如何确保智能汽车的自动驾驶安全可靠？ 国债和信托理财哪个安全可靠些呢知乎

智能汽车在自动驾驶方面的安全一直是舆论关注的重点。在目前辅助驾驶（L2级自动驾驶、低阶自动驾驶）刚开始普及、人机共驾并未成熟的阶段，自动驾驶事故基本和人、车辆都有关系：

车辆辅助驾驶系统能力问题，例如感知系统无法识别静态物体或者未经训练过的物体，出现误判或者退出辅助驾驶系统；用户对辅助驾驶系统过于信任，将辅助驾驶这种低阶自动驾驶误解为高阶自动驾驶，没有将注意力集中在辅助驾驶监控上，在车辆出现需要接管的情况下没有人为介入，导致事故；

如何确保自动驾驶安全可靠？在从用户的角度来说，需要了解驾驶车辆自动驾驶的能力边界，驾驶时注意力不能松懈；从主机厂的角度来说，很重要的就是要解释清楚，（低阶）辅助驾驶≠（高阶）自动驾驶。除了“教育”消费者，更需要确保自动驾驶系统有足够的安全冗余，不断完善训练场景、提高算法表现，并在人机共驾长期存在的阶段，做好人机交互体验。

下面分享一些集度关于自动驾驶安全方面的思考。

一. 集度的安全理念

集度在自动驾驶安全方面的思考可以被总结为“安全三理念”，包括设计安全、验证安全和体验安全。从自动驾驶的研发、道路测试到用户体验上，构筑全方位的安全体系。

集度在整体项目开展前期，关于自动驾驶架构、算法模型搭建、硬件选择等方面，就已经充分考虑到安全可靠及冗余备份的重要性。

集度在芯片算力、传感器硬件、系统架构等方面做到了足够冗余，将在第三段详细解读。

自动驾驶算法和数据等软件方面，集度拥有无可比拟的优势。百度Apollo的无人车项目已启动多年，萝卜快跑在多座城市开启商业化运营。城市域场景道路路况最复杂、技术要求最高，这个场景能跑通，其他场景也更容易拓展落地。集度将无人车的高阶自动驾驶算法落地到量产的智驾系统上，就好比一个SSS级武林高手以前每天联系单挑10个同等级对手，现在上比武场只用单挑1个SSS级对手，表现会更加轻松自如。

如果把算法比作思考，路测则是实践。和成功离不开思考和实践一样，脱离了路测数据的算法就像脱离实践的思考，只能是美丽的空中楼阁。自动驾驶的安全可靠，离不开大量实际路测的数据积累。关于路测，集度直接受益于百度L4 级 Robotaxi 3200 万公里路测数据的积累，每天路上在跑的萝卜快跑等无人车，都是在让集度的自动驾驶变得更加安全可靠。

想让自动驾驶变得更好用，修炼软硬件方面的“内功”固然重要，而作为直接和用户交流的窗口，多模态的人机交互也不可或缺。

对于很多用户来说，如果无法了解到车辆对周为环境感知的能力，是很难放心让车辆接管驾驶权的。集度将通过车内的3D一体化无界大屏，去实时展示3D人机共驾地图。SOA化的架构带来的舱驾融合能力，能够将动态的感知直接跑在静态的3D地图上。与很多友商的感知UI界面不同，集度想要做的，是力争让驾驶员在一个屏幕区域内，同时看到车辆周围360度区域内动态的机动车、非机动车、行人，以及周围道路。包括且不仅限于人类视线范围内的信息，都能被车辆感知并实时展示给驾驶员。

二．面向高阶自动驾驶正向设计的智能化架构——JET

可能谁也没想到，辅助驾驶刚普及没多久，量产乘用车居然率先在感知和算力等硬件方面内卷了起来。有些厂商带来前后左右四个激光雷达的产品，有些厂商给用户提供1000TOPS的AI算力芯片。但堆满最先进的感知模块、最高算力的芯片，是不是意味着其自动驾驶能力非常优秀了呢？答案是否定的。

在一台高度精密的智能车上“配置”硬件，需要考虑软硬件适配、EE架构是否支持、多传感器融合等一系列问题。这一能力的背后，其实是智能汽车公司软件实力的巨大考验。

为了更好地承接智能化生态和Apollo全栈能力，集度打造了高阶自动驾驶智能化架构JET（JIDU Evolving Technology）。

高度智能化的产品对智能化架构的诉求也更复杂，简单点说，就是呼唤一个更高、更快、更强，且更加软硬解构的智能化架构。

为了满足众多传感器数据传输的高带宽需求，需要千兆以太冗余环网；为了满足高规格的功能安全要求，需要进行冗余安全设计；为了满足更快的软件迭代效率，需要让架构可以实现“周更”的FOTA能力；为了实现整车更强的算力，不仅需要满足大算力芯片上车，还要实习芯片之间的算力共享；为了更彻底的软硬件解耦开发，还需要架构高度SOA化······

而JET，就是为了满足以上需求所打造的。

以全球首发的全车冗余环路千兆骨干以太网通信来说，它不仅让激光雷达、高清摄像头等传感器产生的大量数据得以高效传送到智驾域控制器和智舱域控制器，还能满足高阶自动驾驶对于冗余备份的需求。

三. 集度自动驾驶方案

集度自动驾驶从架构搭建到硬件选择上，都充分考虑了冗余安全。

.

3.1 算力冗余

好马配好鞍，好兵配好刀。为了更好地让Apollo的高阶AI 能力落地，集度首款车将搭载两块拥有超强芯片性能的英伟达Orin X芯片，智驾域的AI算力达508TOPS。高算力的芯片，将能让高阶的算法更好地发挥出效果。

一般认为，在现阶段，做到L2需要30TOPS的AI算力，L3需要的AI算力>100TOPS，L4需要的AI算力则高达500-1000TOPS。集度在首款车上提供的508TOPS算力，既提供了算力上的冗余，也为未来高阶自动驾驶的升级提供保障。

不过需要补充一点，算力、功耗、成本就像是一个三角架构，一角的增加通常意味着另一角的减少。因此寻找到适合产品的最佳平衡，非常重要。

3.2 感知硬件冗余

自动驾驶的感知方案方面，有纯视觉和多传感融合两条路径。纯视觉方案可以满足大部分的实际驾驶场景，但是只要有5%的场景满足不了，纯视觉方案就不能给用户提供安全保障。

为此，集度引入了两颗激光雷达。激光雷达在超远距离识别、静止物体识别、黑夜弱光环境、隧道逆光、灰尘等极端环境有一系列感知优势，在目前阶段还无法被纯视觉方案代替。

值得一提的是，在12个视觉摄像头中，有 7个是800W像素，4个300W像素 和 1个 200W像素。相对于30米左右探测距离的100万像素摄像头，800万像素摄像头因其较高的分辨率，可探测前方超过200米处的物体；更大的视场角，也使得感知距离大幅度提升的同时感知更为精细的内容。

集度汽车机器人搭载两颗禾赛AT128激光雷达，这款激光雷达不仅具备200米（@10%反射率）的超强测远能力，而且点频超过每秒153万个点，达到全局1200x128的高分辨率，点云上可以清晰描绘出每一个细节，为辅助驾驶系统提供强大的感知能力。

双激光雷达的点云视场更广、更安全，主要有以下优势：

相比单雷达设计的120度FOV，车头双雷达可实现水平180度的FOV覆盖，在“鬼探头”、左右有遮挡物等行车场景中，对左右横穿行人或障碍物的识别能力更强。对车辆重点区域的识别更精准，在车辆正前方60度FOV的区域内，双激光雷达可做到加倍重叠，目标物上的点云数据