提到智能車，大家都不會陌生，智能車是一個集環(huán)境感知、規(guī)劃決策、多等級輔助駕駛等功能于一體的綜合系統(tǒng)，它集中運用了計算機、現(xiàn)代傳感、信息融合、通訊、人工智能及自動控制等技術，是典型的高新技術綜合體，自動駕駛便與之有著異曲同工之妙。自動駕駛的核心技術，有的人認為是感知、有的人認為是決策，有的人認為是非技術的東西，比如能否持續(xù)賺到錢、能否做好前瞻性的管理工作等等。本期文

章就知乎上的幾位答主的觀點，來看自動駕駛技術的核心。

小鵬、特斯拉、蔚來“聰穎“不一

在對Model 3、小鵬P7、蔚來ES6的自動駕駛功能進行測試時，其中一項是對雪糕筒的識別和反饋卻截然不同：

小鵬：直接沖過去。

特斯拉：變道躲避。

蔚來：提示駕駛員接管車輛，自動剎車，同時打開雙閃。

當時測試的車輛速度是40-50km/h，理論上來說，以三臺車當前的硬件能力，不可能識別不到前方樁桶，最終不同的表現(xiàn)其實代表的就是三臺車不同的決策邏輯，來聽下三臺車的內心獨白：

小鵬P7：前方有樁桶？這是施工路段吶，理論上這屬于駕駛員自己接管的范圍，主動介入有可能造成危險，萬一出了事責任也很難劃分清楚吧？算了，還是維持當前操作！

特斯拉：前方有障礙物？哈哈，大顯身手的機會來了！看我的，變道避障！

蔚來：前方有障礙物？可能有危險吧？不行不行，趕緊剎車降速，同步告知駕駛員和周圍車輛，小心！有危險??！

自動駕駛技術的核心還是決策

自動駕駛技術的核心實際上還是決策。過去幾年由于視覺感知的不穩(wěn)定，自動駕駛的發(fā)展受到了極大的制約，因此很多人都認為環(huán)境感知才是自動駕駛技術的核心。但隨著環(huán)境感知的硬件越來越好，底層控制系統(tǒng)越來越精準，智能決策的重要性越來越關鍵。

如果自動駕駛類比人開車，那么感知就類似于人的眼耳，獲取汽車周邊的環(huán)境信息，而手腳則是偏執(zhí)行層的控制。那么自動駕駛的核心就應該更偏向腦部的功能——決策。

過去往往都在吐槽Mobileye的攝像頭或者哪家的雷達不行（眼神不太好），譬如車道線無法準確識別，靜止車輛在遠距離識別不到，這個目標又丟了，然后再加一堆的邏輯去解決這些參數(shù)異常跳動或者目標無法準確識別、丟失等問題。除此之外還需對執(zhí)行層進行調試，譬如這個EPS死區(qū)有點大，這個車輛制動響應不太好（可以理解為手腳不太好使）。但隨著供應商以及自研技術的提升，這樣的場景越來越少了，無車道線場景也可以給出安全行駛的邊界了，大家也有更多的精力去打磨決策相關的內容了，在學會走路的基礎之上，研究如何的跑的更快，跑的更優(yōu)雅了。

決策邏輯評價體系攸關重要

①能不能

比如，想識別所有的障礙物，但是你能枚舉出所有的障礙物來測試嗎？大千世界，無奇不有，顯然是不能枚舉完的。所以，那些沒測過的障礙物，風險怎么評估呢？你敢在產(chǎn)品放行文件上簽字嗎？

仿真能大大提高測試的覆蓋度，那么仿真和實際的偏差，怎么評估呢？仿真能識別了，實際就能嗎？

簡單來說就是幾個問題，第一，你知道你能識別什么，但是你知道你不能識別什么嘛？第二，如果你知道不能識別，那你能及時報警讓駕駛員接管嗎？第三，如果沒接管，你能及時執(zhí)行最小風險策略嗎？這些需要一套體系來管理和評價。

SOTIF能解決不少問題，但是SOTIF，有幾個公司能完全用起來呢。更別說SOTIF解決不了的問題了。

②可不可靠

之前是一些模糊邊界的問題。那么對于已經(jīng)定義清楚的功能，怎么保證可靠性呢？

功能安全里有個安全目標的概念，簡單說就是對于影響安全的事件（比如制動失效），有一套體系來保證相關的功能是可靠的。這里就引出了最常用的提高可靠性的方法---冗余。

冗余在傳統(tǒng)的車輛上很常見，比如扭矩計算，比如制動執(zhí)行機構的冗余。但是對于自動駕駛的一些問題，比如基于AI的感知，目前還不好做。

因此，沒法直接套用功能安全的體系，來保證已經(jīng)定義并實施的功能，是‘可靠’的。那怎么辦呢？可以結合數(shù)據(jù)閉環(huán)來debug。但有個問題是，數(shù)據(jù)閉環(huán)是滯后的。就算用測試車，測試車的數(shù)據(jù)在數(shù)量和test case的覆蓋度是比較局限的。OK，所以還要結合仿真，所以老問題又來了，仿真測試能過，路測就可以嗎？偏差怎么評估呢？

這就是一系列如何評價可靠性的問題。不是對自動駕駛悲觀，只是覺得要正視問題，避免盲目自信。也許以后有更好的體系來支撐自動駕駛的開發(fā)，但是歸納起來一句話---都需要時間。但是不希望有車企用激進的方式，像特斯拉那樣用消費者來做測試，加速這個進步。