自動駕駛已經有65年的歷史, 1948年稱之為現代巡航的發明，開始嘗試控制車輛，可以稱之為第一個自動駕駛。

1980-1995年期間，在歐洲、美國大學，甚至戴姆勒，做了非常多自動駕駛的貢獻，同現在的自動駕駛車一樣，他們也組建車隊，或跨越歐洲，或穿越美國。那時的傳感器體積大，車輛造價昂貴，完成的挑戰和任務同今天的很像，只不過人為干涉比現在多一點。

這次大的變化發生之后，有很多ADAS系統開始慢慢出現在市場上。2000年之后，美國軍方挑戰賽，智能駕駛能做的更多，從谷歌開始，自動駕駛的發展被推上了世界的舞臺。

國內自動駕駛從2014年開始起步，無數創業公司涉足這個領域。在谷歌等互聯網企業的沖擊之下，造勢者紛紛提出自己的目標，第一個有限的自動駕駛出現在2020年，全自動駕駛在2030年即將到來。

這些目標能實現嗎？

行業共識形成

在2015年的時候，谷歌和傳統的OEM差異在于，前者直接從L4級的自動駕駛開始研發，并認為這樣的自動駕駛才是能落地的形態，而后者則是從L0、L1開始，認為在無人駕駛真正實現之前，低等級的自動駕駛無法跨越。

特斯拉、Uber、奧迪、凱迪拉克在量產的自動駕駛中，走的最快，但發生的事故給業界帶來了不小的震動。不同等級的自動駕駛商業化落地預期，也在悄無聲息的延后。

歐菲智能車聯駕駛事業部算法及自動駕駛總監段勃勃認為，從技術實現和商業化難易程度來看，商用車比乘用車容易。

商用車的自動駕駛，無論是智能車隊，還是限定園區下的運行，體現的特點是：任務復雜度還是L4，只是場景復雜度進行了區分和限制，比如說礦區、港口、園區、封閉高速路等等。

乘用車自動駕駛的著力點主要在L2到L3之間，整個任務復雜度、場景和功能是被限定的。隨著這個度的逐漸開放，車輛能提供的服務也越來越豐富，越能滿足消費者的期待。

而對于乘用車L4，業內普遍有了共識，技術實現、大規模商業化會稍微遠一點，當下人們更關注的是功能、產品的落地能力，商用車的限定條件下的L4自動駕駛，和乘用車的L3及以下的輔助駕駛成為熱點。追本溯源，還是因為落地必須技術、商業、法律都滿足之后才行。

OEM積累核心競爭力

段勃勃表示，面對這樣的形勢，傳統的OEM會聯合Tier1完成一個功能的開發，Tier1要把IP供應商、工程服務、GPU集成在一起，承擔非常多的任務。這個階段，OEM的壓力稍微小一點，但OEM也有自己的焦慮。

當互聯網造車勢力涌現，同傳統OEM一樣可以采購Tier1的零部件，實現類似的功能、汽車，二者的差異化在哪里？

真正的核心技術掌握在Tier1手中，差異化很難體現，同質化的競爭非常多。因此現在趨勢是OEM開始加大研發投入，它要逐漸充當主動的角色，特斯拉、沃爾沃、通用都在嘗試做這樣一件事情。

現在OEM也承擔自動駕駛的開發集成，而且它會有專利的創新。過去可以找到供應商把功能完整copy，現在很難，OEM有自己的軟件、集成、專利，在未來會發生的更加明顯。

OEM為了發展，也在積累架構能力、軟件能力，算法能力的核心技術。比如多域控制器，將會把所有的傳感器集成在一起，完成任務和功能。

在段勃勃看來，供應商給OEM提供零部件，OEM做集成控制，供應商就是供應商，真正做控制的可能以軟件的模式來實現。OEM的需求在變，相應的產業鏈也在發生變化。

未來OEM和供應商的關系，可能會是一對多的關系，一個OEM會直接對應IP Tier1、控制器的Tier1，供應鏈關系更加扁平。Tier1與Tier1之間，將會出現更多密切的合作，這也在給Tier1提出新的挺挑戰。

OEM和供應商之間是靈活合作的模式，不同的OEM擁有的能力不同，軟硬件實力不同，需要供應商提供的服務也就不同，供應商工程服務的能力要提升。只有這樣，在整個開發的周期被壓縮短后，配合OEM交付才能順暢。原來找供應商難，未來更難。

段勃勃表示，現在OEM開發一款車的周期也正在變短，以前先成熟后上市，現在可以先發布，再OTA升級，這樣的案例以后越來越普遍，因為這是競爭、發展變化的需要。

2015年歐菲智能車聯開始投入智能駕駛的領域，專注于環視系統來做ADAS及無人駕駛技術。

目前，公司環視攝像頭已經實現低成本，高收益。技術上目前在國內已經實現L2等級的自動駕駛，接近L3的落地，2019年會有一些L2、L3功能的量產。

2016年9月攝像頭產品上市，2017年9月，360度環視系統上市，在2018年6月第一款高清環視上市，第一款AI泊車系統將于2019年Q1完成上市。還有融合方案的全自動泊車，能夠適應多場景，于Q4能夠達到量產，已經拿到國內非常重要的兩家主機廠的項目。

成立三年多，歐菲智能車聯積累了十個OEM客戶，約40個工程定點，完成十幾個SOP的項目。

技術的挑戰

在段勃勃看來，隨著產業鏈的成熟，技術的升級，曾經越來越多的不可能正在變為現實。

以低光照下地下停車場的泊車系統為例，光照在20lux左右，通過特殊選型的sensor可以做到L5，以及高精度的相機模組，在可控范圍內就可以完成泊車。

深度學習的重要性會越來越大，其算力也會同步攝像頭的發展而升高。對于深度學習，目前的挑戰在于單位算力下的功耗降低，面對不同數據模型，計算模型的適配性。

比如，針對不同的目的，數據來源不同，數量也不同，與之匹配的數據篩選、處理也千差萬別，而后端數據采集、標注的能力還未跟上。以及，為了適應車內的工作環境，穩定性、可靠性都還有待驗證。

此外，自動駕駛的功能測試，需要通過仿真測試來進行大量的驗證、控制、檢測， 數據庫來源于真實數據的采集，工作量很龐大。