文｜極智GeeTech
當Waymo的2500輛Robotaxi在舊金山灣區(qū)、洛杉磯、鳳凰城、奧斯汀、亞特蘭大五大城市的街頭自如穿梭，自動駕駛行業(yè)儼然已叩響規(guī)?；虡I(yè)化的大門。
然而，在車隊擴張的熱鬧表象之下，自動駕駛領(lǐng)域的技術(shù)流派分歧仍未消弭。純視覺與多傳感器融合的感知路線該如何抉擇？系統(tǒng)架構(gòu)該堅守模塊化還是擁抱端到端？在AI大模型賦能下，VLA與世界模型又誰能定義自動駕駛的“靈魂”？
這些懸而未決的爭議，正悄然左右著自動駕駛的未來走向，也讓這場技術(shù)路線之爭充滿了更多看點。
純視覺與多傳感器融合的路線之爭
感知是自動駕駛的基石，而“如何讓車輛看見世界”，則是行業(yè)內(nèi)對峙多年的核心議題，兩大技術(shù)陣營的較量可追溯至2004年。
當年，美國國防高級研究計劃局（DARPA）在莫哈韋沙漠發(fā)起挑戰(zhàn)賽，以200萬美元獎金吸引了數(shù)十支頂尖高校與科研機構(gòu)團隊，試圖攻克車輛環(huán)境感知難題。
最終，卡內(nèi)基梅隆大學、斯坦福大學等團隊采用的激光雷達方案脫穎而出，其生成的高精度3D點云圖，為早期自動駕駛技術(shù)發(fā)展奠定了核心路線，這一方案也被谷歌旗下的Waymo繼承并持續(xù)深耕。
但激光雷達方案存在致命短板——高昂的成本。一套激光雷達系統(tǒng)在當時造價高達7.5 萬美元，這在當時注定其只能走小規(guī)模精英化路線，難以適配大規(guī)模商業(yè)化的需求。
十年后，特斯拉扛起了純視覺路線的大旗，給出了截然不同的解題思路。其核心邏輯是“人類靠雙眼和大腦就能開車，機器也應(yīng)如此”。
2014年，特斯拉Autopilot系統(tǒng)問世，搭載Mobileye視覺方案，確立了以攝像頭為核心的感知路徑。2016年，馬斯克公開宣稱“激光雷達是徒勞的”，將純視覺路線推向行業(yè)焦點。
特斯拉通過8個環(huán)繞式攝像頭模擬人類視野，依托深度學習算法從二維圖像中重建三維駕駛環(huán)境。這一方案的優(yōu)勢極為顯著：成本極低，可支撐大規(guī)模量產(chǎn)；更關(guān)鍵的是，量產(chǎn)車輛能收集海量真實路況數(shù)據(jù)，形成“數(shù)據(jù)飛輪”，反哺算法持續(xù)迭代，實現(xiàn)“越用越強”的閉環(huán)。
不過，純視覺方案的局限性也十分突出。攝像頭屬于被動傳感器，性能高度依賴環(huán)境光照，在逆光、眩光、黑夜、大雨、大霧等復(fù)雜場景下，感知能力會大幅衰減，遠不及激光雷達的穩(wěn)定性。
以激光雷達為核心的多傳感器融合陣營則認為，在可見的未來，機器智能難以復(fù)刻人類基于經(jīng)驗的常識與直覺，惡劣環(huán)境下必須依靠激光雷達等硬件冗余，來彌補軟件算法的不足。
簡言之，純視覺路線將技術(shù)壓力全部集中于算法，賭的是AI智能化的突破。多傳感器融合則更側(cè)重工程落地的安全性，選擇的是經(jīng)過驗證的穩(wěn)妥方案。
目前，Waymo、小鵬、蔚來等主流車企與自動駕駛公司，均站在多傳感器融合陣營，在他們看來，安全是自動駕駛不可逾越的紅線，而硬件冗余是保障安全的核心途徑。
值得一提的是，兩條路線并非完全割裂，正呈現(xiàn)相互融合的趨勢：純視覺方案開始引入更多類型的傳感器補充感知能力；多傳感器融合方案中，視覺算法的地位也持續(xù)提升，成為理解場景語義的關(guān)鍵核心。
激光雷達與毫米波雷達的互補博弈
即便在多傳感器融合陣營內(nèi)部，也存在一場關(guān)于傳感器選型的細分爭議：毫米波雷達成本僅數(shù)百元，而早期激光雷達動輒數(shù)萬美元，為何車企仍愿為激光雷達投入高額成本？
激光雷達（LiDAR）可通過發(fā)射激光束并測算返回時間，構(gòu)建出超高精度的3D點云圖像，能精準解決其他傳感器難以應(yīng)對的極端場景（Corner Case）。其角分辨率極高，可清晰識別行人姿態(tài)、車輛輪廓，甚至路面微小障礙物。
在L4/L5級商業(yè)自動駕駛領(lǐng)域，激光雷達是唯一能同時滿足高精度感知與靜態(tài)物體檢測的傳感器，為了實現(xiàn)基礎(chǔ)自動駕駛功能與安全冗余，這筆成本堪稱車企必須支付的 “入場券”。
但激光雷達并非完美無缺。激光本質(zhì)是紅外光，波長極短，當雨滴、霧滴、雪花、煙塵等顆粒的尺寸與激光波長接近時，會引發(fā)激光散射與吸收，產(chǎn)生大量“噪聲”點云，嚴重影響感知精度。
4D毫米波雷達則恰好能彌補這一短板，其具備全天候工作能力，在惡劣天氣下可憑借強穿透性，率先探測前方障礙物并輸出距離、速度數(shù)據(jù)。不過，毫米波雷達的回波點極為稀疏，僅能形成少量點云，無法像激光雷達那樣勾勒物體輪廓與形狀，還可能因電子干擾出現(xiàn)“幽靈識別”的誤判。低分辨率的缺陷，決定了它只能作為輔助傳感器上車，無法成為感知核心。
由此可見，激光雷達與4D毫米波雷達并非替代關(guān)系，而是形成了“常規(guī)場景靠毫米波雷達控成本，復(fù)雜場景靠激光雷達保安全”的互補邏輯，不同車型會根據(jù)定位采用差異化配置：L4級Robotaxi與豪華車型，通常采用“激光雷達為主、毫米波雷達為輔”的策略，不計成本堆砌傳感器以追求極致安全與性能上限；L2+、L3級量產(chǎn)經(jīng)濟型車型，則以“攝像頭 + 毫米波雷達”為基礎(chǔ)，僅在車頂?shù)汝P(guān)鍵位置配備1-2顆激光雷達，打造高性價比的感知方案。
車企圍繞傳感器的選型爭議，本質(zhì)是一場以最低成本實現(xiàn)最高安全的技術(shù)探索與商業(yè)博弈。未來，各類傳感器的融合將進一步深化，催生出更多元化的感知搭配方案。
端到端與模塊化的架構(gòu)對決
如果說傳感器是自動駕駛的“眼睛”，那算法架構(gòu)就是其“大腦”，而“大腦”的構(gòu)建模式，正經(jīng)歷模塊化與端到端的激烈對決。
長期以來，自動駕駛系統(tǒng)普遍采用模塊化設(shè)計，將完整駕駛?cè)蝿?wù)拆解為感知、預(yù)測、規(guī)劃、控制等獨立子任務(wù)。每個模塊各司其職，配備專屬算法與優(yōu)化目標，如同一條分工明確的流水線。
這種架構(gòu)的優(yōu)勢十分明顯：可解釋性強、支持并行開發(fā)、便于調(diào)試維護。但它的缺陷也同樣致命——局部最優(yōu)不等于全局最優(yōu)，各模塊在信息傳遞過程中，會對原始數(shù)據(jù)進行簡化與抽象，導(dǎo)致大量關(guān)鍵信息在層層流轉(zhuǎn)中丟失，最終制約系統(tǒng)的整體性能上限。
2022-2023年，以特斯拉FSD V12為代表的“端到端”模型橫空出世，徹底顛覆了傳統(tǒng)架構(gòu)范式。這一方案的靈感源于人類駕駛學習邏輯：新手司機不會先鉆研光學原理與交通規(guī)則，而是通過觀察教練操作直接習得駕駛技能。
端到端模型摒棄了人為的模塊劃分，通過學習海量人類駕駛數(shù)據(jù)，構(gòu)建起龐大的神經(jīng)網(wǎng)絡(luò)，可直接將傳感器輸入的原始數(shù)據(jù)，映射為方向盤轉(zhuǎn)角、油門開度、剎車力度等終端駕駛控制指令。
與模塊化架構(gòu)相比，端到端模型全程無信息損耗，性能上限更高，還能大幅簡化開發(fā)流程；但其“黑箱”特質(zhì)也帶來了嚴峻挑戰(zhàn)，一旦發(fā)生事故，工程師難以追溯問題根源，無法判斷是算法誤判還是數(shù)據(jù)缺陷，后續(xù)優(yōu)化更是無從下手。
端到端模型的出現(xiàn)，推動自動駕駛從“規(guī)則驅(qū)動”轉(zhuǎn)向“數(shù)據(jù)驅(qū)動”，但“黑箱”風險讓眾多重視安全的車企望而卻步，且海量訓(xùn)練數(shù)據(jù)的需求，也只有具備大規(guī)模車隊的企業(yè)才能滿足。
為此，行業(yè)衍生出折中方案——“顯式端到端”，即在端到端模型中保留可行駛區(qū)域、目標軌跡等中間輸出，力求在性能突破與可解釋性之間找到平衡。
VLA與世界模型的智能定義之爭
隨著AI發(fā)展，新的戰(zhàn)場在大模型內(nèi)部開辟。這關(guān)乎自動駕駛的靈魂，它應(yīng)該是輔助駕駛的思考者，還是執(zhí)行者？
世界模型信奉“先建模、再決策”的邏輯，更追求對駕駛場景的深度認知與過程可控，也被稱為認知派。
該路線認為，自動駕駛系統(tǒng)要像人類駕駛員一樣，先在“大腦”中構(gòu)建出周圍環(huán)境的數(shù)字化虛擬模型，再基于這個模型模擬不同駕駛策略的潛在結(jié)果，最終篩選出最優(yōu)方案。它強調(diào)AI需先理解世界的運行規(guī)律，再結(jié)合傳統(tǒng)自動駕駛模塊完成決策，將大模型的認知能力與成熟的工程控制方案結(jié)合，規(guī)避純算法決策的幻覺風險。
VLA（視覺-語言-動作模型）信奉能力“涌現(xiàn)”，追求結(jié)果最優(yōu)，被稱為端到端的終極形態(tài)。該流派主張只要模型足夠大、數(shù)據(jù)足夠多，AI就能自己從零開始學會駕駛的一切細節(jié)和規(guī)則，無需預(yù)先構(gòu)建顯性的環(huán)境模型，最終其駕駛能力會超越人類和基于規(guī)則的系統(tǒng)。它直接將傳感器輸入的視覺信息、環(huán)境語言描述與終端控制動作綁定，實現(xiàn)從感知到執(zhí)行的一站式?jīng)Q策。
圍繞VLA與世界模型的爭議，本質(zhì)是自動駕駛智能決策邏輯的路線分歧，也延續(xù)了模塊化與端到端方案的核心辯論。
從可解釋性來看，VLA存在著難以溯源的黑箱困境。如果一輛搭載VLA功能的車輛發(fā)生了一次急剎車，工程師幾乎無法追溯原因：是因為它把陰影誤判為坑洞？還是它學到了某個人類司機的不良習慣？這種無法調(diào)試、無法驗證的特性，與汽車行業(yè)嚴格的功能安全標準形成了根本性沖突。
世界模型的核心是“先構(gòu)建環(huán)境認知模型，再分步推演決策”，其決策鏈路本就分為“感知-建模-規(guī)劃-控制”等明確模塊，每個環(huán)節(jié)都有獨立的輸出和可監(jiān)測的運行狀態(tài)，因此具備全程可分解、可分析、可優(yōu)化的特質(zhì)。
世界模型與VLA的核心差異之一就是可溯源性，其模塊化的決策鏈路能讓工程師精準定位問題環(huán)節(jié)。如果遇到復(fù)雜路況，工程師可以清晰看到完整決策過程：傳統(tǒng)感知模塊識別到未知物體、世界模型將其建模為“被風吹動的塑料袋”，并模擬其運動軌跡，規(guī)劃模塊據(jù)此決定“無需緊急剎車，僅輕微減速避讓即可”。即便發(fā)生事故，也能精準界定是建模環(huán)節(jié)的疏漏，還是規(guī)劃模塊的判斷失誤。
除了可解釋性的兩極分化，訓(xùn)練成本與數(shù)據(jù)需求也是車企猶疑不決的核心原因之一。
VLA需要海量的“視頻-控制信號”配對數(shù)據(jù)，即輸入一段8攝像頭同步視頻，必須輸出對應(yīng)的方向盤轉(zhuǎn)角、油門開合度、剎車力度等實時控制信號。這類數(shù)據(jù)不僅采集難度大，且標注制作成本極高，僅少數(shù)擁有大規(guī)模車隊的企業(yè)能夠支撐。
世界模型的優(yōu)勢則在于數(shù)據(jù)來源的廣泛性，它可先利用互聯(lián)網(wǎng)規(guī)模的“圖像-文本”“環(huán)境-規(guī)則”等多模態(tài)數(shù)據(jù)完成預(yù)訓(xùn)練，構(gòu)建起基礎(chǔ)的世界認知框架，再通過真實駕駛數(shù)據(jù)和仿真場景數(shù)據(jù)進行微調(diào)，既能降低數(shù)據(jù)采集成本，也能通過仿真推演補足極端場景的數(shù)據(jù)缺口。
回顧自動駕駛的派系之爭，不難發(fā)現(xiàn)，這些技術(shù)博弈從未以某一方的完全勝利告終，而是在碰撞中不斷融合，走向更高層次的技術(shù)統(tǒng)一：激光雷達與視覺正整合為多模態(tài)感知系統(tǒng)，實現(xiàn)全場景精準感知；模塊化架構(gòu)開始吸納端到端的優(yōu)勢，平衡性能與可解釋性；AI大模型則為所有系統(tǒng)注入認知智能，推動自動駕駛向更高階進化。
那些曾困擾行業(yè)的技術(shù)謎題，或許沒有絕對標準答案，但每一次爭議與探索，都成為自動駕駛技術(shù)迭代的重要注腳，持續(xù)推動著這一賽道向前邁進。