1925 年，一位纽约工程师造出了一辆特殊的汽车：这辆车没有司机，依靠无线电远程遥控，成功在街头行驶了 24km，这是世界上第一台无人驾驶汽车。整整一百年过去了，如果当时有人指着这辆车，告诉你一百年后也不过如此，恐怕你都不会相信。所以科技发展有时快得令人发指，有时又慢得不可思议。
前车无司机，后车跟着发无线电信号控制方向、油门、刹车。
DARPA 挑战赛
自动驾驶沉寂了近一个世纪，靠着一场挑战赛才又重新拉开技术飞越的序幕，那就是：DARPA 挑战赛。它是当代自动驾驶技术突飞猛进的源泉，也是如今自动驾驶圈大佬们的“成长摇篮”。DARPA （美国国防部高级研究计划局）发现美军在战场上的伤亡很大一部分是因为车祸，为了减少战场上的非战斗性减员，他们希望能实现地面作战车辆无人驾驶。DARPA 的思路是不能自己闷头研发，而是搭个舞台，让全世界最聪明人都参与进来，用百万奖金激发创造力。这场挑战赛前后共举办3届，每一届的主题、难度都在升级，逐步推动自动驾驶技术发展，最终奠定了如今自动驾驶的基础。
2004 年第一届：全军覆没
这是全球首场大规模自动驾驶赛事，核心主题是“沙漠无人越野”，规则只有一个：无人干预完成全程，冠军可获得 100 万美元奖金。DARPA 在位于洛杉矶东北的莫哈维沙漠上设定了一条 160 公里的“魔鬼赛道”，全程都是山丘、土路、岩石，模拟阿富汗和伊拉克的战场环境。
比赛一共吸引了 106 支队伍报名，最终 15 支队伍入围决赛，但结果全军覆没。成绩最好的卡耐基梅隆大学团队，也只跑了 12 公里，其他队伍要么刚起跑就翻车、要么抛锚起火、要么偏离赛道。
在一堆缓缓出场的四轮汽车中间，鸡立鹤群地出现了一辆摩托车。这辆摩托车叫“幽灵骑士”（Ghost Rider），出自一位 23 岁的天才莱万多夫斯基之手。他因为没钱买不起越野汽车，才突发奇想改造一辆无人驾驶摩托车。出场时这辆摩托车确实吸引了所有人的目光，都想看看到底有什么神奇之处。发令枪一响，所有车辆或快或慢出地启动出发，幽灵骑士突然一个不稳摔倒在起跑线上，成了第一辆出局的车。莱万多夫斯基花了大力气解决了摩托车的平衡问题，但由于太紧张，比赛前忘了打开稳定系统的开关，成了笑话。但他也凭借极致的执行力和创新力吸引了行业关注。
莱万多夫斯基于 2007 的第三界挑战赛加入了特伦的斯坦福团队，随后一起加入 waymo 成为其核心创始人。但他在离职前带走了 9.7 GB 的机密文件，因窃取商业机密与 waymo 对簿公堂，从行业天才沦为“窃密者”。而他在服刑前，又被特朗普特赦，留下一段充满争议的传奇故事。
第一届 DARPA 挑战赛看似是一场“失败”，但它实实在在孕育了“成功”。它第一次把“自动驾驶”从学术论文拉到了实际场景，聚集了一批热爱自动驾驶的人，形成了最早的行业社区。DARPA 也没有放弃，而是将第二届奖金翻倍至 200 万美元，鼓励所有人继续探索。
2005 年第二届：激光雷达一战成名
时隔一年，第二届挑战赛如期举行。这一届，技术上实现了决定性突破：4 支队伍成功完赛，斯坦福大学凭借一辆改装途锐越野车夺冠。他们在车辆上安装了 5 个激光雷达，尽管当时这款雷达的最远探测距离只有25米，却能帮助车辆精准识别沙漠中的障碍物，完成路径规划。这是激光雷达第一次应用在自动驾驶车辆上。
特伦是斯坦福大学教授，他当时想组建团队参赛，但是没钱没人。于是灵机一动，在学校里新开设了一门新课就叫“自动驾驶”，课程目的就是建造一辆能参赛的车辆。这门课吸引了大量学生参与，这批学生后来大多成为了行业的中坚力量。特伦随后也受到谷歌创始人拉里·佩奇邀请，组建了谷歌自动驾驶公司 Waymo。他后来也帮助谷歌建立了著名的 X 实验室。
卡耐基梅隆大学获得第二名，他们升级了传感器和算法，积累了大量沙漠场景的路测数据，为他们下一届夺冠积蓄了力量。
2007 年第三届：城市挑战赛，奠定了如今无人驾驶车辆的基本技术架构
第三届的比赛地点从沙漠搬到了城市，要求车辆能识别红绿灯，避让行人，能够实现会车、转弯和停车。共有 6 支队伍成功完赛，卡耐基梅隆大学夺冠。
这届赛事，技术实现了质的飞跃，奠定了如今无人驾驶车辆的基本形态：车辆包含由摄像头、激光雷达、毫米波雷达等传感器组成感知系统，由线控系统、计算单元等组成的控制系统。无人驾驶后面二十年的发展，就是在这个架构基础上进行不断迭代。
卡耐基梅隆大学团队利用在这届比赛中积攒的传感器融合、路径规划、行为决策等算法和经验，创建了自动驾驶公司 Cruise，后被通用收购。
6 支完赛队伍里有 5 支使用了 Velodyne 的激光雷达，直接确立了激光雷达在自动驾驶中的核心地位。原本做音响业务的 Velodyne，决定将全部资源转向车载激光雷达，成为后来自动驾驶领域的激光雷达巨头。
L1 - L5 分级
根据自动化程度不同，自动驾驶被分成五个等级：L1- L5。
L1
完全靠人驾驶，车子只能进行最低级别的辅助，在速度或方向上协助保持。比如定速巡航（协助保持速度），车道保持（协助保持方向）
L2
还是以人为主进行驾驶，车子的自动化水平有所提高，可以在速度和方向上有一定自助决策能力进行变化。比如自适应巡航，跟车，弯道跟线转弯等。
L3
车可以主导进行自动驾驶，人的双手和眼睛可以被解放出来干别的事情，但需要注意随时接管。
L4
完全由车主导进行驾驶，可以没有人类司机的角色，完全不需要接管。但有一个前提：特定路段。比如指定城市区域，或者指定园区和道路等。还没法完全像人类驾驶一样想去哪里就去哪里。
L5
真正的完全取代人类，无任何限制。车子可以没有方向盘，没有后视镜，没有刹车油门踏板。到这个阶段，车子形态也将被完全改变。
我个人理解对这个分类的理解：L1 级别现在几乎是个车就有。大部分的电车应该可以实现 L2。特斯拉，小米，问界等车可以实现 L3。Waymo，Cruise，小马智行，文远等车可以实现 L4。目前还没有汽车实现 L5，但 L4 到 L5 只是数据和测试用例覆盖面的问题，也就是时间问题。
技术路线
自动驾驶技术分两方面，一方面是感知，另一方面是决策，分别对应车辆的输入和输出。
激光雷达方案
感知技术主流是 DARPA 挑战赛时期就奠定了基础的激光雷达方案，当然摄像头肯定也是不能少的，所以大部分应该算是激光雷达 + 摄像头 + 毫米波雷达的融合方案。摄像头用于识别道路划线，红绿灯等物体；激光雷达用于感知路面情况，包括路面物体的大小、形状等立体特性；毫米波雷达用于识别路面物体的距离、速度等特性。
这种方案是目前感知能力最强，最安全的方案。所以几乎所有的 L4 车企都采用该方案。它的优点如下：
- 激光雷达全天候工作，适合任何天气任何光照亮度，不怕雨雾不怕夜晚。
- 这么多传感器结合，有足够冗余，一个传感器坏了也不怕。
缺点也很多：
- 成本高，一颗激光雷达大概在 5000 rmb 左右。
- 数据量大，大到数据传递不能靠网络传输，而是靠人工搬运硬盘。Waymo 的运维人员每天晚上从车子上把硬盘拆下来装到电脑上来拷贝数据，好搞笑。
- 算力和功耗要求高：既然数据量这么大，那处理这么多数据自然也不轻松。需要用到的算力和功耗相对汽车来说算是比较大的。
- 马路上车子多的话，不同车辆的雷达信号之间可能会相互干扰。
- 该方案必须配备高精地图。所以在城市测试好了，无法马上扩展到其他地方。也就是说从 L4 到 L5 的能力差。
纯视觉方案
大部分纯视觉方案是摄像头 + 毫米波雷达。作为纯视觉方案的带头大哥 -- 特斯拉，更是连毫米波雷达都省了。不过特斯拉最多算 L3，不是 L4。该方案的支持者最大理由是“第一性原理”：人体没有激光雷达，人类驾驶完全靠眼睛，凭什么自动驾驶不行?
纯视觉方案的优点对应激光雷达的缺点：
- 便宜：毕竟摄像头才几个钱。这些摄像头接近黑白和低分辨率，非常廉价。第一次看到特斯拉的行车记录仪的时候我惊呆了，现在想找画质这么差的摄像头不容易了。
- 数据量小，处理起来对算力、功耗要求低，可以支持本地推理运算，实现端到端。
它的缺点比较致命，涉及到安全。
L4 的车暂时还不能采用该方案。中国法规要求 L3 以上必须多传感器互补，这等于禁止了纯视觉方案，所以特斯拉在中国只能当做 L2 卖。
基于规则的决策方案
车辆根据预设的场景和规则来做出决策（是踩油门，还是打方向或踩刹车），这是现在的主流方案。从激光雷达感知输入，中间经过多个模块和步骤（预测和总结路面情况，匹配规则，根据预设的规则做出决策和规划），最终输出到方向盘、油门、刹车做出相应的行为。
它的最大的优点是：
- 可解释、可审计、可追溯：因为它所有的行为决策都是跟规则相匹配后做出的，所以有迹可循。
缺点：
- 没有人能穷举世界上所有的案例和规则：这是一个很好理解的缺点。开车上路，长尾问题太多了。
比如暴雨天要不要进隧道？基于规则的方案需要了解雨量大小，下雨时长，隧道深度，隧道长度，堵车情况，排水情况。这些信息如果不全的话，就不知道匹配哪条规则，很难做出决策。
基于 AI 的端到端方案
基于 AI 的端到端方案还是以特斯拉为代表在往前演进。虽然特斯拉不算 L4 级别的自动驾驶，但我们不得不再次提到它。它总是与众不同，不按常理出牌，而且出的牌还不烂。
什么是端到端呢？一端是输入（比如摄像头，激光雷达），另一端是输出（方向盘，油门，刹车）。从输入到输出不需要通过信息处理、规则匹配。通过一个预训练的 AI，对输入数据直接进行推理，结果直接呈现到方向盘、油门和刹车的行为上。
我们普通人开车不是基于规则的，没有人一边开车一边翻看交规或驾驶说明书，看看现在符合哪种预设场景，想想下一步该怎么做。人类开车就是端到端：从眼睛看到，到手脚操作，整个过程一气呵成。这个临场反应靠的是不断积累的驾驶经验。
跟人类老司机需要积累一样，端到端方案也需要通过大量的数据让车载 AI 成为一名老司机。这是 L4 车企很难解的一个死循环：不成熟不能上路，不上路没有数据，没有数据没法成熟。
特斯拉却轻松解决了。它不直接上 L4，而是从 L2 做起。先把销售市场铺开，AI 不是老司机没关系，先依靠人类老司机。每个特斯拉客户都在为它提供大量的数据，这些数据用来训练 AI，把它培养成老司机。
端到端的优点是解决了长尾问题：
- 它不匹配规则，所以不需要穷举每一个场景，了解所有的信息。它只是经过训练拥有了处理异常情况的能力，至于具体什么情况，怎么处理，靠的是临场发挥，随机应变。
听到这你可能会说：看起来不是很靠谱。是的，这是它最大的缺点：
- 不可解释、不可审计、不可追溯：就像你用豆包的时候，没有人知道豆包的答案是怎么来的。端到端驾驶，也没有人知道决策是怎么来的。这是 AI 的共性问题，AI 经过海量数据的预训练才得到这个输出，溯源是不可能溯源了。
其它方案
中国部分地方和公司在尝试车路协同方案：把一部分识别和算力移交给道路来完成，减少车辆的压力。这个方案听起来就很费钱，适合不差钱的基建狂魔。它可以让自动驾驶更快速落地，因为有了道路的加持，车子可以更好地感应周边的路面信息。它也可以帮助改善交通情况，给红绿灯提供数据支持。但它的扩展性太差了，只能在指定区域或指定道路上实现。目前也没有一个标准的车路通信协议，所以兼容性也很差。路得定制，车也得定制。整体来说，性价比是很低的，只能用来玩玩。
总结一下：传统的激光雷达和基于规则的方案，更像是人类为机器设计的方案。而特斯拉倡导的纯视觉和端到端方案，则像是人类自己正在使用的方案。孰好孰坏？不同人有不同的见解，交由大家来评判。
自动驾驶的应用场景
早上你出门去上班，车子自己已经从车位开出来，停在你家楼下等你了。你坐上后座，开始吃早饭或者刷一会儿早间新闻。车子到了公司，你下车上班，你的汽车可以变身出租车去接客赚钱，也可以自己去附近找个最便宜的停车位停好，也可以自己开回家停家里。
这可能是自动驾驶达到 L5 之后会出现的场景。听起来离我们既很近，又很远。很近是因为我们现在确实已经有无人驾驶出租车了，最重要的无人驾驶开车上路环节不再神秘。遥远是因为这个用例里有太多长尾问题需要解决，比如精准定点停车，比如去地下车库等非标小路等，要做到完全无人似乎还是遥不可及。
无人驾驶面临最尴尬的死循环就是：不上路没数据，没数据训练不出老司机，不是老司机监管部门不让上路... 为了打破这个循环，特斯拉采用的方案是先上 L2。也有很多公司选择先上特定应用场景：
内部园区
这是很容易想到的一个场景。普通马路不容易，园区内部马路就宽松很多。我之前在上海张江的人工智能岛上班，园区里很多 L4 级别的无人售卖车开来开去，偶尔也会开到外面马路上。有卖早餐，盒饭，棒冰饮料的。你随时可以把它拦下扫码购买。
快递配送最后一公里
亚马逊和沃尔玛都特别热衷于研究最后一公里的问题，因为这是它们最大的痛点。亚马逊有 Zoox，车子很小，但能坐人也能配送。沃尔玛跟 Cruise 合作，进行生鲜配送。
货车
一直以来，大型的无人驾驶货车都被认为可能会是发展最快的应用场景。因为它线路固定，基本处于郊区或高速路上，意味着场景简单，Corner Case 少，容易实现。而路线长，卡车司机又贵，意味着效益巨大。主打这条赛道的公司有 Aurora Innovation，Kodiak AI 等。
RoboTexi
无人驾驶出租车，这是所有做自动驾驶公司的终极梦想，也是最具挑战和最有价值的赛道。谁能从这条赛道上脱颖而出，谁就算是戴上了自动驾驶的皇冠。Google 的 Waymo 应该算是在这个赛道上暂时领先一个身位。 Cruise，小马，文远也紧随其后。上面提到的其他赛道的公司也在这里并行发展，谁也不想放弃这条皇冠赛道。
好了，自动驾驶的故事、技术路线、应用场景就先介绍到这里。后面的文章，我会继续介绍这一领域的头部企业，欢迎关注。
免责声明：本文内容仅为个人观点与信息分享，不构成任何投资建议。市场有风险，投资需谨慎。
都看到这儿了，动动你博爱的小拇指点个赞吧！！！
如果你也关注美股，追求长期的价值投资，加我的公众号一起交流吧。
