2020年至今，国家大力推进“新基建”， 加快新型基础设施建设的步伐，主要包括5G基建、工业互联网、大数据中心、人工智能、新能源汽车及充电桩等七大领域。同时，全国各地政府相继将新基建等规划方案纳入“十四五”规划，其中，5G、智慧交通、车路协同等新基建相关内容尤其值得关注。无人驾驶，作为新基建技术商业化落地的最大场景之一，引发社会高度关注。过去几年，自动驾驶行业见证了一些渐进式的技术进步，软件方面如2020年被提出的VectorNet（矢量网络） 和TNT模型（ 目的地引导的轨迹预测方法），硬件方面如4D毫米波雷达等。然而，行业缺少突破性的技术进展。
目前， 头部L4解决方案提供商正在积累路测里程、收集cornercase（极端案例）、优化模型算法方面集聚精力和资源，但目前仍面对泛化较难、路测里程不足的挑战。普华永道认为，无人驾驶技术的实现主要存在着三大确定性与三大不确定性，本文将从这两大方面进行详细解析。
1. L4大规模落地前，需要多少路测里程？目前L4自动驾驶技术仍然有诸多挑战，其中最重要的挑战在于路测里程仍然不足。根据某国际智库的一份报告，人类司机平均每行驶约1亿公里发生一次致命事故，因此为了证明自动驾驶比人类驾驶更安全，则需要更多的无事故路测里程。该国际智库估计，自动驾驶车辆需80亿公里安全路测里程才能证明安全性。现阶段L4解决方案提供商还远远未达到足够里程，测试里程领先的科技企业目前也仅有约3千万公里的真实路测数据。
虽然仿真软件可以帮助厂商在虚拟环境中大规模测试模型对极端情况的处理，但在收集和测试真实案例上无法替代路测。现阶段，即使是行业领先企业 ，也仍然频繁在路测中遇到过去未曾收集到的案例。此外 ，发现和处理极端情况是自动驾驶实现安全行车的关键。极端情况可能会以各种形式出现，包括场景异常（如急刹车、树倒在路上）、对象异常（ 如坐轮椅的人）、区域异常（如道路大雪、挡风玻璃上的落叶）等。因此，为了发现极端情况并证明安全性所需的总里程数过于庞大且充满不确定性。
2.未来是否有突破性技术，可以显著提高泛化能力？为了提升深度学习模型预测的表现，L4厂商有时会在新数据上的表现做过度拟合，举例而言，某个模型会记住城市A的特定详细信息：下午4点在B路或停车标志C处，过马路的儿童被树木遮挡。然而 ，这些噪音并未在算法中得到泛化，工程师只是简单地编程让车辆在那个特定的十字路口停车，导致该模型不具有扩展泛化场景。这样会对L4解决方案供应商的泛化能力产生负面影响，导致进入新城市的时间更长、成本更高。根据调研，现阶段L4厂商进入新区域时仍需要数月时间进行模型调优以适应新路况，以及不同城市的差异：主要体现在天气、行驶规则、基础道路、车辆和行为表现的差异，例如北京的环路、闸道 ，部分城市城区的摩托车无序穿行等。总体看来， 整体泛化能力仍然是自动驾驶的基本问题。
3.哪个技术路径将更快实现全无人驾驶：直接研发L4还是从L2过渡至L4？业界普遍分为两种流派，一种是从L2逐步过渡到L4的渐进式路线；另外一种是直接切入L4。渐进式的路线优势在于数据量大：充分利用从L1至L3车辆上收集的数据快速商业化。但其劣势是收集的数据主要由摄像头生成，且摄像头的安装标准不一 （位置 、方向等 ），精度与激光雷达无法相比，数据质量待验证；以及，在没有统一架构的情况下功能模块逐步堆栈，导致重复及工程设计和运行设计域相互冲突。因此 ，这两种路线业内还没有达成共识，是一个较大的不确定性。
