。
DARPA设计了一条从洛杉矶东北方向的一个古老小镇通往内华达州边境的普里姆镇的比赛线路。这条路直线千米，混合了平坦的开放地形和陡峭的山丘，还有狭窄的小路，中途还经过沙漠，近似于中东地区的驾驶环境。谁能第一个跑到终点，谁就能赢得奖金。当2004年挑战赛开始时，15个竞争者中没有一个能够完成任务。2005年10月，第二次挑战赛决赛拉开帷幕。这一次，24支队伍中有22支打破了第一届比赛的最远纪录12千米，更有7支队伍完成了一半的赛程。
2007年第三届大挑战赛被称为“DARPA城市挑战赛”，举办方把赛场搬到了城市，要求无人车能适应城市场景，完成包括识别十字路口、在车流中改变车道、在停车场寻找空位泊车，且不违背交通规则等任务。最终，卡内基梅隆大学机器人专家威廉·惠特克（William Whittaker）和他的团队取得了胜利。
在领奖时，惠特克说道：“我研究这个行业有点早了。那时候相关技术都还没出现（谁也不知道这项技术会走向何方），但现在大家可以全身心投入其中了，并且从年轻时就可以这么做。这样的一个时代，必然会成就伟大的人。”事实上，早在20世纪80年代，他就开始研究自动驾驶了，并曾用摄像头、激光雷达等，改装了一辆雪佛兰厢式货车，可以以缓慢速度实现自动驾驶。
经过DARPA举办的三届挑战赛，无人驾驶已成为吸引眼球的技术热点。从20世纪20年代第一辆自动驾驶汽车原型出现在世界上，直到2004年的DARPA自主车辆挑战赛，无人驾驶概念才终于成为现实，并逐渐为人们所熟知。也是在此时，谷歌成立了Google X实验室，启动了无人驾驶项目。自动驾驶新时代到来了。
有一个词语叫“科技树”，指的是在科技发展的浩瀚星空中，人类智慧与技术进步的轨迹不仅仅是一系列技术的堆砌，更是一个错综复杂、相互交织的生态系统，每一根枝丫都代表着某一领域内的突破与创新，而它们共同构成了推动社会前进的强大动力。
科技树这个概念的背后还有一层意思——有些技术路径是偶然形成的，但沿着这条技术路径可能会形成一簇繁茂的技术枝丫，另外的技术路径则被抛弃而枯萎。比如科幻领域的蒸汽朋克，就是假设人类没有发展电力这个科技路径，而是将蒸汽技术发展到极致的话，人类社会将会是怎样的图景。
在无人驾驶这一领域，从早期的机械控制，到20世纪60年代计算机与人工智能的引入，再到今天深度学习、传感器技术、高精度地图以及云计算等前沿科技的融合应用，每一项技术的进步都是“科技树”上的一次重要分支。在这条“科技树”上，不同的技术节点之间相互依赖、相互促进。
例如，计算机视觉的进步使得自动驾驶车辆能够更准确地识别道路标志、行人及障碍物；而高精度地图的普及，则让车辆能够预知前方的路况变化，提前做出决策。同时，云计算与大数据的应用，让自动驾驶系统能够实时分析海量数据，不断优化自身性能，实现更加智能、安全的驾驶体验。
最早的自动驾驶技术就是前文提到的“遥控汽车”，可以说这不是真正的自动驾驶，不再赘述。本文主要介绍当前主流的技术路线。
传感器融合技术是无人驾驶的基础，谷歌早期的无人驾驶实验主要就是基于这种技术。这项技术通过集成多种传感器，如激光雷达（LiDAR）、毫米波雷达、雷达、摄像头以及惯性导航系统（INS）等，构建了一个全方位、多层次的环境感知网络。
每种传感器都有其独特的优势与局限，激光雷达擅长捕捉三维空间信息，摄像头能识别图像中的语义内容，而雷达则能在恶劣天气下保持稳定的工作性能。通过算法将这些不同来源的数据进行高效融合华体会体育，无人驾驶车辆能够实现对周围环境的精准理解，从而在复杂多变的道路环境中做出正确的决策。这种技术在今天仍然被众多汽车厂商所使用，尤其是国内的汽车厂商，其在宣传自己的自动驾驶功能时，往往喜欢说车上安装了多少激光雷达、毫米波雷达、摄像头等。
可以说，各种传感器就是自动驾驶车辆的感觉器官，借助它们，车辆才能感知外部世界。虽然有些厂商在努力删减传感器的数量，但不能没有传感器。
与传感器对应的是高精度地图。高精度地图是自动驾驶车辆实现精准导航与决策的重要依据。与传统导航地图不同，高精度地图不仅包含道路网络、交叉路口等基本信息，还详细记录了道路曲率、坡度、车道线位置、交通信号灯位置以及道路两侧的障碍物等精细信息。这些信息通过云端实时更新，确保自动驾驶车辆能够掌握最新的路况变化，从而做出更加智能、安全的驾驶决策。同时，高精度地图还能够与车载传感器数据相结合，进一步提升自动驾驶车辆的定位精度与环境感知能力。
不过，最近几年越来越多的汽车厂商宣布要抛弃高精度地图，因为高精度地图只是自动驾驶的过渡阶段，具有很大的局限性。高精度地图一般只有在城市道路才能实现，制作高精度地图也需要很大的成本，而且其更新速度往往难以跟上快速变化的城市环境。此外，依赖高精度地图还可能让自动驾驶系统变得脆弱，一旦地图数据出现错误或延迟，就可能对行车安全造成严重影响。
因此，许多前沿科技企业开始探索不依赖高精度地图的自动驾驶技术，力求实现更加灵活、自主的驾驶体验。其中，一种备受瞩目的技术路线是“视觉感知+强化学习”。这种技术主要依赖于车辆上的摄像头系统，通过深度学习算法对图像进行实时处理，从而实现对周围环境的理解和判断。
与高精度地图相比，视觉感知具有更高的灵活性和适应性，能够应对各种复杂多变的道路场景。同时，结合强化学习技术，自动驾驶系统能够在不断试错和优化的过程中，逐步学会如何在不同情境下做出最优决策，实现更加智能的驾驶行为。
AI深度学习与自主学习成为当前自动驾驶技术发展的核心驱动力。通过海量的实际驾驶数据与复杂算法的训练，自动驾驶系统能够不断“学习”与“进化”，提升对复杂交通场景的识别与应对能力。
这种能力超越了传统基于规则的决策系统，使得自动驾驶车辆在面对突发状况或未知环境时，能够做出更加灵活、智能的决策。同时，AI的引入也促进了车辆间的通信与协同，通过车联网技术，车辆能够实时分享路况信息，进一步提升整体交通效率与安全性。
基于AI学习实现自动驾驶的代表是特斯拉的端到端技术。特斯拉的端到端技术通过收集海量的驾驶数据，利用深度学习算法训练出一个能够直接从摄像头图像到车辆控制指令的神经网络模型。这种技术路线摒弃了与传统传感器融合和对高精度地图的依赖，转而通过端到端的深度学习模型，让车辆直接从感知到的图像中学习如何驾驶。
端到端技术的优势在于其简洁性和灵活性。由于不需要复杂的传感器融合和高精度地图，车辆的硬件配置可以更加简化，成本也相应降低。此外，由于端到端模型直接从图像中学习驾驶策略，它能够更好地适应各种复杂多变的道路环境，甚至在一些极端情况下也能做出合理的决策。
然而，端到端技术也面临着一些挑战。首先，由于端到端模型依赖于大量的驾驶数据进行训练，数据的多样性和质量直接影响到模型的性能。如果训练数据不够全面，模型可能无法应对一些罕见或极端的道路情况。其次，端到端模型的“黑箱”特性使得其决策过程难以解释，这在安全要求极高的自动驾驶领域是一个不容忽视的问题。
边缘计算与车载超级计算机的兴起，则为自动驾驶车辆提供了更为强大的数据处理能力。不同于传统的云计算模式，边缘计算将数据处理与决策过程直接部署在车辆内部，减少了数据传输的延迟，提高了系统的实时响应能力。车载超级计算机则通过集成高性能处理器、大容量存储与先进的散热技术，为自动驾驶系统提供了充足的算力支持，确保其在高速行驶中也能稳定运行。
还有一些其他前沿技术路线也在不断涌现。例如，基于车联网的自动驾驶技术，通过车辆之间的通信，可以实现更高效的交通管理和更安全的驾驶行为。
无人驾驶技术的“科技树”正在持续生长与分化，新的技术节点不断涌现。尽管每个阶段都有其代表性的技术路径与解决方案，但最终的目标始终是实现更加安全、高效、智能的出行方式。与此同时，自动驾驶技术的发展正呈现出多样化和综合化的趋势,不同的技术路线相互竞争、相互借鉴。
当然，每一种技术路线都有其优势和局限性。在未来的无人驾驶领域，很可能会出现多种技术并存、相互补充的局面。不同的技术路径之间将形成更加紧密的协作关系，共同推动无人驾驶技术的不断发展和完善。
值得注意的是，“科技树”上的每一次突破，都不仅仅是单一技术的进步，而是多学科交叉融合的结果。在无人驾驶领域，计算机科学、机械工程、材料科学、电子工程以及人工智能等多个学科的知识被巧妙地结合在一起，共同推动了这一领域的快速发展。
此外，“科技树”还揭示了技术发展的一个重要规律，即技术的迭代升级往往遵循着从简单到复杂、从局部到整体的路径。在无人驾驶领域，这一规律同样得到了充分体现。从最初的辅助驾驶系统，到如今的完全自动驾驶车辆，每一次技术的升级都意味着车辆自主性的进一步提升，以及对人类驾驶员依赖的进一步减少。
在很多人的观念里，自动驾驶就等于无人驾驶——司机不需要对车辆做任何操控，车辆甚至不需要设置方向盘、加速踏板、制动踏板等部件。这种想法不能说是错的，却并不准确。虽然现在的自动驾驶更多还是智能辅助驾驶，但无人驾驶才是自动驾驶的终极目标。可以看到，从上世纪20年代到谷歌的无人驾驶实验，再到今天各大汽车厂商的努力，其目标都是无人驾驶，智能辅助驾驶只是权宜之计。
国际自动机工程师学会（简称SAE）制定了一套自动驾驶分级标准，将自动驾驶按照自动化程度划分为L1级到L5级共5个等级。
其中，L1级别的辅助驾驶是自动驾驶的最初形态，主要依赖于单一传感器（如雷达或摄像头）对车辆周围环境进行监测，并通过简单的算法辅助驾驶员进行车道保持、自适应巡航控制等基本操作。虽然L1级别的系统能在一定程度上减轻驾驶员的负担，但车辆的控制权仍完全掌握在驾驶员手中。
L2级别是部分自动驾驶。在此级别，自动驾驶系统能够同时控制车辆的横向（如车道保持）和纵向（如自适应巡航）运动，但驾驶员仍需保持对车辆和环境的持续监控，并随时准备接管控制。这一级别的技术已经在市场上广泛应用，成为现代汽车的标配功能之一。
L3级别则是有条件自动驾驶，在此阶段，系统能够在特定条件下（如高速公路、良好天气等）完全接管车辆控制，而驾驶员则可以在非紧急情况下将注意力从驾驶任务中转移开，进行休息、娱乐等活动。然而，当系统遇到无法处理的复杂情况时，会立即请求驾驶员接管控制。这一级别的实现需要对环境感知、决策制定以及人机交互等方面有更高的技术要求。L3级别是自动驾驶技术的一个关键转折点，如果实现了L3级别，我们离真正的无人驾驶就不远了。
8月21日，极氪汽车宣布，继上海之后，浩瀚智驾再获杭州市高快速路L3自动驾驶测试牌照，开启L3自动驾驶双城测试。
L4级别可以看作是真正的无人驾驶了。这个级别的自动驾驶系统能够在无需人类干预的情况下，完成大多数驾驶任务。这类系统不仅能在复杂多变的城市环境中行驶，还能应对各种突发状况和未知环境。L4级别的实现需要高度精确的传感器、强大的计算能力以及先进的算法支持，以确保车辆在各种情境下都能做出最优决策。此外，L4级别的自动驾驶车辆还需要与交通基础设施、其他车辆以及行人等进行高效、安全的通信与协同。
最后是完全自动驾驶的L5级别，这是自动驾驶技术的终极目标，即无人驾驶。在L5级别下，车辆将不再需要任何人工干预或监控，能够全天候、全地域地自主行驶。L5级别的自动驾驶车辆将彻底改变人们的出行方式，提高交通效率，减少交通事故，并为城市规划和交通管理带来性的变化。
L1级至L5级的自动驾驶分级体系，不仅是对技术成熟度的一种量化标准，更是人类向无人驾驶终极目标迈进的清晰路线图。在这条上，每一级别的跨越都标志着自动驾驶技术在安全性、智能化、自主性方面取得了显著进步。然而，要实现L5级别的完全自动驾驶，还需要克服诸多技术、法律、伦理等方面的挑战。无人驾驶作为自动驾驶技术的终极目标，其实现过程充满了挑战与机遇。
