备受关注的《智能汽车创新发展战略》日前已经正式下发，其意义相当于一声号角，表明中国要在智能汽车领域发起冲锋。然而，传统车企在电气化和智能化方面投入的高昂研发成本，几乎耗尽了燃油车时代积蓄的市场红利，而新兴业务想要突出重围，并非一朝一夕之事。

在这个开头不是那么顺利的2020年，自动驾驶行业的发展或多或少会受到疫情影响，但量产、落地仍是各家追求的目标。更低价的激光雷达，更好的落地方案，更谨慎的资本融资，在这些因素影响下，若干家的自动驾驶企业，无论是做芯片、软件还是系统端，都需要加紧步伐落地了，末尾淘汰竞争正在加速。

一、单车智能到车道协同

现在各大城市都流行做智能驾驶示范区，例如上海临港、苏州相城、长沙智能网联示范区、京冀国家智能汽车与智慧交通示范区，模拟各种场景（隧道、雨淋、高速公路），各种交通状况（红绿灯路口、十字路口、交叉路口），以及各种假人、假车的实验，打造这样的模拟环境对于验证及完善自动驾驶车的感知、规划、决策等算法都是极其有帮助的。

红绿灯交互通信只是车道协同系统环节中的一环，一直走在无人驾驶技术前列的百度，升级组织架构，将单车智能向智能车联、智能交通扩张，在其Apollo平台开源了车路协同方案，主要包括车载系统——云端平台——路网系统。

对交通基础设施的升级完善（车路协同、区域信号优化），比仅聚焦于提升自动驾驶软件算法更有落地前景，能够发挥自动驾驶的最大性能。当越来越多车辆具备移动终端和OBU联网设施时，就可以扩大智能网联车辆的部署范围，车辆不仅可以被引导调控，还能将实时状态反馈给路侧，增加出行安全性。通过云平台实现更优的实时双向互动，出行效率和安全性能得到最大提升。

强如特斯拉、Waymo，他们所推崇的单车智能距离全自动驾驶仍有不小的距离，单车智能的车辆安全性依然存在缺陷，而行业对自动驾驶车的商业落地与量产也越来越急切。在单车智能仍处于瓶颈期，推进缓慢，还不能完全落地的情况下，车路协同是单车智能很好的补充和发展方向。一旦打通单车智能与车道协同的方式，可以迅速复制这样的区域。车路协同和自动驾驶带来的可能性是1+1>2。

二、激光雷达的成本骤降

激光雷达在自动驾驶中的三维重建和定位具有显著优势，相比其它传感器，激光雷达的辐射范围、覆盖角度更广、测距精度更准确，是自动驾驶感知中不可或缺的传感器。曾经一家独大、在自动驾驶刚兴起时占据市场80%份额的Velodyne销量逐步冷却下来，一方面因国内初创公司速腾聚创、禾赛科技的技术路线、产品性价比和支持力度更大，另一方面Velodyne居高不下的价格让其逐渐失去竞争力。

Velodyne 64线激光雷达，最高时价格达到80万一台，16线雷达产品也在5万6左右，高额的硬件成本对于追求量产的主机厂是绝不会考虑的，仅仅对于做RobotTaxi的文远知行、Pony.ai、AutoX等企业有吸引力。与之对应的，国内初创公司速腾聚创的16线产品，售价仅为2万8左右。

在自动驾驶车上，激光雷达的感知距离至少应为100m，测量精度在厘米级，扫描频率至少在5Hz-20Hz，才能满足智能驾驶汽车高速行驶的要求；而且LiDAR点云数据的传输速率、点云处理算法的运行速度、精度以及处理效果也必须满足汽车高速行驶的需求；同时激光雷达的体积、重量、成本、驱动电压均应当符合车载系统的安装水准，所以打造一款能够量产使用的车规级激光雷达难度巨大。

在2020年拉斯维加斯CES展，就充分体现了激光雷达未来的发展趋势，低成本、小型化、车规级。

上述几款价格便宜、体积缩小的激光雷达，说明了激光雷达厂商朝着低成本，可量产的路线进发，低成本的激光雷达固然价格便宜，但其可适应性，功能性与价格昂贵的激光雷达相比，性能上可能会有所折扣，对于自动驾驶企业需要有所取舍，一提高感知算法能力，降低对激光雷达硬件的依赖；二不以量产为目标，做共享出行或限定场景下的自动驾驶是可以考虑价格昂贵的激光雷达。

对于国内的主机厂来讲，无论是机械旋转式激光雷达还是固态激光雷达，他们更看重的是成本低、性能稳定、车规级、支持力度大，可以在传感器的感知性能上有所降低要求，低线束激光雷达作为冗余备份，不承担主传感器角色，L2+级别的自动驾驶是主机厂追求的目标。

对于做L4级别的RobotTaxi公司（文远知行、Pony.ai、AutoX、滴滴），高精度、高识别率是他们最核心的要求，无需大规模量产的自动驾驶出租车，因此价格昂贵、作为主传感器的多线激光雷达是可选择方案之一。

三、成本可控，量产落地先行

持续投入大量财力、物力到自动驾驶领域，无论对于主机厂还是靠融资生存的初创企业，没有盈利点是难以赢得这场持久战的。目前的趋势是急于落地的初创企业和急于量产的主机厂均开始发力自主泊车，该技术既可以节省停车入库的时间，也能降低停车场的剐蹭事故，虽然自主泊车这两年已经提出很久了，但真正完全无人的自主泊车量产车型仍然不多。

自主泊车是自动驾驶环节中是最有可能率先落地的，背后的技术原因在于：一、低速环境下（小于5km/h）的自动驾驶，自车有足够的时间做感知、决策；二、场景较为固定和具体，一般在停车场区域，没有复杂的人流。挑战是地下停车场通行区域较为狭窄，光照效果不佳，对传感器要求较高，对算法在感知，定位精度提出更大的挑战；另外库位的形式类别不一致，包括平行库位、垂直库位以及斜库位，覆盖不同类型的库位识别也是目前各家厂商需要攻克的难题。

就目前自主泊车行业来说，主机厂（上汽、吉利、小鹏）、零部件厂（博世、法雷奥）、新兴初创企业（Momenta、纵目）均在做，可以预见，低成本、车规级、可量产的自主泊车将是未来车型的标配。各家也使出十八般武艺，对自主泊车中包含的车端、云端、场端做改造。

初创企业更倾向于车端的改造，算法是他们的核心，在不增加额外的硬件成本基础上，通过改造车上的传感器布置（环视相机、GPS、IMU）方案，基于深度学习的图像算法对周围环境进行感知，包括高精度地图技术的方案和最核心的库位识别来实现自主泊车功能。采取该方案路线的代表企业有Momenta、纵目科技以及魔视智能等。

主机厂一方面会借助初创企业纯传感器的方案，一方面也会和零部件厂商做更丰富、更安全的自主泊车场景，即对停车场端做智能化改造，利用场端智能设备来配合和引导车辆，为车辆指派空闲车位，并且规划最优的路径。这种方式无需对车辆自车传感器和计算单元做较大改动，仅需在车上配备一套与场端通信的互联装置即可。采取该方案路线的代表企业博世和戴姆勒（应对德国场景），以及博世和广汽研究院（应对中国场景）等。

整体来说，主机厂拥有更强更庞大的用户群体，对于自主泊车有更好的客户需求和场景理解能力；初创公司有更强的算法能力，算法开发迭代速度效率更高；零部件供应商有完整的供应链体系，对于主机厂的需求理解也更为深刻，对于车规级产品的把控和量产上有较大的优势。

四、资本理性，投资冷却

2018年是自动驾驶领域融资的高峰期，许多新兴初创自动驾驶企业拿到了漂亮的融资成绩单，自动驾驶行业也百家争鸣，推动了包括软件算法（Momenta/魔视智能）、芯片硬件（地平线/黑芝麻智能科技）、系统框架(AutoX/Pony.ai)、研究精力（CVPR、ICCV、ECCV投稿人数暴增）、风险投资初创企业（图森、地平线、Momenta、Roadstar.ai)等多个领域的疯狂扩张，诞生了多家融资过亿美元的独角兽企业，融资趋势也体现了自动驾驶要在汽车市场刮起一阵风潮。

然而到了2019年，融资热度迅速冷却下来，仍然有融资进展的国内独角兽企业已经不多，像图森融资2.15亿美元、地平线6亿美元、AutoX2亿美元，这几家企业的融资很大程度上与他们有成熟的落地产品有关。图森目前服务于18位客户，并和UPS一起在美国亚利桑那州的凤凰城和图森市之间进行日常无人驾驶试运营；地平线已向世界各大自动驾驶厂商批量供货，2018年营收已达亿元级；AutoX在加州推出自动驾驶生鲜递送服务，以及宣布与中通快递、美团达成合作，分别提供自动驾驶物流服务与送餐服务。2019年同样也出现了倒闭的无人驾驶公司Roadstar.ai和Drive.ai，前者融资1.28亿美元，后者融资7700万美元，分别因创始人的内讧和内部管理问题，成为2019年倒下的无人车公司。

自动驾驶的落地没有想象中容易，无论是做RobotTaxi，还是限定场景下的港口或高速公路下的自动驾驶，或是难度更大的量产自动驾驶，每一个环节都充满了挑战和难度。现有最可能率先落地的RobotTaxi或智能集卡，但还不能完全取消安全员，接管次数或接管里程仍然在尽可能地降低。一边在继续烧钱，大量的人员研发费用，硬件成本、整车改造的费用，甚至申请自动驾驶路测牌照的费用（广州地区一辆自动驾驶车申请的牌照费用为20万），一边又未完全真正取消安全员司机以及还达不到规模化量产，盈利时间和空间尚未显现，资本观望的时间有限。