高阶自动驾驶想要成功商业化，除了取决于感知、决策、执行各个层级的成熟度，降本也是至关重要的一点，否则不仅难以大规模投用，更难与乘用车结缘。
据艾瑞咨询的一项报告显示，仅L4级自动驾驶的硬件，在2018年底的成本就达到50万元左右，还有可能更高。而到今年，百度采用ANP-Robotaxi架构的Apollo Moon自动驾驶运营车，已将整车成本降至48万元，这还计算了其原型车北汽极狐阿尔法T的费用。
今天（12月8日），自动驾驶初创公司元戎启行又发布了一套更低成本的前装L4级自动驾驶解决方案——DeepRoute-Driver 2.0。该方案采用5个固态激光雷达和8个摄像头，官方称可将成本控制在1万美元（约6.35万人民币）内，甚至低于特斯拉FSD功能的选装费用。
低成本L4硬件方案：
元戎启行DeepRoute-Driver 2.0的主要降本手段之一是通过固态激光雷达替代机械式旋转激光雷达，后者不仅成本高、制作周期长，每次装车还需要人工调教，采购和人工成本都远高于前者。
关于降本，元戎启行CEO周光还提到：「元戎启行通过一系列创新技术，弱化了硬件对系统的限制，感知算法也能够很好地适配和融合固态激光雷达与相机的数据。通过我们自研的推理引擎，使得复杂的自动驾驶系统也能够用低成本、低功耗的计算平台运行。」
自动驾驶计算平台由于要融合多种专用芯片和处理器，不仅要需要强大的硬件运算资源，能够基于摄像头、毫米波雷达、激光雷达、定位系统和高精地图等多信息融合实现环境感知定位、路径决策规划和车辆运动控制等，还要保证网络安全和功能安全，技术门槛和成本一直较高。
去年1月，元戎启行发布了车规级计算平台解决方案DeepRoute-Tite，通过将L4级自动驾驶所需的算法移植到英伟达Xavier上，大幅降低了计算平台的成本和体积，并将整体功耗降到了45W，几乎是传统方案的九分之一。
英伟达Xavier计算平台是2016年9月发布的产品，集成8颗定制CPU核心与512核心Volta架构GPU，算力为30TOPS，还不到其下一代产品Pegasus算力的十分之一。不需要高性能计算平台，就可支持L4级自动驾驶系统的应用，也是降本的有效手段。
DeepRoute-Driver 2.0的硬件布局方案也与此前不同，上一代是安装在车顶的集成式模组，而这代大多嵌入车身。虽然个别传感器的感知范围可能会因此受限，但更有利于兼顾乘用车的造型需求，被其采用。
根据规划，2022年到2023年，元戎启行将拓展与主机厂的深度技术合作，研发出车规级前装量产方案，预计到2024年，搭载L4级自动驾驶系统的汽车将开始量产并大规模进入市场。
此外，DeepRoute-Driver 2.0也将用于元戎启行未来的RoboTaxi运营中。为满足大规模部署后的数据研究和技术迭代需求，元戎启行将通过数据收集和分析、算法提升、模拟仿真、到真实路测、版本升级，这一闭环实现自动驾驶技术的不断迭代，从工程上提高自动驾驶对长尾场景的处理能力。
由于法律法规的要求，L4级自动驾驶量产后的一段时间内，车辆还需要驾驶员的监督。车企和自动驾驶公司可在这一阶段积累数据，通过数据闭环不断进行技术迭代。但随着法规和政策的开放，将逐步脱离监管员。
连续1小时深圳CBD晚高峰路测
元戎启行在发布DeepRoute-Driver 2.0的同时，还同时公开了采用该方案测试车在深圳CBD晚高峰连续1小时的路测视频。可以从其顶部视角画面看到，虽然不是顶置的集成模组，但两个主要感知前后环境的激光雷达仍然在车顶，使其更难被其它车辆或环境障碍物遮挡。
这次测试虽然是在车流较为密集的晚高峰，但测试车在遇到红绿灯启停和跟车的表现仍然比较良好。遇到红绿灯停车普遍都能紧贴前车，不给其它车辆插队的机会，起步时也能跟住前车，这在车流量较大的城市道路上，有利于通行效率的提升。
测试车的跟车分为两种逻辑，车速在40km/h以下时，拥堵路段普遍会跟紧前车，相对车少的路段会拉大与前车的距离。当前车车速超过40km/h后，测试车与前车的间距更大，而且即使车辆较少的道路上，也很少大油门加速，使车辆提速至道路限速，仍倾向于保守。
场景二：汇入主路
测试车在汇入主路时，虽然左侧有通行车辆，但是仍积极的向左尝试博弈，整体的流畅度比较好。而且在面对第二辆高速驶来的并道车辆时，测试车及时的减速避让，避免了事故发生。
场景三：掉头
此处掉头场景虽然有道路中间的隔离带，但是位于顶部的激光雷达可以有效缓解遮挡问题，在这里发挥了较大作用。面对比较密集的车流，测试车分两次挪动成功通过，证明了该系统的能力。但是有一处与正常驾驶员逻辑不同的是，在开始没有机会通行的时候，测试车仍停留在主路上，而没有进隔离带中央的待转区间，影响到了后车正常通行。
场景四：躲避行人
人流量大、又无交通信号的斑马线，是最考验自动驾驶系统的场景之一，系统必须要与行人决策积极博弈，才能抓住机会通过。测试车在抓住人流间隙通过一处类似于商场门口的斑马线时，遇到了一个突然全速驶来的电动自行车，从左上角的3D模型中可以看到，虽然留给感知到执行时间极短，但测试车仍没有慌乱急刹，而且轻度刹车前速让行后继续加速，整体表现很稳健。
另外一次在无车道路遇到正通行斑马线的行人时，车辆还出现了一个放弃当前车道，并入右侧车道，以尽快通过的做法，与正常驾驶员的行为相近。
场景五：让行车辆
让行是少数影响到测试车通行节奏的场景，遇到有较高确定性的应该去让的车辆，如前图在晚间没有开启任何灯光的车，可能会被当做正常的障碍物流畅处理。但要是正常开启灯光的车辆，测试车会受到相对明显的影响，如后图空旷道路下遭遇在当前车道停放的车时，车速最多从44km/h减速到23km/h，而正常驾驶员面对这种场景通常会直接向左并道。
场景六：遇到密集车流
测试车在遇到密集车流时，有比较积极的换道逻辑，只是对于周边车辆的处理相对保守，在最开始遇到右侧停车时，较早就判断出当前道路无法通行，而后因为躲避左侧道路车辆耽误时间。
面对随后的公交车也直接做了换道的尝试，第一次尝试并入右侧道路，较大可能是受到了公交车最开始左转灯的干扰，认为其有再次并入最左侧车道的意图。不久就进行了第二次尝试，在最左侧车道通行成功。
在车流量密集的道路上，测试车虽然会紧跟前车，但要是有两侧车辆向当前车道挤压的情况，仍会选择与周边车辆拉大距离，而这往往会变成周边车辆插队的机会。但这种极端的场景，对于当前的自动驾驶系统来说，确实有些难度过高。
