本期视频传送门：自动驾驶是智商税？一次看懂值不值得买！

之前总有观众想听我聊自动驾驶。因为现在各种车企都把自动辅助驾驶能力，作为新车的宣传噱头。

有的头上长犄角，有的量大叫嚣，还有的硬件升级和友商对标。有的嘴上很嗨，有的独孤求败，还有的心里坏坏。

厂商给了你那么多选择，我们作为消费者到底买哪种更靠谱呢？那今天我就用一集视频帮你彻底搞懂：什么决定自动驾驶水平？现在自动驾驶真有用，还是搞噱头？未来自动驾驶到底有啥用？

我是小丹尼，谈车说科技。

先说第一点：

什么决定自动驾驶水平？

很多人分析自动驾驶时，上来就给你扔一大堆参数，但我认为参数其实是次要的，最重要的是先明确自动驾驶解决了什么问题。肯定有孤勇小同学抢答了：自动驾驶不就是要替代老司机开车么？但正如尤瓦尔赫拉利在《人类简史》中所说：“愤怒不是什么抽象的概念，而是身体里面温度升高，肌肉紧绷的感觉，这才是愤怒的真相。 ”

类似的，老司机开车也不是抽象的概念，而要把自动驾驶解决的问题具体拆开来看，可以分成四大问题：

1、融合感知

2、导航定位

3、控制决策

4、移动结构

用人话来说就是：

1、我在哪？

2、我去哪？

3、我干啥？

4、我冲了！

这四大问题缺一不可。

传统汽车都是在第四步“我冲了”（移动结构）发力，比如很多车评人常说的发动机功率、马力、扭矩等等，都还是从传统角度去看车。但自动驾驶车不一样，重点要看前三大问题：

我在哪？（融合感知）

我去哪？（导航定位 ）

我干啥？（控制决策）

以前的车，前三大问题都是要靠人来解决。这几年随着智能手机的进步，百度、高德等地图成为我们前三大问题的帮手，这可以看做是传统车变为自动驾驶车的过渡阶段。

所以雷军才会在演唱会上说：“智能汽车，就是给一部大手机装了四个轮子。”说白了就是要让汽车长点儿心吧：更多自己思考，更少被动控制。

当我们知道自动驾驶车要解决的问题是：

我在哪？（融合感知）

我去哪？（导航定位 ）

我干啥？（控制决策）

三者缺一不可，那我们可以得出结论了：自动驾驶是综合实力的体现，哪一步拉胯，都考不上清华北大。

所以很多厂商都爱用某项参数吹自己的自动驾驶能力强，这是变向耍流氓，你要自己掂量掂量。那如何掂量自动驾驶水平强不强？高考要考“语数外”，自动驾驶也考“语数外”三科目：

科目一：硬件配备感知细节，如同外语了解世界；

科目二：数据积累便于分析，达到数学计算目的；

科目三：算法开发控制决策，就像语文沟通学科。

先说科目一：硬件配备。

硬件是大家最能直观看到的，也是车厂最爱拿出来宣传的，比如新车各种自动驾驶感知传感器。主要分成五部分：摄像头、超声波雷达、毫米波雷达、激光雷达、定位单元

当然基于L4级别的Robotaxi感知传感器更复杂一些，感兴趣可以截Apollo这张图。

这里还有个有趣的小故事，大家都知道Google的Waymo是自动驾驶头部企业之一，但它的硬件之路其实一样很曲折。2009年，为了让大家相信自动驾驶车，Waymo的负责人莱万找了他在伯克利的好基友，共同策划了一档自动驾驶车送披萨的电视节目。通过精心策划好的25分钟路线，和警察清理了道路并全程护送下，自动驾驶车终于送货成功，这感觉有点像许老板在员工队严防死守下投进了三分球，终于让大家相信了无人驾驶落地的可能性。

当时的送披萨车是把激光雷达安装在一辆丰田普锐斯上，光是这颗Velodyne的车顶激光雷达，价值就高达80000美元，看来这趟披萨宅急送成本不低啊。

当时的Waymo还叫Google名下的Project Chauffeur。怎么感觉前段时间智己想把IM AD打造成的一位更像人的AI Chauffeur，是向Waymo致敬？

正是由于Velodyne的激光雷达太贵，Waymo走上自主研发硬件的道路，三年后自产的激光雷达在雷克萨斯SUV测试车亮相。看来想省钱，还是要靠自研。

再看科目二：数据积累。

很多美国公司都爱宣传自己的数据量级有多强，比如Waymo和特斯拉，说实话人家确实起步较早，积累的数据量级领先。但除了要看数据量级，更要看有效数据。

比如中国路况更为复杂，有数据统计中国路况要比美国复杂约30倍，拿广州和硅谷做对比。

1. 路上跑的车数量相近，但行人和自行车的数量，广州是硅谷的5倍。

2. 换道和加塞出现的次数，广州是硅谷5倍多。

3. 逆行的自行车或电瓶车数量，广州是硅谷的60倍。

再加上中美交规也不一样，所以我说更要看有效数据，尤其是中国交通的有效数据。什么算中国交通的有效数据呢？比如中国的大车数量多、形状各异。前段时间我看智己IM AD专门收集了中国道路上1亿大车的数据，其中有差不多2500万异型大车，覆盖了中国各种稀奇古怪的大车场景。这就是中国交通的有效数据。

收集这么多数据有啥用呢？需要科目三：算法开发。

算法开发，离不开数据的“喂养”，就像吃饭补充能量。但如果只有数据，没有好算法，就像一个人光吃饭不思考，跟饭桶没啥区别。之前大卫在大小马聊科技第16集已经详细讲过特斯拉基于视觉和神经网络的算法开发。

我简单概括为3个要点：

1、特斯拉不走寻常路，FSD不能按照SAE的L0-L5级别去明确划分，FSD是在L2至L4区间各功能游走。

2、特斯拉FSD的纯视觉方案，没有激光雷达，也没有高精地图，通过大量的数据灌到特斯拉的神经网络中去做训练，然后在车上的芯片部署，这条路特斯拉会一直走到黑。

3、特斯拉用脑洞大开的视觉空间拉伸技术把2D地图扯成3D地图， Bird's Eye View、空间和时间概念加入到神经网络，让他们无需激光雷达，也可以构建点云地图，在人工智能方面是一个巨大革新，值得特别关注。

如果你还不懂，可以去看大小马16集。

虽然特斯拉上路表现还不咋地, 但我越了解特斯拉的技术路径，越觉得厉害。当所有友商都选择用激光雷达配合高精地图，只有特斯拉，选了视觉感知方案，还做得有板有眼。原来，行业内几乎所有人都认为：L3级别以上的自动驾驶，必须依赖激光雷达+高精地图。特斯拉挑了一条Robert Frost笔下“未被选择的路”。

有了新的可能性，我觉得也是值得尊重。除了特斯拉，我更关心的是中国车企们怎么做。大家都知道新势力擅长自研算法，还都有自己的专属名词，比如小鹏NGP、蔚来NOP，还有最近发布的理想L9的AD Max，智己L7的IM AD等等，都各具特色。

更多内容扫码查看全文：