今天小編分享的汽車經驗：不用雷達全靠算力！這些車全車無需動手 但你敢用嗎？，歡迎閱讀。
新能源時代，大家對于新能源汽車最關注的除了電池、電機和智能車機，就是 " 自動駕駛 " 了。
作為汽車 " 智能化水平 " 的判定标準之一，一套技術成熟、功能強大的輔助駕駛系統往往會吸引到更多消費者的關注與支持。
全自動駕駛，也被許多廠商視為汽車未來的重點發展方向之一。
然而，當越來越高級的智能輔助甚至 " 自動駕駛 " 功能被投放至市場之中，随之而來的不僅是用戶體驗層面的新鮮與便利，還有對新技術應用的擔憂甚至實質的危險。
比如早早在美國本土市場開放使用 FSD（全自動駕駛）功能的特斯拉，就在去年遭受來自消費者和第三方組織的持續抨擊，指出該項功能存在安全隐患。
而美國高速公路安全管理局則在調查後向特斯拉發出召回令，要求其召回超過 36 萬台裝備有 FSD 功能的特斯拉車型，認定其自動駕駛系統 " 危險且不負責任 "，可能會導致闖黃燈、彎道中直行等危險行為。
作為汽車行業中推動自動駕駛技術發展最為激進的車企之一，特斯拉的 Autopilot 與 FSD 功能可謂是備受争議的。
在教授看來，其主要原因還是在于特斯拉獨特的駕駛輔助硬體架構——純視覺自動駕駛方案。
所謂純視覺自動駕駛方案，就是完全以視覺方式采集、分析、處理路面标線、交通标志、車輛、行人、障礙物等所有信息。
作為新能源領網域裡的成本控制大師，特斯拉采用純視覺方案的目的比較簡單，除去對自家算法的信心，就是要省去所有的雷達硬體，将省錢做到極致。
根據特斯拉的技術路線，通過高性能的攝像頭與 BiFPN、HydraNet、RegNet 等多級神經網絡進行數據采集、記錄、分析、學習等處理，構建虛拟道路空間，以強大的運算能力将平面影像轉化為帶有計算深度信息的立體數據，從而實現環境監測功能。
根據馬斯克的說法，攝像頭與雷達的同時應用可能會產生采集數據的衝突，在最終采用哪種數據的問題上會造成系統衝突，因此使用純視覺效果會讓采集回來的數據更加易于處理。只要攝像頭性能足夠強，就可以實現類似激光雷達的效果。
但是，盡管最新的特斯拉純視覺方案已經用上了 8 個高清攝像頭，它也無法避免攝像頭躲不開的短板。
首先，作為一種光學影像采集裝置，和咱們平時用手機拍照一樣，攝像頭的拍攝效果會受到環境光線的影響。
尤其是在大光比環境中，攝像頭或許難以很好地兼顧亮部與暗部的信息還原，這或許會限制系統采集到的的環境信息，從而影響最終的環境感知性能。
此外，在黑夜之中，如果道路照明條件不足，車載攝像頭尺寸非常有限的傳感器也很可能無法采集到的足夠精細的環境影像，在處理影像數據時甚至可能受到噪點影響，導致虛拟環境的精準構建出現一些困難。
再者，在失去了雷達這種測距裝置之後，純視覺方案的特斯拉只能依靠算法來 " 推測 " 車輛與障礙物之間的距離。
然而，正如咱們蒙住一只眼睛之後很難判斷距離一樣，單個攝像頭采集的影像是難以為系統提供充足空間計算信息的，單靠算法猜出來的空間信息是否可靠？教授不敢妄下判斷。
但根據此前教授試駕最新款 Model S Plaid 時的體驗，當車輛在倒車入庫時，面對車後的白牆，系統是無法計算出距離信息的；在某些場景下，甚至是周邊的其他車輛距離都不會被準确識别出來。
因此，特斯拉當下的純視覺自動駕駛方案仍然具有很大的發展空間；而對于環境信息的采集運算分析工作，搭配有充足雷達加持的系統似乎還是會更讓人放心一些。
目前市面上的大部分廠商采用的，正是這種以攝像頭和雷達共同提供環境數據的硬體架構。
以高清攝像頭為基礎，采集車身四周環境的影像信息，在此基礎上以毫米波雷達甚至激光雷達監測與前車的距離，并以探測距離較近的超聲波雷達豐富車身四周的空間信息，從而實現更高精度的環境數據采集。
不過，即便都是以攝像頭 + 雷達構成的硬體基礎，車企之間實現高階輔助駕駛甚至自動駕駛的方式，實際上也存在兩種不同的方式。
首先就是基于高精地圖的 " 老派方案 "。
高精地圖在早期被認為是實現高階輔助駕駛乃至全自動駕駛的關鍵，這種精度可以達到厘米級的數字地圖包含了車道線、斑馬線、交通燈、限高架、斜坡、橋梁等大量信息，相當于預先把數據都采集處理好，再讓車載攝像頭與雷達負責具體的路面車輛、行人等路況監測。
這種做法優勢在于數據精度高且由于是預先采集并經過細化處理的數據，在穩定性方面表現更出色。
由于車輛不需自行采集道路數據，因此對于車輛自身的運算性能要求也相對沒有那麼高。
比如海外很多車企前期投入市場的允許駕駛者脫手的自動駕駛功能就基本建立在高精地圖基礎之上。而在國内，蔚來的 NOP 領航輔助駕駛也是一套依靠高速與城市高架路段高精地圖實現的高階輔助駕駛系統。
根據這些高精地圖數據，搭載有最新 NOP 領航輔助駕駛的蔚來車型才能實現自動匯入主路、自動變道、下匝道等半自動駕駛功能。
但是，人們也很快意識到，高精地圖對于城市路況的适應性一般。倒不是因為它的精度不足，而是因為它具有一定的局限性。
首先，在城市道路中，道路施工、臨時改道等路線變化情況，是高精地圖無法預知的；而高精地圖數據本身的復雜性，其制作難度高，且車企或地圖供應商需要特别批準才會被允許采集高精度的道路信息，這導致地圖覆蓋區網域有限，更新速度必然要明顯慢于普通導航地圖；一旦汽車離開了高精地圖支持的區網域，它的輔助駕駛功能也就只剩下了自适應巡航、車道保持輔助、變道輔助等基礎功能了。
因此，要想在城市中也實現高階輔助駕駛甚至全自動駕駛，車輛自身的數據采集和分析處理能力還是得達到足夠的高度。
而這就涉及到車輛自身搭載的系統是否具有完善的自主推理與學習能力，可以自行根據攝像頭與雷達采集到的數據構建實時的道路環境的虛拟場景，幫助車輛找準位置，認清路線。
因此目前很多新勢力廠商開始推動 "去高精地圖化"，試圖讓智能汽車擺脫對高精地圖的依賴，從而讓高階輔助駕駛實現更廣闊的的應用場景，最終使汽車實現真正的自動駕駛。
最具代表性的莫過于小鵬的 NGP 和華為的 ADS。
以小鵬的城市 NGP 功能為例，為了實現在城市路況下的高階輔助駕駛，必須将全車的所有攝像頭與雷達傳感器充分利用起來，并且通過對這些信息進行處理，從而實現對當下路況的實時監測，并對所有道路參與者動态的快速預判。
而他們的下一個目标，就是通過更強大的運算芯片，結合擁有自我學習能力的人工智能和雲計算等技術，推出 XNGP 系統，實現可以實時生成高精地圖的更強大的輔助駕駛甚至全自動駕駛功能。
至于華為，他們的 ADS 2.0 也實現了類似的效果。在用上激光雷達之後，對于路面環境的監測精度與距離都大幅提升，系統更可根據攝像頭與雷達采集到的數據實現紅綠燈等道路元素識别并作出相應處理，從而實現即便沒有高精地圖，也能實現一定程度的城市路況高階輔助駕駛。
然而，抛棄高精地圖也意味着比目前大得多的車載運算負擔。根據小鵬在去年的 1024 發布會上公布的估算數據，抛棄高精地圖的全新感知架構 XNet 需要 2000 人工作一整年的标注工作量、276 天的單機訓練時長；而車輛本身的運算能力，也需要達到目前最新的 OrinX 芯片的 1.22 倍。
也就是說，以目前的算力水平，哪怕是在智能駕駛領網域處于領先地位的小鵬，也難以在短期内實現擺脫高精地圖的高階輔助駕駛，更别提完全自主的自動駕駛功能了。
教授總結
總的來說，無論是特斯拉的純視覺方案、比較穩妥的高精地圖方案還是極具前瞻性的舍棄高精地圖的高級智能方案，都正面臨硬體算力與系統智能化水平等眾多難題。
更别提高階輔助駕駛和全自動駕駛功能本身已經引起一定的争議。
包括但不限于消費者對輔助駕駛系統安全性的擔憂，針對自動駕駛的相關法規暫未完善，自動駕駛狀态下出現的事故責任應該如何劃分等等。
因此，總的來說無論是哪種技術路線，高階輔助駕駛與完全自動駕駛技術都正處于發展中的狀态，沒有任何一種系統能夠被視為足夠成熟或足夠安全可靠。
在使用這些輔助駕駛功能的時候，大家還是得打起十二分精神，握住方向盤，随時準備介入接管車輛為好。
