1. 从“59辆车”看自动驾驶测试的冰山一角最近看到一条消息说北京市已经有59辆车拿到了自动驾驶测试资格。这个数字听起来不多但背后牵扯的东西远比我们想象的要复杂。这59辆车就像浮在水面上的冰山一角水面之下是整个自动驾驶产业从技术研发、法规制定到商业化落地的一整套庞大体系。作为一个在智能驾驶领域摸爬滚打了多年的从业者我想和大家聊聊这“59辆车”到底意味着什么以及我们这些做技术、做产品的人每天在跟哪些具体的东西较劲。自动驾驶从来不是“把算法丢进车里”那么简单。这59辆获得测试资格的车每一辆都代表着一个完整的、经过严格审核的技术栈和运营方案。它们在路上跑收集数据、验证算法、迭代系统最终目标是为了让未来的出行更安全、更高效。今天我们不谈那些宏大的愿景就从一个技术实践者的角度拆解一下支撑这“59辆车”上路的核心技术脉络、数据闭环的构建以及那些藏在细节里的“魔鬼”。2. 自动驾驶技术栈的“铁三角”感知、决策与控制要理解一辆自动驾驶测试车在测什么首先得明白它的“大脑”和“四肢”是如何工作的。现代自动驾驶系统的架构可以粗略但形象地归结为感知、决策、控制这三个核心环节它们环环相扣构成了技术落地的基石。2.1 感知层车的“眼睛”与“耳朵”感知是自动驾驶的第一步相当于人类驾驶员的视觉和听觉。测试车上的传感器阵列通常包括摄像头、激光雷达LiDAR、毫米波雷达等它们各司其职又相互冗余。摄像头提供丰富的纹理和颜色信息是进行车道线识别、交通标志牌识别、红绿灯检测以及车辆、行人等目标分类的主力。但它的性能受光照、天气影响极大夜晚或强逆光下效果会大打折扣。激光雷达通过发射激光束并接收反射来生成高精度的三维点云图。它能精确测量物体的距离和轮廓不受光照影响是构建车辆周围三维环境模型的关键。但成本高昂且在雨、雪、雾等极端天气下激光束可能被吸收或散射性能下降。毫米波雷达利用无线电波探测物体对速度测量极其精准且穿透雾、雨、灰尘的能力强。它擅长发现远处的移动目标如高速行驶的前车但空间分辨率较低难以识别静止物体的细节形状。在实际测试中多传感器融合是必由之路。不是简单地把数据堆在一起而是要通过复杂的算法如卡尔曼滤波、深度学习网络将不同传感器、不同坐标系下的信息进行时空对齐、互补和校验生成一个稳定、可靠、全面的环境感知结果。比如摄像头识别出一个“可能是行人”的像素区域激光雷达的点云确认了这个区域有一个人形轮廓毫米波雷达则提供了这个目标的精确速度和距离三者信息融合系统才能确信“前方10米有一个以每秒1.5米速度横穿马路的行人”。2.2 决策与规划层车的“大脑”感知系统告诉车“周围有什么”决策规划层则要回答“现在该怎么办”。这可能是自动驾驶系统中最具挑战性的部分因为它涉及对复杂、动态交通场景的理解和预测。传统的决策规划模块通常采用分层架构包括行为决策、运动规划和轨迹生成。行为决策基于交通规则、地图信息和感知结果做出宏观指令如“跟随前车”、“变道超车”或“在路口左转”。运动规划则负责将这些宏观指令转化为一条从当前位置到目标位置的无碰撞、舒适、符合车辆动力学约束的路径。最后轨迹生成会为这条路径赋予具体的时间信息形成一条包含位置、速度、加速度的时空轨迹。近年来端到端End-to-End和大模型驱动的视觉-语言-动作VLA方法成为了新的研究热点。传统的“感知-决策-规划-控制”流水线像是一个个独立的模块拼装而成而端到端方法试图用一个庞大的神经网络直接从原始的传感器数据如图像序列映射到控制指令如方向盘转角、油门刹车。这种方法理论上更简洁能更好地学习人类驾驶员的综合决策能力但它的“黑箱”特性使得可解释性和安全性验证变得异常困难。目前主流车企和自动驾驶公司大多采用混合策略在核心、安全的场景下使用经过充分验证的传统模块化方案同时积极探索端到端方法在特定子任务如轨迹预测上的应用。2.3 控制层车的“手脚”规划层输出了一条理想的轨迹控制层的任务就是精确地执行它。它通过车辆的线控系统Drive-by-Wire将轨迹分解为方向盘转角、油门开度、制动压力等底层控制指令让车辆能够平稳、准确地沿着预定轨迹行驶。这里涉及大量的车辆动力学模型和控制理论比如经典的PID控制、模型预测控制MPC等。控制器的设计需要充分考虑车辆的物理极限如最大转向角速度、轮胎摩擦圆、乘坐舒适性加加速度以及执行器的响应延迟。在测试中控制器的鲁棒性至关重要——它必须能在车辆参数变化如载重不同、路面附着系数变化如湿滑路面以及外部干扰如侧风的情况下依然保持稳定的跟踪性能。3. 数据驱动的迭代闭环算法进化的“燃料”自动驾驶技术的进步本质上是一个数据驱动的迭代过程。那59辆测试车最重要的产出之一就是数据。没有高质量、大规模、多样化的数据再精巧的算法也只是空中楼阁。3.1 数据采集与标注从原始数据到“标准答案”测试车上路传感器会源源不断地产生海量的原始数据每秒数十帧的图像、成千上万个激光点云、连续的雷达回波……这些原始数据本身没有意义必须经过标注才能用于训练和评估算法。标注工作极其繁琐且成本高昂。以计算机视觉任务为例标注员需要在图像中框出每一辆车、每一个行人、每一个交通标志并为其打上正确的标签如“轿车”、“公交车”、“骑行者”。对于激光雷达点云则需要标注出每个点的语义信息属于地面、车辆、行人还是建筑物。更高阶的标注还包括3D包围框、车道线、可行驶区域等。中国自动驾驶数据集的建设和开放对于国内自动驾驶技术的发展起到了关键的推动作用。像KITTI、nuScenes这样的国际知名数据集固然重要但它们采集自海外道路交通参与者、道路标志、驾驶习惯都与国内有显著差异。因此构建基于中国复杂城市场景如北京、上海的本土化数据集对于训练出更适应中国路况的模型至关重要。这些数据集不仅提供了数据更定义了一套评测标准让不同团队的研究成果可以在同一把尺子下进行比较。3.2 仿真测试低成本、高并发的“练兵场”完全依赖实车路测来迭代算法是不现实的效率低、成本高、风险大且难以覆盖所有极端场景Corner Case。因此仿真测试成为了自动驾驶开发中不可或缺的一环。通过游戏引擎或专业仿真软件可以构建出高度逼真的虚拟世界模拟各种天气雨、雪、雾、光照昼夜、逆光、交通流密度以及千奇百怪的交通参与者行为。开发者可以在仿真环境中以成百上千倍的并行度快速测试算法在新场景下的表现复现和调试在实车测试中遇到的罕见问题。一个高效的仿真平台需要具备几个关键能力一是场景的多样性和真实性不能只是简单的“马路盒子”二是传感器模型的精确性虚拟摄像头、激光雷达的成像/点云特性需要尽可能贴近真实传感器三是与自动驾驶软件栈如ROS、Apollo的无缝集成能够方便地注入仿真数据并接收控制指令来驱动虚拟车辆。目前像CARLA、LGSVL等开源仿真平台以及各家公司自研的仿真系统都在这个领域激烈竞争。3.3 影子模式与数据回流从真实用户中学习对于已经量产或进行大规模测试的车辆影子模式是一种强大的数据收集和算法验证手段。在这种模式下自动驾驶系统或其中的某个新算法模块并不实际控制车辆而是像一个“影子”一样在后台默默地运行。它会基于实时传感器数据做出自己的感知、决策结果但并不执行。同时系统会记录下真实驾驶员的操作作为“标准答案”、传感器数据以及影子算法的输出。通过对比影子算法的决策与人类驾驶员的决策系统可以发现算法在哪些场景下与人类判断一致在哪些场景下存在分歧。这些存在分歧的场景尤其是人类处理得很好而算法处理不当的场景就是极具价值的长尾问题数据。这些数据可以被自动筛选出来回流到数据平台用于标注和后续的模型训练从而实现算法的持续优化。这是一种“从真实世界中来到真实世界中去”的低成本、高效率迭代方式。4. 经典算法与工程实践以Apollo EM Planner为例理论说了很多我们来看一个具体的工程实例。百度Apollo开源平台中的EM PlannerExpectation-Maximization Planner是一个被广泛研究和应用的经典运动规划算法。它很好地体现了在结构化道路如高速公路上如何将复杂的规划问题分解并优雅地解决。EM Planner的核心思想是分层迭代优化。它首先在SL坐标系S代表沿道路中心线的纵向距离L代表垂直于道路中心线的横向偏移下进行规划这个坐标系天然地贴合了道路结构简化了问题。参考线生成基于高精度地图和全局路由生成一条平滑的、车辆应该大致跟随的参考线。动态障碍物预测预测周围其他车辆、行人未来一段时间内的可能轨迹多模态预测。路径-速度解耦规划路径规划在SL坐标系下在横向L方向搜索一系列候选路径。每条路径由一组横向偏移点构成。规划器会考虑障碍物投影、车道边界、曲率连续性等因素为每条路径计算一个代价Cost。速度规划在纵向S方向上规划一条速度剖面。它需要处理跟车、汇入、避让静止障碍物、遵守交通灯等场景同样通过采样和代价计算来选择最优方案。EM迭代这是算法的精髓。路径和速度规划不是独立的。选定的路径会影响速度规划的空间比如路径离障碍物太近速度就必须降下来而选定的速度剖面也会影响路径的选择比如高速下需要更平缓的路径。EM算法通过迭代让路径规划和速度规划相互协调最终收敛到一个在路径和速度上都较优的联合解。轨迹生成与优化将SL坐标系下的最优路径-速度解转换回笛卡尔坐标系XY坐标并进一步进行平滑优化考虑车辆动力学约束生成最终给控制模块执行的时空轨迹。曲率连续性是EM Planner以及任何优秀规划器都必须重视的指标。轨迹的曲率转弯的缓急如果不连续会出现方向盘突然打到底再突然回正的情况这会导致乘坐体验极差甚至引发车辆失控。因此在轨迹生成和优化阶段必须保证轨迹的二阶甚至三阶导数对应曲率及其变化率是连续的从而生成平滑、舒适的轨迹。在实际工程中EM Planner的参数调优是个细致活。如何设计代价函数的各项权重障碍物距离代价、偏离参考线代价、曲率代价、加速度代价等如何设置采样步长和范围如何平衡规划频率和计算耗时都需要大量的实车测试和仿真验证来打磨。这也正是那59辆测试车需要反复验证的核心算法模块之一。5. 激光SLAM构建自动驾驶的“内心地图”除了依赖事先绘制好的高精地图自动驾驶车辆也需要具备在未知或变化环境中定位和建图的能力这就是SLAM技术的用武之地。其中基于激光雷达的SLAM在自动驾驶中扮演着关键角色尤其是在停车场、矿区、港口等无高精地图覆盖的区域或者用于高精地图的实时更新与众包构建。激光SLAM的目标是同步解决两个问题定位Localization - 我在哪和建图Mapping - 周围环境是什么样的。它利用激光雷达连续扫描得到的点云帧通过帧间匹配算法如ICP NDT来估计车辆自身的运动同时将匹配后的点云拼接起来逐步构建出一张全局一致的环境地图。这个过程听起来简单实则挑战重重。车辆高速运动会导致点云畸变需要运动补偿。环境中的动态物体行人、车辆会成为建图的噪声需要被剔除。长期运行下的累计误差会导致地图“漂移”需要闭环检测来校正。目前主流的激光SLAM方案如LOAM系列、LIO-SAM等都采用了紧耦合的优化框架将激光里程计、惯性测量单元IMU、轮速计等信息融合在一起以得到更稳定、更精确的状态估计。对于自动驾驶测试而言激光SLAM生成的实时地图可以与先验高精地图进行匹配提供一种不依赖于GNSS全球导航卫星系统的冗余定位方案。在隧道、城市峡谷等GNSS信号丢失的场景下这种基于环境特征的定位方法至关重要是保障自动驾驶安全连续运行的后盾。6. 测试资格背后的合规与安全体系最后我们回到“59辆车具备测试资格”这个起点。这个“资格”绝非轻易可得它背后是一套严苛的合规与安全体系。以北京为例自动驾驶车辆上路测试需要经过多层审批。首先申请主体通常是车企或自动驾驶公司需要具备相应的技术能力、安全保障体系和责任承担能力。车辆本身必须经过严格的封闭场地测试在模拟的交通场景中证明其基本功能如跟车、变道、路口通行、紧急制动的可靠性和安全性。测试项目可能多达数百项。其次需要提交详尽的测试方案包括测试车辆数量、测试驾驶员资质、测试时间、测试路段通常是从简单道路逐步开放到复杂区域、测试目的以及详细的应急处置预案。车上必须配备具备随时接管能力的安全员并安装数据记录装置确保所有测试行为可追溯。这59辆车正是在这套框架下在划定的真实道路环境中进行着从简单到复杂的功能验证和可靠性积累。每增加一辆测试车每拓展一个测试区域都意味着技术又向前迈进了一小步同时也伴随着巨大的安全责任。所以当我们看到“59辆车”这个数字时它不仅仅是一个数量更是一个象征。它象征着自动驾驶技术正在从实验室和封闭场地小心翼翼地、一步一个脚印地走向真实的复杂世界。这背后是无数工程师在感知融合、决策规划、控制执行、数据闭环每一个环节上的日夜攻坚是法规与标准在不断地探索与完善。这条路还很长但这59辆车以及未来更多的测试车正是驶向那个未来最坚实的车轮。