談到自動駕駛現狀，有人說“熱”和“亂”，其實正常。一個這麼多有錢的公司都投入的方向能不熱嗎，而亂說明它的“新”。如果大家還是去整天寫文章，說明離實用和商用落地比較遠，仍然是一個學術研究。更甚至，如果有不少專家對一個領域紛紛著書立傳，那說明它就成熟了，沒有什麼挑戰和新意了不是？
所謂“亂”，主要是沒有一個唯一的方向，實際有多條研發路線在進行，而且沒有誰好誰壞的結論。可以說，目前自動駕駛發展是基本兩條路，一條是谷歌和百度走的，直接做L4級別的自動駕駛；另外一條是Mobileye和Tesla走的，從L2做起然後演進到L3-L4 （其實主機廠基本也是這條路，只是不是軟件OTA模式，而是需要硬件一起迭代升級）。
說不好聽的話，這是“PG決定腦袋”的。谷歌和百度一類互聯網公司，現金流很充足，利潤客觀，所以可以不計較成本，同時也不着急靠這個掙錢，索性直接做技術最有挑戰性的東西。一些做L4的創業公司，主要靠VC輸血吧，現在自動駕駛這麼熱，融很多錢就燒得起呀。
至於說L2演進到L3/L4存在系統障礙什麼的，我不這麼認爲。我們分析一下：感知是一樣的，越成熟越好；規劃會發生變化，特別是採用高清地圖的話；控制都一樣，相對來說，互聯網公司沒有多少這方面的積累，最好用線控（wire control）車以及電動車方便。V2X目前還沒有普及，有的話對自動駕駛是很大的幫助，障礙物檢測簡單了，另外什麼紅綠燈檢測，交通標誌識別也不需要了，感知的重點是未知障礙物的動態檢測，規劃可以有區域的多車規劃，不僅僅單個車自身的規劃決策，這些對漸進式升級沒什麼衝突的。
有人說L2基本靠人接管，L3需要fail-safe，需要提前10秒左右報警讓人接管，而L4要求fail-operational，需要及時檢測自動駕駛系統失效而進入安全模式，在1-2分鐘停靠安全地方等待救援，包括遠程遙控駕駛什麼的，這都不妨礙系統迭代演進的開發模式，只是要求系統的硬件軟件冗餘和容錯能力提高罷了。
反過來我們看Mobileye和特斯拉模式，先做ADAS放到車上給用戶用，直接賺錢產生利潤，Mobileye應該是市場份額最大的，特斯拉賣車順便增加Autopilot這個賣點掙現金流，然後繼續投入研發提升自動駕駛級別，是一個很現實的商業模式。最近特斯拉出車禍多了，備受指責。想想看，如果L4出個車禍，估計公司就賠死了，就像Uber那次撞死人，給大家印象就很壞。
在這兩個開發道路上，我們也看到前者不在乎馬上掙錢，所以在系統搭建上就不計成本了，像激光雷達這種目前昂貴的傳感器，基本上是都用上了。等着容易進車規的固態激光雷達產品成熟降價，那是不知道什麼日子的，所以後者大多采用攝像頭和毫米波雷達搭配，最近Mobileye的自動駕駛車就是隻用5個攝像頭，在耶路撒冷的大街上開起來了；特斯拉用8個攝像頭，5個毫米波雷達，還有12個超聲波雷達一起構建第二代Autopilot硬件平臺。現在有這個平臺的銷售出去的車也有進20萬輛，現在收集的數據號稱5億英里，特斯拉在這方面比谷歌的1000萬英里實測數據還是NB多了，只是如何用這些數據呢？
前年6月份上任的Autopilot總監Andrej Karpathy決定採用E2E的機器學習方法（基本就是深度學習網絡），希望能解決這個自動駕駛問題，他定義爲軟件2.0時代，以前模塊化的軟件都算1.0時代，debug複雜，要求高。目前看，這個方向還沒有成功吧。其實大多數人還是採用模塊化的方法，就是前面提及的感知，定位，規劃和控制的分解模式，主要是大家沒有勝算能用一個模型解決這麼多的corner case。
談到地圖，又扯到成本問題。Mobileye提出的REM建圖方法，可以通過攝像頭提取特徵和路標（車道線和交通標誌等）通過衆包方式建高清地圖，大家說這個難度大，而且應用在定位的難度也大，好處就是便宜。其實特斯拉也在搞這個，它最早的團隊跑出去成立了一個創業公司叫Lvl5。國內也有好幾家這麼幹，其中Momenta還拿到了甲級資質，全國也沒有20個，NB呀。
回頭看，高清地圖的幾家公司，像谷歌，百度，HERE，TomTom，高德，四維圖新等等，都是採用激光雷達在掃圖，然後回去標註重要的車道線，路牌，紅綠燈等等，其中可以提供視覺層和語義層給客戶用做定位，當然成本就是高，特別是地圖更新的時候，今後用戶實用的帶寬要求也高（現在也有不少數據壓縮的方法，降低數據傳輸帶寬需求）。當然了，精度容易保證。現在定位和感知一樣，都是多種方式融合，像採用DGPS定位的，都可以結合起來。
談到了傳感器融合，我認爲其實它是拓寬了數據維度，以前只用激光雷達的，還有圖像的，現在大家合在一起，要麼構成冗餘，要麼互補提高精度。但是，它並沒有改變這個感知定位是個概率決策的本質，所以還是有誤差的，也必須小心定義和優化融合模型，比如Uber車禍就是融合後出現誤判的情況。
還是那句話，技術在進步和更新，不少問題會得到解決，但有可能出現新的問題，這就是大家說的“長尾“效應，同時也說明自動駕駛研發的長期性，即所謂剩下的10%問題還要用解決90%的時間來研究。