#理想照进现实——自动驾驶路测

1. 引言

大家好，我是渐构社群的——谦陌澪。

你好，很高兴体验百度 -【萝卜快跑】自动驾驶汽车在中国城市道路上的开放测试。自20世纪50年代美国率先开始进行自动驾驶研究，到目前自动驾驶汽车已经进入实际的应用阶段，全世界的巨头与组织们都在积极的研究与推动自动驾驶技术。

在视频1中，我们着重关注于自动驾驶落地的实际情况与道路的问题。

在视频2中，你会看到全程40分钟的无剪辑的路测记录。

本视频的拍摄时间为：2023年2月11日中午的12:19分。

其路线为：武汉市汉阳区的湘隆时代商业中心，到汉阳区的古琴台，全程约15.6公里。

本次路测的车辆为百度Apollo Moon 北汽（极狐），由于测试路线为城市路段，因而主驾驶座配备了安全员以负责行程的安全。从对百度的采访中，高速公路该车型已经能够完全实现自动驾驶，不再需要安全员，因而在部分路段中的自动驾驶车辆是可以不配备安全员的。但是我们需要清楚的是，目前所有运行的自动驾驶车辆其实都是配备安全员的，即使驾驶座没有人，也是存在网络安全员全程监控车辆的运行情况，随时接管车辆的控制权。

此外，为了限定本视频的范围，本视频聚焦于，百度L4级自动驾驶车辆在城市道路的实际运行情况。测试区域为武汉的汉阳区，交通相对适中，因此本次路测的情况并不代表武汉其他更繁忙的城市交通区域，也不能代表中国其他城市更复杂的交通情况。

2. 前置信息

2.1 自动驾驶分级

国际自动机工程学会SAE（SAE international，原译美国汽车工程师学会）自动驾驶分级自发布以来，一直是业界引用次数最多的自动化分级来源。本视频讲述的分级依据于2021最新修订的【J3016标准】。外链J3016

L0级自动驾驶，又名无自动化。该级别的车辆完全由人类驾驶，没有任何自动驾驶功能。驾驶员需要对车辆的所有功能进行控制。

L1级自动驾驶，为驾驶员辅助。在该等级，自动化系统可以【协助】驾驶员完成某种操作，但是同一时间只能控制一种（如纵向或横向）。例如，辅助转向是无法辅助加速，辅助加速是需要人控制转向。又称为“解放双脚”¹。

1

这里源于本人曾与工程师交流，觉得甚有意思便记于此，不代表全部行业

L2级自动驾驶，为部分自动驾驶。在该等级，自动化系统可以同时【控制】车辆的加速、制动和方向（纵向和横向）。其中，具有代表性的产品是特斯拉的自动巡航（Tesla Autopilot)以和凯迪拉克的超级巡航（Super cruise）。当然驾驶员全程必须保持警觉，并随时准备接管控制。又称“解放双手”。

在2021版本的SAE中，将L1和L2的自动化系统命名为“驾驶员支持系统”（Driver Support Systems），将L3-L5的自动化系统命名为“自动驾驶系统”（Automated Driving Systems）。在低阶自动驾驶中，驾驶人负责车辆的全部运行。外链J3016

L2到L3是一个实质性的跳跃，L3开始汽车具备真正的决策能力。

L3级自动驾驶，又名有条件自动驾驶。在该级别，自动化系统可以控制车辆的加速、制动和方向，并且在一些情况下自主的决策。自动驾驶运行时，驾驶人允许进行非驾驶任务(non-driving related tasks)而无需监控驾驶，只有当系统发出【接管提示】（Takeover requests）后驾驶人需要在有限的时间内完成对车辆的接管。

L4级自动驾驶，又名高级自动驾驶。在该级别，自动化系统可以控制车辆的所有操作，在大多数情况无需人类互动，具有比L3更大的使用范围。驾驶人只需在接管提示发出后控制接管，即使驾驶员没有在有限的时间内完成接管或者接管失败，车辆依照系统判断等【危险最小化操作】进行规避，尽可能减少驾驶人受到的伤害。

L5级自动驾驶，是最高等级的完全自动驾驶。车辆的一切运行完全自主，不再需要与人存在操控上的互动。此时，人将完全扮演乘客的角色。当然，目前对于5级自动驾驶描述仍然非常理想的期盼，距离实验室做到商用落地，仍然未可预测。

Merat, N., Jamson, A. H., Lai, F. C. H., & Carsten, O. (2012). Highly Automated Driving, Secondary Task Performance, and Driver State. Human Factors, 54(5), 762-771. https://doi.org/10.1177/0018720812442087

Zeeb, K., Buchner, A., & Schrauf, M. (2015). What determines the take-over time? An integrated model approach of driver take-over after automated driving. Accident Analysis and Prevention, 78, 212-221. https://doi.org/https://doi.org/10.1016/j.aap.2015.02.023

Petermeijer, S., Bazilinskyy, P., Bengler, K., & de Winter, J. (2017). Take-over again: Investigating multimodal and directional TORs to get the driver back into the loop. Applied Ergonomics, 62, 204-215. https://doi.org/10.1016/j.apergo.2017.02.023

Huang, G., & Pitts, B. J. (2022a). The effects of age and physical exercise on multimodal signal responses: Implications for semi-autonomous vehicle takeover requests. Applied Ergonomics, 98, Article 103595. https://doi.org/10.1016/j.apergo.2021.103595

L4级自动驾驶相比L3级自动驾驶主要区别在于自动驾驶系统的控制能力，使用场景以及全责分配。

L3级自动驾驶只能在特定的环境下进行自动驾驶，例如高速公路与部分城市路段等。在L3级自动驾驶模式下，驾驶员允许执行非驾驶任务，但是需要在【接管提示】发出后迅速接往车辆的控制，以应对紧急情况。L3级的运行是涉及到责任的权责分配的，接管后驾驶的责任由驾驶人承担，接管前的责任则由自动驾驶车辆（企业）承担。

而L4自动驾驶系统则可以在更广泛的场景下进行自动驾驶，包括城市道路等不同的道路环境。L4级自动驾驶系统可以完全实现自主的驾驶，不需要人类驾驶员保持警觉并随时准备接管车辆控制权，虽然L4级自动驾驶仍然需要人类接管的情况是存在的，但是此时驾驶的责任将完全由自动驾驶车辆（企业）承担。

需要注意的是，即使是L4级自动驾驶系统，仍然可能存在一些特殊情况下无法应对的状况发生。因此仍然需要你具备一定的应对能力和责任意识。

此外，上述对L3和L4的功能的定义（特别是L4），需要配套的法律法规和道路基础设施的共同推进才能达到，并不是仅仅一辆车就能完成的。

2.2 自动驾驶接管

正如前面所讲，L3级作为分水岭，驾驶人被允许在自动驾驶运行中执行非驾驶任务。

在L3级自动驾驶状态下，驾驶人不需要主动从事驾驶任务，因此更倾向于从事非驾驶任务（又名次要任务）。非驾驶任务—NDRT，主要包括占用驾驶人大脑、眼睛、耳朵、嘴巴、手和其他生理或心理资源。NDRT 可以包括口头问答，听广播，观看视频，文本输入，N-Back任务，代理参考任务(SuRT)等。统计结果表明，占用视觉资源的次要任务使用的更多，这与第三级自动驾驶情景一致，即驾驶人不需要观察道路交通状况，可以自由的选择其他地方。Dogan et,al. 2019; Wu et,al. 2022

Dogan, E., Honnêt, V., Masfrand, S., & Guillaume, A. (2019). Effects of non-driving-related tasks on takeover performance in different takeover situations in conditionally automated driving. Transportation Research Part F: Traffic Psychology and Behaviour, 62, 494-504. https://doi.org/10.1016/j.trf.2019.02.010

Wu, H., Wu, C., Lyu, N., & Li, J. (2022). Does a faster takeover necessarily mean it is better? A study on the influence of urgency and takeover-request lead time on takeover performance and safety. Accident Analysis and Prevention, 171, 106647. https://doi.org/https://doi.org/10.1016/j.aap.2022.106647

自动驾驶接管（Autonomous Vehicle Takeover）是指当自动驾驶汽车系统遇到复杂或紧急情况时，需要人类驾驶员从自动驾驶状态中接管车辆的控制权。

当自动驾驶汽车系统无法处理某些情况时，例如：路况不良、传感器功能失效、突然出现了施工区域、车祸现场，其他车辆或行人在紧急情况下进入道路等，自动驾驶汽车会发出【接管提示】，提示驾驶员接管车辆的控制权。

尽管针对接管提示的研究在学术上呈现上升的趋势，但是如何在工业界实现是一个巨大的问题。我们必须认识到，对于一个机器，要定义“系统判断无法进行自动驾驶的情况”这个情况本身就是一个悖论。车辆根据已有的传感器输入数据，经过建模，输出决策（一种数值），面对已知（数据库）和未知的场景都会存在输出。如果能够做到让机器识别出是否需要接管，那么车辆同时就具备了处理该未知情况的能力，那么就不符合需要接管的情况。

同样，如果需要人为去界定自动驾驶的环境，那么就是将输出结果与预定义的场景来匹配，那么该车辆就只能够处理匹配数据库的已知情况，而面对不匹配的未知情况则需要人类去介入。

此外，由于非驾驶任务引入占用的注意力资源，即便接管提示能够发出，驾驶人能够接管车辆也需要更长的时间。但是人类的反应是需要时间的，更长的接管时间意味着更接近危险，更接近危险就意味着即使接管车辆也难以规避危险。特别是现有的研究表明随着自动化程度的提高驾驶性能存在下降的情况。Dogan et,al. 2019;Roche et al., 2020

自动驾驶的本意是减少人为危险，对于用户而言，如果使用自动驾驶反而导致难以规避的危险，那么这就与交通安全是背离的。

Dogan, E., Honnet, V., Masfrand, S., & Guillaume, A. (2019). Effects of non-driving-related tasks on takeover performance in different takeover situations in conditionally automated driving. Transportation Research Part F-Traffic Psychology and Behaviour, 62, 494-504. https://doi.org/10.1016/j.trf.2019.02.010

Roche, F., Thuering, M., & Trukenbrod, A. K. (2020). What happens when drivers of automated vehicles take over control in critical brake situations? Accident Analysis and Prevention, 144, Article 105588. https://doi.org/10.1016/j.aap.2020.105588

2.3 车路协同系统

车路协同（Vehicle-Road Collaboration）是指车辆和道路基础设施共同合作，以提高交通效率、安全性和可持续性的概念。它是智能交通系统（Intelligent Transportation System, ITS）的一部分，旨在将车辆、道路和智能设备连接起来，以创建车辆和基础设施之间的无缝互动，并为驾驶员提供实时的交通和路况信息，从而提高交通的效率和安全性。

车路协同中的一个关键技术是车辆对基础设施的通讯（Vehicle-to-Infrastructure，V2I），它使车辆能够与周围的基础设施，如交通信号灯、道路传感器和其他车辆进行通讯，以优化交通流量并增强安全性。

例如，VTI可以提供远超单独车辆的实时交通信息共享，从而避免拥堵与可选择的替代路线。

更具体来说，在车辆执行有时间限定的任务时，通过链接路口的红绿灯，来规划通过路口的最优解，决策例如是否需要在最后几秒变为红灯时加速超越，以及多个交通灯的路径上实现对车速的长距离规划从而减少等待时间。

另一个重要的技术是车辆对车辆的通讯（Vehicle-to-Vehicle，V2V），它使车辆能够相互通信，共享有关道路状况、交通和潜在危险的信息。V2V可以帮助防止事故和改善交通流量，因为车辆可以根据其他车辆的实时信息调整速度和路线，形成类似蜂巢的多车协同决策。

例如，后方车辆意图高速行驶或者插道时，意图信息传达到前方车队，从而调整车队的速度与车辆间的排列，达到减少车间冲突与避免车队因突发事件导致的拥堵的情况。

##3. 关键访谈

3. 1 车辆现状

####数量现状

哎师傅，这个像这里这个车（实验车），他这次百度他有多少台试用啊？

什么？

这个百度，现在投放在这边有多少台试用车呀？

应该现在目前应该四十几辆。四、五十辆。

啊，还真让你给等到了，哈哈哈。

无人的的小军山有，汉阳这边是有。

####安全员需求

他是每一台车都配备一个安全员吗？

往汉阳这边走是要配安全员的，往小军山那边走是不需要配安全员的。

那一边是不是就是更空旷所以不用配？

嗯，那边路况简单一些嘛。

原来如此。

路况好一点，然后车人都少一点。这边这边人多一些，路况复杂一些，他怕万一出现一些紧急情况或其他不安全的因素，所以要配个安全员。

啊~（表示了解）

基本上我们，除了早晚高峰可能要接管，中间时间点很少需要接管。早晚高峰，都赶时间嘛，不能抢的。

####车速逻辑

就是这个车他会自动的开的比较相对正常人还是开的较慢一些，对吧？

他不会抢的，他主要是让。现在这个是这种斑马线，现在这个速度都会转向。

####激光雷达

他这个激光雷达探测的距离是多少？半径？

600米。

600米？哇~

但是他这上面显示的倒没有600米诶？

你那个是（电子屏幕）呈现的。那个呈现，他那个没有必要。这只是一个动画，给乘客观赏一下而已。

哦600米很远了。是的。

那和我们学术上面认知还是有些不同。因为部分学术上面现在就认为，这个激光雷达探测距离，就是实际能够检测的那个距离（车辆做出决策）不够的。

####接管提示

这辆车他会发出接管提示吗？如果他遇到的话？

不会发。就是都是让安全员自己来判断。

等他发出来他能够发出来，那他自己就有决策了。

哦对，确实。对这是个悖论。

####慢速巡航

一有人就减速。

是

他的判断逻辑，你看，他相对开的都好慢。20~30Km/h左右。

他也怕鬼探头，哈哈哈，我们也怕。30码的速度突然来个急刹，这个是很难受的。其实我们怕就是怕30码以下的速度，反而超过30码、40码，那就算了。那个时候更安全我觉得。

####探测实情

问题就是啊，这个三维的动画是他识别出来的东西，还是说他机器早已，就是他的实，就是他实际的探测范围。就是他实际的判断范围应该比这个三维动画要远的多吧？

对。

3.2 四级自动驾驶

那这个百度的这辆车他和那个特斯拉相比怎么样？

我们现在测的是4级嘛。特斯拉是3级嘛。

嗯，但是他现在就是这个四级和三级，他们的就是在这个工业上的区别是在哪里？

工业上的区别？

就是他们实际把这种产品拿出来的这个区别？因为特斯拉他现在也是那个车也是完全不需要人感觉（这里应该是在限定情形下不需要人）。

对，他只是说他3级现在是比较成熟的，他可以商用。

嗯。

我们现在测试的4级还没有没有普及商用。

哦

那我们这个，我看那个百度这里介绍有那个车路协同。就是他的很多东西，比如感知是和这个驾驶的那个就是道路上面那些设施他们是相连接的。应该不是只要依靠单车吧？

你你说的这个我没听清楚。

哦就是说，就是，就是这个很多的东西就是他不一他不是只是就是这个机器的决策判断，不只是来源于车辆的传感器，就还来源于道路设置，比如说道路的一些摄像头，或者传感器啊什么的，他们能连接上。

啊你说的这个，呃这个我也不是很专业。我这个啊，所以可能就是说你看着这个画面上面一些东西都是通过这个雷达传感，转变过来的。不是说，就像你有可能就是说通过百度地图是吧啊，辅助他是吧，这个有可能是一个什么路况可以那个的。但是从我们看的这个画面呢，它是这个雷达传感转变过来的。

是这个意思吗，你说？

额，其实我不是很在意他的这个画面。主要是他的那个实际探测的距离，如果是能和那个道路设施连接的话那那个实际探测距离......就是红绿灯什么的。

红绿灯, 对这个是有连接的。

哦那就行

因为，我们看见红绿灯，几秒的时候，我这里也出现这个时间是，跟着同步的。你看这，4秒，3秒，2秒，那边变了，这边是不是变了。是吧，这个是同步的。

百度像这次的道路测试大概会持续到今年的几月几号结束？

目前没有说结束的时间。我们今天可能要光谷要开通。

哈哈

然后机场和吴家山也有也有计划要开通今年

啊，那好辛苦呀。

嗯，今年是大面积嘛。大面积，那个搞这个无人的。武汉是最大的一个，这个无人驾驶车是最大的一个基地。

3.3 自动驾驶接管

基本上都已经十三、十四分钟没有接管了。

嗯~

还行哦。

但刚刚有个有个黑色轿车准备抢左转是吧？

对，那其实是一个危险现场，我去提醒他（外部车）一下。

就是说您按了这个喇叭之后，这个车辆会不会有相应的什么那种？

没有，你是相应的反应吧？这个是没有的。

刚才，我刚才还跟着闪着灯呢，先闪灯嘛，再走，后来是按了喇叭。

那师傅，你们就是现在坐这个车的时候，你们敢不敢就是直接玩手机啊或者怎么样？

那绝对不行的！玩我我肯定可以玩，但是那个这是红线嘛。这肯定是不能碰的。因为搞了这么长时间，这因为他是指定路线嘛，每天走，到哪个地方走哪条线，这个每条路上面走哪条道，我们都心里清楚嘛。哪里有是吧，是风险区域嘛，哪些地方是没有问题的嘛那你说即使没有问题的是吧。空闲玩一下手机、打个电话、吃个东西、抽个烟的这都不能搞的啊。所以这个是枯燥的一个事情，很难受

啊~

应该来讲就是他没有办法，还是没有办法处理一些突发的一些情况对吧？

不是说处理不了，能处理的时候可能比较极端，就是一个紧急急刹呀，是吧。我们打方向的话他也看后面有没有情况才会有打方向，后面有情况他方向是不会打的。这个跟我们人开车是一样的。

和我们遇过那个那个人在过马路的时候，他有个走走停停在过斑马线的时候，我们可以判断他，他是走还是不走是吧。他一走到那个位置，那个那个人只要一动的话，他（自动驾驶）就停下来是吧，这个可能还是不是很自然。

因为，因为这个东西还是很重要，因为跟我后面研究的一些东西有有关系。

那你过慢慢向他停下来，你那个人站在那里他也站这里，等到他想走的时候，你你哪怕你往前面迈一步他就停了。那其实你慢一步的话，我直接走是没事的，是吧。

嗯~

他有时候

哦是这样哎

就像一个他那个非机动人只要晃了一下，你知道是对他有很大干扰的，但是现在比去年那个时候要强很多。去年的时候坐在这里很刺激，啊哈哈。很刺激，那你想唱瞌睡就唱不了。

####接管要求

哎那如果师傅您碰到什么情况，比如说不小心打了一下方向盘，他这个车会跟你对抗或者？

必须打一下，你这个，比如说说你他会。你这说的是误接管吧？误接管的话他有就像你一次性没有接管，你要二次接管这个就不行了。他也有个判断，是的。有时候你接管的时候，像我们接管的时候，肯定是一次性把他接过来。免得他自己跟你抢方向盘，他有这个反应。

你们是搞哪个平台的？

我们不是，我们是做相关人际交互方面的研究。

跟我们这个无人驾驶有关系吗？

哎，有，因为想做无人的。

变道逻辑

哎，他刚才那个变道是因为监测到后面的速度比较快所以他让道了？

他要他要走下面。如果后面有车子，超我们的车的话他会让，挨得近的话他会让。

因为，因为如果我开的话，我我不会那么早就转到这边。

哈哈，其实哪里，在哪里拐，这个东西，工程师他就修改这个东西。哈哈哈，而且他是固定的，在哪，在哪条路，哪个地方变。变道的话每天都是那样的，但是升级之后他慢慢的，有优化。

4. 突发状况

4.1 引发交通阻塞

哎这辆车，那相当于在高速路上基本上不需要接管对吧？

高速路上肯定嘛，那是太简单了嘛。

好像L2级就能实现在高速路上了。对，我之前体验的一个凯迪拉克Super Cruise，就是高速路的那个测试基本上完全无人。包括出现。。。。

是吧，像10秒之内把方向盘扒一下是吧，就可以了。

这个这个道他是变得比较，比较晚的，没有提前。

这个就很难过去了。

检测到变道阻塞，路线重新规划成功。

这样塞（加塞）他应该都会让。

他他不敢的，哈哈哈，他不敢抢，他也不会抢。

这就是一起由自动驾驶引起的交通阻塞。

哈哈哈。

在全局视角中，车辆的运行并没有问题。

依据在十字路口处等待的车辆较多，可以推测该路段日常交通流较大。

从安全员的疑惑中，在该路口自动驾驶车辆应该存在了提前向右变道的设定，但是意外的是没有触发。

没有成功向右变道，继续前行时右侧道已经占满了较多车辆，且排列不整齐，推测可能此前发生过加塞的情况，这导致了自动驾驶即使减速到10码以下也没有存在变道的机会。

由于该路口的特殊，桥下的三条行车道在路口处减少为两条，因此减速后其后方来车开始超越与抢探车道，这导致了当前车道被（持续）加塞。

该自动车驾驶的避让逻辑是遇到外来车辆/人均采取避让的保守型驾驶，这是为了保障自动化运行时对非自动车辆以及弱势道路参与者（如行人、自行车）的保护，符合智能体不得侵犯人类的钢印。然而这种合理的避让逻辑在现如今反而引起了交通阻塞。

首先，在车辆已经打出右转向灯时，由于首先等待前车-1的远离，在感知到后车-2时继续让道，从而错过了变道机会。

其次，在减速后由于左后方车辆超越与加塞，为避让选择停车。在自动驾驶意识到原计划变道的路线已经无法满足条件后，重新规划在当前车道直行的路线。

最后“必须让以及不会抢道”的设定²使得后方人类司机无法忍耐前方长时间停止在路面中间的障碍物，因此向两边抢道。

2

我们可以看到阻塞期间，自动驾驶曾多次尝试向右变道还原预定计划中的进入汉阳大道路线。

最终导致了一起由于自动驾驶引发的三车道阻塞。

4.2 强闯红灯

首先，从全区视角可以清晰的看到车辆在该路口之间并没有接收到交通灯的通讯，这是反常的，在此前的视频里我们可以提前显示红绿灯的信息。

其次，即使车辆已经到达斑马线，仍然只能显示出周围的车辆与道路，仍然没有识别到红灯。虽然雷达的识别距离远远高于人机界面的显示范围，但是就好像突然失去了对道路设施的感知。

该路线为近期更新的，此前该车并没有走过。如果没有前面的堵车事件，原本的路线应该是右变道走汉阳大道。

由于堵车而重新规划了左拐+掉头的路线，导致自动驾驶进入了此前没有走过的情况。

近期更新的该路线由于数据库缺失，面对未知情况只能按照能够感知的信息决策。

在该未知情况下，未能连接道路设施导致车辆认为该路口没有交通灯而继续运行。

最从安全员主动接管介入，通过紧急制动来停车。

没事没事没事，这个是因为什么？

这个是红灯。

哦他要闯红灯吗？

对

哇~他有这个判断？

是我踩的，我接管了。

只是我记得不应该闯红灯吧。

这个路线是，应该是近期更新的。我今天是第一次走，原来没走过。因为原来，他就一直就是右拐上汉阳大道。但是右拐呢，他就没有像今天这样变通了（今天更智能），堵车了那我就是把左拐再调头嘛，是吧。原来就是一直靠右。

这个有意思，高精度地图没有更新吧。

这是违反交规，哈哈哈。我在看我这是红的，他还在那还在走。

5. 现实与前景

有句话叫：“仰望星空，也要脚踏实地”。日新月异的进步使得自动驾驶技术正在深刻的改变现有的社会协作，在已经不仅仅涉及个人，以及关乎各国智能交通革命的纪元里，我认为认清现阶段的局限，正视问题与思考潜在的解决方法，是有必要的。

5.1 理想与现实

地图依赖

高精度地图的局限在于只能提供预先制作的地图信息，对于新出现的道路和路况信息，无法提供实时的反馈。

从安全隐患角度，高精度地图的更新速度可能不足以跟得上道路变换的速度。如果自动驾驶车辆依赖于过期或者错误的地图信息，可能会导致交通事故的发生。因此，虽然高精度地图在自动驾驶基础中扮演着重要的角色，但是过度依赖高精度地图可能会带来诸多问题。

例如，2021年10月小鹏NGP发生过因在高架桥下出现地图缺失，从而导致多个数据间判断失误，辅助驾驶系统在无预警的情况下危险变道。外链

而今天在路测的体验中也同样因为近期的地图更新，在新路线上出现意外情况。表象原因是走上了一条未曾走过的路线，但是真正的原因是需要百度自己通过车辆数据来时间回溯，这已经超出了本视频的讨论范围。我们并不知道：本次L4级，他到底在这个情况下出现了什么具体的判断的问题。

协同缺陷

车路协同应该来说是未来交通的必然结果，万物互联使得自动驾驶的感知能够超越单车的极限，实现超视觉感知。通过智能交通网络做出决策，从而让低阶的智能车也能获得高阶智能车的执行能力，最终使得整个城市的交通以最有效率的方式运转。

然而，从实际的路测来看，百度目前的车路协同似乎只存在于已知的路段，而在未知路段就完全失去了功能。以闯红灯为例，就算这是未走过的区域，就算是地图近期更新，那么在距离交通路口时为什么没有感知红绿灯信息？因为按道理啊，与道路设施的互联不应该受到地图的影响。

5.2 突发与应对

共驾之路

不可否认的是，只要未能实现完全自动驾驶（L5）和改善道路法规以及配套的基础设施，我们仍然将会在很长一段时间，需要有人类来接管车辆以应对复杂环境的自动化技术问题。

我们完全有理由相信随着技术的更迭，自动驾驶需要接管的情形将会越来越少。然而根据本次路测的实际情况，自动驾驶难以应对突发情况，没有人类介入的情况下易引发连锁的危险。因此，研究应当更多的关注突发情况下人类与机器的应对。

正视接管

首先，人类难以避免参与非驾驶任务。自动驾驶的初衷就是为了让人类能够完全从驾驶任务中解放，如果人在脱离驾驶后仍然需要时刻保持警觉，那么这仍然只是因技术达不到要求的辅助驾驶。因此在自动驾驶的安全设计应当面对的是处于脱离驾驶任务的用户，在需要接管的情况下，能够做到发出有效的接管提示。

现在我们来推演一个未来情景：我正在全神关注的进行一场线上会议，这关系到荒阪公司的新举措。此时，车辆即将进入车流较高的多车道变换路口，车路协同系统显示这里的路口突发连环车祸危险系数过大，因此判断我需要立刻接管车辆。

自动驾驶发出（哔_哔哔）的嘈杂警报声，讲道理我处在全神贯注的情况下，突然要求我接管的警报更有可能使得我处于不知所措的状态（许多动物在面对突发情况的第一反应是静止），反应是需要时间的。随后就算我手握住了方向盘，也需要观察周围环境与道路状况，还需要决策规避的操作。上述的所有决策都是需要消耗时间以及极大的增加心理负荷的，这样的提示并不能帮助我避免危险。

而有效的提示应当提供必要的决策信息，辅助人类的决策，例如系统通过语音告诉我：“建议3秒内，向右侧加速规避！”同时前挡风电子屏幕的人机界面显示可参考的规避角度与车速范围。

第二，人在接收接管提示后并不代表能够规避后续的潜在危险。相比较接管前的认识，我们自然会想到对于接管自动驾驶后什么时候才能恢复到正常的行车状态，因为正常的行车状态对于个体来讲才是最接近安全的状态。

在相关的心理和生理的研究表明，接管后的恢复时间并不短暂，如准备能力需要40秒，而心率至少需要23秒才能稳定Kim et al., 2021；Melnicuk et al., 2021，这都表明需要一个过程来恢复行车状态。Kim et al., 2021；Marberger et al., 2018

Marberger, C., Mielenz, H., Naujoks, F., Radlmayr, J., Bengler, K., & Wandtner, B. (2018). Understanding and Applying the Concept of “Driver Availability” in Automated Driving. In Advances in Human Aspects of Transportation (pp. 595-605). https://doi.org/10.1007/978-3-319-60441-1_58

Kim, J., Kim, W., Kim, H.-S., Lee, S.-J., Kwon, O.-C., & Yoon, D. (2021). A novel study on subjective driver readiness in terms of non-driving related tasks and take-over performance. ICT Express. https://doi.org/10.1016/j.icte.2021.04.008

Melnicuk, V., Thompson, S., Jennings, P., & Birrell, S. (2021). Effect of cognitive load on drivers ' State and task performance during automated driving: Introducing a novel method for determining stabilisation time following take-over of control. Accident Analysis and Prevention, 151, Article 105967. https://doi.org/10.1016/j.aap.2020.105967

正如上述所言，即使驾驶员已经接管了车辆，其心理，生理和操控能力仍然需要更多的时间才能恢复到自然驾驶，并且随着深度参与非驾驶任务，恢复的时间可能需要进一步延长，这最终表现在后续的操控行为存在诸多潜在的危险因素。因此研究后续的操控行为并辅助操控行为的恢复是实现高阶自动驾驶必须要面对的问题，接管前与接管后的全流程都需要得到优化。

例如，发出什么样模态的提示（视觉、听觉、触觉或者是混合），环境感知的信息，机器辅助的决策，心理的恢复帮助等，都应当作为高阶自动驾驶的接管优化。

最后，我们必须要认识到自动驾驶作为一种技术是没有好坏之分的，只取决于使用者。明确在什么样的情况下运行自动驾驶，有助于你更安全的使用它。

例如，行驶在潜在危险的陌生环境下，应当提前结束你正在进行的非驾驶任务，你需要持续监控道路，并随时做好接管车辆的准备。

5.3 用户与市场

用户至上

近年来，一些厂商已经宣称实现了高阶自动驾驶技术，伴随着精美剪辑的宣传片与铿锵有力的演讲，恍如未来以来。

例如小鹏的L2.5级，特斯拉的L3级，百度的L4级，以及纯视觉与感知融合的路线之争等等。

但是在实际道路上，这些技术仍然暴露着诸多的挑战与问题。对于我们用户而言，厂商所宣传的等级与实际的使用，可能是完全不同的两个情况。不同的厂商会对标准进行自己的解读与重构，从而在宣发上有所侧重，最容易误导用户对于目前自动驾驶的认识。

必须认识到，相比较L1级于L2级的渐进提升，L3级其实是一个要求非常非常高的等级，特别是该等级能够允许驾驶人不再监控道路来执行非驾驶任务，并且机器能够认识到自己的边界从而提示人类接管。这两个关键标准任何一个要能够在工业界实现都是困难重重的，并且此时的车辆应该是接近一种智能体的状态。

我们再看看目前各大厂商所流传的视频哦，试问目前驾驶员的现状哪一个不是眼睛随时监控道路的，手就放在方向盘旁边，随时准备着控制车辆？就这样的紧张状态每年路测仍然时有车祸与碰撞的各种各样的事件发生。这样的情况仍然没有脱离以人为主要决策者的辅助驾驶技术。

从这个角度，由于目前实现车路协同所暴露出来的种种问题，百度也不能达到真正意义上的L4级—高级自动驾驶。对于L3以及L4的探索之路请务必慎之又慎，我们从业者与研究者不能将还不成熟的，存在安全隐患的产品投入市场。

站在用户的角度，我们应当关注厂商的自动驾驶是如何保障你的安全，如何带给良好的自动化体验，如何应对自动化失效带来的问题，如何有效接管车辆，如何保障车载网络不被黑客侵入，如何明确法律上的全责分配。。。等等。

毕竟，在实际道路中真正出现问题的时候，我可不希望我是束手无策的。

至于厂商之间的路线之争，技术缺陷呀，也不用被舆论引导的过于乐观或者过于悲观，正所谓“不以物喜不以己悲”嘛。谁能最终实现完全自动驾驶并且能够被人民所接受，那不就是“好猫”嘛。更何况在2022年末由Chatgpt兴起的新一轮人工智能革命下，也许目前的许多思路终将被新技术所替代，不是吗？

面向需求

关于萝卜快跑作为无人驾驶出租车在城市中的应用，探讨一下目前存在的问题。

拿本次路测的城市——武汉为例，自2010年建成二号线开始，截止2022年共记十一条地铁线路，遍布于城市地下四通八达的建设使得这座城市的交通几乎离不开地铁的参与。

本次路测即使在交通流不高的城市路段，跑完15.6公里也花费了超过40分钟，况且目前在高峰期还会造成交通阻塞必须接管的问题，几乎难以满足广大上班族的需求。毕竟使用地铁或者人类出租车明显缩短了超过一半的时间。

说到价格，本次路测其起步费需16元，里程费需43.68元。由于百度目前是处于路测阶段，所有活动抵扣几乎不花钱。但是这种定价放在未来日常通勤上，这是很难让人接受的。

这样的产品目前放在出租车市场就显得不伦不类了：

一方面保证安全性，使得城市内车速一般低于30码，从而牺牲时效性；另一方面保证时效性，就意味着对自动驾驶的整体提出较高需求，从而削弱安全性。毕竟，出租车行业是执行有时间限制的任务，我们不可能选择一个耗时长、高消费、还存在着安全隐患的产品。

在工业界，必须考虑提高需求导致车辆的成本攀升。若没有出现技术跃升来降低成本，最终会导致单车成本难以为继，即路线失败

但是换一个角度，服务面向于自动驾驶私家车，反倒合理了许多。用户可以根据自己的实时的需求去选择是否需要开启自动驾驶。

例如，在高车流时忍耐不了速度就手动介入，下班了觉得累了，不想开时就交给机器把你送到指定的位置。

当然，以上种种的时效性问题都是基于当前交通分析的。如果城市公共交通彻底被自动驾驶占据，自动驾驶汽车完全占据市场，淘汰掉所有人类控制的出租车、公交车、运输车等，那么智能交通系统或许能够保持自动驾驶车队高速的运行，从而使得未来车流更加高效的运作，这也不失为一种解决的手段。

##6. 总结

面向中国的大规模路测，个人认为在收集广大车路数据的同时，也要持续优化用户的体验。

这包括：能够自由选择上下车的地点；探索高交通流的通行决策；扩大测试区域以探索自动化的边界。

最后，尽管路测暴露了诸多问题，我依然欣慰于百度的研究人员和工程师们在如何让车路协同落地做出的这些努力。

也希望能够有更多的用户来参与自动驾驶的体验，并为自动驾驶落地贡献自己宝贵的意见。

本视频除了本人拍摄的素材外，电影素材来源如下：

电影：I，Robot， 《我，机器人》，2004

电影：Initial D，《头文字D》，2005

电影：Eagle Eye，《鹰眼》，2008

电影：Upgrade， 《升级》，2018

电影：The Wandering Earth 2，《流浪地球2》，2023

本人非常感谢各位yutube作者对本视频提供剪辑素材的帮助：

yutube作者：Insider Business，视频：Why Don't We Have Self-Driving Cars Yet? 外链

yutube作者：Data Story，视频：History of Self-Driving 外链

yutube作者：TDC，视频：The Future of Driverless Cars 外链

yutube作者：Tesla，视频：Tesla Cyber Rodeo 2022 Recap 外链

yutube作者：Baidu Inc.，视频：Meet Apollo Moon, Baidu's New-Gen Robotaxi 外链

yutube作者：Will Lee，视频：NIO 蔚来 EP9 - A look at one of the fastest electric cars in the world Autonomous Driving (No Driver)p 外链

yutube作者：AmpedAuto，视频：Smart City Driving | 7 Facts That Shapes The Future Of Transportation 外链

yutube作者：Car with Sonduren，视频：The Best Self Driving Tech? 2022 Cadillac Escalade Super Cruise Review! 外链

yutube作者：Vehicle Virgins，视频：Tesla Self Driving vs Los Angeles! 外链

yutube作者：Jerry's Channel，视频：First Ride in Cruise's Driverless Taxi Service 外链

yutube作者：Black Tesla，视频：FSD Beta 10.69.2.3 - First Impressions 外链

感谢音乐制作人Mabanua对本视频使用背景音乐“The theme of Sachio”【Megalobox】的授权。

'The theme of Sachio' - Mabanua - Megalo box

'Summertime' by Erik Lund - (No Copyright Music) Music provided by Vlog No Copyright Music 外链

'Making progress' by Dan Phillipson - #Uppbeat (free for Creators!): 外链 License code: FFV0TCI6S7M6DMGG

'A Kind Of Hope' by Scott Buckley - released under CC-BY 4.0. 外链

'Adrift Among Infinite Stars' by Scott Buckley - released under CC-BY 4.0. 外链

'The Long Dark' by Scott Buckley - released under CC-BY 4.0. 外链