无人驾驶商业落地难点在于外部环境的复杂性

无人驾驶商业落地难点在于外部环境的复杂性。无人驾驶技术在运营领域取得突破性进展可能是在2021年5G大规模应用之后，主机厂要想把搭载L4级无人驾驶技术的车辆卖给消费者，至少应该在MEMS激光雷达在前装车规模应用后（预计2025年以后）。2018年国外车企无人驾驶水平可以做到L2-L3之间，个别车型达到L3级别；国内大多数车企处在L1-L2的水平，部分车企已经具备L2级无人驾驶的能力。2019年国内大多数车企都会落地L2自动驾驶技术。百度无人驾驶路测牌照质量和数量虽然在国内遥遥领先，但在加州其路测数据中MPD值落后Waymo两个量级。

目前互联网公司不具备量产汽车的能力，很难解决无人驾驶在执行层面遇到的问题，要么直接购买汽车开展运营业务，要么专注于汽车大脑放弃造车。传统车企有量产优势，但也受制于安全性、成本压力，整车厂主导的无人驾驶进度应该是逐步推进的。如果只看整车厂和互联网公司对无人驾驶的规划，很容易认为无人驾驶正在迅速到来。然而受传感器和人工智能技术进步的制约，无人驾驶的各种商业模式成熟度不一样，规模化应用的时间节点也不一致。正如科幻作家威廉•吉布森(William Gibson)所言：“未来已经到来—只是分布并不十分均匀。”

一、无人驾驶发展历程

1、无人驾驶汽车发展历程

Google在2009年建立了由Thrun领导的无人驾驶汽车项目。2012年，自动驾驶原型车开始进入美国公共道路，他们已经行驶了数千万公里，也变得更加安全可靠。但这项技术离大规模部署还有一段距离。

图1：国外无人驾驶汽车发展历程

图2：我国无人驾驶汽车发展历程

来源：公开资料整理

2、难点在于外部环境的复杂性

人类驾驶的工具可以分为三类：车，船，飞机。无人机、无人船并没有引起大公司足够的兴趣，然而无人车从进入大众目光开始，就挑起了巨头们的强烈的兴趣，原因有二：一，汽车数量大，市场万亿级，足以挑动巨头们的神经；三，汽车属于高频使用，无人车应该会比无人机、无人船能为人类节约更多时间，促进生产效率的提升。

在介绍无人驾驶汽车之前，我们先回顾一下无人驾驶飞机的发展。飞机的无人驾驶早在1910年代就出现了，1930年代成熟，工程师把飞机的升降舵、副翼和方向舵与陀螺仪和高度计相连，飞机可以根据设定的方向和高度飞行。20世纪70年代，电子计算机进入飞机，从而实现了自动化飞行。那么飞机飞行是否就可以不要驾驶员，而完全由计算机控制自动完成飞行任务了呢？答案是不行。主要原因在于：飞机在起飞和降落这两个阶段中，变化因素太多，计算机只能按预先编好的程序动作，不具备灵活反应的能力；即使飞机在巡航状态时，驾驶员可以不做任何动作去控制飞机，但他必须监视这个机器“大脑”的工作。万一这台“大脑”出现什么故障或反应不够及时，驾驶员要立刻接管驾驶飞机的任务，这样才能保证飞行安全。

飞机无人驾驶替代的是“飞行员看仪表指针并在指针偏离设定值时按固定动作修正回来”的操作。之所以飞机能够用于这个功能，因为天空飞行和海洋航行、太空飞行一样，在巡航阶段的很多情况下并没有什么“情况”。巡航阶段即使发现情况，也不会立即发生事故，飞行员有时间接手处理。而汽车面对的交通场景是有车道线的公路，公路比天空和海洋里巡航阶段要复杂太多，一旦发生偏离，几乎立刻会发生事故，这也是汽车无人驾驶发展缓慢的原因。

无人车需要大量的传感器，精确识别道路上的物体大小、速度、距离和方向，判断道路方向、路面状况，猜测物体下一步可能发生的运动改变并在紧急情况打破形式限制，将来甚至还需要在发生事故中知道如何选择更轻微的事故方式。对于人来说近乎本能的驾驶反应，对于无人车来说则是大量传感数据、综合处理和算法积累。笔者认为，如果当前汽车驾驶面临的复杂外部环境不变，面向私人消费者的乘用车（VaaP）实现完全无人驾驶需要让汽车大脑具备人脑面对突发情况时的推理和判断能力。人类只有进入了一个人工智能高度成熟的时代，这种情况才可能实现。因此面向消费者的乘用车完全无人驾驶离规模应用还十分遥远。

二、国内外无人驾驶水平对比

国际汽车工程师协会（SAE）制定的汽车智能化分级标准，从驾驶操作、环境监控、系统接管、应用场景四个方面，SAE把汽车智能化分为L0-L5五个等级，如下图所示：

图3：无人驾驶等级划分

来源：公开资料整理

L4和L3的区别在于，L3在系统出问题时需要人接管，而L4可以自己处理所有特殊情况。L4和L5的区别在于，L4只适用于特定场景，L5适用于所有场景。目前市面上在售的所有汽车几乎都还处于组合功能辅助驾驶的阶段。

1、主机厂车型对比

Tesla的Autopilot系统能够将Tesla电动车具备的众多L2功能，如AEB、ACC、LKS等有机结合起来，实现了高速公路的无人驾驶。2018新款的奥迪A8搭载了名为“Traffic Jam Pilot”的特定条件的L3无人驾驶，解决的是特定场景-交通拥堵情况下的无人驾驶。从量产车的角度来看，全球现在只有一台L3级别的自动驾驶，奥迪全新A8。具备L2功能的自动驾驶量产车，到目前为止只有凯迪拉克CT6、特斯拉model s、x、3，沃尔沃S90、XC90，XC60、奥迪Q7、奔驰E级、日产第二代聆风。国外主机厂无人驾驶水平可以做到L2-L3之间，个别车型达到L3级别。

国内大多数车企目前处在L1-L2的水平，部分车企如小鹏、拜腾、蔚来、威马等已经具备L2级无人驾驶的能力，2019年国内大多数车企都会落地L2自动驾驶技术。

2、路测数据对比

截至目前，已经有60家企业取得了加州自动驾驶路测牌照，其中美国本土企业数量32家，中国12家。取得中国自动驾驶路测牌照的主机厂最多，占到了62%，第二名是互联网公司，占据17%，自动驾驶算法公司也占到了13%的份额。获得美国加州自动驾驶路测牌照的企业中，自动驾驶算法企业占39%，主机厂占据了25%的份额，互联网公司占据13%，还有一些Tier1供应商和芯片厂商也在美国获得了自动驾驶路测牌照。

国内申请牌照前，测试车辆和安全员分别要进行5000公里以上的封闭测试场日常训练、至少50小时的培训训练。加州自动驾驶路测牌照的获取方式更为简单，只要缴纳500万美元的保证金，按照加州车管局（DMV）的要求向其提交测试数据，并满足DMV对技术、公司资质等方面的审核标准，就可以拿到一张自动驾驶路测牌照。以下为获得中美两国自动驾驶牌照的企业以及相关情况。

图5：获得美国自动驾驶牌照的企业

图6：获得中国自动驾驶牌照的企业

图7：获得自动驾驶路测牌照的企业最新进展

来源：亿欧

北京自动驾驶测试试验用临时号牌共分为T1至T5五个级别，T3代表着较高的技术级别，也是现阶段业内所能考到的最高级别，百度、小马智行、智行者取得了T3牌照，其他企业均为T1。数量方面百度凭借29张自动驾驶路测牌照遥遥领先。从DMV发布的2017自动驾驶脱离报告来看，Waymo和通用的MPD值达到了同一个量级，百度和Waymo相差两个量级。根据麦肯锡的研究报告显示，中国本土自动技术在算法、训练数据上还需要2～3年的追赶时间。

图8：DMV发布的2018自动驾驶脱离报告情况（部分）：

三、无人驾驶主流商业模式

无人驾驶主流商业模式有两种，第一种是企业作为价值链的一部分，把车作为最后的产品，卖给私人消费者（VaaP）。另一个商业模式，把无人驾驶技术应用在服务的场景中，收取服务费用，比如替代出租车司机的人力成本后，把每一次取得的项目费用作为无人驾驶营收（TaaS）。考虑到Waymo在2018年底在美国运营无人驾驶出租车业务时还配备安全员，无人驾驶技术在运营领域取得突破性进展可能是在2021年5G大规模应用之后，典型特征是Waymo完成一亿公里路测，一个安全员可以在后台远程监控甚至操作上千台无人驾驶出租车。主机厂要想把搭载L4级无人驾驶技术的车辆卖给消费者，至少应该在MEMS激光雷达前装规模应用（预计2025年）以后，而且涉及到事故安全责任的问题，极有可能只面向少数人群。

图9：各家公司对L4的商业化计划

来源：公开资料整理

1、TaaS模式：Waymo无人出租车业务缺乏安全考量

以Google、Uber等为代表的互联网公司，通过安装价格高昂的传感器（激光雷达为主），获得高质量传感器数据，再通过大规模的路测，积累海量数据，锻炼算法，让汽车大脑更加聪明，从而“一步到位”地实现完全无人驾驶，从而颠覆整个出行行业甚至汽车产业。目前L4载货业务已经可以落地，载人业务在封闭区域低速行驶情况下（短距离接驳车）也已经可以落地。但是在开放路况中，在人与车共享路权的情况下，要想实现出租车队实现无人驾驶安全性，还需要足够的路测和模拟仿真驾驶里程。

L4级别的业务竞争壁垒在于数据积累和算法。目前的算法，除了将基本的交通规则写入算法外，在遇到各种交通规则不能覆盖的路况时，需要将路况信息记录下来，告诉汽车大脑，下次再遇到这种情况如何处理，本质上类似于人类的经验学习。这就给路测数据和仿真模拟数据有效性带来了疑问，虽然路测数据积累越来越快，但如果汽车面对的外界环境没发生本质改变，比如Waymo是在限定的 25 个城市展开道路测试，汽车大脑学到的经验有可能是重复的，并没有变聪明。

有资料显示，人类驾驶员平均每驾驶9656万公里会发生一起致命车祸。因此无人驾驶路测应该不少于一亿公里，此外还需要在计算机虚拟环境测试9亿公里。谷歌是较早投入到无人驾驶技术研究的企业，目前已经在进行无人出租车商业运营，其Waymo产品的路测数据为1600万公里。按照Waymo的路测进度， 2025年前路测数据能突破1亿公里。Waymo 跑完第 1 个 100 万英里耗时整整 6 年，第 5 个 100 万英里只用了 4 个月；同时虚拟里程也从去年 17年10 月的 10 亿英里迅速攀升至 18年2月的50 亿英里。

图10：Waymo数据积累曲线

来源：公开资料整理

美国的人类驾驶员每 165000 英里才出一起普通事故；每 90000000 英里才出现一起致死事故。从平均每次干预行驶的里程（MPD值）角度，Waymo经历从每 5000 英里（ 2016 年）到 5596 英里（ 2017 年）再到11153英里（2018年）干预一次的转变，我们可以看出从2016年到2017年MPD提升的幅度很小，2017到2018年提升幅度却很大。按照2018年的提升幅度有理由相信Waymo的MPD值在不久的将来能够达到人类水平，只是数据大幅提升的原因究竟是人工智能技术有升级还是汽车大脑已经熟悉了路况尚不清楚，如果Waymo的汽车大脑已经熟悉了平时训练的道路，在2018年MPD突然大幅提升也不是不可能。

图11：MPD值对比

打造无人驾驶出租车队，有降低人力成本的好处，将来在广告、赞助、车内服务等新的商业模式上也可以进行创新。但是中国无人驾驶环境复杂，人口稠密、混合交通、野蛮驾驶，人力成本相对低，如何能推行适合“本土化”的L4、L5无人驾驶技术是运营商需要考虑的重点。

预计未来无人驾驶出租车在城市运营有三种可实现路径：1、为出租车建立专用“管道”，从而让无人驾驶出租车面对的环境更加简单，这种管道可以是虚拟的高精度地图加高精度定位，也可以是实际道路（各地正在兴起的无人驾驶小镇有可能会兴建无人驾驶专用道路）；2、借助后台人员远程监控操作无人驾驶车辆，当无人驾驶车遇到不能决断的情况时，把控制权交给后台人员（并不是严格意义上的L4）；3、等待人工智能推理判断能力的成熟，无人驾驶车辆能够在和人共享路权的情况下，准确判断周围人的运动意图（根据以上讨论这种路径在2025年前不太可能实现）。

除了无人出租车队，我们现在也已经能看到在特定场景的无人驾驶，包括港口、园区、安防、矿区、景区、机场、环卫等。因为是在特定场景，环境相对简单可控，在具备高精度地图的情况下，对于感知和决策的算法要求就没那么高，人工智能不需要面对多变的情况，现阶段的人工智能已经足以应付这些场景，虽然这条技术路线的技术门槛并不高，但却存在很多经验性的技能，积累足够的数据之后，就可以把产品服务性价比做到最好，从而形成竞争优势。现阶段就能落地的项目可以给企业带来持续的现金流，不必为了做无人驾驶出租车队去等待法律法规的开放或者争取有限的测试牌照进行漫长的路测。

图12：国内部分无人驾驶企业应用场景

2、VaaP模式，主机厂采取逐步丰富有条件L3、L4的策略

将车辆卖给私人消费者(VaaP)的主机厂，出于安全和成本考虑，会走循序渐进的技术路线。奥迪、福特、通用、宝马、丰田这样的企业内部都具备强大的技术积累，他们从几十年前就开始努力发展安全辅助驾驶。此外汽车一级供应商（Tier1），大陆、博世、德尔福等也掌握了很多的技术。2017年8月29日，德国科隆经济研究所（Cologne Institutefor Economic Research）检索并分析了2010年至2017年7月期间的5839项自动驾驶相关专利，以确定该领域的活跃公司。第一名既非汽车制造商，也非美国高科技公司，而是德国汽车部件供应商博世。日本权威媒体与专利分析公司Patent Result合作，18年出了一份自动驾驶专利竞争力排名，排在第一的是谷歌Waymo、第二是丰田，前十名主要被美国和日本车企所占据。

图13：无人驾驶专利数量对比

来源：公开资料整理

未来全功能的L3还需要实现更多场景下的无人驾驶，比如高速公路上的自动跟车、高速公路全速120公里自动行驶、全自动泊车（代客泊车），通过高频使用场景的逐步无人化，最终实现Tier1主导的全功能的L3、 L4。现在的算法已经足够解决部分L3的问题了，全功能的L3关键是传感器性能还达不到场景需求，无法量产。

国内各传统整车厂对于无人驾驶技术的规划较为激进，相对而言北汽的规划更加实事求是。造车新势力要比传统车企更为激进。比如，蔚来、拜腾都表示将于2020年实现L4级无人驾驶，车和家更是希望2019年就能出L4级样车了。车企制定较为激进的规划是为了吸引消费者注意，跟风放“卫星”。

表1：国内主机厂无人驾驶规划

来源：公开资料整理

面向消费者的L4级别的乘用车势必要用到中远程激光雷达，目前MEMS激光雷达还没有量产，距离车规级应用还需要一段时间，此外激光雷达成本过高也会延缓量产进度。如果车企选择不用MEMS激光雷达，以Mobileye视觉技术为核心与GPS、IMU、超声波、毫米波雷达等传感器做深度融合，打造一款可在受限场景下稳定运行的无人车也是是可行的。但是这种技术路线由于没有使用MEMS激光雷达，数据精度和安全性都会下降。到时车企虽然号称配备了L4级的无人驾驶，但因为不好用不会被私人消费者接受，只能配在少数车型上。

四、竞争分析

1、玩家背景分析：主机厂VS互联网公司

玩家背景可以分为两大类，一类是硬件为主的主机厂，另一类是软件为主的互联网公司。主机厂又可以分为传统背景和新能源背景，传统背景主要指燃油车时代形成的国际国内主机厂，新能源背景主要指传统汽车从业者或者创新型企业家在新能源变革的趋势下，抓住机会，将汽车新能源趋势和智能化趋势结合起来另立门户，代表企业有Tesla，蔚来汽车、小鹏汽车，他们创业骨干来自国际国内各大主机厂。以Tesla等为代表的新兴公司，在传感器上力求降低成本，在无人驾驶推进上相当激进。

互联网公司出身的创业团队，国内主要是指百度以及从百度出来的创业团队，国外主要是指来自Google、Apple、Tesla、Uber的无人驾驶团队。按照学术背景创业团队又可以分为两类，一类是斯坦福、卡耐基梅隆、清华大学、中科院等计算机名校或者研究所的专家教授抓住计算机视觉技术成熟的趋势，对汽车进行智能化改造。通过摄像头，Mobileye的单目能够提供L1的前车碰撞预警，肖建雄的AutoX，能实现L4级别的载货应用。另一类是机器人背景的创业团队，借助人工智能技术的进步，对传统工厂中的自动导引车（AGV）进行改造升级。COWAROBOT与环卫龙头“中联环境”联合开发了无人驾驶扫地车，未来有望开发出在更加动态、开放环境中的快递机器人、送餐机器人、跟随载物机器人以及无人驾驶汽车。

图14：国内无人驾驶企业背景

来源：亿欧

2、竞争策略：联盟、投资并购、垂直整合

传统车企有量产优势，但也受制于安全性限制、成本压力，导致无人驾驶进度是逐步推进。互联网公司不具备量产汽车的能力，很难解决无人驾驶在执行层面遇到的问题，要么直接购买汽车开展运营业务，要么专注于汽车大脑放弃造车。

无人驾驶技术涉及到的汽车本身、计算平台（芯片）、雷达、摄像头、高精地图、通讯技术等众多领域，这些技术不是哪一家企业单凭一己之力可以完全做到的。对此企业有三种应对策略。

一是联盟：在无人驾驶技术研发进程中，技术生态圈的构建会成为一大趋势。当前，市场上已经出现了一些技术联盟，如宝马-英特尔-Mobileye、Uber-沃尔沃-戴姆勒、Lyft-通用-捷豹路虎、谷歌OAA联盟，以及百度阿波罗平台等。宝马－英特尔－大陆－德尔福－Mobileye联盟，宝马负责驾驶控制、动力学、整体功能性评估、原型车生产。英特尔负责解决从汽车到数据中心的计算能力，包括传感器聚合、驾驶策略、环境建模、路径规划以及处理器、固态硬盘和人工智能平台等训练和模拟基础设施。Mobileye则擅长计算机视觉处理，同时结合英特尔CPU和FPGA技术构成的中央计算平台，集成到每一辆无人驾驶汽车中。而作为Tier1，德尔福与大陆的加入更多地扮演技术集成的角色，它们更擅长将一堆部件结合成一套“总成”。

博世－百度－高德－四维图新联盟，相比上述阵容少了一个汽车制造商的角色。联盟的牵头者百度也并未想过自己造车，而是选择在其它主机厂现成的车辆上搭载一套无人驾驶系统。未来百度通过售卖无人驾驶系统或提供系统租赁和运维服务。这种模式在传统行业中已有案例。GE通过租赁航空公司发动机实现商业运营，发动机实时和卫星连接，将数据传回至GE，后者对发动机状态及是否需要维护的情况一清二楚。在此合作中，百度主要提供高精地图、自定位、增强现实、人机交互界面等核心技术。博世提供无人驾驶测试车的雷达和传感器。

二是投资和并购：国外车企和其他巨头与无人驾驶公司合作非常密切，甚至像通用（收购Cruise），福特（收购Argo），Uber（收购otto），德尔福（收购Ottomatika）等纷纷收购了至少一家无人驾驶公司。而国内的车企为什么没有收购初创公司的动作？这是汽车产业成熟度的差异造成的。汽车制造作为百年工业，发达国家的企业都经历了漫长的技术积累周期，为了保持产品的优势，很多新技术本身就是由他们提出的，已经形成非常成熟的研发体系。现在世界上最顶级的一级供应商里，德尔福曾是通用的零件子公司，电装（denso）原是丰田的电气安装部门，以此足见国外车企的技术强大。而国内汽车市场兴起时，汽车的供应链体系已经很成熟，国内市场爆发又快，车企把全部精力都放在占领市场上，技术都是直接拿来使用，几乎没有研发。现在虽然很多企业开始重视研发，但差距巨大短时间根本无法赶上。因此，国内车企更像一个组装厂，就算他们收购或者找无人驾驶公司合作，自身也没有足够的技术能力支撑无人驾驶的技术需求。所以，在国内与车企合作，更多需要提供一套完整的无人驾驶解决方案，这个挑战比国外公司只用做好优势环节来说，要大太多。

三是垂直整合：少数公司也希望完全自主开发电动无人驾驶出租车解决方案。特斯拉就希望在该公司的高端电动车上配备无人驾驶软件，并组建“特斯拉网络”专车服务。神秘汽车科技独角兽Zoox也在开发具备无人驾驶功能的电动汽车。Alphabet旗下的Waze同样在加州推出了拼车服务，虽然与专车服务有所不同，但外界仍然怀疑该技术未来可能与Waymo的无人驾驶汽车整合。

图15：目前在无人驾驶领域占得一席之地的车企、互联网公司和各种解决方案供应商

来源：Vision Systems Intelligence

五、无人驾驶面临的技术困境：

感知和预测是较困难的部分

关于汽车电动化智能化的思考：汽车发展的趋势是什么？ACES（无人驾驶、联网、电动、共享汽车）。为什么不能在燃油车上做无人驾驶？无人驾驶也是汽车电子产业的优化升级，未来随着智能化程度的提升，整个无人驾驶系统所消耗的电量巨大，混动和纯电动在这方面具有明显优势。另一方面是燃油车发电机的底层控制算法相比于电机复杂太多，与其花大量时间在标定和调试底层上，不如直接选用电动车研究更高层的算法。为什么国内外无人车出租车运营商目前采用的都是混动车？当前的无人驾驶出租车存在续航里程焦虑和智能化消耗电量大的特点，纯电动无法满足，等到将来锂离子电池能量密度提高到新的档次，纯电动车续航里程大幅提高，未来的无人驾驶新车型必然也是纯电动车。

我们可以把无人驾驶看做人工智能对汽车产业的升级改造，人工智能的发展依赖于四个基本要素：计算力、海量数据、算法与决策、以及传感器的数据采集，而对于实现完全的无人驾驶同样高度依赖于这四个基本要素，并且缺一不可。真正的完全无人驾驶汽车必须解决三个独立的任务：感知（了解周围世界发生了什么）、预测（确定下一步会发生什么）和驾驶策略（采取适当的行动）。谷歌无人车之父Thrun说，最后一个任务是最简单的，自动驾驶中只有10%的问题与之有关，而感知和预测则是较困难的部分。

无人驾驶汽车通过摄像头、毫米波雷达和激光雷达等传感器来感知世界。传感器的感知范围虽然达到，甚至超过了人类开车时的感知范围，但是性能远没有达到人类的判断能力。人眼能够轻松地识别200米外的车辆，在时速超过200kph的时候也不例外，但这对目前的摄像头技术而言简直是不可完成的任务——200米外的车辆可能只是几个像素点。同理，在中国目前不少车载摄像头都无法准确分辨限速标志和限重标志——那个t字实在太小了。雷达无法准确判断前方车辆的横向位置，甚至无法分辨前方是一辆车还是两辆车并排行驶。

激光雷达还面临着高成本的问题，目前机械式激光雷达的高成本主要源于生产中精密光学器件的校准等繁琐环节，如果用固态器件替代，就能减少标定过程的人工介入，降低人工和器件成本，LiDAR价格有望从上千乃至上万美元降低到数百美元。激光雷达的四条路线中MEMS和OPA的技术路线现在都还没量产应用，机械式和flashTOF方案已经有量产使用，flashTOF方案主要在AGV小车、物流送货小车和ADAS量产车型，测量距离30米以内，属于近程激光雷达。MEMS和OPA方案可以用在中远程（150-200m），机械式最远可以探测到250m以上。OPA方案十年后有可能是最好的方案，但是现在硅光子技术比MEMS还不成熟，OPA方案难点主要在相控阵芯片的研发上。传统的机械式旋转LIDAR在地图领域的使用较为成熟，从发明出来到现在持续了10年左右的时间。而自动驾驶领域的LIDAR应用，是从2015年4月才开始，大家普遍的观点的是，LIDAR在车的大规模应用方面，会在2025年。当然，这也要看现在的这种LIDAR成本是否能够降下来。

结合来自传感器的数据后，汽车需要识别周围的物体，机器必须通过大量仔细标记的样本训练过后才有这样的能力。一辆车识别出周围的一切之后，它就需要立刻预测未来几秒会发生什么并决定如何应对。无人驾驶车辆在应对复杂环境方面还离人类驾驶员还是有差距的，人类驾驶员擅于处理一些意外情况，例如道路施工、抛锚的车辆、运输卡车，紧急车辆、倒下的树木或恶劣的天气等。由于行人的前进方向和速度都可以快速变化，再考虑其他车辆或基础设施的遮挡问题，面向行人的自动紧急制动或者转向都是非常困难的事，所以奥迪A8的L3自动驾驶系统，依然把使用场景限制在仅有车辆通行的封闭道路上。

现在被广泛部署无人驾驶，仍然偶尔需要人的帮助。无人驾驶接驳车制造商Navya的CEO Christophe Sapet举了个例子：在一个两车道的路上，无人驾驶汽车由于不敢越过道路中的实线而追尾了一辆抛锚的卡车。产生这种结果的原因，是自动驾驶汽车被编程、被设定必须遵守交通规则（而不会随机应变）。但如果是人类，只要对面没车，就会压过实线绕开这辆卡车。Navya的无人驾驶车辆则会向远程监督中心求助，人类操作员可以看到车辆摄像头拍摄的实时信号。遇到刚刚所说的情况时，操作人员在保证安全的情况下允许该车压过实线行驶。Thrun预测，这些操作员在未来可能会一次监控数千辆自动驾驶车。

在无人驾驶时代，车辆与车辆、车辆与基站、车辆与行人等之间的交互能力也至关重要。这对车联网的建设、IOT的普及和5G无线网络等提出了极高要求。V2I（车对基础设备）技术，政策，法规的落地都超出了汽车行业本身的范畴，这是一个复杂的系统工程。比如要实现全自动泊车，就必然要求对停车场的通信设施进行重建，这也是无人驾驶落地的一个障碍。

六、商业模式成熟时间表：

载货先于载人，简单环境先于复杂环境

Mobileye实现了摄像头的智能化，但是中远程车规级激光雷达还没有在前装乘用车上规模应用，因此VaaP模式当前还处在传感器智能化的阶段，随后才是细分场景算法的依次成熟，最后是汽车软件的统一标准。TaaS各类商业模式正在积累数据，根据载货的商业模式先于载人的商业模式成熟，外界环境简单的商业模式先于外界环境复杂的商业模式成熟，可以判断低速封闭场景的无人驾驶工程车、开放场景无人驾驶工程车、无人驾驶物流车、L4级无人驾驶出租车将先后实现规模化应用。L5级无人驾驶私人乘用车要实现规模化应用至少应该在20年后。

简单粗暴地使用高精度地图+高精度定位，现在就可以实现某些特定场景下的L4无人驾驶。这里的高精度地图可以理解为一个“管道”，无人车只要保证自己在“管道”内行驶即可（参考waymo的绿色“管道”）。使用高精度定位，告诉车在管道的哪个地方，就可以自动驾驶。驭势科技和白云机场合作开发的无人驾驶车在机场这种特定场景完全就可以使用这种方法。而且通过图片可以看出这车装了差分GPS，如果再加上RTK设备，就是可以达到户外厘米级的定位。在一些矿区，也有机器人在代替人类去控制高大的矿车，这些demo进入特定场景后如果能够快速的积累数据完成产品的迭代更新，他们很快就会为这些场景带来巨大的变化。在特定场景中的无人驾驶实现难度没有那么大，在这个赛道上的创业公司会借助资本的力量跑马圈地。

奥迪A8搭配的是有限条件下的的L3，未来国外的Tier1和主机厂巨头，会逐步丰富有限制L3的场景，从而实现接近无限制的L3、L4应用。考虑到2018、2019年乘用车市场的低迷，Tier1和主机厂巨头在研发这些场景下对应得功能时更多的会考虑到成本问题，再加上新式传感器的车规级应用需要较长的研发时间，由主机厂主导的卖给私人消费者的无人驾驶乘用车（VaaP）会逐渐丰富功能稳步推进。

图16：无人驾驶商业模式先后成熟

七、投资机会关注

传感器智能化公司：无论是从汽车安全或驾乘体验提升的角度讲，感知环节都是产业升级中的最先受益者，传感器决定着数据采集的质量，传感器智能化汽车智能化的基础。

限定场景下的自动驾驶技术公司：可能的限定场景如：封闭/半封闭区域、低速/高速状态、有轨交通、特种车辆等。

国中创投已经在无人驾驶产业投资了多家优质企业，包括融合决策、视觉传感器、毫米波雷达、高精度GPS、车载语音识别、车载HUD等领域，未来还会在该领域进行更加精细化的布局。

八、风险提示

技术的不确定性：光学相共振激光雷达（OPA）技术、人工智能推理能力、人机交互技术、低功耗人工智能芯片、云平台、5G通信与NB-IoT移动物联网的产品落地都会影响无人驾驶各种商业模式规模应用的时间，无人驾驶产业进度可能不及预期。

来自Waymo的竞争压力：美国当地时间2019年1月22日，全球自动驾驶领头羊Waymo官方正式宣布，在美国汽车工业重镇密歇根州，建立世界上第一家100%致力于L4自动驾驶汽车大规模生产的工厂。这家工厂是一家改装厂，而不是真正意义的汽车生产工厂。Waymo自行开发自动驾驶所需要的硬件和软件需要部署到Waymo所购买的车辆上。工厂的建立，是为了解决这个关键问题。领头羊与跟随者的距离正在拉大。美国的自动驾驶公司，以及中国的自动驾驶公司都会面临这样一个问题，一旦Waymo开放技术，是否还需要、还值得、还应该在这个领域深耕。

估值泡沫破裂：此前，摩根士丹利将通用Cruise的估值，从最近的本田投后145亿美元，下调到90亿美元，因为Cruise的发展不及预期。主要是对其2019年是否能够商业化的担忧，毕竟Waymo的商业化也遇到了问题。实际上，自动驾驶初创公司的估值下滑，尤其是中国的自动驾驶初创公司的估值下滑，在2018年底就已经开始了。中国的自动驾驶初创公司，在2019年会面临着洗牌的局面，技术能力不行的团队、资金链断了的团队率先出局。投资人也面临着选择，是选择继续高估值押注，还是选择泡沫过去再进场。