自动驾驶这十年，我最大的感受是：行业说话的口气越来越小，做的事越来越大。早些年一个Demo就能换来整车融资，现在没人关心你路测跑了多少公里，只关心接管里程是多少、单公里成本能不能打平、规模复制还有没有瓶颈。这篇文章就围绕自动驾驶十年演进这条线，把技术路线的来龙去脉、工程化过程中的关键取舍、以及落地场景里真正算得过来的账，原原本本捋一遍。不管你是刚入行的工程师，还是想搞懂这门生意的朋友，都可以顺着这条脉络去对照现实中的项目，看见哪些是概念炒作，哪些已经是能上桌的硬实力。
1. 十年演进的时间拆解：从Demo到商业系统
1.1 探索期：把“跑通”当成最高目标
早期的自动驾驶，准确说还停留在“自动驾驶演示”的阶段。那时候的主流做法，是把一台改装车变成移动的算法实验平台：底盘上装一个工控机，车顶堆GPS天线和各种雷达，再串上一套用ROS拼接起来的感知、定位、规划、控制节点。评价一个团队的标准也非常朴素——能不能在封闭场地里直行100米不偏，能不能绕几个桩桶，能不能在低速下识别一个假人并及时刹停。
这个阶段的核心矛盾在“传感器没有降级概念”。大家把激光雷达当眼睛，把RTK当指路牌，信号一丢算法就抓瞎，系统直接退出。测试人员最怕的不是算法崩溃，而是高精地图加载不出来、轮速计标定漂了、或者工控机在颠簸路段上温度过高重启。我见过不止一个团队在演示当天因为GPS遮挡导致车辆突然停车，最后靠安全员一把方向救回来。
这个时期虽然粗糙，但价值在于验证了一个关键问题：自动驾驶在结构和算法上“可能成立”。它让整个行业意识到，真正的门槛不在能不能跑通一条路，而在能不能在没有安全员的条件下，跑完一千条路、一万条路，还能保持稳定的安全水平。
1.2 工程化期：安全员、冗余与数据闭环
进入中期，行业开始正面处理长尾问题。安全员成了标配，路测里程成了硬指标，“平均接管里程”这个概念也开始被频繁提起。这个阶段发生了几件扭转方向的事。
计算平台从工控机变成了车规级域控制器，传感器从无脑堆料变成了按场景选型，系统从单机算法变成了包含冗余、监控、最小风险策略的完整架构。更重要的是，数据闭环从手工采集变成了影子模式加自动挖掘。所谓影子模式，就是系统在后台持续运行，但不直接控制车辆，一旦发现自己的判断和驾驶员行为产生较大分歧，就把这段数据打包回传。
这一阶段的教训非常深刻：自动驾驶不是算法题，而是系统题。一个感知模型的精度从95%提升到99%固然重要，但如果供电、通信、转向执行任何一个环节失效，系统依然会处于危险状态。所以行业开始把大量资源投向了安全机制设计、故障注入测试和冗余架构验证。真正让自动驾驶从实验室走向道路的，不是某个惊艳的模型，而是那一整套看不见的可靠性工程。
1.3 商业化期：场景收敛与运营战
近两三年的变化，是行业从讲故事转向算细账。Robotaxi开始在限定区域内带客运营，辅助驾驶从高速进入城市道路，干线物流、港口、矿区出现无人化项目。行业评价体系也随之改变：每千公里接管次数、单公里成本、日均单量、安全事件率，这些词开始替代“传感器数量”“算法精度”成为会议室里的主角。
团队结构也在变。运营、运维、测试工程、数据平台的岗位占比超过算法岗位，因为系统上了路，每天都会产生海量日志和接管记录，没有完整的数据中台和运维体系，连问题定位都做不了。技术话语权从“论文发了多少”变成了“规模复制还有没有瓶颈”。
十年下来，最本质的变化是技术目标从“证明可能”变成了“证明可靠、便宜、可复制”。这一转变决定了后续所有技术路线的取舍。
2. 技术路线的三次分叉与收敛
2.1 感知路线：激光雷达、纯视觉与融合派的拉锯
感知路线之争是这十年最热闹的话题。早期激光雷达被视为自动驾驶的必要条件，因为点云直接给出三维距离，路径规划省去很多麻烦。但问题是价格太高，早期进口的64线激光雷达单价折合人民币要六位数，一辆测试车的传感器成本能抵一台豪华车。
纯视觉派则认为摄像头便宜、信息密度高，用深度学习可以从二维图像里直接恢复三维结构，没必要依赖价格昂贵且稀疏的点云。这条路线最激进的代表是海外一家同时做辅助驾驶和Robotaxi的公司，坚持取消激光雷达，完全依靠摄像头加神经网络实现高阶辅助驾驶。
两派争论的本质，其实是传感器冗余与成本之间的权衡。融合派最终占据了主流：辅助驾驶量产车普遍采用摄像头加毫米波雷达的组合，L4级Robotaxi则保留激光雷达作为安全兜底。4D毫米波雷达出现之后，部分场景开始尝试用它替代低线数激光雷达，但点云密度和角度分辨率仍有差距。
最终的趋势不是单一传感器通吃，而是按照运行设计域做传感器成本与功能的权衡。这个结论看着平淡，实际上是用十年数据和无数个Corner Case换来的——单一传感器在雨雾、逆光、遮挡、黑夜里的失效模式完全不同，多模态交叉验证的价值远高于参数堆料。
2.2 地图路线：高精地图、轻地图到车端自建
高精地图曾是L4方案的标配。它的原理很简单：把车道线、停止线、路沿、交通标志的精确几何和语义事先存成模型，定位模块结合RTK、IMU和激光点云匹配，就能知道自己当前在第几条车道、距离停止线还有多少米。
问题出在地图的鲜度上。城市道路经常施工，一版高精地图三个月就过期；标线磨损后重画，地图数据如果不更新，车辆会停在早已不存在的停止线前，或者在重新画线的路段里犹豫不决。地图制作成本也高，一辆采集车一天能采几百公里，但全国道路网是一个天文数字。
所以行业开始转向“轻地图”和“车端自建地图”。逻辑是：不再依赖预埋的高精度先验地图，而是在线用BEV和占用网络实时构建局部语义地图，把车道线、路沿、可通行区域画出来，云端再用众包数据更新高频变化要素，比如施工路段、临时封路、新的围挡。
最终落地的产品大多是混合方案：出厂自带基础导航地图，运行中实时感知补充局部几何和语义，云端定期众包差分更新。这套组合的好处是避免了高精地图的高维护成本，又保留了复杂场景下的先验信息。城市里频繁出现的施工围挡，恰恰是考验这套系统成色的试金石。
2.3 决策规划：模块化、端到端与混合架构
传统自动驾驶的决策规划是模块化的：感知模块输出目标物列表和车道线，预测模块估计每个目标未来几秒的轨迹，规划模块在此基础上生成一条安全轨迹，控制模块负责执行。每一层都可测试、可解释、可兜底，缺点是中间表示会丢失信息，遇到高度交互的复杂场景容易表现僵硬。
端到端路线则试图把传感器原始数据直接映射成控制指令，省略中间模块。好处是上限高，能吸收海量数据里的驾驶行为，难点在于失败模式不可预测，安全论证难做，出了问题很难定位是哪个环节的锅。
现在的趋势是分段端到端：感知用占用网络输出稠密几何，预测用学习模型输出多模态轨迹，规划层保留可解释的约束求解，控制层依然走成熟车辆动力学模型。这样既保留了端到端在高维场景下的表达力，又守住了安全底线和可追溯性。
同时，生成式AI也在改变数据生产方式。仿真引擎可以用真实路口重建场景，自动生成雨天、逆光、突然横穿的行人等组合，把训练数据覆盖面成倍扩大。这条线还没有定论，但方向已经清晰：不是谁取代谁，而是学习能力与规则约束在同一个系统里共存。
3. 核心系统的工程代价：算力、冗余与地图
3.1 算力与传感器：从可运行到可量产
算力需求是可以大致估算的。L2级的车道保持和自适应巡航，几十TOPS就够；高速NOA需要一百TOPS上下；城市NOA因为要处理复杂的路口博弈和密集行人，通常需要两百到四百TOPS的有效算力；L4级平台考虑到冗余设计、影子模式和多路传感器同时推理，一千TOPS以上的有效算力才算从容。
为什么L4需要这么多算力？三路以上4K摄像头、一两颗激光雷达的点云、BEV特征图的构建、多目标跟踪、轨迹预测、规划求解、安全监控，这些任务在每一帧都要在几十毫秒内完成。更别提还要并行跑一个影子模式，持续从驾驶员行为中学习。有效算力和标称算力也不是一回事，稠密算力在Transformer这类大模型上会打折扣，所以选芯片不能只看宣传的最大值。
传感器配置的变化也很有代表性。早期探索期常用“单线激光雷达加GPS”的极简方案，工程化期升级到“进口64线激光雷达加毫米波加工控机”，规模化运营期则趋向于“固态激光雷达加4D毫米波加十二路摄像头加高精度组合惯导”。整车的传感器功耗也是一笔账：摄像头与雷达相对省电，但域控器的功耗可能到几百瓦，对整车热管理和供电系统都是实打实的压力。
为了直观，我用一张表整理三个阶段的典型配置变化：
| 阶段 | 激光雷达 | 摄像头 | 毫米波 | 计算平台 |
|---|---|---|---|---|
| 早期探索期 | 单线或低线数 | 单目或前向双目 | 通常没有 | 工控机加GPU |
| 工程化期 | 进口多线激光雷达 | 前视加环视 | 前向加角雷达 | 车规域控制器 |
| 规模化运营期 | 固态激光雷达 | 十二路长短焦 | 4D成像雷达 | 高算力域控加冗余 |
3.2 安全冗余与故障降级：MRM的落地姿势
从L2到L4，安全责任的主体从人变成了系统。L2系统失效时，驾驶员可以随时接管；L4系统在城市里运行，如果刹车、转向、计算平台出现故障，系统必须自己完成安全处置。这就带来了“失效可运行”的架构要求——不是宕机重启，而是继续完成最小风险操作，英文缩写MRM，即Minimum Risk Maneuver。
典型冗余包括：电源双路、通信双路、转向双电机或双绕组、制动双回路、计算平台双通道主备切换、感知多模态交叉验证。MRM的设计要回答三个问题：什么情况触发、什么动作执行、什么条件退出。触发条件要避免误报——在高速路上因为一个传感器瞬断就靠边停车，反而可能引发更大的危险。所以MRM通常带降级梯度：先降速、再切换车道、最后才靠边停车，同时打开双闪并通知远程中心。
这里有一个行业早期踩过的坑：系统在隧道路段感知置信度下降时直接执行了最小风险停车，导致后方正常车辆紧急避让。后来改成了“置信度下降先减速并请求远程协助，只有连续多个周期失效才停车”的分级策略，才把误动作压下来。这说明MRM不是越保守越好，而是要结合道路上下文做判断。
3.3 高精地图与定位：鲜度才是最大的敌人
定位系统的搭建，通常会组合RTK、IMU航位推算、激光点云匹配和视觉车道线匹配四个信号源。RTK在空旷路段精准，到高楼林立的街区容易多径；IMU短时稳定，长时间会漂移；激光点云匹配不依赖卫星，但要求周围有稳定的三维结构；视觉车道线匹配最直观，但遇到磨损和雨雪就不可靠。一套好的定位算法，本质是在多源信号之间做置信度加权和故障切换。
地图鲜度的问题，比大多数人想象的严重。一版高精地图从采集、标注、审核到发布，周期是按月算的，但道路的物理变化周期可能只有几天。行业里的应对方法有三层：第一层是设置“疑似地图过期”标志，某条路上如果连续多车检测到与地图不一致的要素，系统就会降低地图元素权重；第二层是放大实时感知的权重，把车道线识别结果作为主要输入，地图变成先验而非权威；第三层是云端下发临时候选区域，用数据闭环把高频变化的路段动态更新到车队。
无图方案看似绕开了地图维护，实际上把压力转移给了实时感知——车道线被遮挡、停止线被磨损、路面施工的临时标线画得乱七八糟，这些场景没有地图先验会非常吃力。所以“有图无图”之争最终会走向混合：先验地图负责宏观拓扑和长期稳定要素，实时感知负责短期变化和局部细节。
4. 落地场景的商业账本：规模不是唯一答案
4.1 城市Robotaxi：MPI决定生死
平均接管里程是Robotaxi商业模式里最重要的技术指标。简单算一笔账：假设一台Robotaxi日均运营300公里，如果MPI是5000公里，那么大约每两个星期需要一次接管；如果MPI只有500公里，两天就要接管一次。每一次接管都意味着远程坐席或者安全员介入，人力成本呈指数级上升。
再算单公里成本：硬件折旧、能源、维保、保险、远程坐席人力、测试场地费用叠加在一起，早期一台车每跑一公里的成本可能是十几块钱，而现在某些示范区已经能把综合成本压到三块钱上下。按单均里程10公里、每单收费40元算，一天跑30单就是1200元收入，单公里收入接近四块钱，盈利窗口已经隐约出现。
但这里有个关键变量：安全员拿掉之后，远程坐席的人车比必须低到一个人看几十台车，这又依赖MPI足够高。所以MPI不只是安全指标，更是商业指标。运营方的目标是“限定区域内MPI足够高，脱离区域就谨慎降级”，本质上是把ODD和商业模型绑定在一起。
4.2 干线物流与封闭场景：先把人省下来
港口、矿区、机场、园区物流是最早跑通收支平衡的场景，原因很简单：低速、封闭、规则可控、高重复、可以清场。以港口为例，无人集卡替代的是司机连续倒班、效率不稳、管理成本高的问题，而且港区作业路线固定，高精地图鲜度容易维护，技术复杂度低一个量级。经济账好算：一台无人集卡省掉两到三名司机，一年节省几十万人力成本，硬件改造的回收期可以压缩到两年以内。
干线物流则更多以“有人值守编队”的形式落地：头车由人类司机驾驶，后面几辆车自动驾驶跟驰。队列行驶能明显降低风阻、节约油耗或电耗，同时减少司机人数。这个方案不需要完全无人，安全冗余压力小，政策接受度高，商业上更容易推进。前两年行业对“无人化”过度乐观，后来发现真正的门槛不是技术上能不能实现，而是“有人无人混行情况下系统如何保持稳定”，所以分段落地才是常态。
4.3 辅助驾驶量产：从供应商方案到全栈自研
L2加辅助驾驶，也就是NOA，是这十年里最大规模的商业化出口。城市NOA已经变成新车发布的核心卖点，功能迭代从年度OTA变成月度OTA，整车电子电气架构也从分布式ECU走向中央计算。这个赛道的竞争逻辑是数据闭环和OTA能力：谁能更快从用户车端采集数据、挖掘Corner Case、线上验证并发布新版本，谁就能建立持久优势。
很多车厂一开始选择供应商全栈方案，后来逐步转向自研核心模块，原因在于供应商方案的黑盒特性限制了快速迭代。感知模型更新、规划策略调整、地图数据融合，任何一个环节都需要与整车架构深度耦合，外包模式很难做到周级迭代。这个赛道十年里最大的变化，是软件定义汽车从口号变成了组织架构和研发流程的实质调整。
5. 测试与安全验证：十年积累出的质量方法论
5.1 真实路测与接管记录：把每一次接管变成肥料
路测跑里程的意义不在数字本身，而在数据质量。行业里成熟的做法，是把每一次接管都变成一条带完整上下文的训练数据：时间、地点、天气、道路类型、目标物列表、系统当时输出的轨迹、驾驶员最终的介入动作。这些数据会被聚类成典型场景，比如“左转时对向摩托车贴得太近”“雨天高架出口闸道线不清晰”“夜间行人穿着深色衣服横穿”。
然后有一套循环流程：影子模式持续在用户车端后台运行，发现与驾驶员行为不一致就打包回传；云端按模型分数拉取高风险片段；自动标注加人工复核后进入训练集；模型训练完成之后，先在仿真回放集上做回归测试，确保没有引入新的退化；最后灰度发布给部分车辆，观察指标再全量推送。这条闭环的周期，早期是按月算的，现在有些团队已经压缩到了以周为单位。
5.2 仿真回放与场景库：路测之外的另一条腿
真实路测的边际收益会递减——当系统已经能稳定处理大多数高频场景，跑再多公路，遇到的都是已知问题。这时候仿真场景库的价值就体现出来了。一套完整场景库通常包含几类素材：法规场景，比如前车急刹、行人横穿；事故库场景，从真实事故记录里提取关键要素重建；对抗场景，随机采样生成的诡异路况组合；极端天气和传感器退化场景，模拟雨雾、逆光、镜头污损、传感器部分失效。
用神经辐射场技术重建真实路口之后，仿真引擎还能在同一个路口上渲染出不同光照、不同雨量、不同车流组合的变体，让感知模型看到同一条路在无数种条件下的样子。我在实际项目中见过很有说服力的数字：在某批版本迭代中，同一套模型在仿真场景库里的通过率提升了五个点，对应的真实路测MPI也同步改善，而且没有出现已知场景的退化。
但仿真不能替代路测，因为传感器模型再逼真，也不是物理世界的完整映射。行业通行的策略是把仿真和路测分开用：仿真负责回归和批量验证，路测负责在真实环境里抽取高价值样本，两边互补而不是互替。
5.3 功能安全与预期功能安全：从“系统不坏”到“行为不坏”
功能安全关注的是系统本身会不会坏：电源失效、通信中断、芯片单点故障，这些要通过安全机制设计来覆盖，比如双通道备份、故障检测电路、安全状态切换。预期功能安全关注另一种失效——系统没坏，但能力不够：传感器盲区里有行人没看到、算法把卡车侧面当成可用路面、雨天车道线误判。后者比前者更难处理，因为不能靠冗余硬件解决，只能靠场景探索、边界定义和最小风险策略兜底。
测试方法上，两者也要分开设计。功能安全测试靠故障注入：人为制造断路、信号错误、电压跌落，观察系统能否进入安全状态。预期功能安全测试靠场景漂移：在已知场景库的基础上，逐步向“未知但可预期”的边界扩展，统计系统的误判率与漏检率。行业里常说的“已知不安全”和“未知不安全”这两个概念，就是从预期功能安全方法论里延伸出来的。判断一套系统是否成熟，就看它能不能持续缩小“未知不安全”的边界，同时在边界意外被突破时做出保守选择。
6. 最后的话：看十年演进，别被Demo带节奏
我自己这几年看下来，最大的体会是，自动驾驶十年的演进，表面上是算法比拼，实际上拼的是系统工程和商业工程的双重地基。哪家的接管里程高、场景库全、单公里成本低，哪家才有资格谈下一步。对刚入行的朋友，我只有一个建议：别被发布会上的演示片段带节奏。想看一家公司或一条技术路线是否靠谱，就拿两个指标去对照——平均接管里程，以及能覆盖多少有效场景。这两个数字背后，才是这个行业十年攒下的真正家底。
