买车网（Buycar.cn）获悉，11月12日，由国家信息中心信息化和产业发展部与现代汽车(中国)投资有限公司合作举办的“第七届中韩汽车产业发展研讨会”(以下简称“中韩汽车论坛”)在京召开。

据了解，本届论坛以“东方智慧，驱动自动驾驶新时代”为主题。众所周知，当前汽车行业正经历前所未有之大变革，以自动驾驶为核心的智能网联技术正在重塑整个汽车行业产业链。从2018年开始，全球自动驾驶开始进入漫长的技术攻坚期和生态联盟期。在此背景下，本次论坛邀请了来自中韩汽车行业专家、企业领导，以及中外企业的嘉宾从多个角度探讨自动驾驶技术的最新发展及未来方向。

在活动现场，博世汽车部件（苏州）有限公司车路协同项目总监臧昕发表了主题演讲。她认为，汽车行业正面临着巨大的变革，跨界交流与日俱增。未来出行趋势趋向于个性化、自动化、互联化、电气化。随着自动驾驶将“人”从驾驶中剥离出来，将会进一步降低交通事故，提升交通安全。为了构建更加安全的交通环境，自动驾驶必须进入“毫秒必争”的时代，低延时、高可靠是自动驾驶的前提。

臧昕表示，目前主流自动驾驶是单车智能，不过随着自动驾驶车辆由L2级别向L3级别进化，系统的复杂程度造成的单车能耗对汽车同样是一个巨大的挑战，此时车路协同就变得尤为重要。通过智能车路协同，可以高效的解决自动驾驶过程中红绿灯识别、盲区检测、高架桥三维定位等问题。车联网为车和路构造了一张大网，但是同时也带来了新的安全问题：如何应对黑客攻击、全球范围内的法律法规如何制定等都需要进一步探索。

“无疑，智能网联现在是一个大的生态，其实是需要不同行业的全球精英共同探索，找到可持续健康发展的商业模式，促进自动驾驶的产业化、商业化。”臧昕如是说。

以下为演讲实录：

各位嘉宾，各位业内的同仁们，大家下午好，今天很高兴也很荣幸受到主办方的邀请，代表博世公司来跟大家探讨一下，现在最热门的话题：自动驾驶。那么今天我给大家汇报的主题叫智能网联时代下的自动驾驶，大家都知道现在汽车界正在面临一个巨大的变革时代，以前汽车论坛来的都是OEM主机厂，加上零配件、供应商，现在我们看到今天的汽车论坛，除了汽车业界的各位同仁们还有刚才提到的各种出行服务公司，通讯行业、IT等行业，甚至网络平台，现在出现了一种跨界的合作，就是跨界的交流，这个也是我们认为未来出行的一个趋势是趋向于个性化、自动化、互联化和电气化的。那么为此博世也提出了一个叫零事故、零担忧、零排放的伟大愿景，致力于打造未来出行服务方式和全新的服务理念。

今天，想给大家着重分享一下，我们在智能化、互联化、自动化方面的思想，汽车领域我们说的自动化着重聚焦在自动驾驶上。自动驾驶从0级到5级慢慢的是把人从驾驶的过程当中就剥离开来了，我们知道有数据调查表明研究有80%到85%的事故是由人造成的。我们想说把人从驾驶的操作当中脱离出来的话，是不是可以提高交通事故的安全性，保证效率。这样的话，从这边看到从L0级到L5级，其实是慢慢的从L1级开始我们就说车能够自主在本车道进行操控。这样就把脚解脱出来了。到L2级的时候，在手也可以解放出来。到L3级就是说我们的眼睛，感知的层面，是由车上的传感器来自动完成的。到了L4级的话，我们就要脱脑决策考虑执行的方面，更进一步。到L5级那就是真的是高枕无忧，在各个场景环境下汽车就成为我们人类的第三空间。

大家都知道现在我们处于哪个阶段？其实现在分界线都是在L2级上，博世也是在2018年量产了L2级自动驾驶，像车道应急辅助，集成式辅助巡航。我们现在在部分L2级层面上往L3级的过程当中。前两年大家谈到L3级、L4级、L5级，愿景是美好的，说2019年、2020年就量产L3级了，到2019年底大家回过头来看看当时许下的诺言，显然是当你越接近事实，这里面临的困难和挑战是巨大的。

为什么会产生这样？我们说L2到L3级一定是技术上跨越式的难题的因为L2级以下出了事故以后，责任驾驶是由人来承担的。那么到了L3级以上，责任的驾驶最后的出事故谁来承担这个责任？是车，是整个系统来承担责任。对于给整个系统就提出了一个更高要求的技术解决方案，比如说你的冗余要被提上日程，冗余就是说，在一套系统失效的时候，你必须要有第二套备用的系统，能够随时接管。

我们近距离看一下L3级以上的自动驾驶，其实现在主流的自动驾驶的方案，是单车智能，我们看一下目前单车智能情况下的是如何实现高阶层的自动驾驶。L3级以上可以看到，L0到L5级是不断把人脱离出来，脱手，脱脚，脱脑，脱眼相当于我们在车内的感知系统，在L1、L2级的时候，我们可能只需要一个摄像头、一个雷达就可以完成L1、L2、级的自动驾驶功能，到L3级就需要立体摄像头，就需要多几种传感器，到L4级、L5级，大家可以看一下，这里提出高精度和高性能的雷达，还有新型摄像头，提到识别交通信号灯到5级为了识别红绿灯的信息要专门研发出针对红绿灯识别信息的一种摄像头，到四五级我们要看更远，可能一两百米就不够要，我们要找长距离的雷达或者激光雷达，这是在感知层面。

决策的时候，我们说L3、L4、L5级都要有冗余，决策肯定是需要制车控制器，可能需要五\六十个传感器，那么你对车上的算力、效率的问题，是一个很大的挑战，现在大家谈得愈来愈多，以后在新能源车上，这种能量的效率问题，是决定了这种新能源汽车跑多远，每次充电的时候，充完点车自身的耗力有多少，感知所匹配的传感器越多，在制车需要的控制器算力有多大，我需要冗余的话，在操控刹车的阶段以及专项这些都需要用冗余。这是我们说以单车智能为技术解决方案，到了网联时代，4G、5G网络切入了汽车之后，我们在思考说，有没有是说车和路可以共同解决的，把这里的一些单车智能遇到的痛点和难点，借助于网络的力量，能够分散一部分。我们的研究是完全有可能的。

我们看一下感知部分，这是刚刚提到的红绿灯的识别，我说三点，红绿灯的识别，为什么说这么困难，第一个是这个红绿灯的识别，是属于一个小物体的探测，像我是探测人或者探测车这种大的物体，那么它在这个像素上所占的像素比就会比较小，增加一定的难度。

第二点是说，红绿灯基本上是靠颜色辨别，那么这样子是靠摄像头，摄像头靠颜色辨别需要在各种天气环境下、光线环境下都需要识别出红黄绿，包括人眼看的时候你红灯和黄灯都很难区分，可想而知，在车上研发一种专门识别红绿灯的难度也是比较大的。

还有红绿灯有一个开角的问题，我要看得远开角就得小，现在有多个FOV摄像头的叠加，会有一个融合在里面，这也是大大提高这个解决难度，还有就是刚刚说到的红绿灯的安装位置高低不一样，还有它的形状也不一样，很多没有规范的红绿灯，是非常难识别的。另外一个是红灯路的图，这张图里是有红绿灯的，但是非常难识别出来，光肉眼一下就识别不出来，但是这个时候，对于车，如果是自动驾驶车的要求是一定要识别出红绿灯的，这个时候会非常的困难，识别这个红绿灯已经非常困难。更困难的是什么，我只关心我在的车道是红灯还是绿灯，我要直行并不担心左拐是红灯还是绿灯，我并不担心挂的红绿灯上，我关心的是哪个灯是我这个车道上的灯，这个是很大的挑战，网联，路测的设施直接把红绿灯的信息接到车内，用不着车上安装一个“眼睛”去看，直接路测去告诉这个车是红灯还是绿灯，是不是可以提高效率，这是说的红绿灯确切网联能够给我们带来的收益。

单车智能，遇到盲区的时候，它的光线或者雷达波是不能转弯的，在盲区的时候，是很容易出事故，如果说在十字路口的时候，有一个路测的设备，就能及时通知给到车辆，让车辆及时采取下一步的动作。

还有一个方面，我们觉得是可以帮助到单车智能自动驾驶，超视野的感知，我们说人的视野范围几十米，我有了雷达之后加上传感器可能一两百米，再远的范围，想看得更远一些，路测设备也许可以帮得上我们。想看几十公里以外的，是不是云端也可以考虑，这些完全可以通过网联解决单车智能的一些困惑。就是感知的层面。

接下来给大家分享一下定位，前面有几位嘉宾也提到这个问题，现在我们要求的定位，其实是一个三维的定位，需要知道自己的车在车道上跟前车、后车的距离，跟左右两个车的距离，能够非常准确到厘米级的精确定位。这是二维的图，我们现在有多层高架特定环境条件下，我必须知道我这个车在第几层高架上，这是高度三维定位概念。目前我们说靠GPS定位这块是很难解决的，因为高度特征是提取不出来的。

还有一个是说穿越隧道的时候，GPS是丢失的，你在这里面到底是不是在本车道保持，还是在别的车道，车完全不知道是在哪里，还有一个是GPS的信号是丢失。第二个是说，在进隧道这一瞬间，这个光线从强变弱或者从弱变强，出隧道的时候，光线对于车上的传感器的反应不一样，会有那么一瞬间传感器的性能是被降低的，因为光线的原因。

所以说在这个时候能够有路测设备和网联助力的话，我们相信这块是可以大大的提升自动驾驶性能。

接下来给大家分享一下，刚才说自动化，互联网，就是说到车联网的这个技术，车联网就是为车和路的协同构造一张大网，包括刚才提到信号灯的协同，这个就是车和基础设施，那么我还可以说，车、车之间也可以通讯，可以碰撞避免，给一些提前的预警。

那么还有我车和人包括车和就是道路上的弱势群体之间的安全提醒，也是可以通过网联技术解决的。还有就是通过车和网络之间的一个互联问题，那么很多实时交通信息，可以以广播形式，就发到车上，那么还有包括一些云端的服务。

现在我们说到自动驾驶有难点，车联网可以帮助自动驾驶，那么车联网下的自动驾驶就没有痛点了吗？刚刚张秘书长也提到一些，有问题是正常的，我们归纳了几点，现在车联网生态系统下的主要挑战，首当其冲的我们觉得安全是重中之重，不管是单车智能也好，还是车联网下的自动驾驶也好，最终的目的都是为了把人或者把货物安全的从一点移动到另外一个点，安全的可靠性是必须要保障的。

引入了网联之后，网络安全给我们带来了另外的新的挑战，我怎么样去判别我收到的红绿灯的信息是准确的，不是有黑客蓄意攻击造成的假相，这是需要继续努力的。

第二个方向法律法规的问题，引入网联之后通讯协议，全球法规没有一个标准，都在制定的过程中，还有测试的规范，后期依照什么样的测试标准，能够给我智能网联车放行。

还有云平台，数据是一个很大的问题，介入网联之后，什么样的数据，需要后台处理的，传到后台，什么样的数据可以本地以及边缘性就处理了，这一块还没有明确的清晰法律法规，还有外面的车接进来产生错误的动作，到底是给错了，还是路测设备看错了，还是我接受的时候，到车处理的时候，处理错了，这块产品责任的问题，也是有待于大家探讨的。

接下来系统架构的事情，单车智能本身的智能架构已经非常复杂了，接入网联之后，跟基础设施、跟云平台、跟边缘计算、跟网络、整个车跟网跟云，云网端整个大的架构还没有特别清晰的定义，刚才说到基础设施，我们说基础设施如果是真的要给自动驾驶助力的话，一天24小时，一天365天全天候全场景的下，一定要能够提供高品质的信号，对网络也是一样实时在线不能掉线，确保低时延、高可扩性，我们说到自动驾驶的话，一定是在毫秒级的延时，以前我们说分秒必争，对于自动驾驶网络的需求，是毫秒必争。就在这个时候，我做过一些研究，对碰撞之后被动保护的研究，那个时候当你一眨眼一秒钟的时候，事故已经发生了，后果也不堪设想，我们要确保网络低时延、高可靠，还有系统智能，引入网络之后我们一些智能是不是要放到网上，放到网上的哪个节点上，这个是一个比较大的挑战，还有我们认为商业模式，商业模式是一个很大的话题，大家都在做示范，先把功能解决，解决了功能的同时，慢慢的大家也在思考怎么样才是一个健康的长期的可持续性发展的一个商业模式，因为对于基础设施的投资的话，大家也知道这种投入是非常大的，一公里的智慧高速也好，路端也好，都要有上亿的投入，那么这样子的一个投入，如何能够形成一个闭环的健康的商业模式，也值得大家一起共同探讨的事情。

接下来想跟大家分享一下博世在全球范围内其实我们也是很早在参与车联网相关的项目，2016年我们在欧洲就参与了一个叫MecView项目，通过自动驾驶边缘计算和基础设施感知，然后并线的时候无缝连接，还有我们商用卡车密集列队跟驰，还有欧洲智慧高速公路，这个是整个欧洲的项目，跨主机厂，跨服务商，跨云端，比我们多了一个跨是跨国家，因为在欧洲很方便你开两三个小时，就到另外一个国家了，所以它这边还有一个跨国家的考虑在里面。

在国内呢，我们参与了很多这个智能网联的示范区，在示范区里做一些演示，还有一些智慧高速公路的项目，接下来说两个案例，一个是在欧洲的MEC-VIEW，研究的是在城市内高度自动驾驶应用边缘计算还有靠基础设施感知，能够让两个车自动调节速度，然后无感并入，可以看到这边，这些车的特征也都可以感知到，然后车做冗余的决策判决，给到车，就可以达到一个无感的汇入。这是我们的最后的一个结果，视频可以看得更直观一些。

左边这个是我们没有运用车联网的技术，完全是靠单车，这样子的话，车就在交叉路口停下来，一直在找合适的接入机会，按照自己的速度就直接进入，到门口的时候就停下来了。

右边应用了这个项目以后，它在路端要安装基础设施，探测到两个方向过来的车速度和位置，如果要无感汇入，两个车的调速是多少，什么时候汇入，这是在欧洲的一个项目。

第二个想给大家分享的是我们在无锡的先导示范区也就是今年物联网大会上进行的展示，我们叫ADAS增强辅助的功能，在车上接中控屏，然后把接入的信息显示出来，我们研究了接下来的另一步，一个场景，我们做的前车紧急刹车之后，我们通过车车通讯把信息传递到后车，后车进行自动的点刹，后面也就是通过鬼探头的功能，探测到有行人闯入的时候，就通知这个车，车自动的试行点刹，第三个场景是红绿灯的交通信息，接近车，在红绿灯的路口，能够接受到红绿灯的信息，红绿灯倒数的秒数，根据制车的速度能够判断，以我现在的速度，按照倒数的秒数我能不能过得去，如果说不能过去我就舒适的刹停在停车线上，当灯从红颜色变绿颜色的时候，我这个车可以自动的舒适起步通过路口。如果说通过计算可以算一下这个车，在倒数的秒数我就调整车属，舒适的穿过红绿灯的路口，也是一个视频，可以给大家看一下。可以看到我们点刹都是车自动完成的。

这是简单给大家分享一下我们现在在欧洲还有在国内做的两个典型示范案例。

最后我们相信车路协同现在网联给自动驾驶其实是带来新的机遇，打开新的篇章，我们还是认为安全是首要的，是重中之重。智能的话，也有探讨，就是说有了外面的智能，是不是车内的智能就一点也不要了，我们觉得车内还是要有智能的，刚才说到延迟的要求，对于时间的要求，必然是决定了车内的智能是有存在的必要性。

那么我们讲智能网联现在是一个大的生态，其实是需要跨界的各位同仁，大家我们一起多交流多分享，我们做的很多都是演示，演示亦易，落地难，如何找到可持续健康发展的商业模式，以及如何产业化、商业化，是我们期待的愿景吧，今天我就分享这么多，谢谢大家！