麦肯锡|高级自动驾驶的“拦路虎”以及路径和战略选择算法|商业模式|麦肯锡

自动驾驶口号喊得很久了，现在市面上产品也出现很多，其实大家都停留在L3以下，没有哪一家敢说自己是L3.但大家都在喊自己的车自动驾驶，其实高级自动驾驶当前不确定性非常多，当前很多不过是噱头和商用融资需要，我们之前整理过技术上的文章（点击了解当前影响汽车实现全自动驾驶四大阻碍）分享过，也很早就想写一篇这样总体的文章，但今天看到麦肯锡的一篇文章应该是非常清楚把高级自动驾驶也就是达到L3或者L3+的自动驾驶当前存在的困境，以及未来可能的路径和对企业的建议将的非常清楚和明白。不愧是顶级咨询公司，分享学习。

拦路虎有：

高难度-从高到底排列：

环境感知，物体的分类和跟踪
大规模商用软件开发和工具链
传感器融合
路径和动作规划 - （点击了解自动驾驶实时路径规划算法简介（Local search局部搜索））

较低难度：

算力和能耗
高精地图

路径有：

推出版本供消费者使用同时不断迭代升级-基本上当前所有的乘用车汽车主机厂采用的模式。
有限场景下的高级自动驾驶 - 基本上当前商用车企业采用的模式。

麦肯锡的全文如下：

五六年前，当高级自动驾驶（L4/L5）开始进入行业视线时，相关初创企业和主机厂纷纷制定了相对激进的目标路线。高级自动驾驶将能够解放驾驶员，为车内服务创新和车队成本重构创造广阔空间，从而可能从根本上颠覆汽车行业的既有价值结构和商业模式，未来潜力无限。然而随着时间推移，几年前自信满满的头部企业逐渐受阻于艰难现实，一再推迟原先设定的目标期限，甚至索性不再提及（见图1）。

自动驾驶企业如何能驶入美好未来？本文将探讨两种可能路径，并为价值链相关企业提供战略选择建议。

文章插图

高级自动驾驶的“拦路虎”
高级自动驾驶技术的成熟，尤其是大规模商业化应用，需要技术栈中软硬件各环节的有效支撑和落地（见图2）。

文章插图

目前，高级自动驾驶的相关硬件，包括各类传感器及芯片等，其技术及性能（如功耗水平）不断升级，同时成本也逐步降低，对高级自动驾驶大规模商业化的掣肘日益减弱。但软件模块，包括算法训练和软件开发仍面临大量复杂难题（见图3）。高级自动驾驶算法训练的关键，是积累大量具备丰富场景信息的驾驶数据。为了获取这些关键数据，大多数领先的自动驾驶初创企业采用重资产模式，即购置车辆并改装成自动驾驶测试车辆，雇用安全驾驶员进行道路测试，积累必要的里程数以进行算法训练。

文章插图

但这种方式目前进入了比较严重的瓶颈期。最领先的自动驾驶企业，在上百台测试车辆上完成千万公里测试后，在“日常”驾驶方面已具备较好应对能力，但仍然难以攻克两类场景：
1）由于大部分测试局限在特定区域，迭代出来的算法很难快速推广到更多复杂场景中；
2）即使测试里程达到千万公里，真正特殊场景的数据仍然稀缺，系统对特殊情况（Corner Case）的应对能力仍很弱，而高级自动驾驶技术成熟的标志是对各类特殊情况都能自如处理。
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.