根据国际通行标准，只有达到L4甚至L5级（如下图），自动驾驶才算是真正的无人驾驶，可是这样的无人驾驶却迟迟无法落地，导致自动驾驶至今仍是一门实验科学。
一部分原因在于，现有的自动驾驶技术，还无法确保100%的驾驶安全。
自动驾驶技术发展到今天，几乎解决了大部分底层技术问题，却卡在了真实应用场景的长尾挑战。
场景之一是自动驾驶汽车左转时，遇到闯红灯车辆，需识别并及时停车避让
长尾挑战，包括了各种零碎场景、极端情况和无法预测的人类行为，自动驾驶系统对此尚无定式和套路可用。
就这个问题，激光雷达公司Aeye做过的一次实验非常有说服性——自动驾驶系统怎么处理一个漂浮在路中央的气球。
人类知道，气球是软的，所以一脚油门过去就完事了。
可是L4级自动驾驶汽车，却会采取刹车或规避动作，感知缺陷，导致它以为会发生事故。
车载相机眼里看到的一切，其实都是像素点，几乎无法感知障碍物的软硬。
而雷达对障碍物材料非常敏感，没有反射率的物体或者不含金属的软体，都无法反射无线电波，所以雷达也无法识别气球。
而且，雷达在训练中通常会忽略静止的物体，否则它会检测出成千上万的目标阻碍车辆正常行驶。
雷达容易忽略静止的物体（特斯拉）
所以，即使采用了反光金属材质，漂浮在空气中的气球如果没有相对运动，雷达也探测不到。
车载摄像头和毫米波雷达未识别出前方的白色货车，特斯拉撞进了货箱箱体
只有足够密度的激光雷达点云，可以识别出气球，前提是自动驾驶系统曾经学习过“气球”。
激光雷达传感器可以采集3D 点云数据
为了克服长尾挑战，许多自动驾驶公司都通过ODD和大量真实路测，寻找并解决这些边界化难题。
ODD的全称为Operational Design Domain（运行设计域）。
常规的ODD因素，包括天气、地形、道路类型等，非常规因素，则包括眩光、过时的地图信息、水洼、道路结冰、掉落物体、快递机器人和一些常见的人类违规行为。
Waymo就是通过路测、ODD、规模化路测和试运营的步骤，在积累起足够场景和数据迭代之后，才将RoboTaxi推向市场。
Waymo有庞大的自动驾驶车队支撑大规模的测试
然而，尽管Waymo车队在开放道路上行驶了超过1000万英里，其自动驾驶模拟测试里程更是达到了100亿英里，Waymo的工程师们仍然发现，还有层出不穷的新场景有待解决。
比如，骑车人手中拿着一块Stop交通标识牌，自动驾驶系统怎么理解这种场景？停，还是不停？
考虑到人类司机也无法保证100%的驾驶安全，如果自动驾驶系统的智能水平足以保证一定程度的安全，似乎也具备了量产落地的条件。
还有一个大问题，这样的自动驾驶成本过于昂贵。
受各地政策与技术成熟度约束，RoboTaxi至今仍需配备安全员，外加激光雷达、计算平台等硬件软件开发成本，现阶段每公里出行服务的成本，远高于人工驾驶出租车。
特斯拉的自动驾驶技术倒是落地了，但是一直被业界诟病过于激进。
一来，特斯拉是直接在量产、载人、高速复杂开放道路的环境下，让AI不断学习、迭代、进化……
二来，Waymo和Uber这样的L4自动驾驶公司，大都采用了激光雷达模块，建立汽车周围环境的高精度三维地图，弥补纯视觉感知的不足，提供更多的安全冗余。
激光雷达三维建图
马斯克却坚称，特斯拉“仅通过改进软件即可实现L5自动驾驶”，至今没有为特斯拉车型配备激光雷达。
时速96公里的特斯拉在高速路驰骋，四名乘客喝酒唱歌，驾驶座却空无一人
而且，特斯拉一直将L2自动驾驶系统冠以Autopilot之名出售，这便导致一部分车主把特斯拉当成了L5级来开，这几乎是在用自己的生命试错，不断发生的致命事故，也打破了一部分人对自动驾驶技术的美好憧憬。
2016年1月20日发生在中国的事故被认为是全球首例“自动驾驶”致死车祸
2016年起，美国汽车协会每年的调查都表明，“害怕”自动驾驶技术或搭乘自动驾驶汽车的受访者始终在70%以上。
2017年的调查中，只有19%的人表示，会让自己的孩子或亲人乘坐完全自动驾驶的汽车；另外44%的人表示，可以接受自动驾驶车辆运送食品或包裹；还有53%的受访者表示，可以对机场或主题公园的自动驾驶摆渡车感到安心。
然而，特斯拉为什么坚持不肯装激光雷达？还是太贵。
虽然激光雷达近年来价格大幅下降，但是在汽车上装一个，成本大约还要10000美元。
为了实现量产，智能和安全不得不向成本妥协。
能不能在兼顾智能和安全的前提下，实现高级别自动驾驶技术的量产落地？
阿里巴巴物流机器人小蛮驴的出现，让人看到了自动驾驶技术落地的另一条道路。
不同于其他自动驾驶公司，阿里巴巴自动驾驶技术的落地场景，从一开始就聚焦在物流，旨在通过自动驾驶，让物流变得更智能和更高效。
阿里巴巴物流机器人小蛮驴
一样的是，达摩院自动驾驶实验室负责人王刚同样认为，安全应该放在首位，“安全是自动驾驶的基础，没有安全，一切都无从谈起。”
王刚认为，目前的自动驾驶系统，并没有办法靠自己完全解决所有问题。
“人工智能发展到今天，智能的本质还是计算智能，通过数据驱动，通过案例学习，如果遇到一个从未见过的交通场景，那么自动驾驶系统就没办法稳定安全地加以处理。”王刚说。
正因如此，小蛮驴采用了人机共驾的自动驾驶系统。
人机共驾，是指小蛮驴一旦识别到它处理不了的场景，就会停下来去呼叫线上安全员远程接管。
这个过程，就是“从不知道自己知不知道，到知道自己不知道。”
与此同时，通过技术迭代升级，小蛮驴的自动驾驶系统可以不断拓展自主处理场景的边界，让人工介入的比例越来越小。
这是一条在确保安全前提下，不断提升智能水平的进化路径，而且达摩院已经走通了。
迄今为止，小蛮驴已经具有类人认知智能，能轻松处理复杂路况，能聪明选择最优路径，遇到紧急情况，大脑应急反应速度是人类的7倍，自动驾驶率更是达到了99.9999%。
为了提升小蛮驴的智能水平，达摩院研发了业界独有的自动驾驶机器学习平台AutoDrive，由机器替代人工，提升算法研发效率。
基于AutoDrive平台的支持，小蛮驴可以借助达摩院自研的感知算法，准确识别避让砖块这样的“厘米级”障碍物。
凭借背靠阿里云的天然优势，达摩院还在AutoDrive平台上搭建了专属自动驾驶云平台，让自动驾驶算法研发更高效。
为了攻克自动驾驶长尾挑战，达摩院还推出了全球首个自动驾驶 “混合式仿真测试平台”，采用虚拟与现实结合的仿真技术，引进真实路测场景和云端训练师，模拟一次极端场景只需30秒，系统每日虚拟测试里程可超过800万公里，大幅提升了自动驾驶AI模型的训练效率。
为了降低成本，达摩院自主研发了高性能、低功耗、低成本的嵌入式异构计算单元，能以1/3算力的达到同等智能水平，并通过软硬件协同优化，将计算单元功耗降低72%、成本降低50%、体积压缩62%。
除了嵌入式计算单元，小蛮驴的传感器、定位单元等硬件均采用了软硬一体化设计。
在自动驾驶车辆或机器人上，传感器设备通常占据着成本大头，小蛮驴的传感器非常丰富，包括激光雷达、摄像头等，但是通过深度定制大幅降低了成本。
最终，凭借算法自研+深度定制，小蛮驴的制造成本降低到可量产水平，阿里巴巴自动驾驶技术也在物流场景成功落地。
阿里巴巴有全世界最丰富的物流场景，菜鸟、天猫、淘宝、盒马、饿了么，每天有大量订单需要配送，全社会的物流配送需求也在极速爆发，不久的将来，中国预计每天将产生10亿个配送订单。
王刚表示，服务于末端的智能机器人产品，仍是达摩院未来一段时间落地的重点方向，相信依托这样强有力的业务支撑和牵引，小蛮驴量产后还能继续实现技术的提升和迭代。
当然，今天用在物流机器人上的自动驾驶技术，未来也可以移植到货车甚至轿车上，达摩院的自动驾驶技术，原本就采取了末端物流和开放道路物流齐头并进的策略。
而在开放道路上，阿里巴巴同样有非常丰富的场景，包括菜鸟的同城配送以及新零售配送等，可以说，阿里巴巴自动驾驶技术未来如何进化，如何在更多场景落地，还有丰富的想象空间。
值得一提的是，中国的自动驾驶技术，未来也许不会走单车智能路线，而是协同智能路线。
今年2月，国家发展改革委等11个部门联合印发了《智能汽车创新发展战略》，提出到2025年，实现有条件自动驾驶的智能汽车达到规模化生产，并实现高度自动驾驶的智能汽车在特定环境下市场化应用。
为此，我国将构建先进完备的智能汽车基础设施体系：包括推进智能化道路基础设施规划建设、建设广泛覆盖的车用无线通信网络、建设覆盖全国的车用高精度时空基准服务能力、建设覆盖全国路网的道路交通地理信息系统等。
这些基础设施，可以帮助自动驾驶车辆提高感知和通信能力，实现车路协同、车车协同，最终实现低成本高可靠性的自动驾驶方案。
