L3級別落地難，自動駕駛開不轉(zhuǎn)了？

本文來自微信公眾號“計算機(jī)文藝復(fù)興”。

1.面對L3的落地困難，主流玩家各盡其能

1.1. L3級自動駕駛有些“雞肋”

2020年5月，奧迪技術(shù)總監(jiān)Hans在接受Automotive News Europe的采訪時表示，奧迪將不會在全球范圍內(nèi)為現(xiàn)款A(yù)8引入TJP功能；此前福特(F.US)北美總裁也曾表示，福特將放棄L3級別自動駕駛；博世則在公開演講中一再推遲TJP落地的時間?！癓3落地難”正逐步成為業(yè)內(nèi)共識。

“L3落地難”的原因是多方面的：

責(zé)任劃分維度：

L0-L2階段屬于智能駕駛輔助系統(tǒng)的范疇，人類駕駛員仍然需要負(fù)責(zé)所有的駕駛?cè)蝿?wù)，一旦出現(xiàn)交通事故，責(zé)任依然是由人類駕駛員來承擔(dān)。L4及以上級別自動駕駛則明確不需要人類駕駛員接管駕駛，車輛對結(jié)果負(fù)責(zé)。而處于過渡階段的L3級別自動駕駛沒有給車輛和人類駕駛員進(jìn)行清晰的責(zé)任劃分，一旦出現(xiàn)事故，責(zé)任主體可能涉及駕駛者、OEM、軟件供應(yīng)商等多方。從監(jiān)管的角度來看，目前全球還沒有適用于L3級別自動駕駛的法律框架。

由于一旦發(fā)生事故造成的損失太大，責(zé)任不明晰導(dǎo)致的潛在風(fēng)險是主機(jī)廠難以承擔(dān)的。我們通過AI在智能駕駛、醫(yī)療、教育等三個行業(yè)的推廣情況來說明這個問題。首先明確一點，目前AI技術(shù)的可解釋性不高，不論應(yīng)用于哪個場景都難以做到100%準(zhǔn)確。

對于教育場景，比如科大訊飛的個性化學(xué)習(xí)手冊根據(jù)學(xué)生的課內(nèi)數(shù)據(jù)為其推送題目，必然也會有一些推送不當(dāng)?shù)那闆r存在，但這種負(fù)面的應(yīng)用個例所造成的損失是比較小的，導(dǎo)致大家在檢驗產(chǎn)品效果的時候更多地關(guān)注“整體”而不是“個體”，即只要絕大部分的題目是推送恰當(dāng)?shù)?，對廠商和用戶而言就是一款好產(chǎn)品。所以相關(guān)技術(shù)的推廣速度就會快一些。

對于醫(yī)療/自動駕駛等場景，由于負(fù)面的應(yīng)用個例將會產(chǎn)生非常嚴(yán)重的后果(比如重大疾病的誤診、自動駕駛產(chǎn)生的交通事故)，導(dǎo)致在檢驗產(chǎn)品效果的時候更多地關(guān)注“個體”而不是“整體”，在這些場景中安全性的優(yōu)先級會高得多。對于主機(jī)廠而言，在責(zé)任明晰之前，即使是99.99%的可靠性也是不能接受的，因為這可能意味著每賣出10000臺車可能就會產(chǎn)生一起事故。所以相關(guān)技術(shù)的推廣速度會慢一些。需要說明的是，從這點上來說，并不能根據(jù)比較自動駕駛和駕駛員駕駛的事故率來判斷L3及以上級自動駕駛的量產(chǎn)節(jié)奏。

技術(shù)維度：L3屬于駕駛員駕駛與汽車自動駕駛過渡的階段，這意味這在使用過程中需要人類駕駛員和智能駕駛系統(tǒng)頻繁交接車輛的控制權(quán)，而這個人機(jī)交互過程的技術(shù)實現(xiàn)非常復(fù)雜，且具有偶然性。此前福特北美總裁Raj Nair就曾表示公司放棄L3而直接提供 L4級別全自動駕駛的車輛，原因是從機(jī)械操控切換到人工操控的問題不容易解決?？紤]到從長遠(yuǎn)來看，頻繁交接車輛控制權(quán)的情況在L4、L5級別自動駕駛中并不會發(fā)生，廠商又怎么會有足夠的動力去投入大量資源研發(fā)此類終將無用的技術(shù)呢？更何況是在目前責(zé)任劃分還不明確，導(dǎo)致L3級自動駕駛很難大規(guī)模量產(chǎn)的情況下。

成本維度：由于從L3開始車輛要對結(jié)果負(fù)責(zé)，必須有足夠的系統(tǒng)冗余，這將產(chǎn)生高昂成本。以全球首個量產(chǎn)L3自動駕駛車型——奧迪A8為例，根據(jù)System Plus咨詢的研究，其TJP系統(tǒng)成本的60％是半導(dǎo)體的成本。

1.2. 面對L3的落地困難，主機(jī)廠與科技企業(yè)選擇了不同發(fā)展路徑

自動駕駛的主流玩家可以分為兩類。一方是主機(jī)廠和傳統(tǒng)Tier1，根據(jù)Navigant Research的數(shù)據(jù)，目前這類玩家中處于領(lǐng)先地位的是通用Cruise和福特自動駕駛。另一方是科技企業(yè)，典型代表是與谷歌同源的Waymo、百度，以及剛剛被亞馬遜收購的Zoox等。

針對發(fā)展L3級別自動駕駛中遇到的困難，這兩類玩家選擇了不同的發(fā)展路徑：

主機(jī)廠整體上走的是漸進(jìn)式路徑。一方面從L1、L2向高階自動駕駛升級，另一方面從高端車型向中低端車型滲透。整體來看是在L2的基礎(chǔ)上疊加新的L3、L4級別的功能來給予客戶更好的消費(fèi)體驗，通過“L3的功能+L2的責(zé)任劃分”來規(guī)避掉L3責(zé)任劃分問題，同時由于脫離了SAE J3016和法律的限制，相對于L3級自動駕駛，主機(jī)廠可以節(jié)約部分冗余設(shè)計，降低了成本。

科技企業(yè)整體上走的是跨越式路徑。和主機(jī)廠不同，科技企業(yè)往往直接切入L4及以上級自動駕駛，從車型上主要以Robotaxi為代表的商用車，以及物流車、礦區(qū)車等針對具體工況的車輛入手，通過車型對使用場景的限制來降低開發(fā)難度。比如Waymo在美國鳳凰城推出了Waymo ONE，百度Robotaxi車隊2019年9月開始在長沙部分已開放測試路段進(jìn)行試運(yùn)營。

不同的發(fā)展路徑背后反映出的是兩類玩家不同的稟賦和定位。

對于主機(jī)廠而言，其稟賦在于行業(yè)Know How和品牌積累，一下子跳出現(xiàn)有框架是不合適也是不容易的。從定位上看，即使高階自動駕駛衍生出的商業(yè)生態(tài)成為現(xiàn)實，未來主機(jī)廠的主要價值還是通過賣車實現(xiàn)，就像智能機(jī)產(chǎn)業(yè)鏈中霸占APP榜單的應(yīng)用并不是由蘋果、華為等手機(jī)廠商開發(fā)的一樣。

對于科技企業(yè)而言，其稟賦在于軟件開發(fā)能力，并不直接制造汽車，或此前并不具有造車經(jīng)驗。從定位上看，這些企業(yè)入局自動駕駛的目的并不是為了造車，而是搶占繼手機(jī)之后最大的數(shù)據(jù)入口，或是與自身業(yè)務(wù)形成協(xié)同效應(yīng)。如阿里巴巴自動駕駛專注于物流領(lǐng)域，以支撐電商、外賣等上層商業(yè)應(yīng)用，服務(wù)于其“讓天下沒有難做的生意”的愿景；亞馬遜收購Zoox同樣是出于物流方面的考量。

1.3. L4級自動駕駛在商用車中的落地或先于乘用車

L4級別自動駕駛在商用車中的落地或先于乘用車。L4級自動駕駛將率先在商用車中落地已逐漸成為各方共識，根據(jù)華為的預(yù)測，Robotaxi和功能型車輛或可在2023-2025年搭載L4級別自動駕駛，而對應(yīng)乘用車搭載L4則要等到2025年之后。類似的結(jié)論也出現(xiàn)在羅蘭貝格的研究中，他們認(rèn)為2023-2025年就將出現(xiàn)城際無人客運(yùn)巴士、城際無人物流干線貨運(yùn)等，而指定場景無人駕駛私家車的出現(xiàn)則在2025年之后。根據(jù)廣汽的預(yù)測，從2020年開始，以Robotaxi為主的自動駕駛車輛在新車銷售量中的占比將逐步提升，至2040年，這一比例將超過70%。

L4級別自動駕駛在商用車中落地更快的原因有很多：

商用車可以通過劃定ODD的方式降低技術(shù)難度。乘用車需要面對各種各樣的路況，大規(guī)模量產(chǎn)L4需要大量的測試和仿真結(jié)果作為支撐。而相較于乘用車，Robotaxi可以通過劃定設(shè)計運(yùn)行區(qū)域(ODD)來對車輛的行駛時間和地點進(jìn)行限制，避開那些道路識別比較困難和路況比較復(fù)雜的區(qū)域，同時限制駕駛速度，從而繞過面對復(fù)雜場景的技術(shù)困難。

乘用車算的是體驗賬，而商用車算的是成本賬。私家車用戶在購買車輛的時候衡量的是使用價值，自動駕駛功能雖然能夠帶來更好的體驗，但需要付出相對高昂的費(fèi)用，同時傳感器會影響車體美觀。商用車作為“生產(chǎn)資料”，用戶衡量的是其商業(yè)價值，只要使用自動駕駛系統(tǒng)的成本低于人工駕駛員的成本就符合用戶的利益。根據(jù)麥肯錫的研究，隨著技術(shù)逐步成熟帶動AV系統(tǒng)成本下降，到2025-2027年采用自動駕駛技術(shù)的出租車每公里的總成本就將下降到和傳統(tǒng)出租車相當(dāng)?shù)乃剑谶@之后Robotaxi的推廣將大幅提速。

2.特斯拉(TSLA.US)——智能駕駛中的“異類”

2.1. 淡化自動駕駛級別，專注于提升用戶體驗

特斯拉淡化自動駕駛級別的概念，專注于提升用戶體驗。如前所述，對于L3的落地難題，科技企業(yè)大多直接切入L4，而主機(jī)廠(尤其是國內(nèi))則主要通過L2.5、L2.9的方式來實現(xiàn)“L3的功能+L2的責(zé)任劃分”，和兩類企業(yè)都不同，特斯拉很少強(qiáng)調(diào)自己是L2還是L4，淡化自動駕駛級別的概念，只是單純講其實現(xiàn)的功能，專注于提升用戶體驗。

2.2. 采用影子模式取代測試車隊，實現(xiàn)長尾場景的快速覆蓋

2.2.1. 加州脫離報告的價值在于判斷行業(yè)拐點，測試車隊“覆蓋長尾場景”仍需較長時間

MPI值是加州脫離報告中最引人關(guān)注的指標(biāo)。美國加州是全球首個為自動駕駛車輛上路制定路測法規(guī)的地區(qū)。自2015年起，加州機(jī)動車管理局要求取得自動駕駛路測牌照的公司每年上交一份自動駕駛路測數(shù)據(jù)報告，報告中涵蓋測試?yán)锍虜?shù)、測試路段場景、自動駕駛脫離記錄等信息。加州機(jī)動車管理局則根據(jù)各公司提供的數(shù)據(jù)發(fā)布年度自動駕駛脫離報告（Autonomous Vehicle Disengagement Reports），在這份報告中，最令人關(guān)注的是MPI值(每兩次人工干預(yù)之間行駛的平均里程)，該指標(biāo)被認(rèn)為是衡量自動駕駛系統(tǒng)運(yùn)行性能的重要指標(biāo)。

單純根據(jù)MPI值進(jìn)行排名，2019年國內(nèi)公司表現(xiàn)搶眼。2020年2月，2019年加州脫離報告發(fā)布。如果按照MPI值進(jìn)行排名，百度的MPI值高達(dá)18050英里/次，首次超過Waymo(13219英里/次)排名第一，此外，國內(nèi)企業(yè)如AutoX、小馬智行、滴滴等也獲得了較高排名。

是否憑借MPI值就能判斷國內(nèi)自動駕駛企業(yè)已處于全球領(lǐng)導(dǎo)者地位？答案是否定的。

測試?yán)锍毯蛙囕v數(shù)不同。在測試過程中，80%的情況是相似的，尤其對于頭部企業(yè)而言，這些情況此前也都處理過。但在自動駕駛中，真正難以處理的是最后20%甚至1%的長尾場景。而解決這些場景中出現(xiàn)的問題的前提就是要遇到過這樣的場景。所以在一定程度上來講，積累了更多的數(shù)據(jù)里程、擁有更大規(guī)模的測試車隊也是體現(xiàn)自動駕駛公司實力的重要指標(biāo)。在2019年的加州報告中，Waymo、CRUISE的測試?yán)锍谭謩e達(dá)到145.41萬英里、83.10萬英里，占比分別達(dá)到51%、29%；測試車數(shù)量則分別為148輛、228輛，占比為23%、35%。

測試場景不同。由于加州機(jī)動車管理局并沒有對路測環(huán)境進(jìn)行統(tǒng)一規(guī)定，導(dǎo)致各公司的實際路測環(huán)境并不相同。如NVIDIA、SF Motors等公司主要脫離場景集中在公路和高速路，據(jù)此可以推斷這些公司的主要測試場景都集中在公路和高速路；而Waymo、Cruise等公司的脫離則主要發(fā)生在城市街道，表明其更多地將路測重點放在了城市街道場景之中。即使對于城市街道分類下，各家公司的具體路測環(huán)境也有所不同，而不同的路測環(huán)境往往意味著不同的測試難度，造成MPI值的失真。

對于脫離次數(shù)的統(tǒng)計標(biāo)準(zhǔn)不同。加州DMV對于什么樣的情況才必須接管也沒有明確的規(guī)定，導(dǎo)致各家對于駕駛員接管車輛的標(biāo)準(zhǔn)并不統(tǒng)一。實際上，不接手就要發(fā)生事故和不接手只是略微影響其他車輛行駛，是完全不同的情況。

綜上，單純通過比較MPI值來判斷各家公司的自動駕駛能力是有失公允的。

加州脫離報告的真正價值在于通過縱向比較來判斷行業(yè)拐點。我們認(rèn)為加州脫離報告更大的意義在于我們可以通過對領(lǐng)先企業(yè)在不同年份的脫離數(shù)據(jù)進(jìn)行縱向比較，來判斷其是否實現(xiàn)了對于長尾場景的覆蓋，從而粗略研判行業(yè)拐點。

我們嘗試著對領(lǐng)頭羊Waymo不同年份的脫離原因進(jìn)行分析，以判斷它是否實現(xiàn)了對長尾場景的覆蓋。以MPI和測試?yán)锍虄蓚€維度作為標(biāo)準(zhǔn)，Waymo仍然是自動駕駛的霸主。毫無疑問，Waymo的自動駕駛能力是逐年增強(qiáng)的，那么在行駛同樣里程的前提下，如果下一年由于某一類問題產(chǎn)生的脫離次數(shù)多于上一年，就很可能意味著工況仍處于持續(xù)增加的過程中，即還沒有實現(xiàn)對“長尾場景”的全覆蓋。

從領(lǐng)頭羊Waymo的測試數(shù)據(jù)來看，測試車隊在“覆蓋長尾場景”方面仍有很長的路要走。通過對比2015-2019年Waymo的加州測試結(jié)果可以發(fā)現(xiàn)，每百萬英里中如“感知”等問題所造成的脫離次數(shù)仍在明顯增加，并沒有出現(xiàn)收斂，表明測試車隊在“覆蓋長尾場景”方面仍有很長的路要走。

2.2.2. 特斯拉采用影子模式實現(xiàn)場景的快速積累

測試?yán)锍痰目焖俜e累是高級別自動駕駛落地的關(guān)鍵。如前所述，自動駕駛落地的關(guān)鍵在于覆蓋長尾場景。根據(jù)廣汽的預(yù)測，要實現(xiàn)L4級別自動駕駛至少需要完成10億個測試場景，最小測試?yán)锍桃残枰?0億公里。由于自動駕駛測試車隊相對于私家車隊來講是一個非常小的規(guī)模，導(dǎo)致如果單純采用測試車隊路測的方式來完成這樣的測試需要大量的時間。

特斯拉采用影子模式取代測試車隊，實現(xiàn)駕駛長尾場景的快速覆蓋。影子模式本質(zhì)上是通過眾包的方式來解決場景的快速積累問題。在這一模式下，即使在人進(jìn)行駕駛的時候特斯拉自動駕駛系統(tǒng)同樣也在進(jìn)行計算自己會怎么做，然后和人的選擇進(jìn)行對比。如果自動駕駛系統(tǒng)和人的選擇不一致，就對這類數(shù)據(jù)進(jìn)行匯集，然后交由工程師判斷自動駕駛系統(tǒng)的選擇是否合理。由于特斯拉的汽車數(shù)量遠(yuǎn)遠(yuǎn)多于自動駕駛測試車隊，影子模式可以實現(xiàn)對于駕駛場景的快速積累，同時得到的結(jié)果也有更強(qiáng)的統(tǒng)計學(xué)意義。截至2019年末，特斯拉累計交付搭載自動輔助駕駛硬件的車輛85萬輛，AP激活狀態(tài)下累計行駛里程已超過20億公里，遠(yuǎn)遠(yuǎn)超過競爭對手(Waymo為2000萬公里)。

2.3. 利用領(lǐng)先的電子電器架構(gòu)率先實現(xiàn)OTA升級

OTA的全稱是Over-the-Air Technology，即空中下載技術(shù)。這一技術(shù)通過從遠(yuǎn)程服務(wù)器下載新的軟件更新包的方式對自身系統(tǒng)進(jìn)行升級，從軟件的角度使每個車型更具個性化，是軟件定義汽車的一種體現(xiàn)。

OTA技術(shù)的好處有很多：

規(guī)避召回風(fēng)險。根據(jù)IHS的研究，近年來和軟件相關(guān)的汽車召回案例比例在顯著上升，目前這一比例已經(jīng)超過40%。如果可以通過OTA的方式對軟件進(jìn)行更新和完善，召回的發(fā)生有望大大減少，既節(jié)約了成本又降低了進(jìn)廠召回帶來的風(fēng)險。

延長硬件生命周期，降低成本。OTA的本質(zhì)是通過軟硬件的解耦來實現(xiàn)硬件生命周期的最大化。根據(jù)IHS的研究，2019年OTA在IVI OS、Core ECU、TCU更新上為OEM節(jié)約的成本已達(dá)到165億美元，這一數(shù)字在2025年有望超過600億美元。

開拓新的服務(wù)模式，增加車輛的附加價值。以特斯拉為例，2020年5月，特斯拉推出了將百公里加速由4.6秒提升至4.1秒的能力，解鎖這項能力需要14100元人民幣。OTA升級為主機(jī)廠提供了一種新的創(chuàng)收途徑，增加了車輛的附加價值。

特斯拉是駕駛領(lǐng)域最早實現(xiàn)OTA的企業(yè)。早在2012年4月，特斯拉就開始了OTA升級，在Model S車型上，特斯拉通過OTA的方式完成了提升續(xù)航里程、提高最高速度、提升乘坐舒適度等功能的升級以及鑰匙卡等漏洞的修復(fù)。截至2020年3月已累計進(jìn)行OTA升級超過50次。

OTA的實現(xiàn)反映出特斯拉在電子電器架構(gòu)上的領(lǐng)先。電子電器架構(gòu)是OTA的一個前提，傳統(tǒng)的汽車采用的是分布式的ECU架構(gòu)，一個功能可能是由若干個零部件的ECU共同實現(xiàn)的，在這種情況下，如果要實現(xiàn)OTA升級，就要同時對所涉及的節(jié)點進(jìn)行統(tǒng)一升級，升級時間很長，用戶體驗不好。而特斯拉采用了一種新的電子電器架構(gòu)，把原有的車身、底盤、安全系統(tǒng)等拆分到了中央計算模塊(CCM)、左車身控制模塊(BCM LH)和右車身控制模塊(BCM RH)，使控制器盡可能地集中，僅僅保留負(fù)責(zé)外設(shè)的ECU維持分散布置。在特斯拉的域控制器架構(gòu)中，每一個域都是由一個中央處理器來完成的，如果需要升級某項功能，就只要升級對應(yīng)的那個域控制器主板，從而使得OTA成為了可能。

3. 投資建議

推薦虹軟科技、中科創(chuàng)達(dá)、四維圖新、銳明技術(shù)。我們認(rèn)為，在智能駕駛加速發(fā)展的過程中，車端基于視覺的DMS、ADAS解決方案以及智能座艙方案需求將快速增加，路端高精地圖等配套基礎(chǔ)設(shè)施建設(shè)也有望提速。據(jù)此，推薦虹軟科技(688088.SH)、中科創(chuàng)達(dá)(300496.SZ)、四維圖新(002405.SZ)、銳明技術(shù)(002970.SZ)。

4. 風(fēng)險提示

智能駕駛政策推出不及預(yù)期。L3及以上級別自動駕駛的商業(yè)落地需要配套政策對人、車責(zé)任劃分等關(guān)鍵問題進(jìn)行明確。目前全球還沒有適用于高級別自動駕駛的法律框架，若相關(guān)政策、法律的推出低于預(yù)期，可能會導(dǎo)致行業(yè)發(fā)展放緩。

智能駕駛技術(shù)發(fā)展不及預(yù)期。智能駕駛屬于技術(shù)驅(qū)動型行業(yè)，高級別自動駕駛的發(fā)展仍有較多技術(shù)問題需要突破。若相關(guān)技術(shù)進(jìn)展低于預(yù)期，可能導(dǎo)致行業(yè)發(fā)展放緩。

(編輯：李國堅)