英特尔的重要合作方 Delphi 曾经做过测算，自动驾驶汽车每辆每小时各个传感器会产生超过 45TB 数据。这些数据不会全部上传每辆汽车每小时和云端之间传输的数据至少会超过 1TB，达到 2TB 甚至 3TB。汽车产业估计今年全球汽车总产量大约在 1 亿辆左右，未来可能会向手机出货量一样迎来滞涨，但总量会保持不变。

　　而英特尔的保守估计是未来 3-5 年内自动驾驶会迎来商用化的黄金发展期，如果像北京这样一个人口超过 2000 万的城市，如果抱有数万甚至数十万辆自动驾驶汽车，用这个数字乘以每小时 2TB，城市重点地区基站每小时的数据量吞吐将会是惊人的。他指出，这也是为什么包括中国移动在内的多家运营商都在推进 4G/LTE 向 5G 演进。

　　拜访车库的同一天，Delphi 也在现场提供了开放道路 L4 自动驾驶的试乘机会。该公司自动驾驶服务和软件副总裁埃兰·桑德豪斯 (Eran Sandhaus) 带着我，乘坐一台改装版奥迪 SQ5 在晚高峰期间的北圣何塞转了一圈。这台汽车之前完成过从旧金山到纽约共计 3500 英里的旅程，“99% 自动驾驶。”桑德豪斯自豪的表示。

　　在路测时，atv，这台汽车在一些表现令人印象深刻：遇到停车标志和在非路口进行转弯操作时，它能遵守加州交通法规的要求，完全停止 (full stop) 几秒后再转弯，也会在保持绝对安全距离的前提下再并线，这被 Delphi 称为“socially cooperative driving”（合作的驾驶风格）。

　　但在其他的场景时，比如路口转弯、中高速路跟车时，不像一些其他厂商 L3、L4 汽车经常进行顿挫感强烈的停车，它开的并不保守，甚至在转弯的速度上很激进，提速很快，被称作“driving with confidence“”（开出自信）。

　　桑德豪斯介绍，Delphi 的方案 90% 基于规则 (rule-based)，并没有太多的人工智能，这让他们能够更容易地针对国和州的法规和实际道路情况不同进行微调。

　　这辆 SQ5 的传感硬件一共包括 26 个高清彩色摄像头、激光雷达和雷达，算法方面和 Mobileye 进行合作，计算则采用的是英特尔的 CPU+FPGA 方案。Delphi CTO 格伦·德·沃斯 (Glenn De Vos) 向我简单介绍了 Delphi 自动驾驶方案的系统逻辑：

　　系统分为认知 (perception)、计划 (Planning) 和控制 (Control) 三个部分。

　　首先，传感器和来自外部基础设施（比如圣何塞交通部门为了配合自动驾驶公司研究，改装了一些红绿灯向自动驾驶汽车广播信号）的原始数据进入认知系统。认知把原始数据整理成计划系统能理解的输入，比如车辆面前的东西到底是车还是人，如果是人的话，行人还是警察，如果是警察，他的动作是什么含义。然后计划系统再结合当地法律法规做出决策，把指令发送到控制。

　　格伦·德·沃斯

　　从认知到决策的过程对于 SQ5 的乘客来说并不是黑箱。桑德豪斯介绍，Delphi 对中控显示屏进行了改装，汽车“看”到的一切事物，包括不用的传感器返回的视觉情况都可以用不同的颜色显示出来，让驾驶者、乘客更放心。

　　试乘时，有一次司机不得不接管汽车——当时本车已经打转向灯超过 15 秒时间，警示右后方车辆要并线，但右后方车辆一直保持加速状态使得本车没有并线空间。当时本车正后方的后车距离还比较远，我期待本车会减速让行然后再并线，但没有发生，最后我们错过了本来应该右转的路口。

　　桑德豪斯没有做出过多解释，或许那个司机今天心情不好？我的猜测是，基于规则的决策计划系统希望保持车速，不压车流，毕竟我第一次在加州路考就是因为没有做到这条被毙的……

　　也有另外一种可能，是因为计算机的算力还不能在够快的时间（毫秒内）完成计算做出让行再并线的决策？若真如此，解决起来思路也很简单：一方面，提高算力，另一方面，如果双方都是自动驾驶汽车，直接车对车沟通就可以进行协调了。