第五章：实例

本章提供一些自动驾驶的应用案例。

案例研究：从理论到实践的桥梁

前四章从概念、系统、硬件和算法四个维度构建了自动驾驶技术的理论框架。然而，理论知识与工程实践之间始终存在一道鸿沟——真实的自动驾驶系统如何取舍传感器方案？面对数据积累的"冷启动"困境，各家公司如何破局？在功能安全与用户体验之间，不同公司又做出了怎样不同的选择？

案例研究正是弥合这道鸿沟的最佳途径。通过解剖真实公司的技术路线，我们能够看到：

抽象原则如何落地：例如"传感器冗余"原则，在 Waymo 的方案中意味着激光雷达与摄像头的深度融合，而在特斯拉的方案中则意味着多摄像头阵列的交叉验证。
约束如何塑造架构：成本压力、数据飞轮、法规环境、商业模式——这些非技术因素深刻影响着每家公司的技术决策。
技术演进的规律：通过对比不同公司在不同时期的技术路线，可以洞察整个行业的演进方向。

本章内容概览

本章选取了全球自动驾驶领域最具代表性的公司和方案，覆盖不同的地区背景、技术哲学和商业模式。

小节	案例	核心特点
5.1	Apollo（百度）	开放平台战略，激光雷达为主，Robotaxi规模化运营
5.2	Waymo	全球最高自动驾驶里程，多传感器融合，安全第一
5.3	Tesla FSD	纯视觉路线，数据飞轮，端到端大模型
5.4	中国玩家	小马智行、文远知行、滴滴、华为等本土方案对比

各小节简介

5.1 Apollo（百度）

百度 Apollo 是中国自动驾驶领域规模最大、开放程度最高的平台之一。自 2017 年开源以来，Apollo 吸引了超过百家生态合作伙伴，形成了从开发工具链、仿真平台到 Robotaxi 运营的完整闭环。本节介绍 Apollo 的系统架构、技术路线演进，以及萝卜快跑（Apollo Go）在武汉等城市规模化商业运营的最新进展。

5.2 Waymo

Waymo 脱胎于谷歌自动驾驶项目，是全球公认的自动驾驶技术最成熟的公司之一，截至 2024 年已在旧金山、凤凰城等城市提供无安全员的商业化 Robotaxi 服务。本节分析 Waymo 的"安全第一"技术哲学、以激光雷达为核心的多传感器融合方案，以及其谨慎而系统的数据积累与验证方法论。

5.3 Tesla FSD

特斯拉是纯视觉路线的最坚定倡导者。创始人马斯克认为激光雷达是"拐杖"，通过数百万辆量产车构建的数据飞轮是特斯拉最核心的竞争壁垒。本节介绍特斯拉 FSD（Full Self-Driving）从规则系统到神经网络规划器再到端到端大模型的技术演进路径，以及 Dojo 超算集群的战略价值。

5.4 中国本土玩家（chinese_players）

中国自动驾驶市场拥有全球最复杂的道路环境和最大的潜在用户规模。本节介绍小马智行、文远知行、毫末智行、滴滴自动驾驶、华为 ADS 等主要本土玩家的技术路线与商业模式，分析中国市场的特殊性（混行交通、路测政策、车路协同基础设施）对技术方案选择的影响。

技术哲学的分野

通过横向对比以上案例，可以清晰地看到当前行业中最核心的技术路线分歧：

感知方案： - 激光雷达主导（Waymo、Apollo）：感知精度高、鲁棒性强，但成本高、地图依赖性强。 - 纯视觉（Tesla）：成本极低、可大规模量产，但夜间/恶劣天气性能存在争议，对算法要求极高。 - 视觉+毫米波雷达（部分中国玩家）：平衡成本与性能的折中路线。

算法路线： - 模块化流水线：可解释性强，工程迭代灵活，目前仍是主流。 - 端到端学习：减少人工规则，系统容量随数据和算力扩展，代表未来方向。

商业模式： - Robotaxi（Waymo、Apollo Go）：以运营收入为核心，安全指标要求极高。 - 辅助驾驶量产（Tesla、华为）：依托车辆销售快速积累数据和收入。

读完本章的收获

通过本章的学习，读者将能够：

理解主流自动驾驶公司的核心技术选择及其背后的工程逻辑。
建立对"纯视觉 vs 多传感器融合"这一核心争论的客观评估框架。
了解中国自动驾驶市场的特殊性与本土公司的竞争优势。
将前四章的理论知识与真实系统设计关联，形成完整的知识闭环。