自动驾驶口号喊得很久了，现在市面上产品也出现很多，其实大家都停留在L3以下，没有哪一家敢说自己是L3。
但大家都在喊自己的车自动驾驶，其实高级自动驾驶当前不确定性非常多，当前很多不过是噱头和商用融资需要，我们之前整理过技术上的文章分享过，也很早就想写一篇这样总体的文章，但今天看到麦肯锡的一篇文章应该是非常清楚把高级自动驾驶也就是达到L3或者L3+的自动驾驶当前存在的困境，以及未来可能的路径和对企业的建议将的非常清楚和明白。不愧是顶级咨询公司，分享学习。
拦路虎有：
高难度-从高到底排列：
-
环境感知，物体的分类和跟踪 -
大规模商用软件开发和工具链 -
传感器融合 -
路径和动作规划
较低难度：
-
算力和能耗 -
高精地图
路径有：
-
推出版本供消费者使用同时不断迭代升级-基本上当前所有的乘用车汽车主机厂采用的模式。 -
有限场景下的高级自动驾驶 - 基本上当前商用车企业采用的模式。
麦肯锡的全文如下：
五六年前，当高级自动驾驶（L4/L5）开始进入行业视线时，相关初创企业和主机厂纷纷制定了相对激进的目标路线。高级自动驾驶将能够解放驾驶员，为车内服务创新和车队成本重构创造广阔空间，从而可能从根本上颠覆汽车行业的既有价值结构和商业模式，未来潜力无限。然而随着时间推移，几年前自信满满的头部企业逐渐受阻于艰难现实，一再推迟原先设定的目标期限，甚至索性不再提及（见图1）。
自动驾驶企业如何能驶入美好未来？本文将探讨两种可能路径，并为价值链相关企业提供战略选择建议。
高级自动驾驶的“拦路虎”
高级自动驾驶技术的成熟，尤其是大规模商业化应用，需要技术栈中软硬件各环节的有效支撑和落地（见图2）。
目前，高级自动驾驶的相关硬件，包括各类传感器及芯片等，其技术及性能（如功耗水平）不断升级，同时成本也逐步降低，对高级自动驾驶大规模商业化的掣肘日益减弱。
但软件模块，包括算法训练和软件开发仍面临大量复杂难题（见图3）。高级自动驾驶算法训练的关键，是积累大量具备丰富场景信息的驾驶数据。
为了获取这些关键数据，大多数领先的自动驾驶初创企业采用重资产模式，即购置车辆并改装成自动驾驶测试车辆，雇用安全驾驶员进行道路测试，积累必要的里程数以进行算法训练。
但这种方式目前进入了比较严重的瓶颈期。最领先的自动驾驶企业， 在上百台测试车辆上完成千万公里测试后，在“日常”驾驶方面已具备较好应对能力，但仍然难以攻克两类场景：
1）由于大部分测试局限在特定区域，迭代出来的算法很难快速推广到更多复杂场景中；
2）即使测试里程达到千万公里，真正特殊场景的数据仍然稀缺，系统对特殊情况（Corner Case）的应对能力仍很弱，而高级自动驾驶技术成熟的标志是对各类特殊情况都能自如处理。
针对这一困境，自动驾驶企业开始采用仿真技术提高迭代速度，但仿真技术的最终效果在很大程度上仍取决于真实场景数据的输入。因此，即使加入仿真技术，测试里程达到亿级，最终在实际商业化测试中仍频繁出现“较差驾驶体验”，车辆仍然需要配备安全驾驶员（或 远程驾驶员，甚至后方跟车），且只能在特定区域内运行。
高级自动驾驶研发的替代路径之一：与用户 “共创”
针对训练自动驾驶的场景数据不足、尤其是多元化及特殊场景数据稀 缺的情况，自动驾驶产业链相关企业开始转向“影子模式”，即在汽车上加装传感器，搜集用户的驾驶场景相关数据并传回，以进行算法训练；部分企业甚至搜集用户的驾驶数据，并将各场景下用户的驾驶行 为与算法的计算结果进行对比。
这种模式首先由一家领先的电动汽车“新势力”企业推出，随着产品销量和保有量的迅速增长，其“影子模式”所搜集的驾驶场景数据量， 很快超过当时其他重资产的头部自动驾驶初创企业。目前，这种“影子模式”逐渐被其他主机厂、尤其是“造车新势力”采用。
与此同时，面对当前瓶颈，头部自动驾驶初创企业在“影子模式”带来的挑战和启示下，开始转变思路。
例如，不少初创企业原先设计的商业 模式是大量采购主机厂产品进行改装，然后通过商业化的自动驾驶出租车队盈利，主机厂实质上成为硬件代工厂。现在，不少企业开始朝 解决方案供应商转型，逐步开放算法并与合作主机厂打通用户场景数据，以快速进行数据积累和算法迭代。作为解决驾驶场景数据瓶颈的一种方式，“影子模式”仍然存在不少挑战：
— 数据保护相关法规日趋严格，尤其重视保护用户行为等隐私数据。特别是在欧洲等地区，“影子模式”能否持续推进、能否获得足够详实的数据，存在很大不确定性。
— “影子模式”有效的前提是汽车保有量足够大。在利用数据训练完善算法前，加装的各类传感器价格不菲，但用户无法感知价值，此时如果将成本转移给用户，则可能导致产品缺乏竞争力，难上规模；若由主机厂承担成本，则相当一段时间内，主机厂的成本和利润率压力很大。因此，经济车型采用“影子模式”挑战较大，而即便是豪华车型，成本仍需要充分考虑，提升车队保有量仍会是个挑战。
— 自动驾驶初创企业的硬件成本可能由主机厂承担，双方互相弥补 短板。但双方的数据共享，尤其是CAN总线等车辆核心数据共享， 仍存在很大挑战；同时双方企业在文化和运营模式上往往需要各种打磨融合，推行合作并不容易。
高级自动驾驶研发的替代路径之二：多场景探索
针对重资产自建车队的发展瓶颈，以及“影子模式”存在的各类挑战， 不少自动驾驶相关企业，尤其是初创企业以及相关场景所涉及的运营企业，开始尝试利用其他场景搜集数据并训练算法。
这些场景包括高速公路、市内物流（包括配送中心到门店、最后一公里配送等）和封闭 园区（包括矿场、码头、大学、工业园区等）。除了可以提供额外数据进 行算法训练，这些替代场景由于可预测性较强（例如路线固定）、技术要求较低（例如物流对舒适性要求低），通常被认为开发难度系数较低、商业化速度较快。因此，自动驾驶初创企业，尤其是资金实力不够雄厚的小型初创企业，甚至将所有开发工作集中于特定场景。
虽然各类场景为自动驾驶的开发提供了新的思路和“练兵场”，但在实际推进过程中，相关企业仍遇到了各类挑战：
— “简单”场景并不简单。虽然相比城市交通的复杂多变，物流活动或封闭区域内交通相对简单，但这些场景对自动驾驶算法“深度” 的要求很高，甚至超过城市交通。例如：矿山车辆自动驾驶需要算法工程师深入了解矿山运输的特殊性，需要软件工程师“撸起袖 子”到一线深度定制算法，“码农”们不一定能承受这种“脏活累活”，尤其是长年累月的伴随式参与。又如：高速公路物流卡车虽 然路线相对固定、场景复杂度较低，但高速公路对卡车急刹车等行 为的限制，使得高速公路自动驾驶卡车对超远距识别、敏捷度和判断力等要求更高。
— “场景”所有方的开放度及合作度不确定。类似与主机厂合作的 “影子模式”，借用各类场景进行数据搜集和算法训练，同样存在合作意愿和数据开放性的潜在挑战。场景是否适合自动驾驶落地， 自动驾驶的成本节降潜力是否能覆盖前期投入，这是场景所有方非 常关注的问题。同时，以物流企业为例（包括自带物流场景的外卖等线上交易平台），考虑到自动驾驶成本节降潜力的不确定性，以及场景数据对其业务的核心作用，这类企业对待数据开放非常谨慎；特别是不少头部企业已经投资自动驾驶研发企业，很难对希望寻求合作的其他初创企业“来者不拒”。
— 算法训练的可复制性待提升。除了仅专注于特定场景的初创企业， 大部分自动驾驶企业仍希望将在这些特定场景中积累和训练的算法推广到更多的驾驶场景中，但算法的可复制性存在较大问题。即使是像末端配送这样与市内交通重复度较高的场景，同样面临物流车速较低、舒适度要求不高，所以当其自动驾驶算法运用到市内交通时，算法仍需进行大幅度改良的问题。
自动驾驶产业价值链相关企业的战略选择
目前来看，高级自动驾驶开发的道路仍将充满变数，不同开发路径有各自需要解决的挑战。但高级自动驾驶一旦实现，将可能彻底颠覆汽车行业及相关产业，因此希望在这个领域有所作为的企业必须即刻行动起来。高级自动驾驶当前面临的重大问题基本解决时，也意味着行业的战略格局基本确定，后来者只能依附领先企业及平台，将面临极大的战略被动。
无论是主机厂、自动驾驶初创企业、相关硬件企业，还是出行及运输 场景所有方，要想在未来高级自动驾驶生态中拥有立足之地，都需要解决如下问题：
— 高级自动驾驶的战略定位及商业模式。高级自动驾驶对于企业未 来发展战略及核心竞争力的重要性如何？战略落地需要企业在高级自动驾驶上成为“领跑者”，还是成为“快速跟进者”即可？高级自动驾驶的商业模式，是出售硬件和提供软件升级服务为主，还是以重资产模式出售运力为主？
— 在战略定位及商业模式的基础上，结合自身能力和战略掌控要求，识别自动驾驶全局技术栈（包括数据场景、硬件架构、软件算法 等）中自建与外包的要求和机会点。
— 对于需要外包及构建自动驾驶整体生态的部分，至少需要从潜在合作伙伴的技术实力、商业模式（包括数据开放性等）、战略契合 度（如其现有生态及合作关系的潜在制约）等三个维度去识别最佳合作伙伴。
展望高级自动驾驶之路，虽然岔道纵横、荆棘密布，但未来成熟落地后将带来巨大的颠覆效应和市场机会。这既让众多玩家跃跃欲试，也让传统厂商同时嗅到机遇和危险。
有志于进入高级自动驾驶生态的企业，必须在数据与算法这两项核心资产方面寻求突破，同时明确自身战略和商业模式，并在生态发生显著改变时有效调整，方能在这条诱惑力十足但高度不确定的赛道上稳健加速。
参考文章：岔道纵横，披荆斩棘：通往高级自动驾驶之路 - 作者 彭波，陈晴
本文作者：Pirate Jack，来源：Vehicle，原文标题：《高级自动驾驶的“拦路虎”以及路径和战略选择》