如果你有关注无人驾驶技术，你可能看过从 Google 到特斯拉，以及很多创业公司的自动驾驶展示影片和图片。但无人驾驶技术到底发展到了什么程度了呢?

根据美国加利福尼亚州车辆管理局(DMV)发布的 自动驾驶年终报告 ，Waymo 、通用、日产名列前三。

Google 的无人驾驶技术成熟度在这份报告中得以体现，和其他公司相比，Waymo 旗下自动驾驶汽车的表现最好，而且有大量的测试数据。

2016 年，Waymo 无人驾驶车辆在行驶里程增加了 50%，达到了 635868 英里，而人工接手的系统次数大幅度降低，由 2015 年的 341 次下降到了 124 次，并且大多数路测是在“复杂的城市和郊区街道”上进行的。

目前，Waymo 无人驾驶驾驶汽车已累计行驶达 230 万英里，测试包括让无人驾驶汽车并入直行车道，在建筑区域导航，改变车道及绕过道路中的障碍物等等。

要想让一辆无人驾驶汽车清楚地知道自己在哪里、眼前有什么障碍物，除了精确的 GPS 外，还需要测距传感器、超声传感器和雷达传感器等“多传感器融合”。

目前，主流的技术硬件设备包括：毫米波雷达 + 摄像头，或者再搭配激光雷达。在很多自动驾驶开发平台上，往往是综合运用这三者，然后通过相应的软件算法去处理这些设备收集而来的数据。

Waymo 的出色表现，离不开诉讼中涉及到的激光雷达，激光雷达是目前无人车检测对象(障碍物)是最关键的技术之一，它通过每秒发射上百万的激光束来对车辆周围的环境细节进行绘制。

但其昂贵的价格可能成为商业发展的绊脚石，初期 Google 使用的是激光雷达传感器厂商 Velodyne 提供的激光雷达传感器，在当时单个 64 线(线数越多,性能越好,造价越贵)激光传感器的价格达到 7.5 万美元，几乎是一辆中档轿车的价格，高端一些的激光雷达成本甚至达到来 70 万美元。

于是 Google 在2015 年就与 Velodyne 分道扬镳，开始自己研发新型激光雷达系统。今年年初Waymo 的 CEO John Krafcik 就在北美汽车展上宣布，目前 Waymo 旗下单个激光雷达价格和前些年相比下降了 90%，从数年前的 7 万多美元降至目前的 7 千多美元

不过这个价格时还不足以让其大规模普及，毕竟一台无人车配备的激光雷达往往不止一个。为了降低成本，一些厂商也采取了毫米波雷达+辅助驾驶摄像头的方案，比如特斯拉。

特斯拉在去年 10 月更新了自家的自动驾驶硬件系统 Autopilot 2.0，在车身四周一共安了 8 个镜头来提供 360° 视野、感测 250 米的距离，还有 1 个雷达和 12 个超声感测器到原来两倍大的范围，一个增强版的前向毫米波雷达，能够帮助汽车在雨雪、雾尘等天气下探测到前方车辆。

此外还升级了车载电脑——新系统的大脑 “Tesla Neural Net”，每秒钟能进行 12 万亿次计算，比上一代车载电脑快了40 倍。

由于没有配置激光雷达，特斯拉有效控制了车辆成本，其全新自动驾驶功能套件的价格也很好的控制在了 8000 美元。

这种方案可以更好地识别对象和色彩等，但是测距的精确性不如激光雷达。而廉价的毫米波雷达精度不够，甚至无法对行人进行感知。

作为补充的光学摄像头也没有穿透力，需要光线，只能获取 2D 图像，3D 环境建模只能靠算法理解，一旦获取的图形有误差，会极大的影响最终分析结果。

因此不少厂商正在通过投资扩大生产来降低激光雷达的成本，去年 8 月福特和百度已向 Velodyne 投资了 1.5 亿美元，以推动他们无人驾驶汽车项目的发展。去年 12 月 Velodyne 就宣布固态激光雷达设计方面取得了突破，在大批量生产的情况下有望将成本降至 50 美元以下。

随着 Waymo、 Velodyne 等企业相继宣布将在激光雷达硬件上提供新的解决方案，大幅度缩减激光雷达成本。这个领域接下来很可能产生新的大硬件服务商，并且快速投入自动驾驶车辆的配置中，加速无人驾驶的到来。

除了硬件外，软件层面的算法更是决定无人车运行的胜负手。感应器探测到一个物体，要靠相应的软件加以识别后才有意义，就像眼睛看到物体后，要经过神经传递给大脑处理一样。

所以像雷达、图片识别器这些硬件，特斯拉会外包生产，而识别软件则要自己研发，这才是最核心的技术。

部分厂商正通过深度学习技术来打造自动驾驶的人工智能系统，人工智能的第一个产业级应用有望诞生在无人驾驶领域，但对于对于大众而言还是有种科幻片般的距离感。