自動駕駛在技術上已經解決了90%的問題，但剩下10%的問題如很多邊界化難題，卻可能要花費比過去更多的精力去解決。

10月21日，全國首個常態(tài)化運營的5G無人公交在蘇州落地。這個在蘇州高鐵新城亮相的無人公交是在開放的城市道路上運行，且速度可達20—50千米/時。這輛無人公交車除了具備避讓行人車輛、自動變道、自動轉向、紅綠燈識別等基本功能，還能應對各類城市復雜交通場景，例如穿行人車混雜的路口、應對后車加塞、“鬼探頭”等。

此前，10月12日，北京也開放了無人駕駛出租車試乘，可試乘區(qū)域包括海淀、亦莊等，12日當天北京地區(qū)的呼單量就突破了2600單。而早在今年4月，長沙已經全面開放了無人駕駛出租車服務。

自動駕駛服務陸續(xù)落地，是否意味著其商業(yè)化臨近?

商業(yè)化正迎來最佳時機

目前自動駕駛的落地情況如何?其發(fā)展到了一個什么程度?

“2019年12月，國內首次提出了新基建的概念，掀起了一股新浪潮。新基建包括5G、物聯網、工業(yè)互聯網、衛(wèi)星互聯網、人工智能、云計算、區(qū)塊鏈七大板塊，其中有三大板塊是自動駕駛軟件的核心技術——5G、AI、大數據中心(云計算)。”輕舟智航聯合創(chuàng)始人、CEO于騫在接受科技日報記者采訪時表示。

在于騫看來，自動駕駛處于這幾大領域的交匯點，是新基建的典型落地應用。加上近年來不斷完善的智慧城市、智慧交通相關政策，可以說，自動駕駛在國內的商業(yè)化落地正迎來最佳的時機。

“在整體落地方面，僅從近幾年無人駕駛行業(yè)的創(chuàng)業(yè)公司情況來看，以2018年為分界點，無人駕駛領域確實是出現了兩個創(chuàng)業(yè)的黃金窗口。”于騫說。

第一個黃金窗口出現在2015年至2017年之間，在這段時間里，出現了一批自動駕駛公司，在這個階段的融資主要是靠估算的產品規(guī)模以及團隊背景，當時市場對L4級別自動駕駛(全自動駕駛)產品落地的期望值很高，定下了不少比較樂觀的近期目標。

“在近期目標沒有實現時，市場感到了失望，并重新對落地時間樹立起了新的認知，這時又遇上了資本寒冬，所以自動駕駛創(chuàng)業(yè)公司的聲音少了許多。”于騫表示。

在2019年之后，人們對L4級別自動駕駛的預期開始回歸理性，隨著技術的進一步成熟，市場的需求也呼喚無人駕駛產品落地。同時國家的各類政策先后推出，以及相應的法律法規(guī)逐漸完善，隨著硬件成本的顯著下降，L4級別自動駕駛的短期落地場景逐漸明確了。

于騫表示，目前，業(yè)內預計公共道路中低速載人場景的落地運營時間大概在1—3年，公共道路中低速載貨場景的落地運營時間則是在3—5年。雖然前幾年已經有各種物流車、擺渡車試運營，但這些試運營都只局限在園區(qū)里頭，這里的落地，指的是在公開道路中的落地。

無人小巴更具落地可能性

部分應用落地是否意味著自動駕駛將很快投入商業(yè)化運行?自動駕駛的商業(yè)化道路還有多遠?

在于騫看來，自動駕駛能否商業(yè)化取決于不同自動駕駛級別和不同場景，例如L2級別自動駕駛(部分自動駕駛)的方案已經在許多量產車上落地。

“無人駕駛出租車作為目前市場規(guī)模最大的、最有挑戰(zhàn)的部分，是城市復雜交通環(huán)境無人駕駛的終極目標，但無人駕駛出租車的落地周期比較長、速度快、非固定路線，落地難度會比較大。”于騫說。

目前業(yè)內更看好無人小巴在公開道路的商業(yè)化落地應用，無人小巴正在國內多個城市啟動常態(tài)化運營，可滿足城市中的地鐵接駁及微循環(huán)接駁需求。

如蘇州在2020年7月發(fā)布了全球首條城市微循環(huán)無人小巴市民體驗線路，并隨后落地了全國首個常態(tài)化運營的城市公開道路無人小巴項目，部署多條無人小巴城市微循環(huán)線路。蘇州的無人公交項目將設置多條路線，覆蓋高鐵新城周邊9.8平方公里區(qū)域，解決居民出行“最后三公里”難題。這是目前國內覆蓋范圍最大的無人公交項目，也是唯一常態(tài)化運營的城市公開道路無人公交項目。

于騫表示，無人小巴這一應用場景具有三大優(yōu)勢。第一，中低速場景，乘客對車速的預期可控，速度保持在20—50千米/時之間。第二，固定路線，車在同一條線路上反復磨練，更能確保行駛安全，并可實現紅綠燈優(yōu)先和預警。第三，滿足多人出行，具有社會效益，在公共道路上享受優(yōu)先路權。

“無人小巴這一應用場景結合了固定路線中低速、多人出行路權優(yōu)先、可部署基于5G的車路協同等優(yōu)勢，或將成為L4級別自動駕駛的最快實際落地場景。”于騫說。

已經解決90%的技術問題

有專家指出，目前困擾自動駕駛的主要難點在于其決策規(guī)劃和感知，并認為目前并沒有看到這兩個難題的解決措施，此觀點獲得不少人的認同，現實情況是否如此?

于騫認為，決策規(guī)劃和感知的問題都可以歸結為自動駕駛的長尾問題。自動駕駛在技術上已經解決了90%的問題，但剩下的10%卻可能要花費同樣多甚至更多的精力去解決，這10%包括很多邊界化難題(Corner case)，如在車輛遇上野鴨子之前，工程師甚至不知道會有野鴨子的問題。所以邊界化難題是需要去發(fā)現并解決的。

那么邊界化難題怎樣去發(fā)現并解決呢?

“除了收集大量的數據，更重要的是建立自動化生產工廠，將源源不斷收集來的有效數據，通過自動化的工具，加工成可用的模型。以更快的速度、更高效的方式應對邊界化難題。”于騫表示。

于騫以上面野鴨子的場景為例，如果需要專門針對這些場景去開發(fā)特殊的模型，那會有無窮無盡的場景需要處理。但借助自動化的辦法，只要數據標注好了，下次系統(tǒng)更新時便可以更好處理這種情況，省下大量工程師的時間。

“以感知舉例是比較容易理解的，但其實規(guī)劃技術也一樣。要想讓車做出準確的規(guī)劃，最原始的方法是工程師寫規(guī)則——大量的工程師寫出大量的規(guī)則，但這種方式不易維護性還不能滿足最新需求;再進一步便是設計獎勵函數——設計獎勵函數比寫規(guī)則要簡單得多;再往后則是系統(tǒng)利用數據自動學習獎勵函數。這個過程便是往自動化方向發(fā)展的過程。”于騫說。(馬愛平)