提到智能車，大家都不會陌生，智能車是一個集環境感知、規劃決策、多等級輔助駕駛等功能于一體的綜合系統，它集中運用了計算機、現代傳感、信息融合、通訊、人工智能及自動控制等技術，是典型的高新技術綜合體，自動駕駛便與之有著異曲同工之妙。自動駕駛的核心技術，有的人認為是感知、有的人認為是決策，有的人認為是非技術的東西，比如能否持續賺到錢、能否做好前瞻性的管理工作等等。本期文
章就知乎上的幾位答主的觀點，來看自動駕駛技術的核心。
小鵬、特斯拉、蔚來“聰穎“不一
在對Model 3、小鵬P7、蔚來ES6的自動駕駛功能進行測試時，其中一項是對雪糕筒的識別和反饋卻截然不同：
小鵬：直接沖過去。
特斯拉：變道躲避。
蔚來：提示駕駛員接管車輛，自動剎車，同時打開雙閃。
當時測試的車輛速度是40-50km/h，理論上來說，以三臺車當前的硬件能力，不可能識別不到前方樁桶，最終不同的表現其實代表的就是三臺車不同的決策邏輯，來聽下三臺車的內心獨白：
小鵬P7：前方有樁桶？這是施工路段吶，理論上這屬于駕駛員自己接管的范圍，主動介入有可能造成危險，萬一出了事責任也很難劃分清楚吧？算了，還是維持當前操作！
特斯拉：前方有障礙物？哈哈，大顯身手的機會來了！看我的，變道避障！
蔚來：前方有障礙物？可能有危險吧？不行不行，趕緊剎車降速，同步告知駕駛員和周圍車輛，小心！有危險啊！
自動駕駛技術的核心還是決策
自動駕駛技術的核心實際上還是決策。過去幾年由于視覺感知的不穩定，自動駕駛的發展受到了極大的制約，因此很多人都認為環境感知才是自動駕駛技術的核心。但隨著環境感知的硬件越來越好，底層控制系統越來越精準，智能決策的重要性越來越關鍵。
如果自動駕駛類比人開車，那么感知就類似于人的眼耳，獲取汽車周邊的環境信息，而手腳則是偏執行層的控制。那么自動駕駛的核心就應該更偏向腦部的功能——決策。
過去往往都在吐槽Mobileye的攝像頭或者哪家的雷達不行（眼神不太好），譬如車道線無法準確識別，靜止車輛在遠距離識別不到，這個目標又丟了，然后再加一堆的邏輯去解決這些參數異常跳動或者目標無法準確識別、丟失等問題。除此之外還需對執行層進行調試，譬如這個EPS死區有點大，這個車輛制動響應不太好（可以理解為手腳不太好使）。但隨著供應商以及自研技術的提升，這樣的場景越來越少了，無車道線場景也可以給出安全行駛的邊界了，大家也有更多的精力去打磨決策相關的內容了，在學會走路的基礎之上，研究如何的跑的更快，跑的更優雅了。
決策邏輯評價體系攸關重要
①能不能
比如，想識別所有的障礙物，但是你能枚舉出所有的障礙物來測試嗎？大千世界，無奇不有，顯然是不能枚舉完的。所以，那些沒測過的障礙物，風險怎么評估呢？你敢在產品放行文件上簽字嗎？
仿真能大大提高測試的覆蓋度，那么仿真和實際的偏差，怎么評估呢？仿真能識別了，實際就能嗎？
簡單來說就是幾個問題，第一，你知道你能識別什么，但是你知道你不能識別什么嘛？第二，如果你知道不能識別，那你能及時報警讓駕駛員接管嗎？第三，如果沒接管，你能及時執行最小風險策略嗎？這些需要一套體系來管理和評價。
SOTIF能解決不少問題，但是SOTIF，有幾個公司能完全用起來呢。更別說SOTIF解決不了的問題了。
②可不可靠
之前是一些模糊邊界的問題。那么對于已經定義清楚的功能，怎么保證可靠性呢？
功能安全里有個安全目標的概念，簡單說就是對于影響安全的事件（比如制動失效），有一套體系來保證相關的功能是可靠的。這里就引出了最常用的提高可靠性的方法---冗余。
冗余在傳統的車輛上很常見，比如扭矩計算，比如制動執行機構的冗余。但是對于自動駕駛的一些問題，比如基于AI的感知，目前還不好做。
因此，沒法直接套用功能安全的體系，來保證已經定義并實施的功能，是‘可靠’的。那怎么辦呢？可以結合數據閉環來debug。但有個問題是，數據閉環是滯后的。就算用測試車，測試車的數據在數量和test case的覆蓋度是比較局限的。OK，所以還要結合仿真，所以老問題又來了，仿真測試能過，路測就可以嗎？偏差怎么評估呢？
這就是一系列如何評價可靠性的問題。不是對自動駕駛悲觀，只是覺得要正視問題，避免盲目自信。也許以后有更好的體系來支撐自動駕駛的開發，但是歸納起來一句話---都需要時間。但是不希望有車企用激進的方式，像特斯拉那樣用消費者來做測試，加速這個進步。
