一、自动驾驶技术概述
大家好，我是这次课程的主讲工程师。在正式开始讲英伟达IB网络之前，我觉得有必要先聊聊自动驾驶本身。毕竟，不了解战场，怎么理解武器呢？
我入行那会儿，自动驾驶还是个挺科幻的概念。记得2015年我第一次坐进一辆改装过的测试车，方向盘自己转的时候，说实话，手心全是汗。现在回头看，这十年变化真大。
1.1 发展历程：从梦想到现实
自动驾驶的发展，我习惯把它分成三个阶段：
- 萌芽期（1980s-2000s）：主要是高校和研究所的探索。像卡内基梅隆大学的NavLab，德国的VaMoRs项目。那时候算力弱得可怜，一辆车后备箱塞满电脑，跑起来还不如老司机骑自行车稳。
- 技术突破期（2009-2016）：标志性事件是Google无人车项目启动。我有个朋友当时在Google X工作，他说团队最头疼的不是算法，而是如何让激光雷达成本降下来。嗯，那时候一个Velodyne 64线要8万美金，够买辆保时捷了。
- 产业化爆发期（2016至今）：Waymo独立运营，特斯拉推FSD，国内百度Apollo、华为、小鹏纷纷入局。说白了，资本和人才都涌进来了，技术迭代快得让人喘不过气。
我个人觉得，2020年是个分水岭。那一年，多传感器融合方案基本成熟，BEV（鸟瞰视角）感知开始流行。你想想看，从2D图像直接推理3D空间，这背后对网络带宽的要求有多高？嗯，这就是我们后面要讲IB网络的原因。
1.2 L0-L5分级标准：别被营销话术忽悠了
SAE的J3016标准，大家应该都见过。但实际工作中，我发现很多人对分级的理解有偏差。我直接给你讲人话：
| 等级 | 名称 | 谁在开？ | 谁在盯？ | 我见过的坑 |
|---|---|---|---|---|
| L0 | 无自动化 | 人类全程 | 人类 | —— |
| L1 | 驾驶辅助 | 人类为主 | 人类 | ACC自适应巡航，脚可以歇会儿，但眼睛不行 |
| L2 | 部分自动化 | 系统可同时控方向和加减速 | 人类 | 特斯拉AP就是典型。我曾经遇到车主在L2下睡觉，太危险了 |
| L3 | 有条件自动化 | 系统在限定条件下全权驾驶 | 系统（需人类接管） | 奥迪A8的Traffic Jam Pilot，法规没跟上，最后没落地 |
| L4 | 高度自动化 | 系统全权，无需人类干预 | 系统 | 限定区域（如Robotaxi的固定运营范围） |
| L5 | 完全自动化 | 系统全权，任何道路 | 系统 | 目前还没实现，我个人觉得2030年前够呛 |
避坑指南：我曾经见过不少创业公司，明明做的是L2+，非要宣传成L4。你想想看，L3以上出了事故是车厂责任，L2是驾驶员责任。这中间的鸿沟，不是多几个传感器就能填平的。
1.3 核心技术栈：感知-决策-控制
自动驾驶的软件架构，说白了就三层：感知（看路）、决策（想怎么走）、控制（动手动脚）。
我画了一张图，帮你理清它们之间的关系：
这张图看着简单，但实际工程里，每一层都是深坑。
1.3.1 感知层
感知层的任务，就是把传感器数据变成计算机能理解的「世界模型」。
- 摄像头：最像人眼，信息最丰富。但怕逆光、怕黑夜、怕雨雾。我做过一个项目，夏天傍晚西晒，摄像头直接过曝，车道线全丢了。后来加了HDR算法才搞定。
- 激光雷达：直接输出3D点云，精度高。但贵，而且怕灰尘。我记得有一次测试车在工地跑了一圈，激光雷达窗口糊了一层泥，点云直接变成「雪花屏」。
- 毫米波雷达：全天候工作，测距测速准。但分辨率低，经常把路牌当障碍物。嗯，这就是为什么有时候你的车会在高架桥下突然急刹车——雷达把桥墩识别成障碍物了。
- 超声波：近距离泊车用，便宜但范围短。
我的经验：单一传感器都有致命缺陷。所以现在主流方案都是「多传感器融合」。但融合意味着数据量暴增——一辆L4级Robotaxi每秒产生的数据量，大概在1-3GB。你想想看，这些数据要在毫秒级内完成传输和处理，对网络的要求有多变态？
1.3.2 决策层
决策层是自动驾驶的「大脑」。它拿到感知结果后，要回答三个问题：
- 周围的车/人接下来会干嘛？（行为预测）
- 我该怎么走？（路径规划）
- 遇到突发情况怎么办？（行为决策）
我举个例子。你开车在高速上，前面有辆车突然减速。你的决策系统需要：
- 预测前车会不会继续减速（可能是要下匝道）
- 判断旁边车道有没有空间变道
- 决定是刹车还是变道
这一连串计算，必须在100毫秒内完成。否则，要么体验差（急刹车），要么出事故。
我曾经踩过的坑：有一次我们的决策模型在仿真里跑得好好的，一上路就抽风。查了两周才发现，是感知层传过来的目标列表顺序变了——决策模块依赖固定顺序做关联匹配。从那以后，我要求所有模块之间必须带时间戳和ID，不能依赖顺序。
1.3.3 控制层
控制层是「手脚」。决策层说「左转30度」，控制层就要算出方向盘打多少、油门给多少。
常用的控制算法：
- PID控制：简单粗暴，调参调得好效果也不错。但遇到大曲率弯道容易 overshoot。
- MPC（模型预测控制）：更高级，能预测未来几秒的状态。算力消耗大，但控制更平滑。
我个人的习惯是，先用PID快速验证功能，最后调优再上MPC。毕竟，你不想在测试车上花三天调PID参数吧？
小结
好了，这一章我们聊了自动驾驶的发展历程、分级标准，还有感知-决策-控制这个核心架构。说白了，自动驾驶就是把「人开车」这件事，拆解成计算机能执行的算法和流程。
但这里有个关键问题：这些算法跑在哪里？ 感知需要大算力GPU，决策需要低延迟通信，控制需要实时响应。传统的车载网络（CAN、以太网）已经快扛不住了。这就是为什么我们需要英伟达的IB网络——它专为高性能计算和低延迟通信设计。
下一章，我会带你深入IB网络的架构，看看它到底凭什么能撑起L4/L5自动驾驶的数据洪流。