2020年的自动驾驶行业形态已经趋于成熟 ，新闻里也不再有hype。如果我们看各公司最新的介入报告，会发现驾驶的水平并没有实质性的进展，越来越多的员工开始放弃自动驾驶行业。各公司于是开始另辟蹊径，寻找下一个技术突破口。
　　如今，大部分公司采取的研发方式是传统机器人研发的方法，将驾驶技术分割为几个模块，将人类驾驶的习惯逐一传授于无人车。
　　比如，我们将公司分为定位、视觉、路径规划与控制等几个部门，然后将各个部门的研发成果汇集到一个release里，放在车上测试。我们可以要求视觉系统将行人与骑自行车区分开来，然后要求路径规划在驾驶时对骑自行车的人永远保持一米的距离，但是对行人永远保持0.8米的距离。
　　这种开发思路有诸多优点，但也有不少弊端。首先，只要分别组建好团队，搭建出一个驾驶平台并非难事。各个团队只要专注做好自己的分内责任，就可以保证这辆车至少可以在路上开起来。但这种平行的开发方式的缺点是，无法保证各个部门之间的代码可以兼容。比如，如果视觉只能探测90米之内的行人，而无人车的车速提快之后，90米很可能不够用。如此导致部门之间的协调工作十分繁重。
　　另外，这种开发方式完全依赖人类的驾驶经验，但是人类的驾驶习惯很难量化。一些人看来比较危险的驾驶习惯，在另一些人看来却很平常。那么，我们该教无人车哪一种驾驶风格才对？像机器人一样驾驶的无人车，又该如何在众多人类驾驶车中生存？
　　何况，人类的驾驶经验十分复杂，如果都要转化为一个个数值逐一传授于无人车，恐怕要花上数十载的时间。行业内的几家领头公司已经至少潜心开发了四五年的时间，经过这段时间的研发，在规定的场景（ODD）内已经可以做到90%的驾驶功能。然而，接下来的10%却难上加难，不知还需要多少年才能做到99.9%。

　　人类的驾驶经验往往也并不是完美的。研发自动驾驶的初衷就是让人类摆脱遭遇车祸的痛苦，而研发自动驾驶的人自己往往也造成过车祸，不完美的人类研发出的软件往往也是不完美的。即使我们可以避免大部分的车祸，但仍会有一小部分车祸场景是工程师们所预料不到的。
　　因此，自动驾驶行业急需一个技术突破口。于是，各公司将注意力转向了深度神经网络。在已有部门的基础上，很多公司组建了独立的研发团队，搭建深度神经网络系统，指望着通过独立的系统，摆脱人类驾驶经验，让无人车自主学习，一步到位。但这样的研发方式的缺陷是，无人车一旦发生问题，就很难找到问题的根源，也就是所谓的“黑匣子”。同时，网络的训练需要大量数据，数据的收集也是一大难题。
　　其实，无论是传统机器人的研发方式还是深度神经网络的研发方式，都逃不开安全验证这一步。我们在探索研发方式时，最好可以找到二者的结合点，尽量做到在人类驾驶经验的指导前提下，利用深度神经网络，并保证在上路前进行严格的仿真测试。

（敬请关注微信订阅号：dzbyqzx）