自动驾驶汽车(AV)的发展持续吸引交通和其他工业领域的大量投资，这些投资是十分必要的，因为AV领域中许多棘手的技术难题尚未得到解决。
在我看来，目前AV领域面临三个关键问题：
我们用三个图表来回答这些问题，无论是新手还是行家，都将有所收获。
开发具备SAE L4能力的安全、可靠的自动驾驶汽车极其复杂，自动驾驶汽车的根本问题即源于此。图1总结了其中的难点。
图1：AV难点列表。(图片来源：Egil Juliussen)
如图1中的红色方框所示，AV的难点分为三组。其可能的解决方案列在12个黑色方框中，每组难点有四组解决方案。请注意，三个蓝色方框中的内容相同，因为这三类难题均需要软件平台和人工智能软件(包括机器学习和神经网络)来解决。
第一个难点是，在大多数场景中，需要知道AV的确切位置，而且精度达厘米级。然后是对所有道路使用者和物体进行分类，包括识别他们在做什么(如果有的话)，并预测在接下来的几秒内他们可能会做什么。
解决这些问题需要大量的传感器、强大的计算能力以及管理多个复杂系统的平台和人工智能软件。一辆典型的自动驾驶出租车需要超过30个传感器，包括摄像头、雷达和激光雷达。例如，Zoox最近宣布其自动驾驶出租车拥有64个传感器，包括28个摄像头、20个雷达和16个激光雷达。
另外，我们还需要基于人工智能的视觉软件来处理传感器数据。而且，大多数自动驾驶汽车都需要高清地图才能准确定位。
所有的软件和硬件系统都需要全面的网络安全保护。软件还必须通过内置的空中升级(OTA)软件更新功能实现定期更新。
第二个难点是保证AV软硬件的可靠性，并确保无单点故障。即使发生故障，也需要具备“跛行回家”能力，至少有办法将车辆停靠至路边。
随着AV法规的引入，在系统和可靠性设计时也必须考虑安全和操作规则。
还有硬件冗余也需要纳入系统设计的考量之中。至少有三个AV系统需要做冗余设计：驾驶控制(转向、制动、速度)、视觉传感器功能(三个类别)和计算系统。
系统架构采用的技术必须能够简化软件平台的协作，并拥有强大的网络安全功能以及OTA软件更新功能。
这些系统目前仍相当昂贵，降低成本势在必行。幸运的是，随着芯片技术的发展，成本显著降低，尤其是AV最昂贵的组件：激光雷达。
AV组件的仿真也至关重要，它包括了软件和硬件以及所有类型的测试和建模。
AV事件数据记录仪对深入了解事故情况非常必要，记录的数据能够帮助人们确定采取哪些措施来提高安全性。远程操作也逐渐成为AV法规中的一项标准，这可能是解决边缘案例并实现“跛行回家”的关键。
第三个难点是开发优于人类驾驶的软件驾驶员。软件驾驶员到底好多少目前还未有定论。但毋庸置疑的是，AV开发人员必须不断测试并改进他们的系统，而开发时间将取决于用例的多少。
AV开发人员对边缘案例进行了广泛测试，这意味着要不断发现软件驾驶员以前没有碰到过且可能不知如何处理的新情况。将新的边缘案例不断添加到软件驾驶员能力中，这也许是优先级最高的任务。
确认AV软件驾驶员可以胜过人类驾驶员也是一个难点。目前，我们尚不清楚AV法规和未来的AV类型审批将如何处理这个重要问题。
其解决方案主要涉及测试、分析大量测试数据来识别软件驾驶员的弱点，然后进行更多测试。幸运的是，这种测试能够通过仿真来进行，而且远快于道路的测试速度。在仿真模式下，每天测试的里程数最高可以达到道路测试的100倍。仿真测试主要侧重于边缘案例和类似场景的测试。
测试必须涵盖不同的天气和照明条件。然而，过去大多数AV测试都是在理想天气条件下进行的。因此，我们需要更多地仿真真实世界。
AV复杂性主要由驾驶复杂性决定，并且因AV用例的不同而有很大差异。图2是AV用例复杂性的概述，其重点是SAE L4自动驾驶的部署。这些场景的各种变化情况不在本文讨论范围之内。
图2：AV用例及对应的复杂性。(图片来源：Egil Juliussen)
图2显示了各种AV用例在一个二维空间中的对应位置。随着y轴AV复杂性的不断增加，x轴的驾驶复杂性也在增加。驾驶复杂性包括路途障碍、驾驶速度、交通流量密度、道路使用者的多样性(汽车、自行车、行人等)和天气条件。图中同时列出了发生致命事故的风险，这主要是由速度决定的。对部分AV用例来说，发生致命事故的风险极低。
低AV复杂性是指路线简单、低速、用户种类少或交通状况不复杂。最简单的级别是仅在封闭的区域内行驶，例如校园、办公园区或军事基地。人行道送货车是其中最成熟的，有多家厂商涉足。其领头羊是Starship，2021年5月，送货超过150万次，并将很快超过200万次。
固定路线AV的复杂性也较低，因此这一利基市场也吸引了多个参与者。这类AV由于价格高昂而部署缓慢，但也已在数百个城市进行了测试。其应用包括复杂性低的公交路线和/或封闭环境中的运行。
固定路线AV也可以灵活应用，例如按需接送。2021年7月发布的ISO 22737低速自动驾驶(LSAD)法规应该会对固定路线AV部署产生积极的影响。
仅用于最后一英里交付的专门送货AV具有更高的交通复杂性，它在道路上行驶的的速度高于人行道自动驾驶送货车。货车和小型卡车可以改装为自动驾驶送货车。配备了安全驾驶员的送货车目前正在测试中。
此类别涵盖多种AV场景。没有配备安全驾驶员的低速送货AV属于这一类；在集货点间(Hub-to-hub)行驶的自动驾驶卡车也可以算在这一类，但目前还需要安全驾驶员。该类别也称为中程(相对于长途)卡车运输。
在没有安全驾驶员的情况下，可对集货点间自动驾驶卡车和自动驾驶出租车进行远程操作监控。大多数AV法规都要求具备远程操作能力，当自动驾驶车辆出现问题时，远程操作可以作为管理AV的最后手段。远程操作也可能成为一种更普遍的技术，最终取代安全驾驶员。
图2包含了三个具有高AV复杂性的用例。集货点间自动驾驶卡车用例在该类别中复杂性最低，其次为自动驾驶出租车。而仍在设计中的私人AV也被归类为高复杂性。私人AV可能从跨城区部署的自动驾驶出租车中获取经验。
AV的部署将从简单过渡到复杂。图3对图2中所示的AV用例图稍作了修改，用x轴来表示时间线，并重新排列了用例方框，使其位于时间线的不同位置，表明何时将会出现有实际意义的应用。
图3：AV用例演进。(图片来源：Egil Juliussen)
在这种情况下，人行道送货AV的部署率最高，在许多城市中用于运送食品、杂货以及其他小型包裹。由于采用传感器较少、重量轻且行人速度较慢，人行道送货AV成为最便宜的自动驾驶送货车。它与人或物发生碰撞的风险也相对较低。
纯送货AV以Nuro的无人驾驶送货车为代表，目前还处于测试阶段。从Nuro的宣传来看，他们可能更广泛地部署这种无人驾驶送货车。
而自动驾驶出租车目前大多还处于测试阶段，并配有安全驾驶员。但Waymo在凤凰城地区的大部分测试中都撤下了安全驾驶员，有几家自动驾驶出租车运营商甚至已获准在美国和中国的一些城市提供收费服务。
配备安全驾驶员的送货AV还可以在商店和/或仓库之间提供最后一英里或中程送货。
EasyMile、Local Motors和Navya等固定路线自动驾驶汽车已在多个国家/地区进行了广泛的测试。新冠疫情叫停了大多数专注于最多12名乘员运输的测试，最近的ISO LSAD法规涵盖了该用例，预计固定路线AV将在未来几年内投入使用。
配备安全驾驶员的集货点间自动驾驶卡车正在进行越来越多的测试，其中大部分是为付费客户运送货物。
其他类别的AV用例部署要困难很多，而且将会比图3中显示的时间更晚。集货点间的自动驾驶卡车可能会在2025年左右投入应用，而自动驾驶出租车的批量部署将在其后几年，据一些自动驾驶出租车制造商称，他们将会在多个城市提供服务；私人AV的应用将明显晚于自动驾驶出租车。
AV技术仍然存在很多难题，但部分用例的复杂性较低，可以进行有限部署。针对简单AV场景的法规不断出台，众多厂商最终都将提供法规允许的服务。
所有AV法规都将要求远程操作功能，这项功能也可用于取代安全驾驶员，以便更早部署某些用例。
目前导致AV系统成本高昂的主要是激光雷达，预计未来五年内其价格将迅速下降。这意味着，在2025年之后，AV系统的成本将大幅降低。
复杂的AV系统能否尽早部署，最终取决于AI技术的突破，但这是无法预测的。一旦AI技术取得突破，自动驾驶汽车的拥趸们不必等到2030年代就可以拥有自己的自动驾驶汽车。
（原文刊登于EDN姐妹网站EETimes美国版，参考链接：AV Complexity Explained，由Jenny Liao编译。）
本文为《电子技术设计》2021年9月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。
最前沿的电子设计资讯
