汽車安全輔助駕駛測試（被吹上天的城市領航輔助駕駛）

2023-07-17 16:29:48

前一陣特斯拉自動駕駛造假的事情，各位都有所耳聞吧。

2016 年特斯拉公布了一段視頻，裡頭的 Model X 搭載了 Autopilot 系統，全程無人駕駛開到終點，絲滑的一批。

結果呢，這些畫面被曝出都是剪輯拼接的，特斯拉只是想靠著它騙一波投資和股價罷了。

我說為啥看著這麼科幻呢，原來真的是編的。

不過，這個在當時極其離譜的功能，放到現在卻並不難。不信？你看，這是某自主品牌自動駕駛系統的路試鏡頭：

這是另一個：

就連翻車的特斯拉，現在也能部分實現當時吹的牛逼了：

上面這些能夠實現點到點自動駕駛的功能，有個專門的名字叫 NOA （ Navigate On Autopilot ），直譯過來就是 「 導航輔助自動駕駛 」 。

NOA 最近可是太火了。有多火呢，這麼說吧，幾乎所有新能源品牌，都宣稱會在今年 OTA 推送 NOA 功能，比如理想、小鵬、極氪等等。

從大趨勢看，NOA 應該就是近幾年自動駕駛領域最炙手可熱的香餑餑了。因為 NOA 的落地，很可能是我們離所謂 「 自動駕駛 」 最近的一次。

NOA ，學名領航輔助行駛，是目前最符合 L3 級自動駕駛定義的功能。從直譯就能看出來，它跟導航和自動駕駛多少都沾點。簡單來說，有了 NOA ，我們只需在導航上定好起點和終點，車子就能自己開過去。

而根據使用場景的不同， NOA 還被分成了兩個細分方向，一是高速 NOA ，二是城市 NOA 。

我們先來看高速 NOA 。顧名思義它的適用場景是高速行駛。打開以後，車子就可以自動完成超車、變道、跟車、上下匝道等操作。

就好比咱們放假開高速回家，往常的做法呢，是在出發前定好導航路線，然後一路聽著導航指示開。

說簡單也簡單，說累也是真的累。因為得時刻關注車道和路口怎麼走，要是下錯高速出口，還得繞一大圈遠路。

而在打開高速 NOA 以後，只要車子上了高速就可以讓它完全自己操作。走哪條道、從哪個出口高速 NOA 也能提前規劃好，走錯是不可能走錯的。

下了高速之後，城市 NOA 就該起作用了。

和高速 NOA 比起來，城市 NOA 能夠實現的操作要複雜許多，相對會更接近我們理解中的自動駕駛。

就比如晚高峰下班的時候，只需在上車以後定好從公司回家的路線，剩下的交給城市 NOA 就好。遇到堵車，它能讓車子在正確的車道上自動跟車、併線；遇到十字路口，它能根據紅綠燈的情況安全通過；甚至，在到家了以後，還能找到車位並停好。

計程車：我免費了！

拆開看，NOA 其實就是一些常用功能的組合。

比如高速 NOA ，就是自適應續航、車道保持和自動變道等功能的疊加。這些技術已經比較成熟，所以，它的實現難度並不高。

但城市 NOA 則完全不是一個 LEVEL ，難度，超級大。

因為城市 NOA 需要處理的場景不僅量大，還經常不按常理出牌。

就比如，路口，不一定是橫平豎直的，有可能是奇形怪狀的。行人也不是一直都在人行道上走，還有可能突然竄出來一隻狗啥的...

這，大概就是亂紀元吧（ 來自周文王的肯定 ）...

這麼說可能不太直觀，我們來看看對比。這是高速 NOA 眼中的路況，簡單寬敞，輕鬆寫意：

而這，是城市 NOA 眼中的路況，肉眼可見的難度 Max ：

想要搞定這樣的環境，首先得保證儘可能 「 看清 」 周邊環境是個啥情況，其次還得高效地處理分析裡面的信息，然後才能告訴車輛應該怎麼操作。

所以呢，同樣是功能疊加，城市 NOA 需要的是高精度感知硬體當 「 眼睛 」 、高算力晶片當 「 大腦 」 以及合理的軟體算法當 「 邏輯 」 。三者一同發力，才能保證系統安全運行。

這麼一看，如果說高速 NOA 是智能駕駛的高考，那城市 NOA 絕對就是奧賽水平了。

而奧賽的最後一道大題，無疑就是數據收集。

既然是奧賽，那肯定就得備考。目前想要實現自動駕駛，需要通過 AI 學習的方式。也就是讓它了解人們的駕駛習慣，然後再上手操作。

其實就是先看書，再考試。NOA 背後也是這個道理。

但問題就在於，書上的知識從哪來。

大部分廠家的做法呢，是先把AI 放到模擬環境裡練上一段時間，類似於考駕照的時候會先讓學員在駕駛模擬器裡開上一會，而後再上路測試。

甚至，還有公司用那個遊戲來驗證自動駕駛的算法就離譜。

這樣做，也確實能在短時間內獲得相當多的模擬數據，儘快搭建起自動駕駛系統的基礎。

就比如美國的自動駕駛公司 Waymo ，截至目前就已經累積了接近 200 億公裡的模擬訓練數據。

相比之下，現實道路的行駛僅有 1600 多萬公裡，很明顯前者的效率要高得多。

模擬測試乍一看挺合理，卻存在著一個非常致命的問題，那就是它無法完全再現現實世界的情況。

舉個例子，按理來說在開闊道路上，所有車都應該按車道前進。誒，但有時候就會有車突然變道給你來上個驚嚇↓

再比如，本應禁止行人通過的機動車道，有時候也會突然竄出人來↓

這類比較極端事件，被稱作Corner Case 長尾事件。它們極少出現，但一定會出現，還不知道會怎麼出現。對於照著書本答題的自動駕駛來說，這確實有點超綱。

最有代表性的例子，就是 2018 年 UBER 無人車的事故。

當時 UBER 無人車就是在開闊道路上正常行駛，但是當推著自行車的行人橫穿馬路時，由於沒有考慮到橫穿馬路的情況，系統並沒有將其識別為人，而是一個相對靜止的車輛，這才導致了事故的發生。

想要比較好地解決長尾場景，也只有一個土辦法：碰上了再說。這就意味著不管模擬多久，還是得儘可能多的上路測試。

但因為實際路測的效率較低，所以對於目前的自動駕駛而言， 「 高效的辦法不合理，合理的方法不高效 」 是一個致命的死循環。

所以，即使是像 NOA 這樣 「 有條件的自動駕駛 」 ，想要實現安全地讓車輛自主操作，也是一定需要經過長時間、大量的實際路測才能經歷儘可能多的極端情況。

說到底，這是個時間問題。

為了搞定數據問題，車企們自然也是各顯神通。

就比如特斯拉就用上了 「 人海戰術 」 ，每一臺車都配有 「 影子模式 」 ，能在日常駕駛中收集信息、學習駕駛習慣。

因為保有量巨大，特斯拉能夠在短時間內收集到大量的駕駛數據，訓練模型的迭代速度也能相對提升。

而在數量上不佔優勢的品牌，就會在效率上做文章。

比如蔚來的思路就是 「 算得快 」 ，愣是往一臺車裡塞了四塊 256 TOPS 算力的英偉達 Orin 晶片，大幅提高了單車的信息處理能力。

小鵬呢，則是用了 XNet 感知架構讓數據標註的速度大幅加快，聲稱能用 16.7 天就完成 2000 人的年標註量，也就是讓 AI 「 學得快 」 。

但是這些方法，說到底還是讓自動駕駛這個時間問題中的時間，變得更短、更快一些。然而強如 Waymo 這樣的自動駕駛領軍公司，目前也沒有完全解決處更是路況下，自動駕駛可靠性與穩定性的難題。

而由於自動駕駛識別錯誤引發的事故，無時無刻也都在我們身邊上演。就比如，它們可能會把路面光線識別成車道線...

說白了，NOA ，特別是城市 NOA ，是一個真正需要時間沉澱的技術。不光是因為它的複雜，更是因為它是最接近自動駕駛的技術。

自動駕駛的初衷，是幫助人們緩解駕駛的疲勞、提升出行的便利。而這，是以100% 的可靠與安全為基礎的。

脖子哥想說的是，無論宣傳話術多麼天花亂墜，不管所謂的解決方案多麼先進，廠商們如果無法保證長尾場景的全覆蓋，不能讓人們徹底放心地交出方向盤，那麼現階段的城市 NOA ，就只是一個不如不用的、不合格的功能。

著急忙慌追求落地，最終傷害的也只能是車主和品牌的利益。

99.99%=0 。安全的標準啊，就是這麼高。