郭继舜带你读汽车科技

编者按：《郭继舜带你读汽车科技》旨在从第一性原理出发，尝试拨开迷雾，解读热点背后的汽车科技真相。

本栏目由智能驾驶专家郭继舜博士与汽车之心联合出品，每周一至周五更新，每日一期，内容独家授权汽车之心发布。

今天我们来聊聊华为的智能驾驶域控制器 MDC。

这段时间关于华为的新闻非常多：一方面美国政府对华为的打压力度不断加重，限制令也越来越严苛；另一方面，华为发布的下一代"四无"生态型摄像机，展现自己在机器视觉方面强大研发能力。

在智能驾驶领域，华为在软硬件以及系统上的技术突破也一直受到大家关注。

上个星期，华为在官方微博上宣布，华为自动驾驶操作系统内核，也就是大家所熟知的鸿蒙内核，已获得了功能安全领域最高等级功能安全认证——ISO 26262 ASIL D 认证，华为的鸿蒙内核成为了我国首个获得 ASIL D 认证的操作系统内核。

另外，鸿蒙内核还在 2019 年 9 月获得了信息安全领域最高等级信息安全认证，CC EAL 5+认证。这样，华为自动驾驶操作系统鸿蒙内核已成为业界首个拥有信息安全与功能安全双最高认证的商用 OS 内核。

除此之外，华为的自动驾驶全栈解决方案、MDC 智能驾驶计算平台都先后获得了 ISO 26262 功能安全 ASIL D 级的认证。

华为 OS 内核

刚才我提到的 ISO 26262 汽车功能安全标准是国际标准化组织在 2011 年制定的一项全球性的标准，并且在 2018 年 12 月正式发布了更新版本。

这个标准涵盖了汽车功能性安全需求规划、设计、实施、集成、验证、确认和配置的方方面面，目的是希望通过完善开发流程，将汽车电气或电子系统故障的风险降到最低，是全球电子零部件供应商进入汽车行业的准入门槛之一。

我们在前面的音频里曾经讲过，对于 L3 及以上级别的智能驾驶系统，系统整体必须达到 ASIL-D 的功能安全等级。

我们该如何去理解 ASIL-D 的系统有多安全呢？

我给大家举一个例子。因为汽车功能安全的分析非常复杂，我就简单拿硬件的失效概率这个典型特征给大家举例。

如果我们把华为 MDC 这种满足 ASIL-D 功能安全的控制器量产装车，在大于 10 的 8 次方个小时才会有一次随机硬件失效。

我们按照每天有 3 个小时处在智能驾驶功能开启状态来计算，每年我们用车大约 200 天，这款智能驾驶汽车在全国有 10 万名用户正常使用，配合合理的人机交互机制，这个域控制器每 1667 年才会有一次因为硬件失效造成的严重安全风险。

当然，汽车的功能安全机制是非常复杂的，为了方便大家理解，我在此把它大大简化了。

但从分析结果可以看到，这样高稳定性的硬件系统是非常让人放心的。

回到我们今天讨论的主角，MDC 智能驾驶计算平台，就是华为自动驾驶全栈解决方案中的硬件平台，鸿蒙内核的系统未来是运行在 MDC 硬件上，再与智能驾驶软件算法紧密配合，最终形成可以量产搭载的智能驾驶核心域控制器。

机缘巧合，我有幸在 MDC300 发布没多久就拿到了尚在开发和完善中的华为 MDC300 域控制器的样件。

在半年的时间里，我在这个硬件平台上进行了比较深入的测试与开发工作。今天，咱们就来聊聊华为的智能驾驶域控制器 MDC。

如果不出意外，我们应该是行业内第一个对华为 MDC 公布详细测试结果的。

为此，我专门打电话给华为 MDC 开发的负责人——李振亚老师，获得了他的授权。

接下来的分享可能会非常技术和极客，我会努力把这些信息用相对易懂的方式表达出来。

首先，说说我手里这款华为 MDC300 的硬件。

半年前拿到手的第一印象就是，这是一个完成度很高的车载运算设备：黑色的 MDC300 主机、接口转接模块，一些连接线缆，细节上继承了华为一贯的做工精良。

但可能是样件的原因，仍然采用的是主动风扇散热，以及非密封防水防震的普通接插件，还没有达到车规级的标准，但相信后续在量产车型上使用的时候应该都是车规级状态了。

我针对华为 MDC 主要做了功能和性能上的测试，包括：

Adaptive AutoSAR 的通讯框架验证测试、CAN 总线通讯测试、神经网络加速测试、摄像头驱动测试、激光雷达驱动测试、深度学习模型运算效率等等基础功能测试，并且用量产级代码做了 LKA、ACC、TJA 等功能集成与 SLAM 功能集成等等集成测试，用来验证华为 MDC 设备样机的功能、性能、接口丰富程度、运行稳定性、开发支持生态、工具链易用性这一系列指标。

目的是看看华为 MDC 是否适合作为 L3 甚至是 L4 高级别自动驾驶域控制器的候选方案。

在此，我先要给大家做一个有关智能驾驶域控制器的介绍，你可以简单地把智能驾驶域控制器理解为智能驾驶汽车的大脑。

它主要负责对感知到的信息进行融合、识别、分类，然后对车辆进行规划和决策，最终还要完成对车辆的精确控制，从而达到智能安全地驾驶车辆的目的。

在软件层面，域控制器有系统层、中间件、应用层算法等。

在硬件层面，一个域控制器上往往有三颗，或者说三组芯片。

第一颗芯片有非常大的算力，往往是 GPU 或者 TPU，主要是做感知信息的融合、识别、分类等，这颗芯片擅长做大规模的低精度浮点型运算，也承担了域控制器上大多数的算力需求；

第二颗芯片是一块 ARM，主要是集成系统，同时进行规划决策等逻辑运算，一般擅长进行高精度浮点型串型运算，这块芯片非常类似我们熟悉的 CPU 处理器；

第三颗芯片往往是一个高可靠性 MCU，主要负责车辆的控制，这块芯片的特点是高可靠性，但是算力可以不那么大，一般要达到 ASIL-D。

我手上的这个华为 MDC 样件，感知部分由四颗华为昇腾芯片组成，每颗芯片 16 Tops 的算力，第二颗芯片是华为的鲲鹏芯片，第三颗是 TC397。

这样算下来，这颗 MDC300 的算力在 64 Tops 左右，完全满足了 L3 为代表的高级别智能驾驶功能的需求。

我的初步估算，未来量产的 L3 级别智能驾驶，如果考虑算力冗余和硬件预留，需要差不多 30 Tops 的算力，L4 需要 60 到 100 Tops 的算力。

这半年的测试过程中，我亲眼看着华为的开发工具链快速完善，变得越来越好用。

现阶段，对于面向量产的智能驾驶域控制器开发来说，已经有非常完备的工具链支持了。

包括：Adaptive AutoSAR 的配置工具 ARTOP、代码开发/部署工具 MDC Development Studio、神经网络模型转换运行工具 Mind Studio，以及支持 Classic AutoSAR 的 Tasking 编译工具和配套的 MCU 二次开发包等等。

经过半年的努力，计划的测试和验证都顺利完成了，并且取得了比较好的技术指标，尤其是在接口丰富程度和神经网络加速性能上达到了我们设计的指标。

其中值得一提的是，华为 MDC 对于稀疏的深度学习模型的效率依然保持的很高。

可以推测，华为针对最近大家常用的 MobileNet 等深度学习网络运算进行了针对性的优化。

另外在工具链的易用程度上，由于支持通过引入 Matlab 头文件编译 Simulink 模型，所以能够比较快地将我们原有的量产级智能驾驶算法模型部署到 MDC300 设备上。

从拿到设备到实现 MDC300 设备上实车运行 LKA、ACC 等功能，只花了 1 个半月的时间。开发效率还是很高的。

说完了我们对华为 MDC 设备的测试情况，再说说华为 MDC 在市场上的竞争者，这也让我们能够有更多的选择。

由于特斯拉的 FSD 控制器（已发布）以及英伟达的最新 DRIVE 平台的车载设备（未发布）我们并没有获得实际设备，以下对比分析仅以公开渠道获得的信息为准：

1．特斯拉 HW3.0 FSD 控制器。

作为特斯拉车辆的部件，不单独销售，资料较少。

根据目前的信息，FSD 的 HW3.0 有两个相同的计算单元构成，每个计算单元上面有 2 块运算芯片，每块算力位 36 Tops，设备总算力位 4 x 36 Tops = 144 Tops。但是由于采用的是双机热备的运行方式，实际可用的算力是 72 Top。

在功能安全上，FSD 的 2 个计算单元每 20ms 同步一次运行状态与处理数据，通过交叉验证以保证故障冗余安全。

相比早期的 Autopilot HW2.0 方案，安全性能得到很大的提升。但目前我们并没有得到 FSD 关于功能安全认证的相关消息。

2. NVIDIA DRIVE 平台的车载智能驾驶控制器，支持芯片级方案销售。

目前上市的只有 Xavier 系列，最新的基于 Orin 的 Drive AGX 到目前为止还没有上市。

根据公开的资料，Xavier 系列控制器的 AI 算力是 30 Tops，Orin 系列控制器的 AI 算力是 200 Tops，对比华为 MDC300 的公开 AI 算力是 80 Tops，MDC600 的公开 AI 算力是 160 Tops，可以说是处于同一个产业生态位的。

通过对华为 MDC300 设备的一系列测试，以及对于竞品域控制器之间的对比分析，可以得出以下结论：

1. 华为 MDC300 设备是华为面向智能驾驶推出的对标特斯拉 FSD、英伟达 DRIVE 的高级别自动驾驶域控制器系列，主要主打全自研芯片，高算力、高可靠的车规级别自动驾驶域控制器。

这半年的测试，验证了华为 MDC300 在功能上与性能上可用性。

从功能上，能够支持目前 L3+以上可能需要的传感器类型的接入以及整车网络接入，内部支持 ROS 与 AutoSAR AP 软件架构，具备较好的跨域通信能力。

从性能上，具备较好的模型加速性能，以及总线传输性能，具备作为后续 L3 以上级别自动驾驶功能开发的域控制器应用能力。

2. 华为 MDC300 的工具链主要遵循 Adaptive AutoSAR 标准体系架构，兼容 MBD（Model-Based-Develop：基于模型的开发）开发工作流，开发生态更加贴近域传统主机厂软件开发人员所熟悉那一套，能够与现有的 ASPICE 软件开发流程更好地整合，便于通过功能安全认证，具有一定生态优势。

作为对比，NVIDIA 的开发生态更加接近人工智能开发领域的习惯，与汽车软件开发领域差异较大。

而特斯拉完全抛弃了传统主机厂的软件开发模式与人工智能研究人员的开发模式，走出了一条属于自己的全新道路。

3. 华为 MDC300 在功能安全与可靠性方面，依靠通信领域与移动终端领域的开发经验，在可靠性与确定性低延时方面具备较大的优势，产品更加工程化。

在安全认证方面，华为的自动驾驶全栈解决方案、MDC 智能驾驶硬件平台、车载操作系统鸿蒙内核近期都已经获得了 ASIL-D 功能安全认证，在功能安全设计领域走在前面。

后续只要华为的 Adaptive AutoSAR 架构、开发工具链以及自动驾驶算法能够通过 ASIL-D 功能安全认证，那么基于华为 MDC 的自动驾驶系统将成为世界首个符合 ISO26262 ASIL-D 标准的商用自动驾驶系统。

4. 在商业化合作模式上，华为坚持自主芯片方案，所采用的昇腾系列芯片与鲲鹏系列芯片都只能够用在 MDC 系统产品上，不提供芯片级别的解决方案。

这与华为的手机商业模式很像，不卖裸片，硬件开放程度相对较低。但是在软件合作模式能够提供系统级开放接口，方便合作伙伴整合自己的算法到设备中。

这种合作模式开放程度具有一定的局限性，但是一定程度上能够增加华为对于硬件的控制力。

而对于合作伙伴而言，则有利有弊。

一方面华为 MDC 将自动驾驶开发中最难的功能安全与芯片算力问题给解决了，让客户可以集中精力在智能驾驶算法的开发上面，能够更快实现方案的量产与落地应用。

另一方面，客户也只能够在华为 MDC 所限制的平台上进行开发，话语权与灵活性都会相应削弱。

个中利弊，关键就看如何权衡了。

整体来说，在测试华为 MDC300 的过程中，我是非常自豪的，即使我们用最高标准来审视这款硬件平台，即使我们用全世界最先进的硬件来做对标，它依然有很好的竞争力和量产可用性。

这也让我更加坚定了对中国自主知识产权的芯片和系统的信心，更加对整车级的技术自主可控充满期待。

我相信，很快就会有搭载强大中国芯的智能驾驶汽车成为市场的佼佼者，以华为为代表的中国科技力量，会在世界的产业舞台上，一直熠熠发光。

往期回顾：

字节跳动入局车联网，互联网应用上车要解决哪些难点？

为什么欧美车企纷纷放弃L3，而中国车企热衷量产L3？

传统车企为什么造不出Autopilot，特斯拉L4战略存在什么风险？

为什么实现车路协同比造一辆特斯拉还难？

本期制作

主讲：郭继舜 监制：王德芙

编辑：叶方 后期：陆非

设计：陈溪阳 运营：林芝芝

音频平台

喜马拉雅 | 蜻蜓 FM | 听伴

Podcasts | 小鹅通

在以上平台搜索关注汽车之心

即可收听全部节目

华为MDC：中国的自动驾驶大脑是怎么炼成的？

解密华为智能汽车芯片版图

华为徐直军：全球不缺汽车制造商，缺的是部件和技术提供商

编者按：《郭继舜带你读汽车科技》旨在从第一性原理出发，尝试拨开迷雾，解读热点背后的汽车科技真相。

本栏目由智能驾驶专家郭继舜博士与汽车之心联合出品，每周一至周五更新，每日一期，内容独家授权汽车之心发布。

今天这篇新闻解读的新闻源，是来自 36 氪的独家消息。（来源：字节跳动进军车联网，锤子团队将负责抖音上车 https://36kr.com/p/708910060362244）这篇报道的作者是我的一位朋友：李勤老师，我在此向他表示衷心的感谢。

这篇报道的作者是我的一位朋友：李勤老师，我在此向他表示衷心的感谢。

报道中提到，抖音和今日头条的母公司「字节跳动」正悄然组建车联网团队，计划推出自己的车载信息娱乐系统方案，实现旗下抖音、今日头条等移动互联网产品在汽车终端的落地。

字节跳动内部研究过各种车联网路线，目前的策略是想先试水抖音视频等内容上车。而车联网产品的技术实施团队，来自字节跳动早些时候收购的锤子科技。

对于上述信息，字节跳动方面回应：消息属实，他们确实正在做一些探索，满足车载场景的用户体验。

今天，我们就来聊聊互联网公司在汽车领域布局的这个行业趋势。

首先，互联网公司进军车联网领域并不是新鲜事。

在字节跳动之前，腾讯、阿里和百度都已经面向车联网行业做了深度布局。

阿里旗下有高德地图、斑马网络和天猫精灵等车联网业务线。

腾讯也推出了车载微信，并结合小程序、腾讯语音、腾讯地图和腾讯音乐等服务，和车企联合打造车联网生态解决方案。

百度也基于 DuerOS 推出了小度车载 OS 系统。他们在汽车行业内掀起了一股「互联网风潮」。

在桌面互联网、移动互联网等等传统流量入口资源已经被瓜分殆尽，而高级别自动驾驶开发如火如荼的大背景下，车联网作为一个新兴的流量入口，可以在未来让用户更轻松地享受汽车这个除了家、公司之外的第三空间。

虽然，互联网公司与车企因为市场、技术、人员构成的差异，不论是思维方式、工作流程还是产业链布局、用户使用场景等都很不相同。

这一点，我从互联网公司到车企的初期，感触是非常深刻的。但是，这些都架不住一句「用户有需求」。

有需求就有市场，有市场就能催生企业甚至行业级别的大力投入。

近年来，在车联网大热的趋势引领下，不少车企纷纷与互联网公司合作，通过组建公司、战略合作、资本投入等形式来把握住自己在车联网方面的企业技术优势。

比如：比亚迪宣布和 360 达成战略合作、双方将在车联网、汽车信息安全解决方案、移动互联、IOT、大数据及 AI 等领域整合相关资源。

腾讯与宝马签署了战略合作备忘录，双方将在智慧出行展开合作，还计划探讨在信息娱乐和服务等其他领域的合作机会。

百度与戴姆勒宣布在自动驾驶和车联网等领域深化战略合作，未来双方将启动一项全新的车联网领域合作项目，百度车联网技术将搭载在梅赛德斯-奔驰的智能人机交互系统中。

相较于互联网企业，车企在整车开发、座舱集成、车辆控制、车辆安全等方面有不可替代的优势。同时，对车辆用户的需求与使用场景都有丰富的经验。

但弱点也很明显，由于车辆开发流程、法规、安全考量等方面的的限制，加上人才知识结构更偏向复杂系统集成和工业制造，车企工程师在代码实现、快速迭代思维和能力方面较之互联网速度稍显落后。

而互联网公司在迭代速度方面表现突出，同时坐拥庞大的生态布局和用户资源，在丰富用户场景、优化用户体验、提升用户粘性等方面能为车企带来思维层面的颠覆性提升。

但，互联网公司不掌握硬件终端，在车规级软硬件集成方面能力和经验尚浅。

很多车企基于更好地整合系统的考虑，选择自己组建软件团队进行开发，由车企来整合行业资源，以车企，而不是互联网公司为中心，组建软件生态圈。

这是为什么大众在欧洲组建了软件中心，现在团队规模已经超过了 5000 人，还在满世界寻找开发汽车软件的工程师。

就我一个在保时捷德国总部做技术研发的朋友透露，大众软件团队的目标是 1 万人。

即使现在大众的 vw.os 因为技术难度太大，进展不太顺利，但车企想要通过软件提升下一代汽车的科技含量和用户体验的决心可见一斑。

软件定义汽车，这是这段时间业内经常被提及的理念，正在快速而深刻地改变汽车行业。我们在后续的音频里可以找机会聊聊软件定义汽车。

现阶段，车企与互联网公司的合作，能更好地发挥出各自的优势，达到跨产业融合，形成更好的产品，同时也让用户从各种层面受益。

车联网市场前景可期，但当前阶段互联网公司与车企合作后，也会面临一些亟待解决的难题，我在这里总结了 4 点：

1. 互联网公司对汽车市场的切入本质上仍是其各自线上业务的延伸，其切入的形式与手段受限于各自的独有的基因。

互联网公司目前主要通过几种形式切入汽车市场：

（1）开发 OS 操作系统，作为车企的供应商提供车机操作系统。例如：阿里旗下的 AliOS、百度的小度车载 OS。

（2）集成自身生态资源，以超级 APP 的形式植入车机。主动放弃与车厂竞争 OS 的开发权，例如：苹果的 CarPlay。

（3）用户通过 USB 连接手机后可使用超级 APP 体系内生态应用。但需要在车机端和手机端进行一系列设置，操作较为繁琐。

在如今车辆可通过 3G/4G 连网之后点开屏幕即可享受网络应用的便利情况下，这种超级 APP 已不具有明显优势。

以单个 APP 的形式提供生态服务，把用户手机上的使用习惯延伸到车上，例如：腾讯的微信上车、高德的车载地图。

根据车上用户使用习惯和特定的使用场景，利用自身生态优势，为车端用户定制化开发车上使用产品。

2.软件如果想要实现持续迭代，平台化延续，软硬件解耦是前提。

车企的整车开发流程比较长，一个车型的开发周期往往 2 年到 5 年不等，整车的零件选型需要考虑车规要求、功能安全、行业标准、反复验证等因素。

车企呢，往往倾向于定义一个属于自己的硬件平台，在芯片、架构等方面还要考虑硬件可迭代，以延长硬件平台的生命周期。

所以让不同的车企去为软件和系统适配硬件是非常困难的。互联网公司如果想要合作更多的车企来实现规模化的生态协同效应，一定要注意实现软件和硬件的充分解耦，尽量提升软件的通用性。

比如说，某个 OS 系统，能够在高通的 820A、8155 平台上运行得非常顺畅，也要考虑在恩智浦、瑞萨的硬件上运行，尽量地软硬件解耦。

同时，在 OTA 升级变得越来越重要的今天，软件的迭代升级要充分考虑不同级别硬件的流畅性和兼容性。这个我们可以看看斑马花了多大经历在构建 OS 系统的通用性就知道其重要性了。

3. 如何保证驾驶安全的第一原则。

安全永远是车辆用户的第一刚需，字节跳动等互联网公司的软件生态服务需要在确保行车安全的情况下进行。在 L4 自动驾驶还没有完全到来之前，用户是为车辆安全负责的第一法律主体。

音乐、视频、新闻以及其他 LBS（location based service）服务在车上的呈现形式、切入时间、使用场景都需要以避免影响驾驶安全为第一原则。

这需要功能设计工程师、功能安全工程师、互联网产品设计工程师团队进行深度合作，以安全为前提，研究用户场景，打磨功能。

4. 非刚需的应用，如何保证用户使用率。

用户在手机上使用影音娱乐 APP 的习惯已根植大脑，车机端的娱乐信息服务并不是用户的刚需，至少需要花时间培养用户的使用习惯。

当前阶段，娱乐信息服务在车端使用率仍然很低，车端服务需根据车端特殊的使用场景、车端特殊的安全考量、车端用户特殊的需求进行定制开发，而不能是简单的功能堆砌。

车端入口作为一个十分特殊的流量入口，非刚需的生态服务如何提高用户的活跃度，如何整合使用率是车联网产品需要考虑的重要因素。

在如今「互联网+」概念整合各大行业的形势下，汽车行业的变化、合作、竞争都是必经的良性发展过程。

新技术的应用、跨行业的碰撞，带来产业的深刻变革，也是我辈躬身入局的良好契机。

以字节跳动为代表的互联网公司，充分利用自身的优势，切入汽车行业，车企是抱着开放合作，各自发挥优势的态度的。

以上提到的这些问题，也会在合作过程中逐渐解决。

我看好互联网行业和汽车企业的合作，毕竟所有的成功都源于大胆的尝试。

往期回顾：

为什么欧美车企纷纷放弃L3，而中国车企热衷量产L3？

传统车企为什么造不出Autopilot，特斯拉L4战略存在什么风险？

为什么实现车路协同比造一辆特斯拉还难？

本期制作

主讲：郭继舜  监制：王德芙

 编辑：叶方     后期：陆非    

设计：陈溪阳  运营：林芝芝

音频平台

喜马拉雅 | 蜻蜓 FM | 听伴

Podcasts | 小鹅通

在以上平台搜索关注汽车之心

即可收听全部节目

编者按：《郭继舜带你读汽车科技》旨在从第一性原理出发，尝试拨开迷雾，解读热点背后的汽车科技真相。本栏目由智能驾驶专家郭继舜博士与汽车之心联合出品，内容独家授权汽车之心发布。

今天，我们来聊聊高级别智能驾驶量产中的一个热点问题，L3 智能驾驶到底该不该放弃。

近日，以 Automotive News 为代表的部分外国媒体报道：

为了避免 L3 在 SAE（即美国汽车工程师协会）所推出的智能驾驶分级标准中的尴尬定位和自动驾驶的问责机制，有不少车企在这段时间干脆直接放弃了 L3，更加关注 L2、L2+功能的舒适感、成熟度和人机交互。

同时，这些车企将更多的精力放在更高级别自动驾驶，也就是 L4 级系统的研发中。

除了我们已知的 Waymo、Cruise 等科技公司采用变革式的技术路线外，奥迪、福特、丰田、沃尔沃等主流车企先后宣布放弃 L3，直接跳跃至研发 L4 级完全自动驾驶功能。

而电动汽车领域的标杆特斯拉，自始至终没有表达过要发展 L3 自动驾驶，而是从 L2，L2+功能的 Autopilot 直奔 L4 而去。

（注：我们在上周的音频里介绍过相关信息：传统车企为什么造不出Autopilot，特斯拉L4战略存在什么风险？）

说了这么多，我们还是要明确一下智能驾驶的分级概念。

我尝试用最简单易于理解的方式来向大家解释，相信你听一遍就对复杂的智能驾驶分级有明晰的了解。

智能驾驶系统在 SAE 中共有 6 个分级，分别是 L0 到 L5。

L0：你可以理解为所有的信息预警功能，但不直接控制车辆的功能；

L1：系统能够控制车辆，但是只能在横向或纵向中的一个单一维度控制车辆，比如我们非常熟悉的 ACC（自适应巡航），LKA（车道保持），AEB（紧急制动）等功能。

需要说明的是，除了 AEB 是在任何工况下都要激活外，其他的功能仅限制在高速公路上使用。

L2：系统对车辆的横向控制和纵向控制做了耦合，出现了 TJA（高速公路拥堵功能）、HWA（高速公路辅助功能） 等功能，系统第一次将制动系统 ESP 和转向系统 EPS 协同控制。

在这个级别，需要驾驶员的眼睛时刻直视前方观察路面状况，同时双手要时刻握在方向盘上准备随时接管车辆。

现阶段大家如果去 4S 店买车，2019 年以后推出的新车型的顶配版，基本都具备L2 级功能；

L2+：可以理解为从 L2 到 L3 的一个中间状态。

L2+有两个不同的路径：

一是以特斯拉为代表的路径：依然需要驾驶员将双手放在方向盘上，但通过 OTA 升级的方式拓展更多的功能；

另一个路径是老牌的 OEM，如沃尔沃，宝马等车企所坚持的 L2+的方案：在没有系统冗余的情况下，允许用户解放双手，长时间不用将手放在方向盘上，但驾驶员的眼睛依然要直视前方。

在 2020 年下半年到 2021 年上半年，在不少车企新车型的顶配版本中，将可以看到 L2+这样的脱手功能量产。

接下来讲今天的重点——L3。

注：图为长安 L3 自动驾驶演示

这一级别的自动驾驶更多的解放人们的感官：双手可以不用双方放在方向盘上，双脚也不用长时间踩着踏板，眼睛也可以不用长时间直视前方，不用将注意力长时间放在路况上。

这里有两点需要专门提出来：

第一，从 L3 开始，智能驾驶状态下的交通结果责任主体由驾驶员变为了车辆。换句话说，智能汽车需要为智能驾驶状态下的交通事故负责；

第二，L3 是所有级别中唯一一个需要人类驾驶员和智能驾驶系统频繁交接车辆的控制权的系统。

说到 L4，我们终于可以把它叫自动驾驶系统了。L4 自动驾驶的驾驶位可以不坐人，同时行驶工况也扩展到了城市道路。

在不远的将来，我们可以在城市中像使用滴滴一样地打到一辆没有司机的 RoboTaxi，这就属于 L4 级别技术的商业化应用。

业界一个普遍的观点是，在 2023-2025 年期间，RoboTaxi 会有区域性的商业化运营落地。

最高级别 L5，把车辆行驶的场景从高速公路、城市道路进一步扩展到了没有车道线、交通标志牌的乡村道路，戈壁沙漠，飞扬的土路等。

这对于车辆的感知、规划、决策、控制算法等都是巨大的挑战。这也是我们智能驾驶领域不懈追求的终极目标。

好了，经过以上介绍，我们可以总结出，L3 智能驾驶若干个核心点：

1.L3 以上的智能驾驶系统，在智能驾驶状态下，为交通结果负责的主体，已经从驾驶员变为了车辆；

2.L3 智能驾驶系统，允许驾驶员解放双手、双脚、双眼，重要的是，还有注意力。只要不完全丧失注意力，驾驶员具备在 10 秒中内接管车辆的能力，都是符合 L3 系统要求。

这就意味着，驾驶员在高速公路上看手机、回微信、追电影，甚至是开一局吃鸡游戏都是可行的，只要你不睡着，只要你有能力在车辆报警提醒十秒钟内接管车辆就行；

3.L3 需要驾驶员和智能汽车频繁地交换车辆的控制权，这个人机交互的过程非常复杂，充满偶然性。

4.L3 需要车辆系统有足够好的稳定性和安全性；

5.L3 智能驾驶系统能够对车辆当前的状况进行诊断和预测。

奥迪研发部门负责人汉斯最近在接受《Automotive News Europe》采访时表示「奥迪将不会在全球范围内为现款 A8 引入 TJP 功能。」这意味着奥迪不会在 A8 这款车型上搭载 L3 级别自动驾驶系统了。

奥迪放弃在 A8 车型引入 L3 级自动驾驶，原因有三个：

其一，从技术层面来说，现阶段的智能驾驶算法还不足够在所有的高速公路场景保证 100% 的安全，还需要进行更多的优化和升级。

其二，从监管角度看，目前还没有适用于 L3 级自动驾驶汽车的法律框架。另外，全球范围内的 L3 级量产车，各个国家会有不同的法规政策的限制；

其三，L3 频繁复杂的人机切换模式让工程师们感到力不从心。

就连福特北美总裁 Raj Nair 也表示：「我们放弃驾驶辅助技术的过渡阶段，决定直接提供 L4 级别全自动驾驶的车辆，原因是不知道在 L3 级别如何从机械操控切换到人工操控。」

但在国内，包括长安、东风、广汽新能源、一汽红旗、长城、吉利、小鹏、威马在内的中国整车厂商，均计划推出 L3 量产车型。

为什么？原因有以下几个：

1. 相比于欧美的消费者，中国民众对于智能化、智能驾驶系统的接受程度更高，也更愿意尝试新的系统和新的功能；

2. 相比于欧美，我国政府在法规政策层面，对高级别智能驾驶量产有更好的支持。

据行业内消息，工信部等部委正在制定高级别智能驾驶量产的准入标准，该标准会在近期向公众发布。这意味着高级别智能驾驶特别是当前的 L3 功能的应用有了政策和法规的支撑；

3. 中国的新基础设施建设，能够为未来的车路协同 V2X 应用提供强有力的路端保障，这是欧美的车企享受不到的真切的基础设施支持。

V2X 车路协同技术的使用，能为 L3 为代表的智能驾驶技术带来数倍的安全性能提升；

4. 中国车企的研发实力，特别是智能驾驶系统的设计实力，在近年来不断增强，已经具备了设计和推动复杂系统大规模应用的能力；

5. 相比于部分南欧国家、美国中部地区，中国的高速公路较好的路况更适合智能驾驶技术的落地应用；

6. 中国汽车产业的上下游产业链也逐步完整，中国企业在智能驾驶关键零部件上的自主研发水平提升，也为 L3 智能驾驶的落地提供了必不可少的核心技术。

智能驾驶技术的发展本身就是充满了艰辛的探索之旅，以上提到的关键技术、核心难题，都需要通过逐渐迭代的方式来解决。

从整车的系统角度，L3 所遇到的技术问题，几乎是无法逃避的。

相信通过这两年的不断努力，中国制造的 L3 智能驾驶汽车，会成为中国智能工业发展的标志。

我们坚定地继续研发 L3为什么，不是因为它简单，而是因为正确。

相关阅读：广汽研究院郭继舜：智能驾驶量产的困难与希望 |  行家说

本期制作

主讲：郭继舜  监制：王德芙

 编辑：叶方     后期：陆非    

设计：陈溪阳  运营：林芝芝

音频平台

喜马拉雅 | 蜻蜓 FM | 听伴

Podcasts | 小鹅通

在以上平台搜索关注汽车之心

即可收听全部节目

编者按：《郭继舜带你读汽车科技》旨在从第一性原理出发，尝试拨开迷雾，解读热点背后的汽车科技真相。

本栏目由智能驾驶专家郭继舜博士与汽车之心联合出品，每周一至周五更新，每日一期，内容独家授权汽车之心发布。

今天的新闻解读，我们聊聊特斯拉的完全自动驾驶。

2020 年 5 月 18 日，特斯拉 CEO 埃隆·马斯克（Elon Musk）在推特上宣布：

「特斯拉的完全自动驾驶能力（FSD）将在 7 月 1 日后的全球市场中再次涨价 1000 美元」。

此次涨价后，特斯拉 FSD 功能的价格将达到 8000 美元（约合人民币 5.6 万元）。

后续，马斯克在周一的一系列推文中又说道：

「随着软件在获得监管部门批准后接近完全自动驾驶功能，FSD 价格将继续上涨。到那个时候，FSD 的价值可能超过 10 万美元。」

上述新闻提到的 FSD 是特斯拉推出的完全自动驾驶选装功能，即 Full Self-Driving 的缩写，相比于特斯拉当前的 Autopilot 功能，FSD 的功能更加先进。

根据官网资料显示，FSD 能够实现自动泊车、高速公路自动辅助变道、自动辅助导航驾驶、停车场智能召唤、即将推出的识别停车信号灯和停车标志并作出反应以及在城市街道中自动辅助驾驶等功能。

今天，我们来讲讲 Elon Musk 的 L4 级别自动驾驶功能 FSD。

去年（2019 年），Elon Musk 在推特上宣布，即将通过 OTA 升级的方式，将 100 万辆量产的特斯拉车辆变成 RoboTaxi 自动驾驶出租车，并在今年（2020 年) 打造一个拥有 100 万辆车的 Robotaxi 网络。

具体方案就是：特斯拉将会打造一个类似 Uber、滴滴的智能手机应用，用户可以通过该应用呼叫 RoboTaxi 自动驾驶出租车服务，而这个网络中的车辆则来自于加入这个 RoboTaxi 网络的特斯拉 FSD 车辆的车主。

车主可以指定一天中他们希望自己的车辆加入服务网络的时间，使车辆可以在空闲时间提供 RoboTaxi 服务供其他用户使用，车主可以从中赚钱。

有机构预测，如果不考虑运营成本，自动驾驶汽车每年可以为车主带来 1 万美元的收入，能够帮车主很快还清购车成本，并且带来额外的持续收入。

另一方面，在技术落地应用方面，特斯拉又要把 L4 无人驾驶分成三步落地：

第一步，推出完整的自动驾驶功能软件，实现从 A 点到 B 点的全自动驾驶。

但是，这个过程还需要人类驾驶员监管，同时通过车内虚拟游戏让车主帮忙生产更多标注数据。

第二步，通过自动驾驶出租车网络即 Tesla Network，尝试取消人类驾驶员的监管。

通过自动驾驶实现车辆调度与共享，并通过保险与分成协议等等方式，重新划分特斯拉与车主之间的权责与收益分成。

根据国外咨询机构  ARK Invest 的测算，从 2022 年开始，到 2026 年，特斯拉可以实现 Robotaxi 网络车队规模达到 275 万辆，产生 920 亿美元的收入和 310 亿美元的利润，而车主总共可以获得 210 亿美元的收入。

这对车主无疑是非常具有吸引力的。当然前提是 FSD 的自动驾驶性能真的能够达到特斯拉所宣称的水平，并且解决了相关的法律法规等风险。

第三步，完全去除人类驾驶员。

通过完全自动驾驶功能提供完整的 RoboTaxi 服务。但是马斯克也强调：这个功能也只能够在小部分地区实现。

在现阶段看起来，这个目标更多的是马斯克动员消费者购买特斯拉的一个口号。

那么，对于特斯拉上述全自动驾驶功能以及应用规划，是否真的能够实现？

对此，我的观点是谨慎乐观。

首先，基于现阶段特斯拉的摄像头加毫米波雷达，不使用激光雷达的传感器组合方式开发 L4 全自动驾驶是非常困难的。

虽然特斯拉现在研发新的芯片和算法，但我们从传统汽车所强调的功能安全分析看，特斯拉的感知系统是不能达到 L4 全自动驾驶所需的 ASIL-D 级别功能安全要求的。

一个自动驾驶系统要达到 ASIL-D 安全等级，需要让传感器在任意时候都要有足够的异构冗余能力。

在自动驾驶车辆的前向和后向，尤其在前向的区域，需要至少有三个异构冗余传感器进行感知覆盖，以保证系统的数据来源具备互补性，同时设备的故障来源没有相关性，以及一定的失效容错能力。

而特斯拉使用同构的摄像头加上毫米波雷达，可能造成某种类型的传感器同时失效，或者失效后没有足够的容错处理能力。

因此需要增加另外一个维度的传感器（实现直接的空间位置测量）——激光雷达。

由于 L4 自动驾驶没有安全员，车辆完全自主控制，据我的分析，感知系统需要让车身周围的 360 度范围内都能够达到 ASIL-D 的安全级别（对比 L3 自动驾驶，只要求前向区域的感知安全等级达到 ASIL-D）。

为了达到这样的安全级别，我们更加看好近期推出的混合固态激光雷达，部署在车身四周，实现 360 度的三相冗余感知覆盖。

至于固态激光雷达是否能够通过车规级别认证，这可以交给时间去解决。

总而言之，对自动驾驶传感器的布置，在现阶段——其实不是摄像头多少的问题，而是一个传感器的信息结构是否是足够完备与合理。

其次，通过 OTA 升级的方式来进行 RoboTaxi 功能升级，这个事情还是存在一定的风险。

必须得承认，特斯拉这种先建硬件基础，后建行业生态，最后升级软件的方式，是目前实现自动驾驶最具想象力与可行性的一种方式。

但其中最大薄弱环节，也是最大的风险——是特斯拉的车辆平台与硬件基础是否能够承载后续的功能需求，以及如何保证升级功能的正确性与可靠性。

我们先说 OTA 本身可能存在的风险。

汽车不同于手机，是一个全面而复杂的系统，由于其中电子部分需要升级的节点比较多，升级的数据量比较大，在升级过程中可能出现的数据错误是可能存在的，即使有一定的校验机制也不能够完全排除这种可能性。这是第一个风险。

另外一个风险是，当车辆终端的数量大到一定的数量级的时候：

针对车辆的差异性的调教与适配需要投入更多的工作量，而且这也是一个非常需要经验的工作；

是否可以通过一个通用化的 OTA 版本，推送升级实现全车型的适配，也将是一个非常具有挑战性的工作。

针对车辆平台与硬件平台功能的承载能力上，前面已经分析感知系统可能存在失效风险以及可能导致的严重后果，这已经被现实的事故验证过了。

事实证明，不解决数据来源异构与冗余的问题，上述系统的漏洞与风险是无法避免的。

除了感知系统以外，对于特斯拉车辆的其他系统方面是否具有类似的风险呢？

根据我的分析，这的确是存在的。

据我所知，特斯拉是没有做系统冗余的。它的电源部分，车辆转向和制动系统是没有冗余的。

当然我们又回到了功能安全分析。

以这样的系统去做 RoboTaxi 可能会出现失效的情况。尤其是取消安全员以后，乘客坐在后排，在短时间是没有办法去接管车辆的，存在较大的风险。

当然我们相信特斯拉有足够优秀的营销团队与法务团队将这些风险可能造成的后果很好地解决掉，这也是在过去的事实中被证明的。

前面我们讨论的是特斯拉的 L4 RoboTaxi 战略，但是不可否认特斯拉现阶段的自动驾驶系统 AutoPilot 是做得非常非常好的，有很好的用户体验性，以及可延展的能力（通过 OTA 实现）。

那么我们需要反思的一点是什么呢？特斯拉这套自动驾驶系统，戴姆勒、宝马每年投入那么多的经费，真的做不出来吗？

我觉得，还是因为在软件定义汽车的环境下，大家的思路与出发点不一样。

首先，传统 OEM，尤其是老牌的欧系车厂，还是以功能安全分析作为主要的思考方向来设计汽车。

这个过程就存在一个问题：如果所有的设计都是基于功能安全分析来探讨，没有功能安全冗余的时候，我们就不能够让车具有更好的自主性。

这也由此造成的一系列的限制，包括他们整体打破现有的 EEA 架构去做域控制器，而更多去做 ECU 的叠加。

这样就会造成一个困境：很难会有一个思想的解放或者是一个功能的长远规划，结果就是，只能够被特斯拉这样的新造车势力远远甩在身后，直到在高级自动驾驶阶段，大家再次站在功能安全这一个终极考核面前。

其次，传统的汽车工业都是成本导向、盈利导向的，一切都要做到刚刚好，不考虑后续的预留空间，就如同诺基亚之于手机。

但是在面临苹果、特斯拉这样的新兴挑战者的竞争时，往往就会后继乏力。这就是思路的不一样。

另外一方面，我们要思考一个问题：到底我们是否要真的基于 ISO 26262 或者 21448 这样的功能安全分析作为我们完成车辆设计最主要的红线？

现在看起来，用户们更加期望的是，或者说用户体验更好的就是通过 OTA 这样的方式来升级，在系统性能不稳定的时候，我们可以先去测试，先去收集大量的数据，然后再不断升级，持续迭代，交付中间的成果与产品，往往能够在竞争中抢占先机。

但是这与我们传统意义上 OEM 做的那种：足够完美的最终系统产品的方式是相悖的。

那么，我们在未来是不是需要去转变？这是我们要思考的一个战略性问题。

我们能够看到的是，至少像大众，组建了一个软件团队来去研发平台化的软件系统。他们现在就处在从传统化 OEM 开发方式向新一代 OEM 开发方式转变。

这样一个路径是值得我们思考和学习的。

本期制作

主讲：郭继舜  监制：王德芙

 编辑：叶方     后期：陆非    

设计：陈溪阳  运营：林芝芝

音频平台

喜马拉雅 | 蜻蜓 FM | 听伴

Podcasts | 小鹅通

在以上平台搜索关注汽车之心

即可收听全部节目

编者按：《郭继舜带你读汽车科技》旨在从第一性原理出发，尝试拨开迷雾，解读热点背后的汽车科技真相。

本栏目由广汽研究院智能驾驶技术部部长，广汽 L3/L4 无人驾驶技术总监郭继舜博士与汽车之心联合出品，每周一至周五更新，每日一期，内容独家授权汽车之心发布。

今天的汽车科技解读，我们来聊聊 5G 和 V2X。

5G 在智能交通和智能城市上的应用正变得炙手可热。

前段时间，上海发布新基建行动方案，首批重大项目 3 年投资 2700 亿元。

其中，洋山港「5G 自动驾驶重卡」项目已经在 2019 年成功开展示范运营。

今年 4 月 20 号，江苏省交通运输厅公布《江苏省智能交通建设实施方案》，到 2022 年，江苏建成一批智慧交通基础设施试点示范工程并加快推广；完成南京、苏州等一批智慧公交试点，全面实现 5G 在南京禄口机场等重要交通枢纽的覆盖与应用。

本月，2020 年 5 月 8 日上午，广州举办首批数字新基建重大项目签约及揭牌活动。73 个总投资规模约 1800 亿元的重大数字新基建项目集中签约、揭牌。

其中，南沙区签约的 18 个新基建项目建成后，将成为粤港澳大湾区首个全自动化码头和全国 5G 应用示范工程。

回到智能驾驶的角度来看 5G。

今年 2 月份，发改委、科技部、工信部等十一部委联合发布了《智能汽车创新发展战略》，战略中较为明确地把车路协同、C-V2X 作为我国智能汽车发展的重要技术方向之一。

前些天，2020 年 5 月 6 号，交通运输部发布了《关于深入推进公路工程技术创新工作的意见（征求意见稿）》，新基础设施建设成为大交通行业炙手可热的话题，BIM 信息化技术、人工智能、智能感知、5G 通信、路端传感器、车路协同和边缘计算等技术。

以我工作的广汽研究院为例，我们在 2018 年年底部署了三大运营商的 5G 试验网，实现了实时远程驾驶、车路协同无人驾驶典型工况等技术内容。

前两年省市区领导来交流指导工作，主要关注的是智能驾驶的量产技术、L4 无人驾驶的示范运营政策支持等，但今年调研的重点就是 5G 的智能驾驶应用。

政策的支持对于一个技术的发展是非常重要的，所以我非常坚定地认为，中国 5G V2X 一定会走出自己的特色。

5G 技术大家都比较熟悉了，经过这段时间的媒体信息轰炸，我们基本都能说出 5G 的一些技术特点，大带宽、低时延、高可靠性、多并发数。

相较于 4G，5G 具有更高的网络速率，峰值网络速率可达到 10Gbps，网络传输速度比 4G 快 10-100 倍。

智能驾驶的更多非结构化信息可以利用大带宽这个特点进行实时传输。

5G 还有更低的网络延迟，空口时延理论值从 4G 的 50 毫秒缩短到了 1 毫秒，当然，现阶段因为和 4G 共用了主干网，会对整体的信号延迟率有影响。

测试现阶段在我们研究院部署的 5G 试验网的空口时延在 20-30 毫秒，初步能满足研发的需求。

体现 5G 大带宽和低时延的典型应用是远程驾驶，驾驶者使用 5G 网络传输车载高清摄像头画面，实时操纵一辆远在千里的车辆。

这个地方我要专门强调一下，并不是 4G LTE-V 网络不能做信息的传输，只是由于时延等性能限制，我们现在基于 LTE-V 网络的研发主要还是集中在车辆信息预警上，真正要操作车辆行驶，5G 网络才能满足一系列严苛的信息传输要求。

高可靠性就使得信息传输在量产车型上更容易满足车规和功能安全的要求，多并发数让单车智能能够扩展为超大规模的群体智慧的智能汽车集群，这个很像蜂群或者蚁群。

简单地说完 5G，再跟大家聊聊车路协同。

车路协同，简单理解就是智慧的车+聪明的路。在路端部署多种传感器设备，摄像头、毫米波雷达、激光雷达等。车路协同和智能驾驶所使用的车载传感器是同构的。

将路上的信息结构化之后，把信息传输到边缘计算端、云端和附近的车上。车路协同，

在解决方案上被称为 V2X，包括车对车（V2V），车对路/基础设施（V2I），车对云（V2N），以及车对人（V2P）等四类。

某种程度上，由于各方参与者身份的多样性及工程的复杂性，远远超过想象，车路协同的实现难度甚至比造一辆 L4 级无人车的难度还要大，至少比造一辆特斯拉难多了。

换句话说，当商业产品与交通基础设施发生了业务碰撞，就变得异常严肃和不那么性感了。

譬如，在我们向一些无人驾驶公司与车联网软件公司提及「车路协同」这个概念时，他们的第一反应往往是「这应该是政府牵头主导的事情」，或是「网络运营商是不是应该承担更多责任」。甚至是——「为什么这个好几年的老掉牙的话题，又一次被重拾起来了？」

这个老话题有另一段故事，就是美国政府搞了 20 年的 DSRC，我们后续有机会可以好好讲讲。

一般来说，车路协同主要涉及三个端口：车端、路端和云端。

其中路端和云端因为车路协同环境下计算节点下沉至边缘层，也就是经常说的部署在路上的边缘计算单元。

再考虑到三个端口间信息传输渠道的重要性，对于车路协同系统平台是由以下三个核心部分组成：

智能车载系统(车端)、智能路侧系统 (路端+云端) 和通信平台。

其中，智能车载系统负责车载端的海量数据实时处理和多传感器数据融合，保证车辆在各种复杂的情况下稳定、安全行驶；

智能路侧系统负责路况信息搜集与边缘侧计算，完成对路况的数字化感知和就近云端算力部署；

通信平台负责提供车-车、车-路间实时传输的信息管道，通过低延时、高可靠、快速接入的网络环境，我们现在使用的就是 5G 网络，保障车端与路侧端的信息实时交互。

三者恰好构成智慧交通场景下协同感知与协同决策的闭环。

为什么智能驾驶需要车路协同呢？

第一个原因，车载传感器视距比较短，往往只有 200 米，遮挡、恶劣天气等对于单车传感器感知能力影响明显。

「单车视角」不如「车+感知基站的上帝全知视角」更快更全面地感知到路面异常情况。

其实也可以这么理解： 单车采集到的数据量、数据类别以及数据质量，要远远逊色于车与路况信息打通后的数据。而反过来看，多样化数据对于单车自动驾驶软件与高精地图质量的进一步优化，也有重要的推动作用。

第二个原因，如果未来路段设施健全了，那些相对昂贵的车载传感器可以去掉，用相对简单的车载传感器实现基本安全，用路端传感器和边缘计算实现智能性。这样能极大降低智能汽车的普及成本。

第三，刚才讲到了，单车智能容易陷入局部最优，群体智慧的实现才能使全局效率最大化。举两个例子，在高速公路上行驶的重卡，如果能够实现编队行驶，编队后部的车辆由于风阻减小，能够节省最高 16% 的燃油消耗。

我们曾经做过仿真，如果在十字路口实现车路协同技术，十字路口的通过能力将提高至少 3.8 倍。

当然，车路协同技术也不乏反对者。

譬如无人驾驶技术领域毋庸置疑的领袖级公司——Waymo 的现任 CEO John Krafcik 就曾在一次汽车论坛上直率而又不失礼貌地表达了对 V2X 的拒绝态度：

「虽然我们挺喜欢 V2X 或 V2V 的这些想法，这对我们很有帮助。但是如果你依赖 V2X，你就不可能拥有一辆真正的自动驾驶汽车。要等待的时间太长了，我们真的不依赖外部基础设施来让车完成周游世界的使命。」

欧美大多数企业还是坚持单车智能的技术路线，其背后原因，更多是对欧美政府进行基础设施建设的效率没信心。

我们不否认，围绕车路协同的新基础设施建设确实需要投入大量的人力物力和社会资源，短时间内的商业模式也在探索，路端设备逐渐完善也是一个长期的事情。

我的理解，我们可以分三步逐渐完成路端的建设和应用。

未来一到两年，在关键的十字路口、丁字路口、环岛建设路端传感器和边缘计算单元，实现对人类驾驶员的信息预警功能，初步提升关键交通路段的通过能力；

未来三到五年，在关键的十字路口、丁字路口、环岛使用 5G 网络加上完备的路端传感器，实现对关键路段车辆的协同控制，实现关键交通路段的局部智能驾驶；

未来十年，实现在高速公路、城市道路的网络部署，传感器部署，边缘计算单元部署，实现全交通场景的车路协同。

对于车路协同，我们用一句话作总结：实现车路协同，特别是涉及到基础设施的改造，仍然必须是一场由政府主导的交通大变革。

在中国做这件事有中国的特色，各级执行力都特别强，我们会走出一条更安全稳定的智能驾驶之路。

往期回顾：

如何看待硅谷自动驾驶独角兽Cruise、Zoox纷纷裁员？| 郭继舜带你读汽车科技

英伟达为自动驾驶引入了性能怪兽？| 郭继舜带你读汽车科技

关于主讲人郭继舜博士：高级工程师，广汽研究院智能驾驶技术部部长，广汽 L3/L4 无人驾驶技术总监。

中国电子科技大学本科，台湾清华大学、苏黎世联邦理工学院硕士，斯坦福大学博士。加入广汽研究院前，先后在 Google X-Lab，EMC2 中国研究院，百度深度学习研究院从事人工智能技术研发，2017 年广州市高层次引进人才。

ACM/ICIP 亚洲区金牌，日本文部科学省学者奖，Erasmus Mundus 全额奖学金，海峡两岸杰出学者奖等。先后主持和参与 973 国家重点基础研究项目、国家重大基础研究专项、教育部新世纪优秀人才项目等，在 CVPR，ICCV，IJCAI 等国内外顶级期刊和会议上先后发表论文二十余篇，获得中美发明专利共 32 项。

本期制作

主讲：郭继舜  监制：王德芙

编辑：叶方     后期：陆非    

设计：陈溪阳  运营：林芝芝

编者按：《郭继舜带你读汽车科技》旨在从第一性原理出发，尝试拨开迷雾，解读热点背后的汽车科技真相。

本栏目由广汽研究院智能驾驶技术部部长，广汽 L3/L4 无人驾驶技术总监郭继舜博士与汽车之心联合出品，每周一至周五更新，每日一期，内容独家授权汽车之心发布。

北京时间 5 月 15 号，也就是上周五，Cruise 宣布裁员 150 个人，这个消息震惊了业内。

因为这家累计融资 72.5 亿美元的美国自动驾驶公司，是全球自动驾驶行业里面的融资王，资金非常的充裕，被认为是仅次于 Waymo 的最不差钱的自动驾驶公司，连他们都进行了裁员。

我们可以想象，现在疫情和汽车行业整体不景气，对于美国自动驾驶公司的影响。

我印象里面 Cruise 的人员规模差不多有 1900 个人，是现在全球规模最大的自动驾驶团队，这个人员的规模比 Waymo 的 1500 个人还多了不少。

这次 Cruise 裁员裁掉了公司总人数的差不多 8%。

同样在这个月，也就是 2020 年的 5 月，美国另外一家 L4 级别的自动驾驶的标杆企业，曾经创下独立初创公司单轮融资最高纪录的 Zoox，他们单轮的融了 5.3 亿美元，也被媒体报道，正在寻求被收购。

再加另外一个消息，重卡领域里面的自动驾驶公司 Starsky Robotics 在今年 3 月份宣布停止运营了。

原因就是 2019 年 11 月份他们在寻求一轮 2000 万美元融资失败了，这家公司累计融资 2030 万美元，花完之后资金链断裂了，不得不寻求破产保护。

2020 年，我们现在看到美国的自动驾驶公司出现了裁员、卖身倒闭等等这样的困境。

但另外一方面，自动驾驶领头羊 Waymo 高调宣布完成了一轮外部投资累计 30 亿美元的融资。

就单轮融资额而言，创下了全球自动驾驶公司里单轮融资的最高纪录。

美国的自动驾驶领域呈现出了冰火两重天的状况，我们可以从中间得到两条基本的逻辑。

第一条逻辑，就是作为一个人才密集型的领域，以 Robotaxi 作为主要商业模式的 L4 级别自动驾驶公司，人才成本运营成本都是比较高的。

在如今自动驾驶车队规模也在越来越大的时候，更需要大笔的资金的投入。

但由于法律、技术、场景积累等等相关的原因，其显性的商业模式还需要一段时间才能够成立。

就我个人估计，L4 自动汽车安全合法的成为我们的出行工具，大约还需要 3-5 年的时间。

关于 L4 自动驾驶技术规模化应用的前提条件，我们可以在以后的节目里面好好的讲一讲。

当前 Cruise 是唯一的一个详细的公布了财务状况的自动驾驶公司。

根据通用汽车的财报，Cruise 烧钱的速度是非常惊人的。从 2016 年、2017 年、2018 年 Cruise 分别亏损了 1.71 亿美元，6.13 亿美元和 7.28 亿美元，总体亏损额达到了 15.12 亿美元。

前段时间我看到一个报道，通用汽车董事兼 CEO 玛丽·博拉在电话会中提到，说从 2018 年第四季度的开始，Cruise 的投入就达到了 2 亿美元。随着人力人员规模的不断扩大，Cruise 的开支每一年维持在 10 亿美元的水平。

这么大的投资额，这也是为什么很多自动驾驶的初创企业在单轮融资的时候，也差不多达到了 10 亿美元的级别。

这样的军备竞赛是全行业的，融资很难的公司就会被淘汰掉。

曾经雄心勃勃的 Zoox，原本要自己造车，还要推动 Robotaxi 服务的大规模的应用，无论哪一个都是极度烧钱的方向。

但是 Zoox 自从从 2019 年 2 月份宣布获得了 5.3 亿美元的投资，累计融资额超过 8 亿美元之后，就再也没有新的融资进来了。

时隔一年零三个月之后，今天我得到了一个最新的消息，Zoox 很可能会完成新一轮的一轮融资，投资方可能是一家车企。

这都让我们得到了一个新的可能性，就是 Zoox 很可能会被一家车企收购，成为它的下属的子公司。

另外就关于我们刚才讲到的 Starsky，做重卡的自动驾驶公司一共只融到了 2300 万美元，这对于一个智能驾驶公司来说是远远不够的。

在新一轮融资失败之后，他们就只能宣布倒闭了。

作为一个初创公司，因为他们的时间太短了，所以积累的技术还不够系统，也没有太多的实体的资产，再加上核心的技术人员已经不断的流失了。连寻求被收购 都成了奢望。

第二方面，我把它总结为头部效应显现。随着 Waymo 开启了针对于外部投资人的融资模式，可能会加剧其他自动驾驶公司融资困难的问题。

原因两有两个：

一方面，在投资人看来，既然有机会能投全球的自动驾驶的领头羊 Waymo，是一个非常好的选择。因为除了赚钱之外，可能会有更好的盈利预期。

另外，就是对一个基金来说，投如此好的标的，那是一个能够扩大其资金的影响力的。

另一方面，越往后所需要的资金链会变得越来越大，投入的资金会越来越多，但是能投得起的投资人就会越来越少。

这就从 2016-2017 年那个时候，满世界都在找各种各样好的自动驾驶公司到现在完全处于买方市场，就是少数的头部企业已经聚集了，然后投资人开始关注头部的效应。

那么市场的其他的融资会变得更加的困难，叠加疫情的影响，融资难会成为未来的主旋律。

美国的自动驾驶公司会进入到淘汰赛，其实中国自动驾驶公司也是这样的，预计在 2020 年也会进入到淘汰赛的阶段。

在这个时候，一定要注意控制成本，延长企业周期生命力。那么这就是未来我们的智能驾驶公司所面临的最大的困难。

不过，因为未来自动驾驶的前景我还是非常看好的，所以短暂的困难是存在的。但是熬过了这个冬天，我相信那些真正能够生存下来的成长起来的自动驾驶公司，一定是伟大的公司。

在未来，我们相信智能驾驶依然是人工智能改变整个世界光辉的起点。

好了，这是今天的《郭继舜带你读汽车科技》，我们明天见。

往期回顾：英伟达为自动驾驶引入了性能怪兽？| 郭继舜带你读汽车科技

关于主讲人郭继舜博士：高级工程师，广汽研究院智能驾驶技术部部长，广汽 L3/L4 无人驾驶技术总监。

中国电子科技大学本科，台湾清华大学、苏黎世联邦理工学院硕士，斯坦福大学博士。加入广汽研究院前，先后在 Google X-Lab，EMC2 中国研究院，百度深度学习研究院从事人工智能技术研发，2017 年广州市高层次引进人才。

ACM/ICIP 亚洲区金牌，日本文部科学省学者奖，Erasmus Mundus 全额奖学金，海峡两岸杰出学者奖等。先后主持和参与 973 国家重点基础研究项目、国家重大基础研究专项、教育部新世纪优秀人才项目等，在 CVPR，ICCV，IJCAI 等国内外顶级期刊和会议上先后发表论文二十余篇，获得中美发明专利共 32 项。

本期制作

主讲：郭继舜 监制：王德芙

编辑：李笠 后期：Tom

设计：陈溪阳 运营：林芝芝

音频平台

喜马拉雅 | 蜻蜓 FM | 听伴

Podcasts | 小鹅通

在以上平台搜索关注汽车之心

即可收听全部节目

本文摘要：英伟达准备借助 Orin 和英伟达 DRIVE AGX 平台通吃高中低端的市场。

今天我们来讲一讲英伟达。

受疫情的影响，上周四北京时间 2020 年 5 月 14 号晚，英伟达创始人兼 CEO 黄仁勋把 2020 年 GTC 的演讲舞台搬到了自家的厨房里。

此前英伟达的显卡造型被网友们吐槽像煤气灶。可能是想回应这个梗吧，GTC 召开前一天的预热视频里，黄教主一本正经地从烤箱里搬出了新的产品：1 个装有 8 个 GPU 的服务器主板。

黄仁勋此次线上演讲主题的核心是英伟达的下一代图形处理器的架构 Ampere（安培）。

基于安培架构的第一款 GPU A100 的技术参数让人眼花缭乱：7 纳米的工艺，540 亿个晶体管，3D 堆叠技术，加上高达 826 平方毫米的芯片面积，同时支持 TF32 和 BF16 格式，拥有 438 个第三代 Tensor Core，支持虚拟成为 77 个 GPU 来执行不同的任务。

这个听起来真的是一个非常厉害的跨时代的新的架构平台。

虽然 GPU A100 有 2000TOPS 的算力，但其功耗也达到了 800 瓦。如果满负载使用在新能源汽车上，将对新能源汽车的续航造成比较大的影响。

举个例子，NEDC 工况续航在 600 公里的新能源汽车，如果满负载使用 GPU A100 这样的运算架构，其续航里程将下降到大约 200 公里出头。

所以，大算力大功耗的运算单元在未来很可能不是使用在单车上，而是使用在车路协同，V2X 的路端单元成为核心的运算器。

那么车载运算单元呢？当然 SoC 是一个很好的选择。

去年 12 月，英伟达推出了面向 ADAS 和自动驾驶领域的新一代 SoC Orin。当时发布的时候是这么说的：Orin SoC 具有 170 亿个晶体管，搭载英伟达的下一代 GPU。

现在我们知道了它是名字叫作安培架构的 GPU。

安培 GPU 和 ARM 架构的 CPU 核心，一起可以提供最多 200 的 TOPS 的运算能力，是上一代 Xavier SoC 的 7 倍，功耗只有 45 瓦，20222 年交付，面向的是 L2+及以上的自动驾驶场景。

可以看到，Xavier 是 Orin 的上一代自动驾驶芯片。

值得一提的是，虽然发布了很多年了，但是 Xavier 作为核心智能驾驶芯片，首次出现在量产车型上，还是最近发布的小鹏的 P7，它使用的是 Xpilot 3.0 的系统。

在性能和功耗方面，Xavier 有 30 个 TOPS 的算力和 30 瓦的功耗。它的设计就是面向 L2+的 ADAS 系统的，这个很类似于 Super Cruise 和特斯拉的 Autopilot。

小鹏 P7 在智能驾驶方面的可扩展性，强大的算力，出色的智能驾驶功能让我记忆犹新。

其实我们在两年前也很认真地评估过 Xavier 这款芯片，做了大量的测试，30 个 TOPS 的等效算力是当时智能驾驶领域域控制器的大杀器。无奈芯片的成本确实是太高了，最终还是忍痛放弃了。

但作为智能驾驶的从业者，我为小鹏汽车在智能化上的决心和投入感到钦佩和羡慕。

好，我们回到 Orin。前段时间我和英伟达的专家就新一代的智能驾驶芯片 Orin 进行了非常详细的讨论，我发现英伟达转换了战略思路，Orin 在保证强大的算力和性能的基础上，所预计的单片价格让我两眼放光。

看得出来，英伟达准备借助 Orin 和英伟达 DRIVE AGX 平台通吃高中低端的市场。

英伟达的中国区总裁张建中告诉我：

除了 L2 级别的智能驾驶，我们的客户还要求英伟达提供 Robotaxi 或者更高级别的智能驾驶的解决方案。对于客户来说，专门为不同级别的自动驾驶开发独立的架构成本实在太高了，但我们可以怎么做？我们可以利用 Orin 这个平台，从 ADAS 直接打通到 Robotaxi。

这是一个多么好的具有一致性的平台，所以我现在非常期待 2022 年 Orin 大规模量产的时候，给智能驾驶领域带来了新的生命力。

说到车载的芯片，英伟达的主要对手就是英特尔旗下的 Mobileye，这家以色列公司公司几乎占据了全世界车载的智能芯片 70% 的市场份额。

现阶段我们用的非常多的就是它的 EyeQ4 这款芯片，性能和算力都是非常不错的，在未来还有 EyeQ5、EyeQ6 等等一系列的产品。

除了 Mobileye，我们还应该关注特斯拉的 Autopilot 所使用的硬件平台。

另外，还有就是华为 MDC 300 系列的域控制器。这个我们都会在后续的节目中，我找个时间进行详细的解析。

但我必须提一句，华为的 MDC 300 系列域控制器在最近我们的评测中发现：它的性能非常强大，而且其工具链和运算效率都有着非常好的让我满意的结果。

我相信华为的平台将很快在量产车型中出现，并且为高级别智能驾驶提供足够好的算力和足够好的未来的想象空间。

说到 Robotaxi，其实现阶段很多的科技公司在开发平台的时候，依然还是使用工控机，像电脑一样使用英伟达的 GPU 加上英特尔的 CPU。

使用工控机开发的好处，当然就是开发非常简单，在开发的时候我们不用太多地顾忌算力的消耗，但坏处是它的不稳定性。在进行大规模量产的时候，我们必须把系统从工控机转换成嵌入式的系统，这个代码的转换量都是非常大的。

所以我认为：我们去评判一个 L4 甚至更高级别智能驾驶系统，在未来是不是具有非常好的量产可能性，其中有一个重要的指标就是看它能不能够在英伟达或者是华为这样的域控制器平台上更好地展现它的功能，而不仅仅是使用在工控机上。

英伟达这一系列芯片的卖点，就是开发人员可以使用通用的架构，从最初的基准开发到仿真再到路测，重要的是虽然说新款芯片在不断地问世，但是它们依然保留着非常好的兼容性，因此更老的平台运行的代码可以直接在新的芯片上使用。

对于未来的产品线，英伟达将推出一系列的 SOC，基于不同的算力和不同的 ADAS 级别，有一些甚至可以和摄像头和雷达一起安装在前挡风玻璃的外壳上。

这种入门级的芯片功耗只有 5 瓦，却能提供大约 10 个 TOPS 的算力，驱动现在的 ADAS 功能是绰绰有余的。

我之前在一些媒体或者论坛上都讲到，人工智能芯片的算力不足和成本高起，一直是制约智能驾驶发展和大规模应用的因素。

随着英伟达、Mobileye、华为、地平线等等公司纷纷推出了非常具有竞争力的产品，我相信在近几年智能驾驶硬件和算力的发展会极大地加速更多高级别智能驾驶功能量产落地来到我们的身边。

好了，这是今天的《郭继舜带你读汽车科技》，我们明天见。

相关课程：广汽研究院郭继舜：智能驾驶量产的困难与希望