與初期為路試資格欣喜若狂相比，近年來主機廠及科技公司對于無人車路測工作習以為常。隨著公開測試的大規(guī)模展開，各家車隊的駕駛能力幾乎齊頭并進。單憑駕駛能力遠不足以評判技術效果，其仍舊沒有完全杜絕類似“Uber無人車致死”等事故的發(fā)生。
為了最大程度上確保系統安全可靠，從業(yè)者開始強調無人駕駛技術兼顧駕駛能力與魯棒性。所謂“魯棒性”，可以簡單理解成無人駕駛系統的容錯能力，以保證系統能夠在操作錯誤、超出常規(guī)頻率的發(fā)出指令、網絡過載等極端情況中，仍舊正常運作，從而避免安全問題發(fā)生。因此，技術魯棒性逐漸成為了這項未來技術后期能否實現大規(guī)模商業(yè)落地的重要指標。
順著自動駕駛產業(yè)鏈來看，感知、決策、執(zhí)行層面均各自遭遇了“黑盒子”的困境。
感知：地圖原始數據與衍生信息受限
感知定位層面無需多言。除了始終備受爭議的多種傳感器路線之外，近期大熱的高精地圖同樣沒能避開上述難題。
圖商的商業(yè)模式大同小異：以測繪車隊收集的道路數據為基礎，畫出一張厘米級精度的地圖，將其使用權出售給主機廠客戶。換句話說，車輛基本看不到地圖原始數據，更別提拿到其衍生信息。另一方面，長期占據產業(yè)鏈主導位置的老牌車廠在拿到數據之后，現階段恐怕不太可能對地圖廠商開放接口，以完成眾包進而實現實時更新。
在這種情況下，訓練系統、反復測試及模擬工作勢必會受到影響。如何在核心數據量受限時突圍，成了自動駕駛感知層打開“黑盒子”的關鍵。
決策：數據運算邏輯不可解釋
在自動駕駛與人工智能緊密綁定的當下，深度學習成了行業(yè)中熱度最高的語匯，而其主要應用在決策層，也就是人們口中的“自動駕駛大腦”。
然而理論上，基于訓練數據集歸納的深度學習算法并不像人類一樣，對所有開放環(huán)境均具備強認知功能。技術不能處理完全陌生的場景，最終會陷入數據運算邏輯不可解釋的“黑盒子”中，無法預估算法輸出結果。
或許這恰好可以解釋，為何創(chuàng)業(yè)者們談及無人駕駛時間節(jié)點時，往往信心十足又慎之又慎。畢竟在算法“黑盒子”未被拆解之前，誰也不敢拿運氣與性命對賭。
執(zhí)行：底層控制協議被國際Tier 1壟斷
當然，自動駕駛絕不是拍腦袋決策。脫離“四肢”談“大腦”的都是高位截癱，執(zhí)行控制層才是自動駕駛技術真正落地的基礎。
有意思的是，當真正涉及到車輛系統控制時，終于出現了一個具象的“黑盒子”：據悉，目前來自Tier 1供應商的執(zhí)行控制產品都會做成一個黑盒子，也就是全套自成體系的底盤控制系統。底層的執(zhí)行控制協議是付費公開的，即便公開，車廠對于接口開放程度也直接影響著汽車操控的可調程度。
對于如今直接面向主機廠的ADAS廠商而言，這也是雙方溝通過程中最大的難點。或許，只有國內企業(yè)真正打開跨國Tier 1巨頭手中的“黑盒子”，才能搶奪到部分話語權，將自主品牌從長期被動的處境中拉出來。