最近特斯拉的剎不住車的討論已經很多了，我就不累述這個方向上面的內容（如何看待特斯拉工作人員在?？谇榫霸佻F剎不住車？如何看待NHTSA拒絕特斯拉失控的召回申請）。結合著車展上的自動駕駛方向上面，各家爭奇斗艷，有幾個核心的問題：
1） 特斯拉這種開路先鋒，在國內外也是挨上個各種質疑和挑戰，而后續如何部署FSD軟件，讓大量用戶真的去嘗試，這種對道路安全的潛在風險很大的可能是由路人和其他車輛買單的
2） 跟著特斯拉一樣走的企業，是否能按照安全的設計要求來做，其實我們上次已經聊過，這段時間主流的車企傾向于用L3的方式先做封閉高速道路L2+，等立法和消費者熟悉之后再逐步往L3上更新。而這把不管是華為、阿波羅，玩法都是很有意思的。后續科技企業小米、大疆的切入，肯定往這個方向上進行擴展
圖1 目前不同架構的基本要求
01、北汽和華為
車展里面最引人關注的還是華為和北汽首款落地產品阿爾法S，這是圍繞自動駕駛配置激光雷達的一款車型，是面向城市道路自動駕駛能力的設計的車型，覆蓋多個場景如城區、高速、停車場的全場景點到點通行，從使用特性的設計方面，是嘗試讓用戶可以擁有從小區車庫到公司車庫的連續自動駕駛體驗的（這個野心可不小啊，面向城市道路的L3）
圖2 阿爾法S后面的自動駕駛暢想
當然，說直接一些，這款車是把華為所有的（ICT）能力-ADS高階自動駕駛全棧解決方案Autonomous Driving Solution，整合進去了。高階自動駕駛的成功，依賴在全棧算法、數據湖、計算和傳感器硬件這三方面的快速迭代和長期堅持，任何一項的不足都會導致失敗而退出賽道：
1）算法方面，ADS以超領先的全棧算法，唯一將Robotaxi高階自動駕駛能力落地于私家車，機器自我學習持續積累環境信息和駕駛習慣，不斷迭代優化
2）數據方面，海量基于算法能力的高質量數據促進ADS不斷迭代優化。ADS超級數據湖與原始素材有本質區別，其源于核心算法，服務于核心算法，充分發揮數據價值，否則就只是一堆徒耗成本的原始素材堆積而已。
3）硬件方面，ADS搭載超級中央超算ADCSC，可支持400TOPS/800TOPS兩檔算力，并通過領先的設計，支持未來的算力進一步升級；以中國城區場景出發，面向私家車市場，優化傳感器布局。
阿爾法S，從硬件配置上全車配置五大類35個傳感器，阿爾法S配置了3個激光雷達，6個毫米波雷達和4個魚眼環視攝像頭數量，通過遠距高清攝像頭和激光雷達，匹配高精地圖準確提取車道級紅綠燈信息。
備注：這些硬件把價格拉得非常高
圖3 阿爾法S的自動駕駛傳感器配置
在這里面，首先還是要提及激光雷達的重要性，在中國城市道路由于場景復雜，特別是無保護路口轉彎、Uturn、NN路口、車輛隨意并線和插入等場景下，對于自動駕駛系統來說側向視野與前向視野同等重要，所以除了前激光，還需要側邊2個激光來實現整體的效果。
02、阿波羅和威馬
第二個有趣的地方，是威馬和阿波羅想做的面向L4的低速停車AVP，具體細分了兩種不同的情景，面向用戶個體私密場景的停車路徑，主要面向的區域是車主所在的住宅區、公司停車場等固定車位，這個定位HAVP無人自主學習泊車。在這種使用的場景下，可簡單理解為使用固定路線進行無人駕駛泊車。如下圖所示，用戶根據自己的確定的停車位置，在停車場入口和泊車位置設置進入和泊出兩條路線，紅線進入，黃線泊出。先帶著W6的AVP系統跑一次，高算力的系統在本地及云端自動記憶行駛軌跡和預設車位的位置，然后每次只要在出入口的地方下車，然后遙控車輛進去和等著它出來就可以了。
圖4 需要學習和儲存的HAVP
基于阿波羅的高精度地圖，甚至能擴展成PAVP，主要面向的是公共區域，對于用戶無固定車位的地方，比如商業停車場，如商場、寫字樓地下車庫等。PAVP可實現非固定車位場景（幫你尋找一個可以泊入的位置）的無人駕駛泊車，通過云端超強算力和高精地圖支持的AVP系統，在特定停車場環境內可自主完成繞行障礙物、跨層巡航并自動泊入車位。在你需要的時候，也可召喚車輛行駛至你身邊。這種使用，一方面需要停車場就具備高精度地圖，而且能自主找到合適的車位，一定弄好了就真的完全打破距離限制，徹底解放用戶。
圖5 PAVP 是一步步從公共的停車場高精地圖開始的
基于低速來做，整體的配置就不需要激光雷達和特別高算力的核心，這套環境感知的硬件主要包括：
2 個高清智能攝像頭：最大探測距離超過 150 米；
4 個高清環視攝像頭：100 萬像素，覆蓋周身 20 米探測范圍；
5 個毫米波雷達：前向探測距離 210 米，側向探測距離 100 米；
12 個超聲波傳感器：長距檢測距離 25 - 500 厘米；短距檢測距離為 20- 250厘米。
圖6 威馬W6的傳感器配置
小結：在這兩個案例里面，都是科技提供方驅動著整車企業在走，估計后面不少車企的自動駕駛工程師未來的角色定位就是合作方的角色，和不同的科技企業合作然后對比著上車，當然和特斯拉的案例一樣，這些系統上車在使用中可能會遇到非常大的挑戰。