毫无疑问，特斯拉是自动驾驶领域的一面旗帜。然而，随着其他车企加快脚步，努力提升驾辅系统的软硬件性能，特斯拉的标杆地位遭到了挑战。在高精地图的帮助下，许多中国新势力品牌突飞猛进，自动驾驶能力距离L3只有一步之遥。面对后起之秀，特斯拉似乎光环不再，独步天下的时代已成为历史。上有法规，下有追兵，特斯拉自动驾驶技术将何去何从？

作为新兴品牌，特斯拉的激进有目共睹。过去几年里，Autopilot自动辅助驾驶不仅重新定义了行业标准，还改变了人们的用车习惯。即便在Model 3入门车型上，Autopilot也被列为标准配置，大幅降低了智能驾驶的门槛。如果预算允许，用户还可选装增强版Autopilot（3.2万元）或FSD完全自动驾驶能力（6.4万元）。

特斯拉直接推动了驾驶辅助技术的普及，但各家车企的实现方式有所不同。想要实现自动驾驶，核心是做好感知、决策和执行。感知相当于人的眼睛，用来观察周边交通情况，提供必要的信息流；决策相当于人的大脑，利用算力分析当前环境，并给出相应的指令；执行相当于人的手脚，替代驾驶员控制车辆。相对而言，感知和决策的争议会更大一些，很多事情没有对错之分，需要进行谨慎取舍。

目前，业界主流路线是光学+雷达感知，市面上大部分L2级（或以上）驾驶辅助系统同时配备了视觉传感器、毫米波雷达和超声波雷达。随着L2逐渐向L3进化，激光雷达也开始配备在量产车上，小鹏P5和蔚来ET7便是比较典型的例子。部分高端车型甚至配备了多个前向毫米波雷达，用以拓展感知范围，颇有些“堆料”的意味。

传感器兼顾视觉系统和雷达系统，看起来是个不错的方案，但真正应用到汽车上可能会遇到问题。交通环境瞬息万变，传感器不断捕捉外界信息，并将海量数据提供给决策端。摄像头输出图像，雷达感知距离，二者各有优缺点，但不能简单加总。有时候，两种感知渠道会得到不同的“答案”，汇集到一起反而增加了决策难度。

最典型的例子是，毫米波雷达有时会误识别高处的拱门或桥面，导致车辆突然减速避险。笔者的上一台车（单目摄像头+毫米波雷达）就存在这样的问题。在上下班的必经之路上，雷达有时将某座过街天桥识别为障碍物，紧接着AEB介入，首先通过声光警示驾驶员，再执行紧急制动。每每遇到这种情况，我不得不在AEB警示后迅速松开油门，通过驾驶员输入刻意“告知”车辆，这样才不会触发制动措施。

特斯拉倾向于采用全视觉感知，避免1+1<2的尴尬局面。在北美市场，特斯拉已经开始取消毫米波雷达，仅仅依靠8颗摄像头捕捉到的图像，为决策提供信息流支持。需要注意的是，在中国市场，特斯拉目前仍采用双感知方案，传感器原件中囊括了毫米波雷达。

视觉感知看似有些单薄，但它有着毫米波雷达难以比拟的优势——数据连贯。几乎在任何情况下，摄像头都能够收集周围交通环境，以图片形式提供给决策单元。作为对比，雷达系统会出现“噪点”，某些时点的数据可能意外丢失。后续，特斯拉还计划完善视觉输出形式，从图片转向视频，达成更全面的感知能力。

在全视觉感知的背后，有没有成本考量暂时不得而知，但可以确定的是，这对ADAS系统的学习能力提出了更高要求。“学习”听起来高深莫测，实际上逻辑非常清晰。ADAS系统好比一个人，婴儿阶段任何事物都是未知，身边的一切都需要学习。随着阅历逐渐丰富，从前的婴儿变得见多识广，成长为一个心智健全、博览群书的知识分子。

具体来看，学习过程可分为驾驶员学习、后台工程师学习和后台机器学习三个部分。驾驶员学习自不必多说，凭借庞大的车主群体，特斯拉能够采集到海量数据，用于完善软件算法。在新版本推送之前，工程师还会借助车载数据，在后台模拟新策略的种种可能。基于AI算法，后台机器也在持续学习，为自动驾驶系统查缺补漏。

无论视觉感知还是决策分析，都需要高性能硬件的支持。从Autopilot 1.0到Autopilot 3.0，特斯拉自动辅助驾驶系统的每一次迭代都伴随着芯片升级。在3.0版本上，Autopilot配备了两颗特斯拉自主研发的FSD芯片，这赋予了软件工程师有更大的“黑盒”操作空间，从而实现其他主机厂难以落地的复杂算法。