近年來，隨著自動駕駛技術的發展，各家車企的自動駕駛汽車不斷發布。自動駕駛是吸引消費者購買的亮點，而車企也不留餘力的用各類數據告訴外界自動駕駛的安全性，但是自動、輔助駕駛卻頻頻出事。
小鵬進入自動駕駛事故高發期
2022年8月10日下午，寧波一車主駕駛小鵬p7車輛與前方檢查車輛故障人員發生碰撞，發生人員傷亡。該小鵬P7車主在高架橋上開LCC（車道居中輔助）功能，時速符合高架限速要求80km/h。該車主稱，他在行駛中突遇道路前方車輛故障拋錨，但輔助駕駛功能「沒識別到」「沒有預警」，他「又剛好分神」，致其駕駛的車輛撞上前車及前車車主。
然而就小鵬汽車而言，自動駕駛事故並非就這一起。數據猿整理了近兩年小鵬汽車發生的跟自動駕駛相關的事故：2022年3月，小鵬P7車主鄧先生發布視頻維權稱，在國道上開啟輔助駕駛系統行駛十幾公里後，前方道路出現一輛側翻車輛，自己駕駛的小鵬 P7 沒有任何報警和減速，徑直撞了上去。初步判斷為車主在使ACC+LCC(自適應定速巡航&車道居中保持功能)過程中，沒有保持對車輛前方環境的觀察並及時接管車輛所致；2021年9月，一輛小鵬P7在NGP自動導航輔助駕駛系統啟動的狀態下高速行駛，車輛前方出現大貨車的情況下這輛P7並未出現明顯減速，直接撞向大貨車，事故造成車主腦震盪住院治療。
出事的可不止小鵬汽車
經常出事的不僅僅小鵬，其他廠商也有不少自動駕駛事故。為了更系統了解自動駕駛存在的問題，數據猿系統梳理了主流電動汽車廠商出現的主要自動駕駛事故：
從上述表格中我們可以分析到，自動駕駛發生事故的原因主要是：
感知系統失效。2016年5月，特斯拉造成了第二起自動駕駛系統致人死亡的車禍。事後特斯拉發表事故調查原因說道：白天強光下，拖車白色側面會反光，攝像頭會短暫「失明」；而且由於拖掛卡車底盤較高，毫米波雷達無法探測到車身，這種非常少見的情況導致了系統疏忽而沒有啟動自動剎車；同時，車輛碰撞位置為擋風玻璃，正是防撞系統傳感器的安裝位置，使得防撞系統失靈，直接撞上卡車。
決策系統判斷失誤。2016年1月，京港澳高速河北邯鄲段發生的追尾事件就是因此導致的。自動駕駛系統未能識別前方車輛，從而將要追尾時並未採取措施，沒有剎車、沒有減速、而是直接撞了上去。但是這類事故發生最多的還要數特斯拉了，「幽靈剎車」事件已經被特斯拉車主提起訴訟，美國政府、加州機動車輛管理局（DMV）和美國國家公路交通安全管理局（NHTSA）也分別將特斯拉告上法庭。加州參議院也已通過法案，禁止在智能駕駛的廣告裡包含「自動駕駛」等詞彙。
對於測試車而言，還可能因為車上安全員注意力不集中或者操作失誤，導致本就技術不成熟的測試車輛發生事故。例如，2018年1月，美國賓夕法尼亞州測試自動駕駛車時，與一輛貨車相撞等事件。
除了技術缺陷以外，自動駕駛相關的事故發生率，還跟配備自動駕駛系統的汽車數量高度相關。從上面的分析中可知，汽車的保有量越高，出現自動駕駛事故的概率也越高。目前，特斯拉的自動駕駛汽車產銷量最高，其事故數量也最高。依據美國國家公路交通安全管理局（NHTSA）發布的數據，在去年7月以來報告的涉及駕駛輔助系統的392起撞車事故中，特斯拉汽車占了近70%。同樣的，中國的蔚來、小鵬、理想等廠商，隨著其汽車的產銷量快速增長，其汽車因自動駕駛（輔助駕駛）系統造成事故的報導也越來越多。
自動駕駛如何破局？
頻繁發生的交通事故，在用血淋淋的教訓告訴我們，目前自動駕駛技術還很不成熟。
如何極大程度減少各類事故成為自動駕駛要克服的關鍵障礙，我們不禁會質疑，當下自動駕駛技術的成熟度有多大？還有哪些難點需要攻克？
國內外基本上都將自動駕駛技術基於系統執行自動駕駛任務程度分為0～5級。
顯然，級別越高，智能駕駛的技術要求就越高。目前，自動駕駛還面臨著許多技術難題。人臉識別、新聞推送類人工智慧技術應用成熟度即便達不到100%，但能有個95%或者97%，可能會少抓一個人或者少推送一條信息，但都是可以補救的。自動駕駛則完全不一樣，因為關乎到生命安全，技術容錯率無限趨近於0，目前行業內達成的一致標準是99.9999%。
為了減少錯誤率，以數據驅動作為發展路線的公司一般會採用大量實際路測和模擬仿真來獲得各種場景數據，Waymo在山景城、鳳凰城等地已經完成了數千萬英里的路測，模擬則高達數百億英里。隨著數據量的增加自動駕駛系統的容錯率會不斷收斂，但究竟在什麼時候達成真正意義上的合規安全，還有很大的不確定性。
由於自動駕駛技術的成熟依賴於技術棧中軟硬體各環節的有效支撐和落地，具有明顯的木桶效應——整個系統的安全性，取決於最薄弱的環節。目前，高級自動駕駛的相關硬體，包括各類傳感器、晶片等，其技術及性能（如功耗水平）不斷升級，對高級自動駕駛大規模商業化的掣肘日益減弱。但軟體模塊，包括算法訓練和軟體開發仍面臨大量複雜難題。
除了技術成熟度，成本是制約自動駕駛發展的另一個重要因素。
雷射雷達、自動駕駛晶片及其他感知硬體（如毫米波雷達、攝像頭等）是L3 及以上自動駕駛方案的重要組成硬體，越高的自動駕駛等級，對於晶片的算力、雷射雷達精準度要求和自動駕駛算法設計均有更高的要求，這也帶來了成本的迅速攀升。
感知硬體、晶片算力和軟體算法是不同自動駕駛等級在技術和成本上出現差異的主要因素。L2+ 和L3的主要成本差異在於傳感器覆蓋、DMS和算法等感知和控制。在當前市場政策、責任歸屬等政策法律環境尚未完善的情況下，L2+也被認為是企業向L3過渡的一種解決方案。而自動駕駛域控制器和晶片算力在L3和L4高階硬體方案中扮演重要作用，對於自動駕駛等級和場景的需求不同，結合軟體控制算法設計的複雜程度不同，能夠影響L3和L4各個細分場景方案的成本差異。在高階自動駕駛方案加入的冗餘感知硬體紅外攝像頭和覆蓋複雜道路環境的軟體算法，同樣將影響著最終方案的成本。
以更低的軟硬體成本，實現更高的自動駕駛系統安全性，是目前各個廠商競爭的 關鍵。對於自動駕駛這塊發展前景巨大的汽車市場蛋糕，各大傳統車企、科技企業早已紛紛布局。數據猿梳理了國內外主要廠商在自動駕駛上的技術特徵如下：
特斯拉
感知層：純視覺傳感器：採用車身自身的8個攝像頭提供原始圖像，再進行計算機視覺運算。硬體情況：特斯拉E/E硬體已經發展成了「功能域」集中+「區域」控制器集成。在整車自動駕駛域控制器+智能座艙域控制器基礎上，率先進行區域控制器集成，將車身控制器劃分為左、前、右三部分，節點就近接入，並集成部分ECU功能 。晶片選擇：2019年，公開自研的FSD晶片，並開始走向智能化流程幾乎全棧自研的道路，引領行業發展。
小鵬
感知層：視覺傳感+雷達：小鵬P7 XPILOT 3.0系統搭載了13顆攝像頭（前三目、4顆ADAS攝像頭、4顆泊車360環視攝像頭、1顆車內人臉識別攝像頭、1顆行車記錄儀攝像頭）、5個毫米波雷達、12顆超聲波雷達、雙頻高精度GPS，還支持高精度地圖定位以及V2X技術。硬體情況： 小鵬P7的30TOPS在計算力上介於特斯拉第二代硬體和第三代硬體之間，目前小鵬P7上已經已經匹配了XPILOT 3.0版本，可以做到NGP高速自主導航駕駛；自主研發的電氣架構，支持自動駕駛、智能座艙、底盤域以及車內高速通信，「功能域」集中域控制器支持自動駕駛/智能座艙功能。晶片選擇：啟動了自動駕駛晶片研發項目。
理想
感知層：視覺傳感+雷達：理想X01有8顆+ADS攝像頭、4顆環視攝像頭，以及5顆毫米波雷達，1顆雷射雷達和1顆DMS攝像頭。硬體情況：電子電氣架構的趨勢是建立中央算力平台，實現中心計算化 。晶片選擇：英偉達的Orin晶片、地平線的征程系列晶片等。
蔚來
感知層：視覺傳感+雷達：NOP自動駕駛輔助系統配備了24個傳感器，包括1個Mobileye EyeQ4處理器、1個前向三目攝像頭、4個環視攝像頭、5個毫米波雷達、12個超聲波雷達和1個駕駛員檢測攝像頭。硬體情況： 最先搭載千兆乙太網絡作為內部傳輸總線構架的汽車公司之一；自研智能網關、智能座艙。晶片選擇：英偉達ORIN晶片、高通8155晶片等。
雖然各大廠商紛紛試水，但不管是從技術成熟度還是商業應用情況來看，目前自動駕駛領域尚處於早期階段。對於未來該領域的發展重點，數據猿認為自動駕駛的發展將分為三個階段，每個階段的重點有很大的不同，具體來看：
1、 早期看技術
在行業早期階段，商業模式尚不清晰、企業產品和服務尚未實現標準化和規模化落地，技術領先性成了篩選優質自動駕駛企業的重要標準。早期對技術的關注主要在兩個維度。一是單點技術的效率，即公司的技術方向與落地場景的需求是否一致、與亟待解決的問題是否匹配。創業公司在早期資金和人力都相對有限的情況下，要注意收斂範圍，把有限資源投入到能產出最大 ROI 的部分。二是當多條技術線疊加的時候，關注公司對所在場景的 know-how，是否可以通過積累的行業認知來預判未來趨勢，從而保證技術的疊代方向始終與場景需求保持一致。
2、中期看量產能力
當自動駕駛從實驗室測試階段逐漸走向落地，跨系統交互能力、工程化落地能力、成本控制等與交付相關因素的重要性愈發凸顯。由於產業鏈複雜度高、環節多，能夠通過主機廠嚴格考核、實現量產，可以體現出公司通過技術領先性滲透到產業鏈上各個環節、實現整合併建立壁壘的能力。主機廠與自動駕駛解決方案提供商的適配周期長達數年，包含技術比測、定點等諸多環節。供應商一旦選定則不會輕易更換。當行業進入量產周期，主機廠更傾向於選擇具有大規模量產經驗的企業，此時行業的馬太效應逐漸顯現，龍頭企業的市場份額不斷擴大。
同時，量產落地可以幫助企業進一步積累優質行駛數據、不斷疊代增強技術，同時可以通過增強產品的穩定性和一致性形成規模效應、擴大成本優勢，最終實現圍繞量產的飛輪效應，不斷擴大自己的護城河。
3、後期看商業化
長期來看，高等級自動駕駛未來的算力與算法模型大概率會趨同，通過商業化實現的數據積累量和對長尾場景的覆蓋程度決定了交付產品的控制表現、安全性、以及客戶體驗。商業化的速度和模式決定了最終誰將在激烈的優勝劣汰競爭中勝出。
長期商業化潛力可以從三個維度來評估：標杆訂單的獲取、團隊的商業能力和公司的差異化定位。一方面，對於以訂單交付模式為主的企業，需要有超級訂單作為行業標杆。獲取標杆訂單的能力是公司算法優越性、工程化落地能力及成本控制等多方面因素的綜合體現，有利於企業實現滾雪球效應、進一步擴大市場份額。
其次，核心團隊對於公司自身的戰略定位以及商業化能力決定了公司拓展市場的速度和空間。初創企業需要基於清晰戰略來選擇合適的投資人、產品線及商業化策略，將有限資金用於符合公司戰略的產品研發，同時根據產品所服務的客戶特點選擇適當的商業策略。最後，企業需要找到自己基於公司定位和產品組合的差異化特點。某種程度上，差異化是對細分場景深刻的認知能力、創新能力和品牌力的體現，可以幫助自動駕駛公司在競爭激烈的紅海市場異軍突起、不斷構建壁壘。