特斯拉通過覆蓋全車的攝像頭+超聲波傳感器和一顆前置雷達以實現高級別自動駕駛場景的覆蓋，其最大支撐來自售后車輛數據基礎上的神經網絡訓練。通過深度學習覆蓋更多工況與場景，使得視覺算法無限接近人類的感知和判斷。

“他們之所以一開始沒有推出這個功能，不是因為沒有能力或者算法沒寫完，更多是數據不夠，沒有完全驗證場景。通過量產車型去收集數據，對于其他車廠也有啟發(fā)作用?！睒I(yè)內人士對出行一客（ID:carcaijing）表示。

特斯拉的路線并非主流。趙鑫表示，產業(yè)鏈的動態(tài)變化反映了激光雷達的必要性?！凹す饫走_的制造商變多了，更多車廠開始使用激光雷達，這可能比討論技術路線更有說服力?！?

部分從業(yè)者認為，要實現L4級以上自動駕駛，需要激光雷達、攝像頭和毫米波雷達等多種傳感器的綜合驗證。

國內智能駕駛公司福瑞泰克總裁張林在接受媒體群訪時指出，單靠圖像感知技術和視覺算法很難做到全無人駕駛，需要融合激光雷達算法，這也對算法的自研能力與融合技能會提出更高的要求。

“絕大多數做標識的科技公司買國際廠商的雷達，自己做算法做融合，但雷達輸出的是目標級信號，但越高程度的自動駕駛越需要底層的融合。看到的事實和目標背后是集聚和追蹤的算法，但這個過程會被過濾。如何在兩個目標疊加很近的位置中去辨識，只有做了雷達算法的人才能了解和掌握?！睆埩直硎尽?

另一方面，傳感器并非越多越好。盡管安裝的傳感器數量、種類越多，車輛對周圍環(huán)境檢測越有效，但傳感器過多不僅會使成本增加、導致相互干擾，對集成和算力也會帶來挑戰(zhàn)。

福瑞泰克感知融合專家劉熙告訴出行一客（ID:carcaijing），通過多傳感器融合技術可以實現冗余，即在單一傳感器失效時能通過其他傳感器數據交叉驗證，提高容錯性。此外，在激光雷達成本較高的情況下，多傳感器融合可以提高解決方案的經濟效益。

不僅僅是車內傳感器的融合，路端傳感器數據也將并入數字流，成為車端自動駕駛的補充。

“從車端到路端，從終端到云端”的5G-V2X車路協(xié)同路線被越來越多的自動駕駛公司提及，一直強調單車智能的Waymo也已開辟車道研究車路協(xié)同技術解決方案。

研究顯示，車路協(xié)同可以解決單純依靠車輛傳感器感知的置信度不足的問題，或將整車安全性提高2-3倍。通過在路端加入攝像頭、雷達等傳感器，有如給汽車的感知設備之外再加上一雙“上帝之眼”，降維解決復雜工況及場景。

在大力推進新基建的背景下，上海、雄安自動駕駛示范區(qū)的一些測試路端上已經搭載了高清的8K攝像頭、激光雷達、毫米波雷達等。

“這些技術幫助車了解到路上運行的交通狀態(tài)，如識別交通事故、占了哪條車道等，這些信息傳遞回云端再到車端，無人駕駛車能提前預見、規(guī)劃路徑避開?！眲⑽醣硎尽?

王小斌指出，車路協(xié)同相當于汽車的一個“超視距傳感器”，提供現有車載傳感器探測范圍以外的信息，尤其是在復雜場景中。

“從主流觀點來看，要實現高級別的自動駕駛，路端的信息是必不可少的。但現在來看，車路協(xié)同的成本是一個限制因素，單個車企很難承擔，需要政府或者行業(yè)來牽頭推動。”王小斌表示。

文｜ 劉皖媛

編輯｜施智梁

本刊記者趙成對此文亦有貢獻

本文原載2020年11月23日《財經》雜志“汽車與出行”欄目