随着沃尔沃汽车、通用汽车、特斯拉等汽车制造商陆续宣布即将在未来几年推出L4级自动驾驶量产车，其背后庞大的供应商和工程师团队仍然面临很多棘手的难题。
许多挑战看起来，都是围绕“先有鸡，还是先有蛋”的问题。硬件需要不断优化升级，数亿行代码的软件栈需要不断证明对未知场景的适用性。
近日，Mobileye首席执行官Shashua、Arm公司汽车及物联网业务自动驾驶汽车总监Robert Day等多位行业人士都陆续公开分享了他们对L4/5自动驾驶汽车开发中最大挑战的看法。
一、硬件，高成本
自动驾驶系统所面临的最大挑战还是组件的高成本。
今天，全球范围内的自动驾驶原型（测试）车，主要是还是堆积足够的高性能硬件，来满足软件算法能够对车辆周围的环境做出正确的决策。
也就是说，传感器套件和复杂的计算系统都还没有为量产部署进行真正的优化（包括车规、功耗、成本等等），因此使用现有测试组件的成本仍然太高，并且短期内无法实现规模部署来降低成本。
此外，如果实现真正的全自动驾驶，适配的传感器还没有出现，计算能力和算法也还不够。要实现在所有情况下都能比人类做出更安全的判断，仍然需要5-10年时间。
目前，除了激光雷达，大多数的预研系统中使用的传感器仍然只是对现有传感器性能、分辨率和功能的一部分优化改进。真正的下一代传感器仍然还处于早期测试验证阶段。
所以，我们看到，许多自动驾驶汽车公司（包括Waymo、Cruise等等）都在设计和研发未来的传感器，以满足在规模化部署阶段的需求。
此外，考虑到更多的边缘计算以及域控制器的出现，帮助减少传感器融合的中央处理和减少内部通信带宽需求的同时，也在驱动未来传感器设计的需求变化。
在中央计算方面，IVI和ADAS使用的传统处理器（即便是AI处理器）目前还不具备更高级别自动驾驶所需的性能。
这正在推动自动驾驶汽车的设计者要么使用来自其他市场应用的计算能力，如数据中心（显然不适合量产部署），要么堆砌多个汽车SoC组成自动驾驶解决方案。
传统上，我们看到的一种方式是使用游戏GPU（英伟达的产品线）来获得处理大量数据所需的性能，这些数据来自车辆周围的不同摄像头、雷达和激光雷达。
要使这种处理成为适合自动驾驶车辆工作负载的需求，SoC供应商还需要提供汽车专用的深度学习解决方案，使性能、效率和安全性相匹配。
目前，硬件/计算挑战主要包括速度和性能、可靠性、功耗、重量、散热和尺寸几个方面。
比如，英伟达最新发布的安培（Ampere）架构，Xavier的算力提升至200TOPS。可以说，这让行业看到了高算力的未来。
DRIVE Pegasus Robotaxi自动驾驶平台使用两颗Orin Soc和两颗安培GPU，性能可以达到2000TOPS。但是，功耗也达到了800W。
二、集成，传统供应链模式不持续
Mobileye公司的首席执行官说，一直以来，很多公司都专注于自动驾驶某个组件的战略是不可持续的，比如摄像头、传感器或高清地图，因为这是一个无法分解的“端到端系统”。
除了摄像头，未来的自动驾驶汽车还将依靠人工智能、机器学习和传感器融合来导航。对于能够自动驾驶的车辆来说，所有这些系统都需要集成。
Shashua表示，为了让自动驾驶汽车做出最好的驾驶决策，它们需要处理来自摄像头、高清地图、雷达和激光雷达的数据。目前，这些技术中有许多是单独开发的。
为此，Mobileye也选择自行开发硬件和软件，从而缩短整体系统的开发周期（否则你需要等待供应商的反馈）。而早期Mobileye的成功，就是基于芯片+算法的集成模式。
“从芯片到自动驾驶完整系统的参与者非常非常少，”Shashua表示，我们看到行业将出现一次大规模整合。
这就是为什么除了收购Mobileye，英特尔还在进行额外的投资布局，以补充自动驾驶技术。
本月早些时候，英特尔斥资约9亿美元收购了以色列公共交通数据服务提供商Moovit，目的是补齐Robotaxi投入商业化应用需要的交通数据支持。
三、功能安全与网络安全的双重挑战
行业内有一些共识，比如，软件是自动驾驶的最大挑战之一。我们可以清楚地看到，今天的原型车仍然只是软件测试工具，硬件的优化还没有真正开始。
对于一个L4级自动驾驶系统，估计软件需要数亿行代码来执行等同于人类的思考和处理能力。
显然，这与传统的汽车软件系统有很大的不同，传统的系统通常是对驾驶员的请求作出反应，重点是快速、准确和安全地执行这一功能。
自动驾驶汽车软件开发更接近于敏捷软件设计，其中围绕自动驾驶系统的许多关键功能进行不断的测试和迭代。这也意味着开源软件通常被用作开发和测试软件栈的原型平台。
随着系统越来越接近真正的部署阶段，商用汽车级软件可能会取代许多开源组件，特别是在需要高性能或安全认证的地方。
这其中，有一个非常有趣的现象，就是行业内对于功能安全和网络安全的忽视。但，随着软件算法的不断迭代完善，安全挑战将显著增加。
目前，大多数原型车在运行过程中仍然至少有一个安全驾驶员，该驾驶员可以对车辆面临的任何安全问题做出反应。
同时，无人驾驶的测试通常都是在一个受限的操作设计领域(ODD)进行，即低速运行，并利用非常受控或封闭的环境，从而限制了任何功能安全和网络安全问题可能造成的风险。
一旦真正进入商业化部署阶段，将需要感知、计算和执行系统具有内置的功能安全、冗余性和网络安全，车辆本身能够处理任何问题，并且对乘客或其他道路使用者不会造成伤害。
四、测试验证，最后一道门槛
在自动驾驶量产设计中，有几个因素可能产生不同要求的车规级。第一个是操作设计域(ODDs)，它将出现在所有初始L4级别的部署中，规定车辆将在何处和何时实现自动操作。
正如沃尔沃汽车的表态，随着时间的推移，持续的OTA更新将扩大系统的自动驾驶可工作区域。对我们来说，安全引入自动驾驶是一个渐进的过程。
在此基础上，系统的软硬件需要在不同地理区域、天气条件和温度下，实现零部件始终如一地正常运行。
而目前很多自动驾驶测试车，仍然有很多人为的规章制度来约束系统不会出现故障。比如，限定车辆的运行时间和天气条件，这也是为什么测试车通常使用非车规级硬件。
ISO 26262标准正在考虑认证自动驾驶车辆的安全关键部件，特别是在执行自动驾驶系统指定的驾驶命令的阶段。
然而，如果部署L4级系统，就应该以某种最高规格来认证功能安全，在最高的安全级别。因为任何错误的决定，都可能导致危害乘客或其他道路使用者。
考虑到L4级系统将包含许多SoC和数亿行代码，使用当前的传统汽车安全方法进行认证将是一项非常困难的任务。
目前，全球各地都在围绕自动驾驶车辆的标准化“测试”展开了一些讨论。然而，考虑到自动驾驶汽车将面临的不同场景，适用于ADAS的标准化测试方法显然不能发挥作用。
现阶段所出台的一些规则，有许多是为了限制自动驾驶车辆的ODD，假设大多数车辆将有一个能够时刻保持控制的驾驶员，并且测试应该确保接管过程是“安全、简单和及时的”。
然而，考虑到全球大部分国家都没有批准具备L3功能（需要驾驶员时刻保持接管状态）的新车上市，显然背后就是因为巨大的安全不确定性风险。
这意味着，未来几年，在安全认证和测试法规方面，仍然需要有很多工作要进行。而且，考虑到各个国家的路况、交通基础设施和交通法规的巨大差异，很难短期内形成全球统一的标准。
对于何时能够看到Robotaxi的大规模部署，Robert Day表示，我们距离实现全自动汽车还有很长一段路要走。
从现实情况来看，我们可以预计，汽车行业还需要大约5到10年的时间才能实现真正的全自动汽车，在此期间，汽车制造商需要做出一些改变和妥协。
预计在5年内，我们会看到一些小范围（有限制条件）的无人驾驶部署，比如以一种特殊的方式作为网约车服务的一部分进行试运营。
