自动驾驶L2到L3相较L3到L5，为什么更难？

[首发于智驾最前沿微信公众号]自动驾驶技术的演进并不是线性的，其技术迭代充满节点式的飞跃。在美国汽车工程师学会（SAE）制定的六个分级标准中，L2级与L3级之间存在着一道难以逾越的鸿沟，这道鸿沟不仅界定了机器能力的强弱，更界定了人类在驾驶活动中的角色本质。

责任主体的权力交接与安全边界

在L2级及以下的辅助驾驶阶段，无论车辆配备了多么先进的自适应巡航或车道保持系统，其本质属性始终是“驾驶员支撑系统”。

在这一阶段，虽然机器可以同时接管车辆的加速、减速和转向控制，但系统并不负责实时监控环境，也不对发生的事故承担后果。

人类驾驶员被要求手不能离开方向盘，眼睛不能离开路面，必须时刻保持对车辆的绝对监控权。

图片源自：网络

此时的自动化更像是一种减轻疲劳的工具，其安全性的最后一道防线始终系在人类驾驶员的警觉性上。如果系统在转弯时识别失败，或者在高速公路上未能发现静止障碍物，驾驶员必须瞬间接管并承担所有后果。

一旦进入L3级，这种“人机协作”的平衡就会被彻底打破，车辆从“工具”转变为“代理”。

L3级被称为有条件自动驾驶，其最核心的标志在于系统在允许开启的特定条件下，车辆可以独立完成所有的动态驾驶任务，包括对周围环境的实时感知、决策和执行等。

这意味着当L3系统激活时，人类驾驶员在法律和工程意义上被允许“脱手、脱眼、脱脑”，可以处理回复邮件、观看视频等非驾驶任务。

图片源自：网络

这一转变标志着驾驶责任从人类向机器的迁移。这种从“辅助”到“自动”的跃迁，是自动驾驶体系中最大的一次断层。

这种权力交接带来的最直观变化是法律责任的转移。

在L2时代，事故的“背锅侠”永远是驾驶员；而在L3状态下，如果系统在设计范围内运行且未能避免碰撞，责任主体将转移给主机厂或系统供应商。

梅赛德斯-奔驰在其Drive Pilot系统商业化进程中就明确表示，当系统激活时，品牌将为发生的意外承担法律责任，这在汽车工业史上具有里程碑式的意义。

这种底层的法律契约关系的变化，迫使工程师必须以完全不同的思路来设计系统，L2系统可以“偶尔犯错”，但L3系统必须保证在允许运行期间“绝对可靠”。

硬件冗余，为不确定性建立的工程护城河

既然L3级系统要在特定环境下完全替代人类，那么单点故障导致的崩溃就是不可接受的。

这种对安全性的极致要求，促使L3级车辆在硬件架构上需要进行一场脱胎换骨的重塑。在L2级车辆上，如果一个摄像头被强光致盲或传感器算法死机，系统可以立即退出，并将控制权“甩”给驾驶员。

但在L3级状态下，驾驶员可能正在专注于次要任务，无法在短时间内恢复对复杂路况的完整认知。

研究表明，人类从放松状态回到完全掌控驾驶权大约需要数秒到十秒的过渡时间。

为了填补这致命的数秒真空期，L3级系统引入了“失效可用”的冗余逻辑。相比L2级的“失效安全”（Fail-safe，即出故障就切断功能并报警），L3级要求系统在主系统发生硬件或软件故障后，至少还有一套独立的备用系统能够维持车辆在接管窗口期内的正常运行。

图片源自：网络

这意味着，从传感器到计算芯片，从制动系统到转向机构，甚至最基础的电源供应，都必须是双份甚至是三份的冗余设计。

在传感器层面，L2系统依赖摄像头和毫米波雷达的组合。而L3系统为了实现环境监控的绝对可靠性，短期内可能必须加入激光雷达。

激光雷达能够提供不受光照强度影响的精确三维空间建模，它是系统处理复杂光影、远距离静止障碍物以及恶劣天气的“最后保底”。

同时，为了满足ASIL-D这一最高等级的汽车安全完整性标准，车辆必须配备冗余的电子转向电机、双回路制动执行器以及独立的备用电池，确保主电路意外熔断时，车辆依然能执行降速停车或靠边避险的指令。

这种从“单链路”向“多链路互备”的架构转变，使得自动驾驶复杂度呈指数级提升，但也是L2到L3质变的物化体现。

运行域的扩张，从特定到全能的演化

在厘清了L2到L3是关于“责任与安全等级”的质变后，再看L3、L4与L5，就会发现它们之间的区别，其实是运行设计域（ODD）的不断拓宽与对人类接管依赖的彻底消除，这一过程更符合量变积累的逻辑。

L3级目前的商业化应用极其保守，被限制在有中央隔离带、限速在60公里每小时以下且气象条件良好的高速公路拥堵路段。

之所以加这么多限制，是因为在这一极窄的运行范围内，系统能够涵盖的极端场景（Corner Cases）是有限且可控的。

一旦超出这些限制，进入像是施工区域或遭遇特大暴雨的场景，系统便会向驾驶员发出接管请求。

而L4级与L3级的差别，在于它不再要求驾驶员作为“接管备份”。

图片源自：网络

在L4级定义的特定区域内（如指定的城市路网或封闭园区），即便系统遇到无法处理的情况，它也必须有能力自主引导车辆进入“最小风险状态”，执行类似自动靠边停车的动作，而不需要人类介入。

目前活跃在城市街道上的无人驾驶出租车（Robotaxi）就类似L4级的形态，虽然它们看起来比L3高级得多，但从系统责任的本质上看，它们只是在L3的基础上，通过算力升级和传感器加密，把“能开的范围”从低速高速路扩展到了复杂的城市街道。

至于L5级，它是L4级运行域扩张到无穷大的结果。

L5级意味着车辆可以随时随地、全天候地在任何人类能开车的地方自主行驶，不再有地理围栏或天气限制。

从L3到L5，不需要再去颠覆法律责任框架，也不需要重新发明冗余架构，他们要做的是不断往系统里“喂数据”，让算法学会处理那些发生概率极低的长尾场景。

这一过程是感知精度从99.9%向99.9999%的量化攀爬，而不像L2到L3那样需要完成从“0到1”的身份跨越。

数据闭环，自动驾驶的自我进化路径

要实现从L3到L5的跨越，核心挑战不是硬件的堆砌，而在于算法处理极端场景的鲁棒性。这是一个基于数据驱动的持续升级过程。

在真实的驾驶环境中，由于路况组合是无穷尽的，单纯依靠工程师手写规则代码已经无法应对。

系统必须具备从海量路测数据中自我学习的能力，通过构建“感知-决策-执行-反馈”的数据闭环，并不断修补系统在特定场景下的逻辑漏洞。

在这种升级逻辑下，每一辆在路上行驶的L3或L4车辆都将成为数据采集终端。

当车辆遇到无法果断决策的情况并触发人工接管时，系统会自动捕捉前后的全景视频、传感器原始数据以及地图信息，并将其“快照回传”至云端的数据中心。

图片源自：网络

在云端，成千上万个处理单元会针对这些极端场景进行对抗性训练和模拟重构，优化后的算法模型再通过空间下载技术（OTA）分发回每一辆车上。

这种通过规模化数据累积带来的系统边界扩张，正是L3向更高级别进化的基石。

这种量变过程还体现在算力上。

为了支撑更复杂的感知算法和实时的路径规划，车载计算平台的算力正从L2级的几十TOPS（每秒万亿次运算）激增至L3/L4级的数百甚至上千TOPS。

当然，这种算力的提升是为了在更大的范围内维持L3所确立的“机器负责”这一原则，而不是改变原则本身。

最后的话

自动驾驶的发展必然是一场量变实现质变的过程，从L3到L5，像是一场关于覆盖深度与广度的马拉松，而L2到L3的跨越，则是人类正式将驾驶权利移交给自动驾驶系统。