1. 智能驾驶概述：从分级标准到系统组成

大家好，我是你们这门课的主讲。在汽车电子和自动驾驶领域摸爬滚打了十几年，今天咱们来聊聊智能驾驶的“地基”——那些最基础、但也最容易搞混的概念。

说实话，我见过不少刚入行的朋友，一上来就盯着算法和模型看，结果连L2和L3的本质区别都说不清楚。这不行。万丈高楼平地起，咱们先把这些概念掰扯明白。

1.1 SAE分级标准：L0到L5，到底差在哪？

智能驾驶分级，最权威的标准就是SAE（国际自动机工程师学会）的J3016。它把驾驶自动化分成了6个等级。嗯，这里要注意，不是数字越大越“智能”这么简单，核心区别在于——谁在负责。

等级	名称	核心定义	典型场景
L0	无自动化	人类驾驶员全权负责	传统手动挡汽车
L1	驾驶辅助	系统横向或纵向单一控制，人类负责其余	定速巡航
L2	部分自动化	系统同时控制横向和纵向，人类负责监督	ACC+车道保持
L3	有条件自动化	系统在限定条件下完成全部动态驾驶任务，人类需接管	高速领航辅助
L4	高度自动化	系统在限定ODD内完成全部任务，无需人类接管	Robotaxi（限定区域）
L5	完全自动化	系统在任何道路条件下完成全部任务	全场景无人驾驶

你想想看，为什么现在市面上大部分量产车都标榜自己是L2+？说白了，L3的“接管”问题太棘手了。系统在高速上跑得好好的，突然说“请接管”，驾驶员可能在刷手机，3秒内根本反应不过来。我曾经在测试场亲眼见过，系统发出接管请求后，驾驶员愣神了5秒——那5秒，车已经撞上锥桶了。

1.2 智能驾驶系统组成：感知-决策-执行

不管你是L2还是L5，系统架构万变不离其宗，就是三个环节：感知、决策、执行。我习惯把它比作人的“眼睛、大脑、手脚”。

下面这张图，是我自己画的一个简化架构，你一看就明白。

1.2.1 感知层：车的“眼睛”

感知层的任务，就是回答三个问题：我在哪？周围有什么？它们要干嘛？

常用的传感器有这几类：

• 摄像头：最像人眼，能识别车道线、交通标志、行人。但怕逆光、怕雨雾。
• 激光雷达：直接输出3D点云，精度高。我2018年做项目时，一颗64线激光雷达要8万美金，现在国产的已经降到几千块了。
• 毫米波雷达：测距测速准，全天候工作。但分辨率低，分不清是卡车还是路牌。
• 超声波雷达：近距离泊车专用，便宜但范围短。

1.2.2 决策层：车的“大脑”

决策层拿到感知数据后，要干三件事：

1. 预测：旁边那辆车是要变道，还是继续直行？
2. 规划：我接下来3秒要走哪条轨迹？
3. 控制策略：是加速通过，还是减速让行？

这里有个常见的坑。我曾经遇到一个场景：前方车辆打了左转向灯，但一直没变道。我们的预测模型直接判定它要变道，于是系统开始减速让行。结果前车只是灯没关，直直地开走了——我们的车反而被后车滴滴。你看，决策不能只看信号，还要结合历史轨迹和上下文。

1.2.3 执行层：车的“手脚”

执行层最容易被忽视，但恰恰是事故高发区。决策层说“刹车”，执行层得在100ms内响应。如果转向机响应慢了200ms，车可能就偏出去半个车道。

执行层包括：

• 线控转向：方向盘和车轮之间没有机械连接，全靠电信号。
• 线控制动：电子刹车助力，响应速度比传统液压快得多。
• 线控驱动：电机或发动机的电子油门控制。

1.3 行业现状与发展趋势

聊完技术，咱们看看行业。现在的格局，我用一句话概括：L2大规模量产，L3艰难落地，L4局部试点，L5还很远。

具体来说：

• 乘用车领域：特斯拉、小鹏、华为系都在卷城市NOA（导航辅助驾驶）。说白了，就是让车在城市里自己开，但驾驶员还得盯着。
• 商用车领域：港口、矿区、园区这些封闭场景，L4已经跑起来了。我去年参观过一个港口，无人集卡24小时作业，效率比人工高30%。
• Robotaxi：Waymo和百度萝卜快跑在部分城市开放了付费服务，但运营范围有限，成本也高。

发展趋势上，我比较关注三个方向：

1. 端到端大模型：用一个大模型替代传统的感知-决策-执行流水线。特斯拉FSD V12就是这么干的。效果不错，但可解释性差——出了问题，你都不知道是模型哪一层抽风了。
2. 车路协同：让车和路侧设备通信，获得超视距信息。比如，前方500米有事故，路侧直接告诉你的车，不用等摄像头看到。
3. 降本增效：激光雷达从万元级降到千元级，芯片算力从几十TOPS涨到上千TOPS。硬件成本下来了，L3的普及才有可能。

最后说一句心里话。这个行业现在很热，但也很浮躁。很多人觉得智能驾驶就是堆算力、堆传感器。其实不是。真正的难点在于系统工程的可靠性——你怎么保证车在10万公里、各种天气、各种路况下，都不出致命错误？这才是我们工程师要啃的硬骨头。

---