前言
这几年，自动驾驶的发展步伐明显加快。谷歌旗下的Waymo在美国的几个城市扩展了无人出租车的规模，走得越来越踏实；而百度的Apollo在国内市场也交出了一份相当优秀的成绩。
别以为无人车多了上路，行业里的技术争论可一点没减。
从车“怎么看世界”的传感器选用，到“怎么思考”的算法架构，再到关键的AI决策模型，特斯拉和谷歌带头的几大流派各有自己的坚持，这些不同的观点，直接关系到自动驾驶未来要朝哪个方向发展。
无人车上路了，技术就成熟了？
这几年，街上无人车越来越多，挺热闹的，许多人都觉得自动驾驶技术已经没啥问题了。实际上，里面的学问大得很，各家企业争得面红耳赤，很多关键问题还没统一看法呢。
跟大家说个硬核的数据吧，到2025年5月，谷歌的Waymo在美国的旧金山、洛杉矶这些大城市，已经运营着1500辆自动驾驶出租车了，每周的付费行程就超过25万次呢。
咱们国内的百度Apollo也挺牛，全球范围内布置了超过1000辆无人驾驶车，已经接到超过1100万次的出行订单，安全行驶的里程数也超过了1.7亿公里。
这些数据确实挺抢眼的，不过也不能就以为技术就那么完美啦。
就拿“怎样让车能看到这个世界”这一话题来说，现如今已经演变成两大阵营不停争辩的局面。
有一派人觉得特斯拉带头的“纯视觉”方案挺不错，认为像人一样用几台摄像头就能搞定，挺简单。而另一派则偏爱以Waymo为代表的“多传感器融合”，坚持非得加上激光雷达这些玩意不可，觉得那样更靠谱。
早在2004年，美国就在沙漠里举办了一场自动驾驶比赛，那会儿卡内基梅隆、斯坦福这些知名高校的团队，靠激光雷达赢了比赛。之后，Waymo也就沿着这条路走了下去。
激光雷达确实太昂贵了，早期一套要价7.5万美元，比整辆车还贵，根本没法大范围推广。
直到2014年，特斯拉推出Autopilot系统时，选择了全靠视觉的方法，到了2016年，马斯克更是直接喊话：“激光雷达没啥用。”
他们装了8个摄像头，模仿人眼的视野，用算法把平面的2D图像拼出立体的3D环境，这样做成本实惠，还能大规模量产，还能通过卖车收集数据，反过来用来改进算法。
不过呢，这玩意儿也有明显的短板，一到逆光、下雨或者大雾天，摄像头就“看不啥”了，远远比不上激光雷达可靠。
在保障安全这条生命线方面，Waymo、小鹏、蔚来等主要厂商都达成了共识：依靠激光雷达、摄像头等多种传感器组成的融合感知系统，可以为安全提供“双重保障”。
不过呢，这两条路也不是完全对立着走，纯粹靠视觉的开始加入传感器，而多传感器那边也越来越重视视觉算法，慢慢地，两者正朝着融合的方向发展。
即使是在多传感器融合这块儿，也有人在争论：毫米波雷达才几百块钱，激光雷达之前都得几万，究竟为啥还非得装激光雷达呢？
激光雷达厉在它的3D建模能力，能把周围环境的细节描绘得清楚明了，从行人的动作到路面上的微小障碍都逃不过它的“眼睛”，这也是高级别自动驾驶（L4L5）离不开它的主要原因。
不过，数据显示也有另外一面：出色的准确度，往往是以对天气变化特别敏感为代价。遇到雨雪天的时候，激光束就容易受到严重影响，感应能力也会大大下降。
而4D毫米波雷达不怕天气，能穿透障碍物，但分辨率不高，只能起到辅助作用。所以，现在的豪华车和无人出租车通常会装配激光雷达，而普通经济车则少装几台，搭配着用罢了。
车的“大脑”和“灵魂”咋选？
把传感器比作车辆的“眼睛”，而算法就像是它的“大脑”。在这个圈子里，支持不同观点的人可是吵得挺激烈的。
以前大家习惯把设计稿成“模块化”，把开车的任务分成感知、预测、规划、控制几环节，每个环节各干各的事，就像流水线一样整齐划一。
这样的做法虽然好理解、调试也方便，但也有弊端，每个环节传递信息的时候都会有所遗失，最后出来的效果反而不佳。
两年前，端到端模型开始火起来，得益于特斯拉的FSDV12，这个思路跟学开车挺像的，新手不用先搞清楚原理，只要看教练怎么操作就跟着学。
这类模型就像新手司机学开车时模仿教练一样，不会拆解每个操作步骤，而是通过反复看大量真实行车录像，直接建立起路况画面和驾驶动作（比如打方向、踩油门）之间的直觉联系。
因为没有经过中间的信息抽象和传递环节，所以避免了每个模块可能出现的误差逐步堆积，理论上可以达到甚至超过人类驾驶的顺畅程度。这样一来，它的性能极限自然也会更高。
可惜的是，它就像个“黑箱”似的，一出事，根本搞不清哪里出错了，也就没办法去改正。
现如今业内又想出了个折中的招儿，叫“显示端到端”，就是留点中间数据，试图在高兴能和高透明度之间找个平衡点。
比起“大脑”来说，更重要的，其实是车子的“灵魂”。到底应该让AI担任“思考者”还是“执行者”，就分出了VLM和VLA两派。
VLM，也就是视觉语言模型，像Waymo这些大公司都偏爱它。大家觉得AI虽然强大，但不能让它乱搞决策，要让它专注于理解和推理，最后的决策权还是交给那些经过多年验证的传统模块。这样一来，整个流程更可控，出错时也能更容易查明原因。
比方说看到个东西，VLM识别出是“被风吹的塑料袋”，接着规划模块就会决定“不用急踩刹车，慢慢走就行”，责任明确得很。
VLA是个视觉、语言和动作结合的模型，像特斯拉、吉利、理想都在试探。它们觉得只要模型足够大，数据丰富，AI就能自己掌握所有的驾驶技术，最终比人还牛。
不过，它的“黑箱”问题更闹心，比如会突然紧急刹车，搞不清楚到底是把影子当成坑了，还是模仿了个别坏司机的习惯，这样不太符合汽车的安全规范。
而且，它所需的训练资料特别贵，要把8个摄像头拍的视频和同步的驾驶操作一一对应，这样的数据又少又难找。相比之下，VLM不一样，它先利用互联网上的“图像-文本”资料进行预训练，然后再用驾驶数据进行微调，花费少得多。
结语
归根结底，自动驾驶这些年各种流派之间的争论，从来都不是谁把谁彻底击败了，而是在不断争吵中，慢慢地融合转变成一起的。
激光雷达配合视觉，实现了多模态感知，模块化设计也借鉴了端到端的优势，而大模型依然在为各个系统注入“智慧”。
过去让咱们犯难的那些难题，表面看似没有固定答案，其实都在推动技术不断向前发展。
不管是哪条路走到头，最终还是得让“安全又实惠”成定局，否则再牛的技术，老百姓用不了、敢不敢用，那也就没啥用。
全部评论 （0）