最近，北京、上海、廣州、武漢、長沙和無錫6個城市被確定為智慧城市基礎設施與智能網聯汽車協同發展的第一批試點城市。

同時，北京還設立了國內首個智能網聯汽車政策先行區。在政策先行區內，相關企業可以開展試運行及商業運營服務，在商業運營過程中可提供收費服務。

自動駕駛行業不斷迎來政策利好消息。不過，與此同時，近期因為一些事件的出現，自動駕駛汽車的安全性也成為社會討論的焦點。

硬件和軟件算法是影響自動駕駛汽車安全性的關鍵因素。比如，激光雷達、攝像頭等傳感器受到環境干擾，會產生盲區，導致環境感知出現差錯；算法對多運動目標意圖的識別判斷不準確，則會導致錯誤決策。

那么，目前國內的自動駕駛廠商是怎樣應對，提升自動駕駛汽車的安全性？

冗余性硬件配置提高自動駕駛安全性

北京航空航天大學交通科學與工程學院教師任秉韜博士指出，單一硬件的確存在技術局限性，可以通過設計冗余性的硬件配置方式來解決。比如，自動駕駛汽車可以設計冗余傳感系統，不依賴于單一的傳感系統。

冗余，最早是飛機常用的技術術語，指的是飛機電子控制系統均進行了安全備份，防止一套系統突然壞掉，影響飛機的正常運行。同理，高級別自動駕駛的實現也需要冗余設計，以保證一套自動駕駛系統出問題時，另一套系統也可以及時發揮作用。

冗余結構的設計雖然帶來了更好的安全性，但也額外增加了倍數成本，因此自動駕駛的冗余性設計一直較為困難。不久前，滴滴自動駕駛卻在冗余性的硬件配置方面有所突破。

今年4月，滴滴自動駕駛升級推出了新一代自動駕駛硬件平臺——滴滴雙子星。該平臺搭載了50多個傳感器，算力超過700TOPS（處理器運算能力單位），每秒超千萬級點云成像，而且整體造價較上一代保持不變。

滴滴自動駕駛首席運營官孟醒介紹，其實滴滴自動駕駛推出“雙子星”硬件平臺是個很復雜的過程。首先，滴滴要把轉向、剎車等各個層面的冗余方案都設計出來，然后在自動駕駛車輛上進行調試。這些都是非常困難的。

不過，滴滴自動駕駛依靠自身積累的豐富真實使用場景數據，成功開發出新一代更符合無人駕駛運營需求的硬件平臺。

該平臺設計了多重冗余，不僅有核心高性能傳感器冗余，而且還擁有車載自動駕駛系統冗余、遠程協助系統冗余、前裝量產車型冗余等，整體上實現了硬件的多層冗余性配置。

比如，傳感器冗余保證了自動駕駛汽車在各個方向、各類型的毫米波雷達、攝像頭、激光雷達等感知設備都能交叉驗證，進一步提升了車輛在隧道、雨霧、逆光、黑夜等復雜場景中的感知能力。如果自動駕駛汽車中有一個傳感器壞了，或者因為各種其他原因，導致傳感器帶來的數據無效，那么還會有其他傳感器能夠覆蓋同一場景，交叉驗證能讓自動駕駛達到更高的安全等級。

特殊場景模型、算法優化讓自動駕駛更加“智能”

俗話說，軟件是自動駕駛的“大腦”，也是確保自動駕駛安全的關鍵因素，而算法、模型則又是自動駕駛這個“大腦”的核心。

吉林大學汽車工程學院何睿副教授指出，自動駕駛分為感知、決策、控制到執行幾個體系。從目前出現的自動駕駛交通事故案例來看，影響自動駕駛汽車安全性的最關鍵因素仍是在感知層。算法的智能化水平不夠，會導致某些突發場景中，軟件層面產生錯誤的決策。

因此，自動駕駛廠商非常重視對算法、模型的持續研發和改進。Waymo（谷歌母公司旗下自動駕駛公司）開發了利用強化學習和進化算法設計神經網絡體系結構的新方法，并應用于自動駕駛的語音識別和圖像識別。

同樣，我國自動駕駛廠商也在積極探索。滴滴自動駕駛就針對道路遇到的特殊場景，進行了很多針對性的模型優化工作。

比如，在存在強光直射等特殊環境下，人類駕駛員通常需要戴上眼鏡或打開遮陽板。對于自動駕駛車輛來說，日光直射到攝像頭或者傳感器，會造成大的光斑，對自動駕駛的感知系統造成影響。

孟醒表示，滴滴自動駕駛的工程師們在多傳感器融合方案的基礎上，做了很多動態數據增強的工作。比如，針對不同的光照場景，設計了不同的模型，確保在不同亮度下系統的感知效果。這讓滴滴自動駕駛汽車即便是在嚴重逆光的情況下，也能夠準確識別，并避讓行人、汽車和其他物體。

在滴滴自動駕駛近期發布的全球首支自動駕駛連續5小時無接管視頻中，一輛白色的自動駕駛測試車行駛于上海嘉定區，經歷了白天、黃昏以及夜晚等多個時段，途經人流密集的嘉亭薈商業區、工廠區、辦公區和住宅區等不同區域。

當遇到通勤晚高峰，十字路口涌現大量行人、單車和大型班車時，通過視頻可以看到，滴滴自動駕駛測試車會自動減速，而且如果前方有行人，也能夠靈活避讓，而不是小心翼翼地跟在后面。

當行駛到繁忙的商業區時，測試車會通過判斷，選擇流量較少的街道；當行駛到幼兒園或者學校附近時，測試車則會以更慢的速度行駛，以保障學生的安全。

孟醒介紹，滴滴自動駕駛測試車之所以能夠在上述特殊場景下做出正確決策，是因為它針對特殊場景建立了獨特的模型。比如，在夜間行駛時，自動駕駛汽車有夜間模型；在下班高峰期時，汽車則開啟了謹慎駕駛模型；在學校附近，汽車又會開啟“安全模式”，以更謹慎的方式進行駕駛。

借助共享出行網絡，積累豐富的場景數據

除算法、模型外，數據積累對自動駕駛的軟件系統也非常重要。北京交通大學先進控制系統研究所副所長李潤梅教授表示，為什么消費者會覺得燃油車相較于自動駕駛汽車安全性更高，這其實是因為燃油車擁有大量的數據、豐富的經驗做支撐，才能盡量避免一些問題的發生。而自動駕駛目前由于還缺乏充分、足夠的系統測試，缺乏數據積累，如果遇到特殊場景，與某些軟件層面的算法發生沖突，就導致自動駕駛系統做出錯誤決策。

可以說，數據積累是自動駕駛在軟件層面的重要支撐。目前，由于自動駕駛測試場地不足，或者真實復雜的交通場景難以完全在仿真實驗室中實現復制，導致自動駕駛測試并不充分，數據積累也不足。

因此，增加在現實環境中的測試，是進一步提升自動駕駛汽車安全性的重要環節。

截至2020年底，北京市已經累計給14家自動駕駛企業的87輛車發放了一般性道路測試牌照，累計路測超過221萬公里。上海已經累計向21家企業148輛車頒發自動駕駛的道路測試和示范應用資質，企業數量和牌照數量均居全國首位。

據了解，滴滴自動駕駛成為首家獲得上海三個測試區牌照的企業。同時，在最近北京出臺的智能網聯汽車政策先行區中，滴滴自動駕駛不僅成為該政策先行區首批獲得測試牌照的企業，而且還獲得了夜間及復雜天氣場景的測試資格，可進行24小時全天候道路測試，尤其是在雨霧等特殊天氣環境下。

孟醒認為，實際道路測試和網約車的場景數據，為滴滴自動駕駛積累了大量“學習資料”。當測試車遇到一些特殊場景時，汽車會把這些特殊場景記錄下來，并在仿真實驗室進行反復模擬，進而把實際案例轉化成它的測試場景，納入到它的場景庫中。

同時，測試車還會對這些場景做“變量擴展和掃描”，進一步豐富場景庫。比如，測試車采集到這樣一個場景，在其前方有輛摩托車或者其他障礙車，并且車輛正在擠測試車或者并線。針對這一場景，滴滴自動駕駛首先會對這些變量進行掃描、擴展，比如變換測試車或者障礙車位置，再調整一下車速，比如快10%或者慢10%。通過對這些變量的擴展，能夠將一個場景變成一系列的新場景，從而使滴滴自動駕駛的場景庫更加龐大。

除了通過自動駕駛測試車采集場景的方式外，在數據方面，滴滴自動駕駛還擁有其獨特優勢，也就是滴滴網約車上的真實場景數據。

據了解，目前桔視覆蓋網約車50%訂單，基于海量出行數據和安裝在交通工具上的桔視設備，滴滴全年可采集1000億公里的真實場景數據。這些數據也能讓場景庫進一步豐富。

如今，自動駕駛已然成為汽車產業發展變革的主要方向之一。但“安全”仍然是自動駕駛技術發展的初心，更是自動駕駛汽車商用的紅線。

孟醒強調，除了在硬件和軟件層面持續改進，提高安全性外，滴滴自動駕駛還設立了國內首個自動駕駛安全護航中心，給予自動駕駛車遠程協助和控制；同時，公司也搭建了車路協同體系，在某些盲區可以借助道路的感知系統，將相關信息發送給自動駕駛車。

此外，借助海量數據滴滴自動駕駛也建立了一套道路場景風險評估體系，能夠幫助汽車選擇更合適的自動駕駛道路。這些舉措都是為了給自動駕駛用戶提供更多的安全保障。

自動駕駛的安全是未來很長一段時間內，各汽車廠商需要不斷去攻克的難題。孟醒表示，提升道路安全是滴滴研發自動駕駛的初衷，未來會繼續與自動駕駛產業各個層面展開緊密合作，共同攻克技術難題。