自动驾驶最核心的技术是什么？

谈到自动驾驶，人们脑海中浮现的往往是未来感十足的汽车在道路上无缝穿梭的画面。但在这背后，究竟是什么在驱动这一切？如果要我 pinpoint 自动驾驶最核心的技术，我会毫不犹豫地说：

环境感知与理解。

这就像是为一辆汽车赋予了“眼睛”和“大脑”，让它能够看懂周围的世界，并做出正确的判断。没有了它，再强大的规划和控制系统也无异于空中楼阁。

我们不妨把它拆解开来，看看它究竟包含哪些关键的要素：

1. “眼睛”的进化：多元化的传感器系统

自动驾驶汽车需要全方位、无死角地“观察”世界。这就需要多种不同类型的传感器协同工作，每一种都有其独特的优势和局限性，就像我们人类使用视觉、听觉、触觉来感知一样：

摄像头 (Cameras): 这是最直观的感知方式，也是目前应用最广的传感器。它们就像汽车的“眼睛”，能够捕捉到丰富的视觉信息，比如车道线、交通标志、行人、其他车辆、甚至是障碍物的颜色和纹理。
优势: 分辨率高，能够识别细微特征，成本相对较低。
挑战: 对光照变化（强光、弱光、雨雾）敏感，难以直接测量距离（需要立体摄像头或结合其他传感器）。
技术细节: 图像识别、目标检测、目标跟踪、语义分割（区分不同物体类别）等计算机视觉技术是摄像头工作的核心。深度学习模型（如CNN、Transformer）在其中扮演了至关重要的角色，能够从海量图像数据中学习复杂的模式。

激光雷达 (LiDAR Light Detection and Ranging): LiDAR 通过发射激光束并测量反射回来的时间来感知距离。它能够生成高精度的三维点云图，清晰地描绘出周围环境的几何形状。
优势: 测距精度高，不受光照影响，在黑暗、雨雾等环境下表现更稳定，能够直接构建环境的三维模型。
挑战: 成本相对较高，在极度恶劣天气（如大雪）下性能会下降，对反射率低的物体（如黑色轮胎）感知能力可能减弱。
技术细节: 点云处理、点云分割、目标识别（从点云中识别出车辆、行人等）是 LiDAR 的核心技术。

毫米波雷达 (Radar): Radar 发射无线电波并接收反射信号，能够探测物体的距离、速度和角度。
优势: 在恶劣天气（雨、雾、雪）下性能稳定，能够直接测量目标的速度（多普勒效应），成本相对较低。
挑战: 分辨率相对较低，难以区分细小的物体或复杂的场景，容易受到金属物体的干扰。
技术细节: 信号处理、目标跟踪、多普勒测速是 Radar 的核心。

超声波传感器 (Ultrasonic Sensors): 主要用于近距离探测，如泊车辅助。它们通过发射声波并测量回声时间来计算距离。
优势: 成本极低，在近距离探测障碍物（如路缘石、墙壁）方面非常有效。
挑战: 探测距离非常有限，易受环境噪声影响，对远距离物体或快速移动物体感知能力弱。

2. “大脑”的运转：数据融合与理解

仅仅拥有“眼睛”是不够的，更重要的是如何将这些眼睛看到的信息整合起来，形成一个连贯、准确的对周围环境的理解。这便是传感器数据融合和环境理解的范畴。

传感器数据融合 (Sensor Fusion): 将来自不同传感器的原始数据进行整合、关联和校准，消除冗余信息，弥补单一传感器的不足，从而生成一个更全面、更准确的环境模型。
技术挑战: 如何在时间和空间上对齐不同传感器的数据？如何处理传感器之间可能存在的误差和冲突？如何在保证实时性的前提下完成复杂的融合计算？
常见方法: 卡尔曼滤波 (Kalman Filter)、粒子滤波 (Particle Filter)、基于深度学习的融合方法等。

环境理解 (Environmental Understanding): 这是数据融合的最终目的。它包括：
目标检测与识别 (Object Detection and Recognition): 准确地找出场景中的所有物体（车辆、行人、自行车、交通标志、交通信号灯等），并识别它们的类别。
目标跟踪 (Object Tracking): 连续地追踪已识别目标的运动轨迹、速度和方向。
场景分割 (Scene Segmentation): 将图像或点云划分为不同的区域，例如可行驶区域（道路）、不可行驶区域（人行道、草地）、障碍物等。
语义理解 (Semantic Understanding): 不仅仅是识别物体，更要理解物体的意图和行为。例如，识别出前车正在变道，或者行人正要过马路。
建图与定位 (Mapping and Localization): 结合高精度地图（HD Map）和自身的感知信息，精确地确定车辆在地图上的位置和姿态（即“我在哪里”）。这涉及到SLAM (Simultaneous Localization and Mapping) 等技术。

为什么环境感知与理解是核心？

我们可以把自动驾驶比作一个医生给病人看病。

规划与决策 (Planning and Decision Making): 就像医生诊断病情，决定用什么药。它需要基于对当前环境的理解，来规划行驶路径、决定何时加速、刹车、变道等。
控制 (Control): 就像医生开出药方后，护士执行注射或服药。它负责将规划指令转化为具体的车辆动作，比如控制油门、刹车、转向。

如果医生连病人的症状都诊断不清楚，或者病人身上有什么病变都不知道，那么无论他的医术多么高超，开出的药方（规划）和执行的治疗（控制）都可能是错误的，甚至危及生命。

同样，如果自动驾驶汽车连周围有行人、有障碍物都感知不到，或者对交通信号灯的指示理解错误，那么它后续的规划和控制就会出现灾难性的后果。

总结一下：

自动驾驶的终极目标是安全、可靠地将乘客从A点带到B点。而实现这一目标的基础，就是能够像一个经验丰富的司机一样，甚至比人类司机更敏锐、更全面地“看到”和“理解”驾驶环境。

因此，环境感知与理解，涵盖了从传感器硬件到复杂的算法软件，是自动驾驶技术链条中最具挑战性、最关键的一环。它的任何一点疏漏，都可能导致整个系统的失败。随着技术的不断进步，我们看到传感器在精度、成本和鲁棒性上不断提升，而AI算法也在不断学习和优化，让自动驾驶汽车越来越“聪明”，越来越能胜任“看”和“理解”的任务。

网友意见

观点：目前核心技术难点是“感知”。

这里讲的是广义的感知，包括识别、融合和预测。

论据：

乘用车真正量产的自动驾驶现在大家都没有，讲点驾驶辅助的实际工程经验，供大家参考。

目前的客户抱怨主要集中在：
AEB行人触发太晚——没有及时选中目标，因为摄像头对目标横向速度测量还不够准确；
ACC不能良好应对切入车辆——传感器FoV不够，根本看不到切入的车辆；
AEB或ACC误制动——雷达假目标过滤能力不够
AEB工作速度上限过低——摄像头识别距离不够，不能仅依赖雷达做强制动
......
目前给“决策”打补丁的原因主要包括：
车辆跟停以后无法起步——雷达假目标导致
车辆跟停以后立刻起步——雷达和摄像头丢失目标导致
在前方车辆切出之后自车加速晚——雷达释放目标过晚
AEB偏置工况无法及时制动——目标横向速度和尺寸测量不够精确，需要额外加入安全余量
......
目前国内绝大多数自动驾驶创业公司讲故事靠什么？数据闭环。数据闭环了用来干什么？提高目标识别和预测性能。
传统如Mobileye卖什么？目标识别。

综上，我认为是“感知”。

将自动驾驶技术分为感知、决策、执行三个环节。

感知：驾驶员的眼耳鼻等各个传感器，在接收着外界的信息，承担着感知的功能；
决策：驾驶员的大脑根据感知的信息，决定进行加减速、转向等操作，承担着决策的功能；
执行：驾驶员的神经、四肢，以油门刹车与方向盘作为人车交互的两大媒介，与整个汽车系统一起承担着执行的功能。

可以看到，有人认为“感知”最核心，有人认为“决策”最核心，究竟哪方更有道理呢？

看下来之后，两方的主要分歧在于对“感知”这个概念的定义不同。

狭义的感知：激光雷达、毫米波雷达、摄像头、超声波雷达、定位系统测量到的“0”、“1”数据传输给大脑。
广义的感知：不仅测量，而且将测量到的“0”“1”翻译成对决策有意义的语言，比如“前方有行人”、“前方有模糊一片的东西，有30%的可能是障碍物”。

当我们看到桌子上“有一个苹果”，这不仅是眼睛的功劳，我们的大脑也在一瞬间完成了大量的运算工作。只不过，我们一般还是把“感知到有一个苹果”归功于眼睛，因此我们还是采用广义的感知概念。

这样的话，我的观点如下：

最核心的是感知。
提升决策能力，有助于降低感知需求。

一、核心是感知

其实这和咱们开车的道理是一样的，在头脑清醒、不疲劳驾驶、开车稳当的情况下，大部分交通事故都来源于驾驶员的感知出了问题。例如进出隧道的光线变化、夜晚雨天的能见度下降、团雾带来的能见度突变等。

对自动驾驶来说，它在决策与执行时从来都是“头脑清醒、不疲劳驾驶、开车稳当”的。所以，只要感知不出问题，自动驾驶不一定能帮你把车开得多快、多好，但起码不会出问题。

或者说，如果感知的信息是全面的、确信的，那再去做决策与执行策略，就太简单了。我发现有朋友在讨论夹塞情况下的博弈问题：有人就敢赌你怕刮蹭去维修，而AI不敢，因而AI肯定是必输的。

这是一个很好的观点，但并不全面。的确，AI在博弈的时候底牌要弱于强势的人类驾驶员，但自动驾驶的反射弧时间要远强于人类驾驶员。

所以，将来AI实装了博弈策略之后，我们人类驾驶员不应太自信 ——AI的博弈策略可能会非常地“凶残且狡猾”，而且省去了反射弧的时间，人类驾驶员恐怕没有胜算。人类驾驶员的唯一胜算可能只是“底牌大”—— 人类驾驶员可以争一口气而让事故发生，AI不敢、没权利这么做。

二、提升决策能力有助于降低对感知的需求

前一段，试驾小鹏P5的城市NGP。众所周知，它在侧前方的感知非常灵敏，因为有2颗激光雷达：

所以，当它重点感知侧前方的物体来做决策时，就会显得非常果断。例如下面的躲避自行车并果断加速通过的动图：

试乘的十几公里的6次接管中，大部分情况都是“主动夹塞”失败！也就是说，当侧前方的车辆向前移动时，P5可以实现灵敏地跟车并夹塞变道；但是，如果这时候侧后方车辆跟进博弈，抢占有利位置时，P5就会束手束脚。

我能明显感觉到：P5侧后方的“视力”远不如侧前方的“视力”——所以在夹塞变道时就不敢非常激进，从而导致失败。

第一种思路就是像威马M7一样，侧后方也加强感知能力：

第二种思路就是实装“近身肉搏策略”与“预测规划策略"，这都属于决策。

所谓近身肉搏策略，就是上面提到的博弈策略：例如，让车子突然挪个2厘米，观察侧后方车子的反应，根据反应再决定下一步动作。像AI没有反射弧，如果动静非常快，抖个几抖，可能就把侧后方的新手驾驶员给吓住了 ——这是什么人啊，反应这么快！

所谓预测规划策略，就是尽量避免这种情况的发生：仔细回忆一下，其实人类驾驶员遇到这种“主动加塞”的场景，也是非常尴尬的，有时候还要斗气；真正的老司机会怎么做，他会看得很远，尽量避免这种情况发生、或者在这种情况无法避免时，提前很远就进入一个有利的博弈位置。

两种思路都可以实现比较好的“主动夹塞”效果。这也就是为什么说：提升决策能力有助于降低对感知的需求。

谢军火妹邀

最核心的技术是在技术之外，或者说基于技术所带来的产业变革中自己的位置。

这个问题我就来谈一些杂想吧，抛几个自己的和别人的观点，供大家思考。

上半年时候和大佬讨论战略材料的时候，大佬说做了这么久感觉自动驾驶真不能算是什么好方向，技术路线演进最后都趋同了，现在拼死拼活的，无非是自己把自己干失业，还是被别人把自己干失业。

提取一下这里面的关键词含义

最终目标自动驾驶是可实现的；
技术路线总会趋同的；
我们这么拼死拼活是在拼什么？

基于可实现的最终目标自动驾驶这一假设，演进的技术路线其实很清晰，更强的感知，更强的算力，更复杂的算法，有效的数据闭环，持续而高效的仿真、测试、运营。不过显然现在距离最终目标需求的技术工具水平还有很大距离，那么最核心的能力就是有钱，更重要的是持续赚到钱。在自动驾驶硬件开始军备竞赛的现在，有钱这件事情对很多公司来说都不是问题，但是怎么持续赚到钱，用当下水平有限的软硬件水平，做出用户体验好的，愿意买单的产品，通过市场的成功，反哺技术上的开发，不停迭代进化达到最终目标。

而拼死拼活所拼的，其实最后是拼的是效率和成本，以及所谓的护城河——排他性资源。排他性资源本质，还是成本足够低或者效率足够高。现在泡沫期，可以不计成本的投入资源来达到目标，等技术上实现后，就要看怎么低成本的达到相同的目标了。这里面大头将是大运营，包含如何高效的数据回馈，如何快速而准确的仿真，如何低成本的快速测试验证，必要的人力怎么精准的投递。每件事展开都是繁杂的系统，有大量的工作需要探索。

不过回归本质，“有钱并赚钱”和“降本增效”，企业家看来是融资和经营的问题，投资人看是技术水平和估值的问题，打工人看呢是是哪个钱多和要怎么卷的问题，大道至简，无外乎是。

类似的话题

自动驾驶最核心的技术是什么？

谈到自动驾驶，人们脑海中浮现的往往是未来感十足的汽车在道路上无缝穿梭的画面。但在这背后，究竟是什么在驱动这一切？如果要我 pinpoint 自动驾驶最核心的技术，我会毫不犹豫地说：环境感知与理解。这就像是为一辆汽车赋予了“眼睛”和“大脑”，让它能够看懂周围的世界，并做出正确的判断。没有了它，再强大的.............
当今自动驾驶的核心难点，是提高用户体验，还是发展绝对技术？

当今自动驾驶技术，犹如一位踌躇满志的青年，正站在人生的十字路口。摆在它面前的，是两条截然不同的道路：一条是精进“硬核”的绝对技术，另一条则是打磨“软性”的用户体验。孰轻孰重，孰先孰后？这不仅是一个技术命题，更是一个关乎未来出行方式选择的社会议题。“硬核”技术：自动驾驶的基石与天花板我们先来看看“绝对.............
自动驾驶就算落地，最多取代司机而已，又能有多大实用价值呢，为啥花那么多钱发展呢？

很多人对自动驾驶的看法，总会停留在“取代司机”这个层面，觉得就算技术成熟了，无非就是出租车、卡车司机失业，这能有多大的价值？怎么就能吸引科技巨头和资本投入天文数字去研发呢？这种质疑其实挺普遍的，也道出了大家对一个新生事物常见的好奇与审视。咱们今天就来掰开了揉碎了聊聊，自动驾驶这玩意儿，究竟能带来哪些.............
自动驾驶能治首堵病吗？

自动驾驶技术能否“治愈”首堵病，这是一个复杂且引人深思的问题，不能简单地给出“能”或“不能”的答案。我们需要从多个层面来分析。首先，理解“首堵病”的本质：“首堵”通常指的是城市交通拥堵，特别是大城市（如北京、上海等）早晚高峰时段的严重交通状况。其根本原因并非单一，而是多种因素交织而成：高密度人.............
自动驾驶什么时候才会凉凉，估计还要多久？

“自动驾驶什么时候凉凉，估计还要多久？” 这个问题非常有趣，因为它触及了科技发展中一个普遍存在的现象：期望的浪潮、技术的瓶颈、商业化的挑战，以及最终的现实回归。简单来说，自动驾驶“凉凉”的可能性，以及它还需要多久才能“凉凉”，很大程度上取决于我们如何定义“凉凉”，以及它能否真正解决核心痛点并实现大.............
自动驾驶哪个公司会最后胜出，实现L5级别？

关于“自动驾驶哪个公司会最后胜出，实现L5级别”这个问题，这是一个非常复杂且难以给出确切答案的预测。自动驾驶技术，尤其是L5级别的完全自动驾驶，是科技领域最激动人心也最具挑战性的目标之一。目前市场上有多家公司在积极研发和部署自动驾驶技术，并且都在各自的赛道上取得了不同程度的进展。要预测“最后胜出”的.............
自动驾驶会不会是个伪需求？

自动驾驶是否是个伪需求，这是一个非常值得深入探讨的问题。它不是一个简单的是或否就能回答的，而是需要从多个维度、多个利益相关者的角度去分析。首先，我们来理解“伪需求”的含义。一个需求被认为是“伪需求”，通常意味着：需求本身并不存在，或者被夸大和制造出来。也就是说，人们并没有真正迫切地需要它，.............
自动驾驶如何解决电车难题？

电车难题，这个经典的道德哲学思想实验，总是被拿来拷问自动驾驶汽车的“良心”。简单来说，就是一辆失控的电车即将撞死五个人，而你有一个机会可以将电车转向一条岔路，但岔路上只有一个人。你是选择袖手旁观，让五个人死去，还是主动干预，导致一个人死亡？对于自动驾驶汽车来说，这个问题变得更加棘手。因为它不再是哲学.............
自动驾驶攻破的难点在哪，何时能到 Level 5？

自动驾驶的征途，就像一场漫长的攀登，我们已经看到了半山腰的风景，但要抵达顶峰，征服最终的 Level 5，还有不少硬骨头要啃。自动驾驶的难点，就像是隐藏在迷雾中的巨兽，它们形态各异，但都让我们的前行充满挑战。首先，感知和理解的“黑箱”。让汽车像人一样“看懂”世界，这绝非易事。摄像头、雷达、激光雷达，.............
自动驾驶汽车在危险情况下可以不计后果地保护自己的主人吗？

关于自动驾驶汽车在危险情况下是否可以“不计后果地”保护主人，这个问题触及了技术伦理的核心，也反映了我们对未来出行方式的期待与担忧。这绝非一个简单的“是”或“否”就能回答的命题，而是需要从技术、法律、伦理和社会接受度等多个层面进行深入剖析。首先，我们需要理解“不计后果地”这个词的含义。如果它意味着可以.............
自动驾驶还有哪些需要解决的问题？

自动驾驶技术确实是当下最令人激动，也最具潜力的技术之一，但要让它真正普及到我们生活的方方面面，还有一大堆硬骨头要啃。你问我还有哪些问题需要解决，我可以从几个关键维度给你细细道来，尽量讲得深入点，让你体会到这里的复杂性：1. 感知系统的“眼睛”和“耳朵”：理解真实世界的极限恶劣天气与复杂光照下的.............
自动驾驶芯片厂商中，哪家公司的实力最强？

在自动驾驶芯片领域，谁是“实力最强”的厂商，这个问题其实挺复杂的，并没有一个绝对的答案。这就像问拳击界的“最强”一样，不同量级、不同打法，很难简单对比。不过，我们可以从几个关键维度来审视一下几家头部厂商，看看他们各自的优势在哪里。衡量自动驾驶芯片实力的几个维度：技术研发实力：这包括了芯片的算.............
自动驾驶全面普及以后未来人类驾车，出行会有什么改变？

自动驾驶真正走进千家万户，成为我们日常出行的标配，那画面想想都激动人心。但说实话，这种激动之余，也难免有些陌生感，因为这不仅仅是把方向盘交给电脑那么简单，它带来的改变，将是深刻且全方位的。首先，最直观的改变，当然是我们从“驾驶员”变成“乘客”。这听起来没什么大不了，但这意味着我们得以解放双手和大脑。.............
自动驾驶汽车遇到突发情况，面临[撞坏千万豪车]还是[撞死人]的两难选择，它的程序会如何设计?

自动驾驶汽车在面对如此极端而残酷的两难境地时，其程序设计绝非易事，而是涉及了复杂的伦理考量、技术约束以及社会共识的权衡。这并非一个简单的“是”或“否”的决定，而是要在预设的规则框架内，尽可能减少整体伤害。首先，我们得明白，设计者在编写自动驾驶汽车的代码时，是无法预知所有突发情况的。尤其像你提到.............
自动驾驶问题很多，未来前景如何？

自动驾驶，这个听起来科幻感十足的词汇，近年来如同一股旋风席卷了全球汽车行业，也引发了人们无尽的遐想与讨论。它承诺着更安全、更高效、更便捷的出行方式，但与此同时，我们也必须正视它目前面临的诸多难题。那么，在这些棘手的问题面前，自动驾驶的未来究竟指向何方？摆在眼前的“拦路虎”：自动驾驶的现实困境我们不能.............
自动驾驶会让人类逐渐失去驾驶乐趣吗？

自动驾驶的到来，确实是一个让人又爱又恨的话题。一方面，它承诺了更安全、更高效、更舒适的出行体验，把我们从枯燥的通勤中解放出来。但另一方面，对于那些把驾驶本身视为一种乐趣的人来说，这简直是“剥夺”了他们的爱好。那么，自动驾驶真的会让我们逐渐失去驾驶的乐趣吗？这可不是一句简单的是或否就能概括的。首先，我.............
自动驾驶车如何降低被黑客控制的风险？

让自动驾驶汽车成为黑客的目标，这确实是一个令人担忧的问题。一旦车辆被恶意控制，后果不堪设想。因此，确保自动驾驶系统的安全，防止其被黑客染指，是整个行业面临的重中之重。为了最大程度地降低被黑客控制的风险，汽车制造商和技术开发者们正在从多个层面构建坚固的防护体系，这绝非单一技术的叠加，而是一个环环相扣、.............
为何自动驾驶短时间无法量产和盈利，近几年却还是有大量新兴公司和资本涌入？

您提出了一个非常关键且值得深入探讨的问题：为什么自动驾驶技术在短期内难以实现大规模量产和盈利，却依然吸引了大量新兴公司和资本的涌入？这背后是一个复杂的多重因素交织的生态系统。要理解这一点，我们需要从多个角度进行剖析：一、自动驾驶的巨大潜力与长远价值：颠覆性的交通未来: 自动驾驶被视为继汽车发明.............
华为自动驾驶业务原负责人苏箐离职，对华为造车意味着什么？

华为自动驾驶业务原负责人苏箐的离职，无疑是华为在波云诡谲的汽车行业投下的一颗重磅炸弹，其影响之深远，足以让整个行业为之侧目。这不仅仅是一个关键技术领导者的个人去留，更是华为在“造车”这场宏大叙事中，一次重要节点上的战略调整和方向重塑的信号。首先，这是华为在自动驾驶领域“烧钱”与“落地”之间的一次深刻.............
特斯拉驾驶位没人也能自动驾驶，如何看待特斯拉自动驾驶？你会购买自动驾驶的汽车吗？

特斯拉驾驶位没人也能自动驾驶，这说法确实让人眼前一亮，也正是因为这个点，特斯拉的自动驾驶技术一直备受关注，同时也伴随着不少争议。如何看待特斯拉自动驾驶？首先，得承认特斯拉在自动驾驶领域的探索和投入是非常超前的。从最初的Autopilot，到后来的FSD（Full SelfDriving）Beta，特.............