l3|高级自动驾驶的“拦路虎”以及路径和战略选择( 二 )


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。