特斯拉的自动驾驶最近又㕛叒叕摊上事了。
就在 2 月月初，特斯拉被美国安全监管机构要求召回近 5.4 万辆轿车和 SUV，因为它们的「全自动驾驶」系统（Full Self-Driving，以下简称 FSD）在开启时不会在停车标志前完全停止，而是以极低的速度缓慢通过。
在美国，很多小路口是没有红绿灯的，这些路口立起来的 STOP 停车标志就起到了红绿灯的作用。驾驶员在看到这样的停车标志后必须停车观察至少 3 秒钟的路况，确认没有风险后，才可以通过。当周围没车时，很多老司机都会选择不停车，低速通过。
特斯拉的 FSD 也是这么做的。当检测到附近没有任何车辆、行人和骑行人的时候，FSD 会以最高每小时 9 公里的车速，驶过停车区，这个功能被称为「滚动停车」。虽然「滚动停车」还未造成任何事故，但有接近 6 万辆具备该功能的特斯拉在路上行驶，给安全监管机构很大压力。
监管机构表示，我治不了那些不守交规的人，还治不了 FSD？一纸通告让特斯拉把开放 FSD 功能的车都 「召回」。虽然官方宣称 「召回」，但这些车不用真的回到工厂。特斯拉表示将在最近的一次 OTA 升级中禁用「滚动停车」功能。
特斯拉的自动驾驶系统作为业内一哥，自发布以来，每一次升级都会引起广泛的讨论。美国的交通监管机构不仅时刻关注着 FSD 的进展，也在不断填补自动驾驶领域的法律空白，这也从侧面说明特斯拉 FSD 在业内的领先程度。
特斯拉 FSD 作为技术担当，究竟领先国产车多少年？国产车又做了哪些努力去缩小与特斯拉的差距？
国内车企的追赶与困境
特斯拉跟很多国内主机厂一样，刚开始做自动驾驶的时候也是摸着各种供应商过河的。
第一个供应商是视觉解决方案供应商 Mobileye。Mobileye 出色的环境感知能力，帮助特斯拉在 2014 年推出了第一代硬件 HW 1.0 和 Autopilot 巡航辅助功能。但特斯拉发现 Mobileye 的软件更新能力完全满足不了自己快速迭代的要求，于是抛弃了 Mobileye，选择自研算法。
第二个供应商是自动驾驶领域的老朋友英伟达 Nvidia。2016 年，特斯拉抛弃 Mobileye 后，用上了当时最好的自动驾驶平台 Nvidia PX2，并在所有新车上装上了 8 个摄像头，即特斯拉第二代硬件平台 HW 2.0，其部署的自研感知算法，完全实现了 Mobileye 的感知能力。同年 2 月份特斯拉开始了自研芯片，历时三年，终于在 2019 年抛弃了英伟达，使用上了自研的 FSD 芯片。
第三个供应商是雷达供应商大陆。从 2016 年造出的第一辆特斯拉开始，每辆特斯拉上都装着大陆的毫米波雷达，用来辅助视觉测量周围目标的距离和速度。直到 2021 年 6 月，特斯拉的 AI 总监 Andrej Karpathy 在 CVPR 上宣布 FSD 纯视觉的测距和测速已经能够做到跟雷达一样好，雷达的误检问题反倒给 FSD 带来了麻烦，故决定移除雷达，在纯视觉的路上舍命狂奔。
特斯拉入局早，又是坚定的纯视觉感知派，所有车型都使用同一套感知硬件，使得从最初 HW 2.0 开始积累的数据能够沿用至今。特斯拉利用其拥有大量量产车的优势，通过建立 221 条 Triggers，来收集他们想要的数据（比如发现某个目标刹车灯亮了但它却在加速时，就把这些数据采集回来），即从消费者场景持续高效获取数据。
源源不断的数据配合软件 2.0（数据驱动的神经网络）实现视觉到向量空间的完整映射，使特斯拉率先实现了数据上的闭环，使得自己在行业内领先其他对手 1~2 年的时间。Andrej Karpathy 也在最近一次的 Tesla AI Day 公布了他们的方案，并明确表示，即使其他竞争者知道特斯拉怎么做的，也很难模仿。
虽然国内各大车厂都很羡慕特斯拉 FSD 做出的成绩，但如果让他们完全照搬特斯拉的方案，他们肯定是不愿意的。首先，照搬方案注定需要投入巨大的财力和人力，这些投入最终能不能达到 FSD 的水平还很难说。其次，即使车企真的愿意投入，也始终落后特斯拉 1~2 年的时间，永远跟不上特斯拉的步伐，这样在这个领域根本就没有竞争力。
面对这样的困境，国内各大车厂都做了哪些努力呢？
实际上，国内车企在大的技术路线上与特斯拉一致。从易到难，确定了优先车道内巡航（对应特斯拉 Autopilot），其次高速 / 环路导航辅助驾驶（对应特斯拉 NOA），最后再挑战城区自动驾驶（对应特斯拉 FSD）的路线。
由于不具备特斯拉成熟且强大的泛化感知能力，国内车企为了快速实现 NOA 和 FSD 都选择了利用高精地图和硬件升级的方案。
高精地图困境
高精地图的加入能够极大降低导航辅助驾驶的开发难度。它就像在真实的道路上铺上了轨道，自动汽车只需要按着导航给的轨道信息，不断向前行驶即可。某种意义上来说，使用了高精地图的自动驾驶，不应该被称作自动驾驶汽车，而是自动驾驶火车。
国内最先把高精地图应用到辅助驾驶中的是蔚小理三家。以理想 ONE 为例，它的 NOA 实现逻辑是完全信任高精度地图提供的道路结构信息，相比特斯拉纯靠视觉感知识别道路，它的稳定性更高，不容易受到天气、光线的干扰。
但高精地图有个很大的问题 —— 数据鲜度。如果修路导致道路结构发生变化，而高精度地图又未及时更新时，会出现走错路甚至违规变道的情况发生。
硬件升级困境
在特斯拉 FSD 移除毫米波雷达的时候，国内车企选择了加装更多传感器和提高芯片算力，为的是通过更多的传感器和算力来弥补感知能力的不足。
激光雷达从 0 个增加到最多 4 个，毫米波雷达从 1 个增加到了最多 6 个，视觉也不再满足单目开始长短焦、双目混合使用，芯片算力更是由几十 TOPS 扩展到了上千 TOPS。
多传感器可以弥补单一传感器的缺点，但传感器增到一定的数量，对系统性能的影响可能就没有那么大了，甚至可能会产生一些反面的影响。比如双目摄像头，在夏天天气比较热时，前面的胶晒松了，塑料软了，摄像头几何参数发生变化，你就需要设计额外的方法、额外的算法去纠正这一点。传感器越多，这些潜在的问题就越多。
赶超特斯拉，车企究竟该做些什么？
面对特斯拉在自动驾驶领域的绝对领先，想在近几年内赶超是很难的。既然国内的整车厂已经通过高精地图和硬件升级做出了超过特斯拉 NOA 体验的产品，那就应该在这条路上继续走下去。利用包括自动驾驶芯片、高精地图、传感器等国内强大的供应商生态来和特斯拉竞争，缩小差距。
关注芯片软硬结合的能力
很多车企在选择自动驾驶芯片时都陷入一个追求高算力的误区。似乎只要算力足够高，自动驾驶系统的表现就会越好。按照这个逻辑，特斯拉 FSD 才 144 TOPS，够干啥？然而 144 TOPS 算力的 FSD 却率先做到了「全自动驾驶」。
其实芯片领域缺的不是算力大小，而是软硬结合的能力。软硬结合这一点，国外的特斯拉、Mobileye 注意到了，国内的自动驾驶解决方案提供商地平线也注意到了。
软硬结合的意思是，芯片制造商一开始就很清楚地知道要解决的自动驾驶问题时什么，需要优化的东西是哪些，需要在哪些方面做得好，哪些方面做得不好也不重要，有了明确的 AI 计算架构再去设计芯片时，脑子里已经有了一个大致的软件。最终软件在这类硬件上执行才是高效的。
像英伟达、高通这类提供通用 AI 芯片的厂商，选择的是软硬解耦的路线，这样的好处是设计起来更快，但在设计时做了哪些取舍，哪些方面表现的好，哪些方面不尽如人意都是未知的。这可能导致运行某些软件或模型在部署后，表现效果不理想。
地平线的工程师尝试将多种不同的模型同时部署到 N 厂商的 AI 芯片（11.4 TOPS）和他们的 AI 芯片（4 TOPS）上比拼芯片的有效利用率，并将统计结果做成了下图。
可以看出 N 家 AI 芯片相比地平线 AI 芯片算力更高，但其算力的有效利用率上却打了很大折扣，不同模型算法的有效利用率有很大差异。软硬解耦的芯片在实际使用时，虽然芯片的算力值很高，但实际模型跑在芯片上的效果并不好。
因此车企在选择芯片时一定要关注芯片厂商软件和硬件结合的能力。
地图众包解决高精地图困境
前面提到，高精度地图虽然好用，但仅靠像百度、高德几家图商的几十上百辆采集车上路采集，再经人工标注修正处理，无法保证地图数据足够 「新鲜」。城区道路常常出现临时施工，因此地图的 「鲜度」 就显得尤为重要。
车企应联合图商让前装传感器将感知信息传递到云端，实现地图数据的更新。当一个地点的实际路况被很多量产车检测到与高精地图不符时，通过云端自动化处理，对地图进行相应的更新。这样一来，地图数据迭代地足够快，就能更好地服务于高精度地图生态和其他车辆了。
搭建数据闭环，走出堆料误区
自动驾驶是一个需要不断解决长尾问题的系统，因此必须具备不断迭代的机制来驱动系统的完善。数据、算法、算力的铁三角组合能够保证自动驾驶数据的闭环，用数据来驱动算法的迭代，时间越长，积累的数据越多，算法能力也越强，实现良性循环。
车企需要思考不断增加传感器的初衷是什么？是为了解决感知能力不足的问题，而单纯的堆料是很难解决自动驾驶中的长尾问题的。这个时候应该像特斯拉学习，搭建了一套能够充分利用量产车数据的数据引擎。因为堆料只能解决眼下的问题，长久的问题还是需要数据闭环来解决。
特斯拉 FSD 发展至今，有太多值得国内车企学习的地方。如果论单打独斗，任何一家国内车企都不是特斯拉的对手。我们一定要团结国内强大的供应商生态来和特斯拉竞争，才能尽可能缩小两者之间的差距。
