如何加速高階自動駕駛商業化落地應用的思考
一、自動駕駛技術商業化示范應用現狀
本文引用地址:http://www.ex-cimer.com/article/202403/456065.htm近年來,隨著智能芯片、智能傳感器等底層支撐技術及軟硬件設備取得突破性進展,自動駕駛也從技術研究階段向產品落地階段過渡。
美國、歐洲、日本等發達國家借自身高精尖制造實力和核心技術上的競爭力,已經在自動駕駛領域取得了優勢經驗,迅速在物流配送、低速穿梭巴士、干線貨運、載人出租車等多個場景下開展了商業化運營嘗試。
自動駕駛雖我國起步略晚,但在2017年之后,各大城市相繼加速推動自動駕駛的測試、驗證、示范應用等相關工作,并且工作重心開始由研發測試轉入商業化應用試點。
圖1 主要技術路線
國外自動駕駛商業落地應用情況
美國受限于基礎設施條件,所以側重于將自動駕駛應用于私家車與出租車。例如特斯拉公司的自動駕駛系統Autopilot已經在全球范圍內的Tesla車輛上進行了部署能力,并且正在進行接近于L4級別的“全自動駕駛(FSD)”軟件升級推廣。它訂閱和買斷服務的方式為消費者時提供更為全面自動駕駛的功能。
谷歌旗下的自動駕駛公司Waymo在美國亞利桑那州的菲尼克斯市開展了無人駕駛出租車服務,目前服務范圍覆蓋面積已經達到了466.2平方公里。同時,它與Uber合作進行無人駕駛車的輛網約車服務及食品外賣服務。
目前,其已經實現了每周為乘客提供超過1萬次的免費服務,并計劃于2024年夏天之前,為乘客提供超過10萬次服務。
圖2 美國自動駕駛“三巨頭”
歐洲國家則著重于圍繞生態系統進行自動駕駛商業化推動,例如,芬蘭由于本國的市場較小,缺乏大型汽車制造企業,因而發展自動駕駛小巴,依托于其在政策與軟件技術的優勢,打造完善的公私合營公共交通運營系統。
例如,瑞典從重型車輛裝備制造的優勢地位出發,側重于自動駕駛在物流方面的應用,在城市之間實現卡車自動駕駛編隊運行。德國作為全球首個自動駕駛立法的國家,已經開始批量生產真正意義上L3級自動駕駛車輛,并正在開展遠程駕駛服務的測試。
日本作為最早提出自動駕駛概念的國家,雖在戰略層面高度重視,但在戰術更多采取“積跬步,以至千里”的策略。一方面不斷出臺政策法規及技術標準,另一方面開展產、學、研一體化發展進行國家層面的技術積累。
其商業化應用受社會老齡化、中心城區道路擁堵、民眾傾向于乘坐公共交通等因素的疊加,更多落地在短途、低速穿梭巴士上。如美山市推出的自動駕駛高爾夫球車服務,名古屋市的導軌巴士服務等。
圖3 日本自動駕駛商業化應用測試
國內各城市應用示范現狀
國內包括北京、上海、廣州、深圳、武漢長沙等10多個大城市都已開展自動駕駛商業化試點,其中武漢、重慶、深圳、上海已經開始啟動全無人商業化運營服務,廣州也同步開展自動駕駛無人化載人測試,為后續進一步商業化運營服務提供技術和運營保證。
截至2023年4月,全國50多個省市出臺智能網聯汽車測試規定,累計發放道路測試和示范應用牌照超過2000張,開放測試道路超過1萬公里,測試總里程超過4000萬公里,并針對性地布局載人場景示范應用。
以武漢自動駕駛商業化試點進程為例。自2022年6月啟動智能網聯汽車商業化試點以來,武漢示范區自動駕駛出租車月載客量顯著遞增,至2022年12月,主駕有人載客量突破1.4萬人/月,全無人化載客量突破0.7萬人/月。
截至2023年1月,武漢示范區已分五批開放了522條智能網聯汽車測試路段,總里程為751.56公里,雙向里程為1503.12公里,覆蓋武漢市600平方公里區域,觸達常住人口近200萬,位居全國前列。
2023年,東風悅享和百度蘿卜快跑計劃新增300輛自動駕駛車輛,常態化運營車輛突破400臺,逐步建立起至高鐵站、機場等核心交通樞紐的自動駕駛運營專線,為更多武漢市民提供自動駕駛出行服務。
圖4 武漢自動駕駛汽車道路測試區域示意圖
長沙市自動駕駛商業運營服務也開展較早。2019年6月,長沙市頒發45張智能網聯汽車開放道路測試牌照,并成為中國首個落地自動駕駛出租車試運營的城市。
2020年4月19日,長沙自動駕駛出租汽車向民眾全面開放,運營范圍覆蓋130平方公里。
2022年7月,自動駕駛出租車運營范圍再“擴容”,新開放了317公里測試道路。同時,新增設站點可接駁公共交通設施,實現在客流量密集區域的試運營。
截至2023年8月,自動駕駛出租車已累計運行150萬公里,服務乘客15萬人次。
北京自動駕駛的應用示范是分階段推進。2021年4月,北京市在亦莊60平方公里范圍內設立國內首個智能網聯汽車政策先行區,正式開放自動駕駛載人測試及商業化運營。示范區已設置600 多個落客區站點,日均出行總量達0.36萬人次,占區內出行總量的1.3%,約占傳統出租車/網約車出行量的四成。
繼亦莊之后,北京市又在海淀區開放52條、順義區開放77條、通州區城市副中心區域開放26條自動駕駛車輛測試道路。2023年7月,北京市開啟智能網聯乘用車“車內無人”商業化試點。
圖5 北京自動駕駛開放區域示意圖
二、 單車智能與車路協同技術路線屬于并行發展
從國內外的應用情況分析,當前自動駕駛技術發展方向依據基于不同方案中的算力和成本在車側或路側進行分類,主要有“單車智能”和“車路協同”兩大技術路線。不同的政府、企業、公眾等社會主體基于不同的認識,對自動駕駛的商業化應用采取不同的技術路徑。
單車智能最為先進的代表是美國的特斯拉公司,其憑借自身在芯片研發及算法上的核心競爭力,在2020年率先在自動駕駛系統中實現了端到端大模型應用。
即在道路場景與車輛控制之間構建人工智能的大模型,通過捕捉不同場景下駕駛員操作變化,進行機器的深度學習與訓練,從而不斷模仿和接近人類駕駛員的控制行為。采用這種影子模式實現場景的快速積累,幫助特斯拉快速實現對長尾場景的覆蓋,拉大了其與其他自動駕駛企業在場景覆蓋上的差距。
中國企業如華為、小鵬等則是在2023年實現了大模型在車輛自動駕駛系統中的應用。然而實現L4級以上高階自動駕駛,單車智能路線一方面要解決車端芯片算力和云端算力成幾何量級提升與擴充的難題,而另一方面是則是要面對無窮無盡的場景數據采集,以及大量人工對于訓練數據的識別與標注。
車路協同偏向于系統的整合,將所有交通運行要素融合成一個整體性的決策規劃系統,不僅可以實現超視距、多維度的全局感知能力,還能基于更寬泛的城市信息,優化交通安全和通行效率。當前,我國采用的車路協同方案的進展仍然處于協同感知階段。
主要依托于中國移動通信運營服務商及華為等通信企業開展新型基礎設施的建設工作。包括路側單元、路側計算設備、車載單元、移動數據中心、車載網關,以及與之配合的無線網絡通信網絡及計算平臺、仿真模擬平臺等的構建,同時聚焦于路況信息收集以及邊緣計算;其次,積極組織百度、四維圖新、高德等頭部制圖企業不斷繪制局部高精度地圖。
最后,在車側端通過布局新能源賽道,不斷提高競爭力,同時降低車載感知設備的成本。但由于大規模新建或更新智能交通基礎設施設備工程周期長,高精度地圖的繪制維護成本高且效率低,因此車路協同路線在應用場景測試的廣度與深度上都遠遠不及單車智能路線。
綜上,單車智能與車路協同技術路線屬于并行發展,在商業化應用過程中都各自展現了優勢,同時也受制于自身技術瓶頸。單車智能具有自主可控性,不受限于基礎設施條件,推廣應用更靈活,但單車成本較高,缺少路端能力。而車路協同將感知能力、算力等在車與路端進行了分配,提升了能力和可靠性,但需要智慧基礎設施支撐,適用性受限,建設運營模式還未成熟。
但無論采用哪種技術路徑,自動駕駛要想實現真正商業化應用,其核心取決于數據的量與質,以及決定數據應用的算法的有效性。
因此,當下既要豐富應用場景、擴大數據采集密度、以及提升海量異構數據的計算處理能力等,同時還要從機制體制上打通產業鏈條上所有數據池,形成資源的融合共享,并找到可持續的商業運營模式。
三、制約自動駕駛商業化應用的原因
對于自動駕駛發展低于預期的現實準備不足
自動駕駛技術在發展之初,一直是以尋求完全自動駕駛的解決方案為最終目標。因此,在其商業化落地的過程中,假設的前提都是迅速實現L4級以上的完全自動駕駛,以徹底滿足商業化應用需求。在應用過程中的任何一個環節都必須可確保在脫離人員情況下的安全,否者就很難真正跨越“上路”這道門檻。
但從目前國內外的應用現狀研判,完全由機器自主的高等級自動駕駛技術實現難度較大、過程較長。因此,符合現階段自動駕駛發展特征的政策法規、運營監管機制、部門職責劃分等都需要按照市場運行規律及城市發展的必然趨勢進行準備和調整。
圖6 自動駕駛長尾問題典型場景
自動駕駛所依賴的“數智化”基礎設施覆蓋不足
自動駕駛不論是“單車智能”路線,還是“車路協同”路線,其本質都是基于新一代信息技術來感知復雜環境,通過數字的智慧化和智慧的數字化技術,協同處理人(汽車駕駛員)—車(自動駕駛車輛)—路三者的關系。從技術角度這需要消耗大量的數據以及時間,并不斷優化調整其算法和模型。
而當前,北京市交通基礎設施及公共基礎設施尚不能提供大規模自動駕駛應用所需的智能感知力及算力。另外,場景不夠清晰,需求不斷調整、特別是大量信息壁壘及數據交互安全,也制約著商業化進程的推動。
自動駕駛應用場景針對交通系統需求挖掘不足
目前,高階自動駕駛推動基本都由整車制造企業、或是互聯網信息服務企業推動,其背后的核心邏輯都是圍繞“車輛”本身。因果邏輯則是“車輛”可以做什么,無非是使用的車輛及方法有所差別而已。
眾所周知,城市交通的未來是不斷擴大集約化運輸和綠色出行服務供給,改善“人”的生存活動空間,提升城市運轉活力。
“以人為本”才是城市交通系統乃至城市發展的核心價值,自動駕駛車輛作為一種交通運輸工具應是服務于人們不同交通方式(步行及自行車出行、多元化的公共客貨運輸及個體機動交通)公平分享以及交互銜接。
圖7 我國自動駕駛商業運營服務商
四、商業應用拓展思路
做精做強高級輔助駕駛的應用場景的拓展
據統計,2022年我國在售L2和L3級自動駕駛新車的滲透率分別為35%和9%,預計2023年將達到51%和20%。L4級自動駕駛車輛2022年在我國滲透率為2%,預計2023年將達到11%。從當前各等級自動駕駛的滲透率趨勢判斷,結合技術迭代維度、成本維度、法律責任劃分維度等因素,未來很長一段時間都將處于不同級別自動駕駛共存的時代。
圖8 自動駕駛在我國新車的滲透率
同時,即使L5級的自動駕駛技術實現應用推廣,那其他等級的自動駕駛汽車是不是沒有了“用武之地”了呢?答案顯然是否定的。因為,在機器自動控制的背后始終都是人類用戶在掌控,在不同路況,不同場景之下,必然提供不同的駕駛選擇。
而且,隨著人口老齡化、交通資源急缺等社會問題的顯現,對于以人為主導、高級駕駛輔助的個性化需求會更加迫切,在未來也有相當確定且廣泛的應用市場。
圖9 高級輔助駕駛功能應用情況
向滿足大運量客流的個性化需求應用場景拓展
以城市為背景的自動駕駛應用場景拓展,實則是將交通運輸業、能源產業、高端制造業等融入到科技創新、產業發展和城市綜合治理之中,突出和體現其公共服務屬性。而與交通、城市形態關系最為契合的公共服務應用場景就是城市公共交通系統。公共交通系統核心就是滿足大運量客流的日益增長的個性化需求。
根據問卷調查顯示,人們對于“最后一公里”出行場景使用共享自動駕駛汽車的響應最為強烈。特別是在該場景中,如果提供的是需求響應式自動駕駛服務,大約31%的公共交通用戶會考慮采用,而大約57%的司機放棄開車。
而對交通行業內專家問卷調查則顯示,北京市實現完全自動駕駛的時間表雖然沒有明確的點,但高達94%以上的專業人士判斷會是2035年之后。且在2035年,自動駕駛在城市客運領域的應用場景主要在于微循環巴士和城市公交。
向滿足集約化運輸與綠色出行的應用場景拓展
在多元化、智能化時代,城市的發展模式也在悄然發生變化,從要素驅動的規模式增長向創新驅動式的內涵型增長轉變,在區域協同、資源約束下去拓展城市空間。而自動駕駛應用場景的拓展是集約化最具代表性的范例。
以北京市為例,截至2023年6月,北京地面公交車中新能源和清潔能源車輛約為2.3萬輛,占比達94%,同時,在204處公交場站內建成投運充電樁1361臺。巡游出租車中純電動車約為3.2萬輛,供使用的換電站115座,覆蓋北京五環區域、通州副中心周邊、機場周邊等區域。
不僅僅是北京,近年來國際上的各大城市在公共交通領域,出奇一致的圍繞交通運輸集約化,并基于新能源賽道布局綠色出行綜合服務,并在不斷加快發展。這一方面說明符合未來大城市發展總體戰略,另一面自動駕駛車輛與智慧城市基礎設施在集約化方向上的融合具備天然的理論與技術基礎。
五、推動自動駕駛商業化應用的建議
自動駕駛商業應用拓展應服從城市發展戰略
自動駕駛本質是有效提高駕駛安全和運輸效率的手段,自動駕駛應用場景必須放到交通與城市空間協調發展的背景之下,必須符合城市總體發展戰略。因此,建議從交通需求端拓展自動駕駛應用,以滿足大運量客流的個性化需求為主,以提高可達性、機動性為目標,做好不同交通出行方式的之間合理銜接。
具體可通過路側電子站牌設置“一站式”的票務系統窗口,并結合可以快速部署的換乘設施,圍繞軌道站點的接駁來嘗試部署微循環巴士或公交車。
同時建議在交通供給端拓展應用時,注重非道路類的城市基礎設施的配給,通過其結構與分布重整,來引導人們的出行選擇,繼而提高對于各種資源的使用效率,以及出行效率。具體可結合城市空間改造,在熱點區域通過配給停車位、充電設施,提供分時租賃自動駕駛功能的新能源汽車服務。
推動成熟高級輔助駕駛的應用
置身于城市發展空間的自動駕駛系統本身就存在一個龐大的技術體系。在某一個功能模塊上進行優化,并取得技術突破,形成商業化路徑相較是容易實現的。
因此,建議一方面,繼續逐步拓展新的輔助駕駛功能與內涵,如HWP(高速路自動駕駛)、TJP(交通擁堵自動駕駛)、AVP(無人自主泊車)等功能;另一方面,不斷強化提升L1-L4等級下的已成熟高級輔助駕駛功能,拓展與其他交通子系統融合的場景。
例如TSR(交通標志識別)系統與交通信號系統融合,通過物聯網設備,可使行駛中車輛提前獲知路口信號狀態及等候時長等。
加強建設數智化底座,謀劃部署智慧基礎設施
自動駕駛作為融合了以全面感知,移動互聯,云計算、與人工智能的應用典型,其運行必然不能游離于數智化城市之外。無論是自身基于對位置以及周邊環的感知而進行的決策規劃,還是通過路側單元獲取路況而執行的行駛方案,都離不開數據與算力的支撐。
因此,建議針對現階段自動駕駛商業化運行的痛點,結合應用場景,研究不同節點、路段智慧基礎設施的設備標準和合理布局,避免過度建設和建設不足等問題。在豐富交通數據資源的基礎上,進一步引導影響交通出行需求合理化分布。同時,在云計算中心的基礎上,分別構建大規模運力調度平臺、預約出行服務平臺等應用算力中心。
同時,加大力度建立統一規格、統一標準、統一價值的數據市場,打破信息壁壘對于數字智慧化的束縛,充分發揮人工智能大模型的作用,協同系統之間運行,夯實自動駕駛高階應用所需的城市交通“數字底座”。在測試場景擴展方面,建議學習特斯拉的場景數據構建做法,以擴大數據集。
盡早開展自動駕駛帶來的交通重構問題研究
當前,自動駕駛還無法完全取代駕駛員的階段,自動駕駛城市對于城市出行需求總體影響并不明確,但隨著技術成熟度、出行成本、政策支持,道路設施等多因素改變,勢必會引發未來交通的重構,應盡早開展相關研究。
研究應從穩定交通安全運行、規避潛在應用風險、保障駕乘人員合法權益、穩健高效的商業化應用等環節入手,專題研究實施保障條件,并開展相應的風險評估。研究的方向包括但不限于法律法規、交通基礎設施規劃設計、交通組織變革(例如預約出行交通組織模式)、交通運營管理等。
評論