自動駕駛做了已經很多年，最近幾年又有大量的資金和團隊投入這個領域，但大家發現很多自動駕駛技術在演示時效果很好，卻很難做到大規模量產。
那么制約量產的核心問題在什么地方?如何解決?
在剛剛舉辦的2019世界智能網聯汽車大會上，有不少企業提出了自己的解決方案，下面我們看看國內影響力比較大的兩家企業——百度和阿里巴巴是怎么做的。
百度的量產探索：
高精地圖和自主泊車
百度自動駕駛首席架構師郭陽在演講中談到，百度認為自動駕駛量產應該從比較合適的場景做起，而不是上來就做功能全面的汽車。
做出來的自動駕駛產品功能要符合汽車業界的規范和規律，量產最大的兩個障礙，一個是安全，一個是車規。
百度在量產方面的探索，主要集中在高精地圖和自主泊車Valet Parking上。
百度認為高精地圖作為自動駕駛中的嚴重依賴項，對于自動駕駛的安全非常重要。
而高精地圖只把數據采集出來是遠遠不夠的，而是要做到實時更新。百度把更新的重任放在了眾包上，利用行車記錄儀采集的視頻數據和采集好的高精地圖進行匹配、還原建模，把數據以厘米級的精度更新在高精地圖上。
這個更新過程是實時的，只要第一輛車(只要有前攝像頭即可)看到路況的變化，把數據回傳，后面的自動駕駛車輛馬上可以獲得信息。
另外，現在的高精地圖很難說經過了什么安全測試，安全達到什么水平，所以今年百度和汽車行業嵌入式和互聯軟件產品全球供應商Elektrobit(EB)一起，做了高精地圖安全白皮書——《安全可靠的自動駕駛地圖》，集成了ISO 26262、SOTIF 、Safety in use等安全分析方法以及地圖質量相關標準。
百度的高精地圖遵循這些標準進行生產，以保證自動駕駛車輛使用高精地圖時的安全。
高精地圖的研發在中國還要符合國情，得到政策的支持，百度獲得了第一個高精地圖審圖號，百度的高精地圖從政策上、法規上，在敏感信息方面也是安全的。
郭陽表示，百度已經在國內OEM廠商中拿到了最大的訂單量，希望能把高精地圖盡快應用到更多場景中去，能為使用自動駕駛的公司提供最好的高精地圖解決方案。
在自主泊車Valet Parking方面，百度認為完全無人的自主泊車是自動駕駛在乘用車領域落地最快的場景，因為環境穩定，速度較低，所以對算力的需求、對傳感器的需求及對境總結的需求會得到縮減，可以把真正無人駕駛功能用在產品的設計上。
而自主泊車實際上有很大的用戶需求，比如在北上廣深這些大城市中，車位非常緊張，但在一些區域車位并沒有得到充分利用，比如機場的停車樓有的區域擁擠，有的區域空閑，自主泊車就可以讓這些社會資源得到有效利用。
自動駕駛的Demo往往是在算力十分充沛、沒有功耗限制的環境下完成的，到了車上，算力就要受到限制，即使目前最好的特斯拉FSD3.0芯片，算力只有70TOPS左右，和計算機完全沒法比，同時算力的提高也會帶來功耗的提高，風冷甚至水冷都不能解決散熱問題。
百度花了兩年時間，按照業界規范設計出了一個真正可以上車，解決實際運算需求的硬件，符合車規級要求，里面有等級非常高的安全芯片，可以真正布署到汽車上，滿足普通消費者自主泊車需求。
同時，百度還對算法進行了深度優化，可以真正在車上跑起來，在并行計算、神經網絡上進行了探索，把百度自己的開源神經網絡移植到硬件上，實現了很好的配合，讓算力超越了原有的硬件限制。
阿里巴巴專注物流車的無人化
在自動駕駛領域，阿里巴巴的做法和跟百度不太一樣，阿里巴巴達摩院自動駕駛實驗室負責人王剛在演講中介紹，從一開始阿里巴巴關注的就是物流行業的自動駕駛。
阿里巴巴為什么要選擇這個方向?一方面，阿里巴巴以天貓、淘寶為代表的電商平臺，包括餓了么、盒馬代表的本地生活平臺，將會產生越來越多的包裹。另一方面，社會的老齡化越來越嚴重，在可以預見的未來，社會將會缺乏足夠的勞動力去運輸這些包裹。
因此，阿里相信物流車的無人化是整個物流產業發展的必然選擇，也是社會發展的必然選擇。
阿里巴巴目前專注于兩個物流場景：第一是末端物流場景，最后1~3公里的問題。這應該是未來幾年內最容易實現落地的場景，其在安全、法律上的挑戰都相對少一些。第二是公開道路的技術研發，阿里巴巴已經開始在杭州鬧市街頭進行常態化路測以及相應的研發工作。
目前，阿里的無人車不僅可以應對各種復雜的開放道路路況，包括轉彎、與非機動車輛以及行人的交互，還能在復雜的城市道路實現上千公里的自動駕駛，而不需要人工的接管。
王剛認為自動駕駛不僅能夠創造社會價值，同時也是一個巨大的機遇，但自動駕駛是一個投入非常大、周期非常長的產業，純粹的技術驅動或投資驅動，存在很大的風險，必須在早期就與商業和業務進行結合，產生商業的結果，從而驅動它的良性發展。
自動駕駛目前還面臨著全方位的挑戰，包括算法、計算硬件、傳感器和基礎設施等。多數情況下，自動駕駛無法量產落地的主要原因是自動駕駛的算法還不能夠處理道路上的復雜交通狀況。
怎么處理這樣多樣化的場景?王剛認為，可以應用人工智能里的經典理論——No Free Lunch理論。
這個理論是指，假如用一種通用算法來解決所有問題，可能付出沒有回報，不可能獲得很好的結果。相反，如果針對每一個問題進行針對性的開發和優化，可能會取得更好的結果。
因此，阿里巴巴希望能夠把自動駕駛的多場景問題進行分解、細化，有針對性的解決。不過，將交通場景進行分類看似簡單，實際上非常復雜。王剛認為，一個好的分類方法，一是必須非常精細化，二是必須為算法服務。
基于此，阿里巴巴建立了自己的自動駕駛場景庫，針對各種場景，聯合感知和決策，有針對性地對場景類別進行開發。
不過，假如有1000個場景分類，就需要開發1000個不同的算法來解決問題。如果針對每個場景分類做相應的算法開發，這對每個自動駕駛團隊來講，都是一個非常巨大的災難。
因此，阿里巴巴采用了計算換智能的開發模式，提出了AutoDrive平臺，更多地采取數據驅動、計算驅動的方式，讓計算機更聰明地找到適合每個場景的算法、參數、結構等，從而提高系統的智能程度。
為了讓AutoDrive平臺更好地運行，阿里將所有路測數據全部都放在了云上，因為只有云才有足夠大的存儲能力和和計算能力;阿里還建立了數據上傳、標注、模型訓練、仿真、評價的閉環，從信號輸入到結構輸出，都能在計算環境中實現。
阿里還做了自動駕駛數據中臺。數據中臺可以實現場景庫的共享、所有數據的共享、系統工具的共享及技術的共享，讓工程師能高效地開發他們的算法。
最后，王剛總結基于“No Free Lunch”理論的自動駕駛的研發需要依賴三個要素：場景精細化、算法針對性和云平臺高效化，這三個要素進行協同，才能產生更好的化學反應。
