無人駕駛商業落地難點在于外部環境的復雜性。無人駕駛技術在運營領域取得突破性進展可能是在2021年5G大規模應用之后，主機廠要想把搭載L4級無人駕駛技術的車輛賣給消費者，至少應該在MEMS激光雷達在前裝車規模應用后（預計2025年以后）。2018年國外車企無人駕駛水平可以做到L2-L3之間，個別車型達到L3級別；國內大多數車企處在L1-L2的水平，部分車企已經具備L2級無人駕駛的能力。2019年國內大多數車企都會落地L2自動駕駛技術。百度無人駕駛路測牌照質量和數量雖然在國內遙遙領先，但在加州其路測數據中MPD值落后Waymo兩個量級。

目前互聯網公司不具備量產汽車的能力，很難解決無人駕駛在執行層面遇到的問題，要么直接購買汽車開展運營業務，要么專注于汽車大腦放棄造車。傳統車企有量產優勢，但也受制于安全性、成本壓力，整車廠主導的無人駕駛進度應該是逐步推進的。如果只看整車廠和互聯網公司對無人駕駛的規劃，很容易認為無人駕駛正在迅速到來。然而受傳感器和人工智能技術進步的制約，無人駕駛的各種商業模式成熟度不一樣，規模化應用的時間節點也不一致。正如科幻作家威廉?吉布森(William Gibson)所言：“未來已經到來—只是分布并不十分均勻。”

一、無人駕駛發展歷程

1、無人駕駛汽車發展歷程

Google在2009年建立了由Thrun領導的無人駕駛汽車項目。2012年，自動駕駛原型車開始進入美國公共道路，他們已經行駛了數千萬公里，也變得更加安全可靠。但這項技術離大規模部署還有一段距離。

圖1：國外無人駕駛汽車發展歷程

圖2：我國無人駕駛汽車發展歷程

來源：公開資料整理

2、難點在于外部環境的復雜性

人類駕駛的工具可以分為三類：車，船，飛機。無人機、無人船并沒有引起大公司足夠的興趣，然而無人車從進入大眾目光開始，就挑起了巨頭們的強烈的興趣，原因有二：一，汽車數量大，市場萬億級，足以挑動巨頭們的神經；三，汽車屬于高頻使用，無人車應該會比無人機、無人船能為人類節約更多時間，促進生產效率的提升。

在介紹無人駕駛汽車之前，我們先回顧一下無人駕駛飛機的發展。飛機的無人駕駛早在1910年代就出現了，1930年代成熟，工程師把飛機的升降舵、副翼和方向舵與陀螺儀和高度計相連，飛機可以根據設定的方向和高度飛行。20世紀70年代，電子計算機進入飛機，從而實現了自動化飛行。那么飛機飛行是否就可以不要駕駛員，而完全由計算機控制自動完成飛行任務了呢？答案是不行。主要原因在于：飛機在起飛和降落這兩個階段中，變化因素太多，計算機只能按預先編好的程序動作，不具備靈活反應的能力；即使飛機在巡航狀態時，駕駛員可以不做任何動作去控制飛機，但他必須監視這個機器“大腦”的工作。萬一這臺“大腦”出現什么故障或反應不夠及時，駕駛員要立刻接管駕駛飛機的任務，這樣才能保證飛行安全。

飛機無人駕駛替代的是“飛行員看儀表指針并在指針偏離設定值時按固定動作修正回來”的操作。之所以飛機能夠用于這個功能，因為天空飛行和海洋航行、太空飛行一樣，在巡航階段的很多情況下并沒有什么“情況”。巡航階段即使發現情況，也不會立即發生事故，飛行員有時間接手處理。而汽車面對的交通場景是有車道線的公路，公路比天空和海洋里巡航階段要復雜太多，一旦發生偏離，幾乎立刻會發生事故，這也是汽車無人駕駛發展緩慢的原因。

無人車需要大量的傳感器，精確識別道路上的物體大小、速度、距離和方向，判斷道路方向、路面狀況，猜測物體下一步可能發生的運動改變并在緊急情況打破形式限制，將來甚至還需要在發生事故中知道如何選擇更輕微的事故方式。對于人來說近乎本能的駕駛反應，對于無人車來說則是大量傳感數據、綜合處理和算法積累。筆者認為，如果當前汽車駕駛面臨的復雜外部環境不變，面向私人消費者的乘用車（VaaP）實現完全無人駕駛需要讓汽車大腦具備人腦面對突發情況時的推理和判斷能力。人類只有進入了一個人工智能高度成熟的時代，這種情況才可能實現。因此面向消費者的乘用車完全無人駕駛離規模應用還十分遙遠。

二、國內外無人駕駛水平對比

國際汽車工程師協會（SAE）制定的汽車智能化分級標準，從駕駛操作、環境監控、系統接管、應用場景四個方面，SAE把汽車智能化分為L0-L5五個等級，如下圖所示：

圖3：無人駕駛等級劃分

來源：公開資料整理

L4和L3的區別在于，L3在系統出問題時需要人接管，而L4可以自己處理所有特殊情況。L4和L5的區別在于，L4只適用于特定場景，L5適用于所有場景。目前市面上在售的所有汽車幾乎都還處于組合功能輔助駕駛的階段。

1、主機廠車型對比

Tesla的Autopilot系統能夠將Tesla電動車具備的眾多L2功能，如AEB、ACC、LKS等有機結合起來，實現了高速公路的無人駕駛。2018新款的奧迪A8搭載了名為“Traffic Jam Pilot”的特定條件的L3無人駕駛，解決的是特定場景-交通擁堵情況下的無人駕駛。從量產車的角度來看，全球現在只有一臺L3級別的自動駕駛，奧迪全新A8。具備L2功能的自動駕駛量產車，到目前為止只有凱迪拉克CT6、特斯拉model s、x、3，沃爾沃S90、XC90，XC60、奧迪Q7、奔馳E級、日產第二代聆風。國外主機廠無人駕駛水平可以做到L2-L3之間，個別車型達到L3級別。

國內大多數車企目前處在L1-L2的水平，部分車企如小鵬、拜騰、蔚來、威馬等已經具備L2級無人駕駛的能力，2019年國內大多數車企都會落地L2自動駕駛技術。

2、路測數據對比

截至目前，已經有60家企業取得了加州自動駕駛路測牌照，其中美國本土企業數量32家，中國12家。取得中國自動駕駛路測牌照的主機廠最多，占到了62%，第二名是互聯網公司，占據17%，自動駕駛算法公司也占到了13%的份額。獲得美國加州自動駕駛路測牌照的企業中，自動駕駛算法企業占39%，主機廠占據了25%的份額，互聯網公司占據13%，還有一些Tier1供應商和芯片廠商也在美國獲得了自動駕駛路測牌照。

國內申請牌照前，測試車輛和安全員分別要進行5000公里以上的封閉測試場日常訓練、至少50小時的培訓訓練。加州自動駕駛路測牌照的獲取方式更為簡單，只要繳納500萬美元的保證金，按照加州車管局（DMV）的要求向其提交測試數據，并滿足DMV對技術、公司資質等方面的審核標準，就可以拿到一張自動駕駛路測牌照。以下為獲得中美兩國自動駕駛牌照的企業以及相關情況。

圖5：獲得美國自動駕駛牌照的企業

圖6：獲得中國自動駕駛牌照的企業

圖7：獲得自動駕駛路測牌照的企業最新進展

來源：億歐

北京自動駕駛測試試驗用臨時號牌共分為T1至T5五個級別，T3代表著較高的技術級別，也是現階段業內所能考到的最高級別，百度、小馬智行、智行者取得了T3牌照，其他企業均為T1。數量方面百度憑借29張自動駕駛路測牌照遙遙領先。從DMV發布的2017自動駕駛脫離報告來看，Waymo和通用的MPD值達到了同一個量級，百度和Waymo相差兩個量級。根據麥肯錫的研究報告顯示，中國本土自動技術在算法、訓練數據上還需要2～3年的追趕時間。

圖8：DMV發布的2018自動駕駛脫離報告情況（部分）：

三、無人駕駛主流商業模式

無人駕駛主流商業模式有兩種，第一種是企業作為價值鏈的一部分，把車作為最后的產品，賣給私人消費者（VaaP）。另一個商業模式，把無人駕駛技術應用在服務的場景中，收取服務費用，比如替代出租車司機的人力成本后，把每一次取得的項目費用作為無人駕駛營收（TaaS）。考慮到Waymo在2018年底在美國運營無人駕駛出租車業務時還配備安全員，無人駕駛技術在運營領域取得突破性進展可能是在2021年5G大規模應用之后，典型特征是Waymo完成一億公里路測，一個安全員可以在后臺遠程監控甚至操作上千臺無人駕駛出租車。主機廠要想把搭載L4級無人駕駛技術的車輛賣給消費者，至少應該在MEMS激光雷達前裝規模應用（預計2025年）以后，而且涉及到事故安全責任的問題，極有可能只面向少數人群。

圖9：各家公司對L4的商業化計劃

來源：公開資料整理

1、TaaS模式：Waymo無人出租車業務缺乏安全考量

以Google、Uber等為代表的互聯網公司，通過安裝價格高昂的傳感器（激光雷達為主），獲得高質量傳感器數據，再通過大規模的路測，積累海量數據，鍛煉算法，讓汽車大腦更加聰明，從而“一步到位”地實現完全無人駕駛，從而顛覆整個出行行業甚至汽車產業。目前L4載貨業務已經可以落地，載人業務在封閉區域低速行駛情況下（短距離接駁車）也已經可以落地。但是在開放路況中，在人與車共享路權的情況下，要想實現出租車隊實現無人駕駛安全性，還需要足夠的路測和模擬仿真駕駛里程。

L4級別的業務競爭壁壘在于數據積累和算法。目前的算法，除了將基本的交通規則寫入算法外，在遇到各種交通規則不能覆蓋的路況時，需要將路況信息記錄下來，告訴汽車大腦，下次再遇到這種情況如何處理，本質上類似于人類的經驗學習。這就給路測數據和仿真模擬數據有效性帶來了疑問，雖然路測數據積累越來越快，但如果汽車面對的外界環境沒發生本質改變，比如Waymo是在限定的 25 個城市展開道路測試，汽車大腦學到的經驗有可能是重復的，并沒有變聰明。

有資料顯示，人類駕駛員平均每駕駛9656萬公里會發生一起致命車禍。因此無人駕駛路測應該不少于一億公里，此外還需要在計算機虛擬環境測試9億公里。谷歌是較早投入到無人駕駛技術研究的企業，目前已經在進行無人出租車商業運營，其Waymo產品的路測數據為1600萬公里。按照Waymo的路測進度， 2025年前路測數據能突破1億公里。Waymo 跑完第 1 個 100 萬英里耗時整整 6 年，第 5 個 100 萬英里只用了 4 個月；同時虛擬里程也從去年 17年10 月的 10 億英里迅速攀升至 18年2月的50 億英里。

圖10：Waymo數據積累曲線

來源：公開資料整理

美國的人類駕駛員每 165000 英里才出一起普通事故；每 90000000 英里才出現一起致死事故。從平均每次干預行駛的里程（MPD值）角度，Waymo經歷從每 5000 英里（ 2016 年）到 5596 英里（ 2017 年）再到11153英里（2018年）干預一次的轉變，我們可以看出從2016年到2017年MPD提升的幅度很小，2017到2018年提升幅度卻很大。按照2018年的提升幅度有理由相信Waymo的MPD值在不久的將來能夠達到人類水平，只是數據大幅提升的原因究竟是人工智能技術有升級還是汽車大腦已經熟悉了路況尚不清楚，如果Waymo的汽車大腦已經熟悉了平時訓練的道路，在2018年MPD突然大幅提升也不是不可能。

圖11：MPD值對比

打造無人駕駛出租車隊，有降低人力成本的好處，將來在廣告、贊助、車內服務等新的商業模式上也可以進行創新。但是中國無人駕駛環境復雜，人口稠密、混合交通、野蠻駕駛，人力成本相對低，如何能推行適合“本土化”的L4、L5無人駕駛技術是運營商需要考慮的重點。

預計未來無人駕駛出租車在城市運營有三種可實現路徑：1、為出租車建立專用“管道”，從而讓無人駕駛出租車面對的環境更加簡單，這種管道可以是虛擬的高精度地圖加高精度定位，也可以是實際道路（各地正在興起的無人駕駛小鎮有可能會興建無人駕駛專用道路）；2、借助后臺人員遠程監控操作無人駕駛車輛，當無人駕駛車遇到不能決斷的情況時，把控制權交給后臺人員（并不是嚴格意義上的L4）；3、等待人工智能推理判斷能力的成熟，無人駕駛車輛能夠在和人共享路權的情況下，準確判斷周圍人的運動意圖（根據以上討論這種路徑在2025年前不太可能實現）。

除了無人出租車隊，我們現在也已經能看到在特定場景的無人駕駛，包括港口、園區、安防、礦區、景區、機場、環衛等。因為是在特定場景，環境相對簡單可控，在具備高精度地圖的情況下，對于感知和決策的算法要求就沒那么高，人工智能不需要面對多變的情況，現階段的人工智能已經足以應付這些場景，雖然這條技術路線的技術門檻并不高，但卻存在很多經驗性的技能，積累足夠的數據之后，就可以把產品服務性價比做到最好，從而形成競爭優勢。現階段就能落地的項目可以給企業帶來持續的現金流，不必為了做無人駕駛出租車隊去等待法律法規的開放或者爭取有限的測試牌照進行漫長的路測。

圖12：國內部分無人駕駛企業應用場景

2、VaaP模式，主機廠采取逐步豐富有條件L3、L4的策略

將車輛賣給私人消費者(VaaP)的主機廠，出于安全和成本考慮，會走循序漸進的技術路線。奧迪、福特、通用、寶馬、豐田這樣的企業內部都具備強大的技術積累，他們從幾十年前就開始努力發展安全輔助駕駛。此外汽車一級供應商（Tier1），大陸、博世、德爾福等也掌握了很多的技術。2017年8月29日，德國科隆經濟研究所（Cologne Institutefor Economic Research）檢索并分析了2010年至2017年7月期間的5839項自動駕駛相關專利，以確定該領域的活躍公司。第一名既非汽車制造商，也非美國高科技公司，而是德國汽車部件供應商博世。日本權威媒體與專利分析公司Patent Result合作，18年出了一份自動駕駛專利競爭力排名，排在第一的是谷歌Waymo、第二是豐田，前十名主要被美國和日本車企所占據。

圖13：無人駕駛專利數量對比

來源：公開資料整理

未來全功能的L3還需要實現更多場景下的無人駕駛，比如高速公路上的自動跟車、高速公路全速120公里自動行駛、全自動泊車（代客泊車），通過高頻使用場景的逐步無人化，最終實現Tier1主導的全功能的L3、 L4。現在的算法已經足夠解決部分L3的問題了，全功能的L3關鍵是傳感器性能還達不到場景需求，無法量產。

國內各傳統整車廠對于無人駕駛技術的規劃較為激進，相對而言北汽的規劃更加實事求是。造車新勢力要比傳統車企更為激進。比如，蔚來、拜騰都表示將于2020年實現L4級無人駕駛，車和家更是希望2019年就能出L4級樣車了。車企制定較為激進的規劃是為了吸引消費者注意，跟風放“衛星”。

表1：國內主機廠無人駕駛規劃

來源：公開資料整理

面向消費者的L4級別的乘用車勢必要用到中遠程激光雷達，目前MEMS激光雷達還沒有量產，距離車規級應用還需要一段時間，此外激光雷達成本過高也會延緩量產進度。如果車企選擇不用MEMS激光雷達，以Mobileye視覺技術為核心與GPS、IMU、超聲波、毫米波雷達等傳感器做深度融合，打造一款可在受限場景下穩定運行的無人車也是是可行的。但是這種技術路線由于沒有使用MEMS激光雷達，數據精度和安全性都會下降。到時車企雖然號稱配備了L4級的無人駕駛，但因為不好用不會被私人消費者接受，只能配在少數車型上。

四、競爭分析

1、玩家背景分析：主機廠VS互聯網公司

玩家背景可以分為兩大類，一類是硬件為主的主機廠，另一類是軟件為主的互聯網公司。主機廠又可以分為傳統背景和新能源背景，傳統背景主要指燃油車時代形成的國際國內主機廠，新能源背景主要指傳統汽車從業者或者創新型企業家在新能源變革的趨勢下，抓住機會，將汽車新能源趨勢和智能化趨勢結合起來另立門戶，代表企業有Tesla，蔚來汽車、小鵬汽車，他們創業骨干來自國際國內各大主機廠。以Tesla等為代表的新興公司，在傳感器上力求降低成本，在無人駕駛推進上相當激進。

互聯網公司出身的創業團隊，國內主要是指百度以及從百度出來的創業團隊，國外主要是指來自Google、Apple、Tesla、Uber的無人駕駛團隊。按照學術背景創業團隊又可以分為兩類，一類是斯坦福、卡耐基梅隆、清華大學、中科院等計算機名校或者研究所的專家教授抓住計算機視覺技術成熟的趨勢，對汽車進行智能化改造。通過攝像頭，Mobileye的單目能夠提供L1的前車碰撞預警，肖建雄的AutoX，能實現L4級別的載貨應用。另一類是機器人背景的創業團隊，借助人工智能技術的進步，對傳統工廠中的自動導引車（AGV）進行改造升級。COWAROBOT與環衛龍頭“中聯環境”聯合開發了無人駕駛掃地車，未來有望開發出在更加動態、開放環境中的快遞機器人、送餐機器人、跟隨載物機器人以及無人駕駛汽車。

圖14：國內無人駕駛企業背景

來源：億歐

2、競爭策略：聯盟、投資并購、垂直整合

傳統車企有量產優勢，但也受制于安全性限制、成本壓力，導致無人駕駛進度是逐步推進。互聯網公司不具備量產汽車的能力，很難解決無人駕駛在執行層面遇到的問題，要么直接購買汽車開展運營業務，要么專注于汽車大腦放棄造車。

無人駕駛技術涉及到的汽車本身、計算平臺（芯片）、雷達、攝像頭、高精地圖、通訊技術等眾多領域，這些技術不是哪一家企業單憑一己之力可以完全做到的。對此企業有三種應對策略。

一是聯盟：在無人駕駛技術研發進程中，技術生態圈的構建會成為一大趨勢。當前，市場上已經出現了一些技術聯盟，如寶馬-英特爾-Mobileye、Uber-沃爾沃-戴姆勒、Lyft-通用-捷豹路虎、谷歌OAA聯盟，以及百度阿波羅平臺等。寶馬－英特爾－大陸－德爾福－Mobileye聯盟，寶馬負責駕駛控制、動力學、整體功能性評估、原型車生產。英特爾負責解決從汽車到數據中心的計算能力，包括傳感器聚合、駕駛策略、環境建模、路徑規劃以及處理器、固態硬盤和人工智能平臺等訓練和模擬基礎設施。Mobileye則擅長計算機視覺處理，同時結合英特爾CPU和FPGA技術構成的中央計算平臺，集成到每一輛無人駕駛汽車中。而作為Tier1，德爾福與大陸的加入更多地扮演技術集成的角色，它們更擅長將一堆部件結合成一套“總成”。

博世－百度－高德－四維圖新聯盟，相比上述陣容少了一個汽車制造商的角色。聯盟的牽頭者百度也并未想過自己造車，而是選擇在其它主機廠現成的車輛上搭載一套無人駕駛系統。未來百度通過售賣無人駕駛系統或提供系統租賃和運維服務。這種模式在傳統行業中已有案例。GE通過租賃航空公司發動機實現商業運營，發動機實時和衛星連接，將數據傳回至GE，后者對發動機狀態及是否需要維護的情況一清二楚。在此合作中，百度主要提供高精地圖、自定位、增強現實、人機交互界面等核心技術。博世提供無人駕駛測試車的雷達和傳感器。

二是投資和并購：國外車企和其他巨頭與無人駕駛公司合作非常密切，甚至像通用（收購Cruise），福特（收購Argo），Uber（收購otto），德爾福（收購Ottomatika）等紛紛收購了至少一家無人駕駛公司。而國內的車企為什么沒有收購初創公司的動作？這是汽車產業成熟度的差異造成的。汽車制造作為百年工業，發達國家的企業都經歷了漫長的技術積累周期，為了保持產品的優勢，很多新技術本身就是由他們提出的，已經形成非常成熟的研發體系。現在世界上最頂級的一級供應商里，德爾福曾是通用的零件子公司，電裝（denso）原是豐田的電氣安裝部門，以此足見國外車企的技術強大。而國內汽車市場興起時，汽車的供應鏈體系已經很成熟，國內市場爆發又快，車企把全部精力都放在占領市場上，技術都是直接拿來使用，幾乎沒有研發。現在雖然很多企業開始重視研發，但差距巨大短時間根本無法趕上。因此，國內車企更像一個組裝廠，就算他們收購或者找無人駕駛公司合作，自身也沒有足夠的技術能力支撐無人駕駛的技術需求。所以，在國內與車企合作，更多需要提供一套完整的無人駕駛解決方案，這個挑戰比國外公司只用做好優勢環節來說，要大太多。

三是垂直整合：少數公司也希望完全自主開發電動無人駕駛出租車解決方案。特斯拉就希望在該公司的高端電動車上配備無人駕駛軟件，并組建“特斯拉網絡”專車服務。神秘汽車科技獨角獸Zoox也在開發具備無人駕駛功能的電動汽車。Alphabet旗下的Waze同樣在加州推出了拼車服務，雖然與專車服務有所不同，但外界仍然懷疑該技術未來可能與Waymo的無人駕駛汽車整合。

圖15：目前在無人駕駛領域占得一席之地的車企、互聯網公司和各種解決方案供應商

來源：Vision Systems Intelligence

五、無人駕駛面臨的技術困境：

感知和預測是較困難的部分

關于汽車電動化智能化的思考：汽車發展的趨勢是什么？ACES（無人駕駛、聯網、電動、共享汽車）。為什么不能在燃油車上做無人駕駛？無人駕駛也是汽車電子產業的優化升級，未來隨著智能化程度的提升，整個無人駕駛系統所消耗的電量巨大，混動和純電動在這方面具有明顯優勢。另一方面是燃油車發電機的底層控制算法相比于電機復雜太多，與其花大量時間在標定和調試底層上，不如直接選用電動車研究更高層的算法。為什么國內外無人車出租車運營商目前采用的都是混動車？當前的無人駕駛出租車存在續航里程焦慮和智能化消耗電量大的特點，純電動無法滿足，等到將來鋰離子電池能量密度提高到新的檔次，純電動車續航里程大幅提高，未來的無人駕駛新車型必然也是純電動車。

我們可以把無人駕駛看做人工智能對汽車產業的升級改造，人工智能的發展依賴于四個基本要素：計算力、海量數據、算法與決策、以及傳感器的數據采集，而對于實現完全的無人駕駛同樣高度依賴于這四個基本要素，并且缺一不可。真正的完全無人駕駛汽車必須解決三個獨立的任務：感知（了解周圍世界發生了什么）、預測（確定下一步會發生什么）和駕駛策略（采取適當的行動）。谷歌無人車之父Thrun說，最后一個任務是最簡單的，自動駕駛中只有10%的問題與之有關，而感知和預測則是較困難的部分。

無人駕駛汽車通過攝像頭、毫米波雷達和激光雷達等傳感器來感知世界。傳感器的感知范圍雖然達到，甚至超過了人類開車時的感知范圍，但是性能遠沒有達到人類的判斷能力。人眼能夠輕松地識別200米外的車輛，在時速超過200kph的時候也不例外，但這對目前的攝像頭技術而言簡直是不可完成的任務——200米外的車輛可能只是幾個像素點。同理，在中國目前不少車載攝像頭都無法準確分辨限速標志和限重標志——那個t字實在太小了。雷達無法準確判斷前方車輛的橫向位置，甚至無法分辨前方是一輛車還是兩輛車并排行駛。

激光雷達還面臨著高成本的問題，目前機械式激光雷達的高成本主要源于生產中精密光學器件的校準等繁瑣環節，如果用固態器件替代，就能減少標定過程的人工介入，降低人工和器件成本，LiDAR價格有望從上千乃至上萬美元降低到數百美元。激光雷達的四條路線中MEMS和OPA的技術路線現在都還沒量產應用，機械式和flashTOF方案已經有量產使用，flashTOF方案主要在AGV小車、物流送貨小車和ADAS量產車型，測量距離30米以內，屬于近程激光雷達。MEMS和OPA方案可以用在中遠程（150-200m），機械式最遠可以探測到250m以上。OPA方案十年后有可能是最好的方案，但是現在硅光子技術比MEMS還不成熟，OPA方案難點主要在相控陣芯片的研發上。傳統的機械式旋轉LIDAR在地圖領域的使用較為成熟，從發明出來到現在持續了10年左右的時間。而自動駕駛領域的LIDAR應用，是從2015年4月才開始，大家普遍的觀點的是，LIDAR在車的大規模應用方面，會在2025年。當然，這也要看現在的這種LIDAR成本是否能夠降下來。

結合來自傳感器的數據后，汽車需要識別周圍的物體，機器必須通過大量仔細標記的樣本訓練過后才有這樣的能力。一輛車識別出周圍的一切之后，它就需要立刻預測未來幾秒會發生什么并決定如何應對。無人駕駛車輛在應對復雜環境方面還離人類駕駛員還是有差距的，人類駕駛員擅于處理一些意外情況，例如道路施工、拋錨的車輛、運輸卡車，緊急車輛、倒下的樹木或惡劣的天氣等。由于行人的前進方向和速度都可以快速變化，再考慮其他車輛或基礎設施的遮擋問題，面向行人的自動緊急制動或者轉向都是非常困難的事，所以奧迪A8的L3自動駕駛系統，依然把使用場景限制在僅有車輛通行的封閉道路上。

現在被廣泛部署無人駕駛，仍然偶爾需要人的幫助。無人駕駛接駁車制造商Navya的CEO Christophe Sapet舉了個例子：在一個兩車道的路上，無人駕駛汽車由于不敢越過道路中的實線而追尾了一輛拋錨的卡車。產生這種結果的原因，是自動駕駛汽車被編程、被設定必須遵守交通規則（而不會隨機應變）。但如果是人類，只要對面沒車，就會壓過實線繞開這輛卡車。Navya的無人駕駛車輛則會向遠程監督中心求助，人類操作員可以看到車輛攝像頭拍攝的實時信號。遇到剛剛所說的情況時，操作人員在保證安全的情況下允許該車壓過實線行駛。Thrun預測，這些操作員在未來可能會一次監控數千輛自動駕駛車。

在無人駕駛時代，車輛與車輛、車輛與基站、車輛與行人等之間的交互能力也至關重要。這對車聯網的建設、IOT的普及和5G無線網絡等提出了極高要求。V2I（車對基礎設備）技術，政策，法規的落地都超出了汽車行業本身的范疇，這是一個復雜的系統工程。比如要實現全自動泊車，就必然要求對停車場的通信設施進行重建，這也是無人駕駛落地的一個障礙。

六、商業模式成熟時間表：

載貨先于載人，簡單環境先于復雜環境

Mobileye實現了攝像頭的智能化，但是中遠程車規級激光雷達還沒有在前裝乘用車上規模應用，因此VaaP模式當前還處在傳感器智能化的階段，隨后才是細分場景算法的依次成熟，最后是汽車軟件的統一標準。TaaS各類商業模式正在積累數據，根據載貨的商業模式先于載人的商業模式成熟，外界環境簡單的商業模式先于外界環境復雜的商業模式成熟，可以判斷低速封閉場景的無人駕駛工程車、開放場景無人駕駛工程車、無人駕駛物流車、L4級無人駕駛出租車將先后實現規模化應用。L5級無人駕駛私人乘用車要實現規模化應用至少應該在20年后。

簡單粗暴地使用高精度地圖+高精度定位，現在就可以實現某些特定場景下的L4無人駕駛。這里的高精度地圖可以理解為一個“管道”，無人車只要保證自己在“管道”內行駛即可（參考waymo的綠色“管道”）。使用高精度定位，告訴車在管道的哪個地方，就可以自動駕駛。馭勢科技和白云機場合作開發的無人駕駛車在機場這種特定場景完全就可以使用這種方法。而且通過圖片可以看出這車裝了差分GPS，如果再加上RTK設備，就是可以達到戶外厘米級的定位。在一些礦區，也有機器人在代替人類去控制高大的礦車，這些demo進入特定場景后如果能夠快速的積累數據完成產品的迭代更新，他們很快就會為這些場景帶來巨大的變化。在特定場景中的無人駕駛實現難度沒有那么大，在這個賽道上的創業公司會借助資本的力量跑馬圈地。

奧迪A8搭配的是有限條件下的的L3，未來國外的Tier1和主機廠巨頭，會逐步豐富有限制L3的場景，從而實現接近無限制的L3、L4應用。考慮到2018、2019年乘用車市場的低迷，Tier1和主機廠巨頭在研發這些場景下對應得功能時更多的會考慮到成本問題，再加上新式傳感器的車規級應用需要較長的研發時間，由主機廠主導的賣給私人消費者的無人駕駛乘用車（VaaP）會逐漸豐富功能穩步推進。

圖16：無人駕駛商業模式先后成熟

七、投資機會關注

傳感器智能化公司：無論是從汽車安全或駕乘體驗提升的角度講，感知環節都是產業升級中的最先受益者，傳感器決定著數據采集的質量，傳感器智能化汽車智能化的基礎。

限定場景下的自動駕駛技術公司：可能的限定場景如：封閉/半封閉區域、低速/高速狀態、有軌交通、特種車輛等。

國中創投已經在無人駕駛產業投資了多家優質企業，包括融合決策、視覺傳感器、毫米波雷達、高精度GPS、車載語音識別、車載HUD等領域，未來還會在該領域進行更加精細化的布局。

八、風險提示

技術的不確定性：光學相共振激光雷達（OPA）技術、人工智能推理能力、人機交互技術、低功耗人工智能芯片、云平臺、5G通信與NB-IoT移動物聯網的產品落地都會影響無人駕駛各種商業模式規模應用的時間，無人駕駛產業進度可能不及預期。

來自Waymo的競爭壓力：美國當地時間2019年1月22日，全球自動駕駛領頭羊Waymo官方正式宣布，在美國汽車工業重鎮密歇根州，建立世界上第一家100%致力于L4自動駕駛汽車大規模生產的工廠。這家工廠是一家改裝廠，而不是真正意義的汽車生產工廠。Waymo自行開發自動駕駛所需要的硬件和軟件需要部署到Waymo所購買的車輛上。工廠的建立，是為了解決這個關鍵問題。領頭羊與跟隨者的距離正在拉大。美國的自動駕駛公司，以及中國的自動駕駛公司都會面臨這樣一個問題，一旦Waymo開放技術，是否還需要、還值得、還應該在這個領域深耕。

估值泡沫破裂：此前，摩根士丹利將通用Cruise的估值，從最近的本田投后145億美元，下調到90億美元，因為Cruise的發展不及預期。主要是對其2019年是否能夠商業化的擔憂，畢竟Waymo的商業化也遇到了問題。實際上，自動駕駛初創公司的估值下滑，尤其是中國的自動駕駛初創公司的估值下滑，在2018年底就已經開始了。中國的自動駕駛初創公司，在2019年會面臨著洗牌的局面，技術能力不行的團隊、資金鏈斷了的團隊率先出局。投資人也面臨著選擇，是選擇繼續高估值押注，還是選擇泡沫過去再進場。