第2章：深度学习革命开端 (2016-2018)

章节概要

2016-2018年是自动驾驶历史上的分水岭时期。深度学习从学术界的新奇实验快速渗透到工业界，彻底改变了自动驾驶的技术范式。这三年见证了端到端学习的首次尝试、第一起Autopilot致死事故、硅谷巨头间的技术战争，以及开源生态的形成。传统的规则驱动方法逐渐让位于数据驱动的深度神经网络，奠定了后续所有技术演进的基础。

2.1 NVIDIA DAVE-2：端到端驾驶的开山之作

2.1.1 技术背景与动机

2016年4月，NVIDIA发表了具有里程碑意义的论文《End to End Learning for Self-Driving Cars》，展示了DAVE-2（Driving Autonomous Vehicle Engine 2）系统。这标志着自动驾驶领域第一次系统性地将深度学习应用于端到端驾驶任务。

在DAVE-2之前，自动驾驶系统普遍采用模块化架构：感知、定位、规划、控制各司其职，每个模块都由人类专家精心设计规则。NVIDIA的研究团队提出了一个大胆的设想：能否让神经网络直接从原始图像学习到方向盘转角，跳过所有中间步骤？

这个想法的灵感来自1989年的ALVINN项目（Autonomous Land Vehicle In a Neural Network），但DAVE-2借助深度卷积神经网络的强大表征能力，将这个概念推向了实用化的边缘。

2.1.2 网络架构详解

DAVE-2的网络架构在今天看来异常简洁，但在当时却是革命性的：

输入层 (Input)
    ↓
归一化层 (Normalization): 200x66x3 RGB图像
    ↓
卷积层1 (Conv1): 24个5x5滤波器，步长2x2，激活函数ReLU
    ↓
卷积层2 (Conv2): 36个5x5滤波器，步长2x2，激活函数ReLU
    ↓
卷积层3 (Conv3): 48个5x5滤波器，步长2x2，激活函数ReLU
    ↓
卷积层4 (Conv4): 64个3x3滤波器，步长1x1，激活函数ReLU
    ↓
卷积层5 (Conv5): 64个3x3滤波器，步长1x1，激活函数ReLU
    ↓
展平层 (Flatten): 1164个神经元
    ↓
全连接层1 (FC1): 100个神经元
    ↓
全连接层2 (FC2): 50个神经元
    ↓
全连接层3 (FC3): 10个神经元
    ↓
输出层 (Output): 1个神经元（方向盘转角）

整个网络只有约2700万个参数，以现代标准来看微不足道，但它证明了一个关键概念：驾驶行为可以通过神经网络隐式学习，而不需要显式编程。

关键设计决策：

• 输入分辨率：200x66像素，权衡了计算效率和信息保留
• 激活函数：全部使用ReLU，避免梯度消失
• 输出设计：单一连续值输出（转向角），简化了学习目标
• 无池化层：保留空间信息的完整性

2.1.3 训练数据与方法

NVIDIA的数据收集策略成为后续所有数据驱动方法的模板：

数据收集：

• 72小时的人类驾驶数据
• 多样化路况：高速公路、乡村道路、住宅区街道
• 多种天气和光照条件
• 使用三个摄像头（左、中、右），增强数据多样性

数据增强技术：

• 随机阴影：模拟不同光照条件
• 人工平移和旋转：增强泛化能力
• 左右摄像头数据：用于恢复训练，教会网络从偏离中心的位置回到道路中央

训练策略：

损失函数: MSE(predicted_angle, human_angle)
优化器: Adam
学习率: 1e-4
批次大小: 100
训练时长: ~30小时（单块NVIDIA TITAN X）

一个关键创新是"恢复训练"：通过使用左右摄像头的图像并添加补偿角度，训练网络学会从错误中恢复。这大大提高了系统的鲁棒性。

2.1.4 局限性与启发

技术局限：

1. 感知盲区：网络无法理解交通标志、信号灯、行人
2. 决策黑箱：无法解释为何做出特定转向决策
3. 安全保证：没有形式化的安全验证方法
4. 泛化能力：对训练数据分布外的场景表现不佳
5. 纵向控制缺失：只预测转向，不包括加速和制动

深远影响：

1. 数据驱动范式：证明了数据质量和数量的重要性超过算法复杂度
2. 端到端可行性：虽然不完美，但展示了端到端学习的潜力
3. 仿真需求：暴露了真实数据稀缺性，推动了仿真技术发展
4. 行为克隆基础：奠定了模仿学习在自动驾驶中的应用基础

DAVE-2虽然从未商业化，但它开启了一个新时代。Tesla的Andrej Karpathy后来承认，FSD的早期原型深受DAVE-2启发。中国的百度、小鹏等公司也在其技术演进中借鉴了端到端的思想。

2.2 2016年5月：Tesla Model S事故与自动驾驶的第一次危机

2.2.1 事故经过重建

2016年5月7日，佛罗里达州威利斯顿，一辆开启Autopilot的Tesla Model S与一辆左转的白色半挂车相撞，40岁的Joshua Brown当场死亡。这是全球第一起涉及半自动驾驶系统的致死事故，永久改变了自动驾驶的发展轨迹。

事故时序重建：

14:36:00 - Autopilot激活，车速119km/h
14:36:25 - 前方500米出现左转半挂车
14:36:35 - 半挂车开始左转横穿道路
14:36:39 - 碰撞前1秒，系统未检测到障碍物
14:36:40 - Model S从挂车底部穿过，A柱被削断
14:36:42 - 车辆继续前行约100米后撞击路边

关键环境因素：

• 强烈日光照射
• 白色挂车车身与明亮天空对比度极低
• 挂车底盘高度恰好高于Model S前部雷达视野
• 道路为双向四车道，中央无隔离带

2.2.2 技术失效分析

这次事故暴露了第一代Autopilot（AP1）的多个技术缺陷：

感知系统失效链：

1. 视觉系统误判：MobileEye EyeQ3将白色挂车侧面误识别为天空或道路标志
2. 雷达盲区：Continental ARS4-B雷达的垂直视场角仅±5°，挂车底部形成探测盲区
3. 传感器融合缺陷：视觉和雷达的矛盾信息未能触发安全降级
4. 场景理解缺失：系统无法理解"横穿车辆"这一语义概念

算法架构问题：

AP1感知栈（简化）：
摄像头 ──> MobileEye EyeQ3 ──> 车道线
                            ├─> 车辆检测
                            └─> 限速标志

雷达 ────> 目标跟踪 ────────> 障碍物列表

融合层：简单的置信度加权，缺乏语义理解

决策逻辑缺陷：

• 系统设计假设：高速公路场景，无横向穿越
• 缺乏"不确定时刹车"的保守策略
• 过度依赖驾驶员监督，但监督机制薄弱

2.2.3 MobileEye EyeQ3的感知局限

EyeQ3作为当时最先进的ADAS芯片，其局限性在事故中完全暴露：

硬件规格限制： | 参数 | EyeQ3规格 | 实际需求 |

算法能力边界：

1. 2D检测局限：只能检测预定义类别（轿车、卡车、行人），无法处理异常形态
2. 无3D理解：缺乏深度估计和3D重建能力
3. 静态物体盲区：针对移动物体优化，对静止或缓慢移动物体检测不佳
4. 边缘案例处理：训练数据以欧洲道路为主，对美国特有的大型半挂车适应不足

MobileEye的"黑盒"问题：

Tesla输入 ──> EyeQ3黑盒 ──> 检测结果
    ↑             ↓            ↓
无法调试    无法优化    无法定制

这种封闭架构让Tesla无法针对具体问题进行优化，成为后续分手的技术根因。

2.2.4 行业冲击与反思

即时影响：

1. 监管介入：NHTSA展开调查，要求所有厂商报告自动驾驶事故
2. 股价震荡：Tesla股价下跌10%，MobileEye跌8%
3. 媒体风暴：主流媒体首次大规模质疑自动驾驶安全性
4. 消费者信心：AAA调查显示75%美国人对自动驾驶产生恐惧

技术路线反思：

各方技术响应对比： | 厂商 | 短期应对 | 长期战略 |

深层次教训：

1. 传感器冗余必要性：单一传感器模态存在固有盲区，多模态融合成为共识

2. 人机交互困境："半自动"造成责任模糊，驾驶员过度信任与注意力丧失的矛盾

3. 测试验证挑战：

传统汽车测试：百万英里
自动驾驶需求：数十亿英里
边缘案例：理论上无限

4. 安全文化建立： - 从"move fast and break things"到"安全第一" - 建立事故调查、根因分析、持续改进机制 - 仿真测试成为必需

2.3 2016年10月：MobileEye与Tesla的决裂

2.3.1 分手的技术原因

2016年7月，Joshua Brown事故后仅两个月，MobileEye宣布将在EyeQ4交付后终止与Tesla的合作。表面上是安全理念分歧，实际上是深层技术路线的根本冲突。

技术分歧的核心矛盾：

1. 开放vs封闭架构：

MobileEye模式：
原始数据 ──> EyeQ芯片 ──> 标准化输出
         黑盒处理，不可定制

Tesla需求：
原始数据 ──> 可编程处理 ──> 自定义算法
         完全控制，快速迭代

2. 功能边界之争： - MobileEye立场：EyeQ3设计用于L2辅助驾驶，不应承诺更高级功能 - Tesla立场：通过OTA不断提升能力，硬件能力应该充分挖掘

3. 数据所有权冲突： - Tesla要求：获取原始传感器数据用于算法训练 - MobileEye拒绝：只提供处理后的结果，保护核心IP

4. 迭代速度不匹配： | 维度 | MobileEye | Tesla |

2.3.2 Tesla自研之路的开启

分手成为Tesla技术独立的转折点，开启了史上最激进的自动驾驶自研计划。

Autopilot 2.0 硬件架构（2016年10月发布）：

传感器配置：

- 8个摄像头（360°覆盖，最远250米）
  前向主摄：36°FOV，最远250米
  前向广角：60°FOV，最远150米  
  前向长焦：35°FOV，最远250米
  侧向×2：90°FOV，最远100米
  后向：50°FOV，最远100米
  侧后×2：80°FOV，最远80米

- 12个超声波传感器（8米范围）
- 1个前向毫米波雷达（160米范围）

计算平台：

- NVIDIA Drive PX2（过渡方案）
- 算力：~8 TOPS
- 功耗：250W

软件栈从零开始：

Jim Keller（前AMD架构师）和Andrej Karpathy（前OpenAI）的加入标志着Tesla的技术野心：

1. Vision Stack重构： - 抛弃MobileEye的传统CV方法 - 全面采用深度学习 - 多任务网络统一处理

2. 自研芯片计划启动： - 2016年开始FSD芯片设计 - 目标：专用架构，10倍性价比提升 - 2019年量产（提前完成）

2.3.3 MobileEye的战略调整

与Tesla分手反而加速了MobileEye的独立发展：

技术路线调整：

1. RSS（Responsibility-Sensitive Safety）模型： - 数学定义"安全驾驶" - 形式化验证方法 - 试图解决黑盒决策的可解释性问题

2. REM（Road Experience Management）： - 众包建图策略 - 利用量产车采集数据 - 低成本维护地图更新

商业策略转型：

2016年前：Tier 2供应商
         ↓
2017年后：Tier 1+自动驾驶方案商
         ├─> EyeQ系列芯片
         ├─> 完整ADAS方案
         └─> Robotaxi（Mobileye Drive）

Intel收购（2017年3月，153亿美元）：

• 获得Intel制程优势
• 数据中心协同
• 加速EyeQ5/6研发

2.3.4 供应链格局重塑

Tesla-MobileEye分手引发了整个自动驾驶供应链的重组：

新格局形成：

| 玩家类型 | 代表企业 | 策略选择 |

中国市场的机遇：

分手事件让中国厂商看到了突破机会：

1. 地平线（2016年成立）：对标MobileEye，自研AI芯片
2. 华为MDC（2018年发布）：全栈自研，不依赖外部
3. 黑芝麻智能：专注视觉感知芯片
4. 芯驰科技：车规级芯片平台

技术独立性成为核心竞争力：

依赖供应商风险：

- 技术迭代受制于人
- 数据资产无法掌控
- 差异化能力受限

自研优势：

- 快速迭代响应市场
- 数据闭环持续优化
- 构建技术护城河

这次分手深刻影响了后续所有玩家的技术策略：要么全栈自研掌控命运，要么深度绑定确保供应链安全。"灵魂论"（上汽董事长陈虹语）成为行业共识。

2.4 2017年：Waymo起诉Uber - 硅谷的技术战争

2.4.1 Anthony Levandowski与激光雷达机密

2017年2月23日，Waymo向旧金山联邦法院提起诉讼，指控Uber及其收购的Otto公司窃取商业机密。案件的核心人物Anthony Levandowski，曾是Google自动驾驶项目的明星工程师，他的故事揭示了自动驾驶早期的技术积累有多么珍贵。

Levandowski在Google的核心贡献：

Levandowski从2007年加入Google，参与了街景项目，随后成为自动驾驶项目的技术骨干：

时间线：
2007 - 加入Google，负责街景车硬件
2009 - 转入秘密自动驾驶项目(Chauffeur)
2011 - 设计第一代激光雷达系统
2013 - 负责供应链和硬件集成
2015 - 领导地图和激光雷达团队
2016.1 - 离职创立Otto

窃取的技术机密详情：

根据法庭文件，Levandowski在离职前下载了14,000份机密文件，总计9.7GB，包括：

1. 激光雷达设计文件： - 光学系统设计（镜头、准直器规格） - 电路板原理图（FPGA配置、信号处理） - 机械结构图纸（旋转机构、散热设计） - 供应商清单和成本结构

2. "Chauffeur"项目源代码： - 点云处理算法 - 传感器标定程序 - 硬件驱动接口

3. 测试数据和评估报告： - 激光雷达性能基准 - 竞品分析报告 - 故障模式分析

激光雷达技术的战略价值：

当时（2016年）激光雷达的技术和商业格局：

| 厂商 | 产品 | 价格 | 技术特点 |

Waymo的自研激光雷达是其技术护城河的核心，每年投入超过1亿美元研发，目标是将成本降至量产可行水平。

2.4.2 技术窃取的核心争议

诉讼揭示了几个关键技术争议点，这些争议定义了后续的行业竞争规则：

争议一：激光雷达架构相似性

法庭技术鉴定显示，Uber的"Spider"激光雷达与Waymo的设计存在多处相似：

设计对比：
               Waymo设计          Uber Spider
发射器数量：    4个               4个
接收器布局：    同心圆排列        同心圆排列
光路设计：      专利透镜组        极其相似
电路架构：      定制ASIC         类似拓扑

争议二：员工挖角模式

Levandowski的离职带走了关键团队：

• 激光雷达硬件：4名核心工程师
• 感知算法：3名高级研究员
• 地图团队：6名工程师

这种"整建制"挖角模式成为后续行业的常态，但也促使企业加强了知识产权保护。

争议三：收购时的尽职调查

Uber以6.8亿美元收购Otto时的决策过程受到质疑：

1. 时间异常：Otto成立仅6个月即被收购
2. 估值离奇：员工人均估值近1500万美元
3. 尽调缺失：Uber是否知情技术来源存疑

法庭证据显示，Uber前CEO Travis Kalanick在收购前就知道潜在的知识产权风险，但仍推进交易，反映了当时自动驾驶竞争的疯狂程度。

2.4.3 诉讼对产业的影响

这场诉讼不仅是两家公司的纠纷，更深刻影响了整个自动驾驶产业的发展轨迹。

即时影响：

1. Uber项目受挫： - Levandowski被解雇（2017.5） - 自动驾驶项目重组 - 技术进度落后2年 - 最终以2.45亿美元股票和解（2018.2）

2. 行业震慑效应： - 各公司加强保密协议 - 离职审查更加严格 - 竞业限制条款普及

长期影响：

1. 技术路线分化：

诉讼前（2016）：
激光雷达是L4标配 ──> 所有公司追求类似架构

诉讼后（2017+）：
├─> 继续激光雷达：Waymo、Cruise（技术领先）
├─> 转向纯视觉：Tesla（规避专利）
└─> 新型传感器：4D雷达、固态激光雷达（差异化）

2. 知识产权战略升级： - 专利申请加速：2017年自动驾驶专利申请量增长300% - 技术封锁加剧：核心算法不再开源 - 联盟对抗形成：专利交叉授权成为合作基础

3. 人才流动新规则：

| 变化维度 | 诉讼前 | 诉讼后 |

2.4.4 人才流动与知识产权

诉讼暴露了自动驾驶产业的核心矛盾：技术积累与人才流动的平衡。

自动驾驶人才的特殊性：

1. 稀缺性极高： - 2017年全球真正的自动驾驶专家不超过1000人 - 同时懂硬件、算法、系统的不足100人 - 顶级人才年薪达到百万美元级别

2. 知识载体： - 代码可以重写，但经验无法复制 - 5年的路测经验价值超过任何文档 - "知道什么不工作"比"知道什么工作"更valuable

中国市场的人才策略：

Waymo-Uber诉讼给中国企业上了一课，形成了独特的人才和知识产权策略：

1. 海归潮加速（2017-2018）： - 百度挖回陆奇，全面负责AI和自动驾驶 - 小鹏汽车吸引特斯拉Autopilot团队成员 - Momenta创始团队来自商汤和微软

2. 知识产权本土化：

避免直接技术转移风险：

- 不复制具体实现，学习方法论
- 基于开源框架，自主创新
- 专利布局避开美国核心专利

3. 产学研结合模式： - 清华、北大建立自动驾驶实验室 - 企业资助高校研究，共享成果 - 学生实习转正，规避挖角风险

技术传承的新模式：

后Waymo-Uber时代，行业形成了新的技术传承模式：

1. 开源社区： - Autoware（日本） - Apollo（百度） - OpenPilot（comma.ai） 开源成为合法的技术扩散途径

2. 标准化组织： - SAE自动驾驶分级标准 - ISO 26262功能安全标准 通过标准制定共享最佳实践

3. 学术会议： - CVPR/ICCV（计算机视觉） - NeurIPS/ICML（机器学习） - ICRA/IROS（机器人） 论文发表成为技术交流主渠道

这场诉讼深刻改变了自动驾驶的竞争规则：从野蛮生长的人才争夺，转向了更加规范但也更加封闭的技术竞争。它标志着自动驾驶从研究项目真正转变为商业竞争，知识产权成为核心资产。

2.5 2018年3月：Uber自动驾驶致死案 - L4的第一次重大挫折

2.5.1 事故技术分析

2018年3月18日晚9:58，亚利桑那州坦佩市，一辆Uber自动驾驶测试车（Volvo XC90）撞击并致死了推着自行车横穿马路的49岁女性Elaine Herzberg。这是全球首例L4级自动驾驶致死事故，技术分析揭示了令人震惊的系统性失败。

事故时序精确重建：

-6.0秒：系统首次检测到目标，分类为"未知物体"
-5.6秒：重新分类为"车辆"（错误）
-4.2秒：分类变更为"其他"
-2.6秒：分类为"自行车"（部分正确）
-1.5秒：分类为"其他"
-1.3秒：系统判定需要紧急制动
-1.3秒：紧急制动被禁用，未执行
-0.2秒：安全员发现危险，开始接管
0.0秒：碰撞发生，车速63km/h（39mph）

传感器配置与失效分析：

Uber ATG（Advanced Technologies Group）的测试车配置：

传感器套件：
┌─────────────────────────────────────┐
│  车顶激光雷达：Velodyne HDL-64E     │
│  - 64线，10Hz，120米范围            │
│  - 故障：未能稳定跟踪行人           │
├─────────────────────────────────────┤
│  前向雷达：Delphi ESR 2.5           │
│  - 中长距，174米范围                │
│  - 故障：被系统忽略（调参错误）     │
├─────────────────────────────────────┤
│  摄像头阵列：7个（短中长焦）        │
│  - 故障：夜间识别能力不足           │
└─────────────────────────────────────┘

感知系统的致命缺陷：

1. 分类器不稳定： - 6秒内目标分类变化5次 - 缺乏时序一致性约束 - 未考虑"推着自行车的行人"这一类别

2. 轨迹预测失效：

每次重新分类后：

- 丢弃历史轨迹
- 重新初始化预测
- 导致无法判断行人运动意图

3. 传感器融合失败： - 激光雷达和视觉检测结果矛盾 - 融合算法采用"投票"而非"互补" - 雷达数据被完全忽略（人为禁用）

2.5.2 系统设计缺陷

调查报告揭示了Uber ATG在系统架构层面的根本性设计缺陷。

缺陷一：主动安全系统被禁用

最令人震惊的发现：Volvo原厂的紧急制动系统被刻意禁用。

原因链：
Volvo原厂系统 ──> 与Uber系统冲突 ──> 决定禁用
                    ↓
              "相信我们的系统更好"
                    ↓
              实际：两个都没起作用

Uber的理由是避免两套系统的冲突导致意外制动，但这违背了安全系统的基本原则：冗余和降级。

缺陷二：决策逻辑的根本错误

# Uber ATG的简化决策逻辑（伪代码）
if confidence < threshold:
    action = "continue_current_path"  # 错误！
else:
    if time_to_collision < 1.3:
        action = "emergency_brake"
        if in_autonomous_mode:
            suppress_action()  # 致命错误！
            alert_safety_driver()

关键问题：

1. 不确定时选择"继续前进"而非"减速"
2. 紧急制动阈值设置过于激进（1.3秒）
3. 自动驾驶模式下禁用紧急制动

缺陷三：人机交互的失败设计

安全员监控界面问题：

• 无音频警告
• 视觉警告不明显
• 诊断信息过于技术化
• 缺乏紧急程度分级

安全员Rafaela Vasquez在事故前：

• 看手机（违规）
• 注意力监测系统未启用
• 过去已习惯系统频繁的误报

2.5.3 安全文化反思

事故调查揭示了Uber ATG存在系统性的安全文化问题。

"增长优先"的恶果：

内部邮件和证词显示的压力：

1. 里程竞赛： - 目标：2018年底前达到100万英里 - 实际：为追赶进度降低安全标准 - 对比：Waymo已累计1000万英里

2. 指标扭曲：

关注的指标：

- 自动驾驶里程数 ✓
- 接管频率下降 ✓
- 演示成功率 ✓

忽视的指标：

- 危险场景处理 ✗
- 安全边界测试 ✗
- 故障模式分析 ✗

3. 技术债务累积： - 已知bug未修复：300+ - 安全相关bug：47个 - 平均修复时间：3个月

安全流程的缺失：

| 安全实践 | Waymo | Uber ATG |

工程伦理的崩塌：

多名工程师事后作证：

• "我们知道系统不安全，但没人敢说"
• "赶进度的压力大过一切"
• "安全问题被视为'过度谨慎'"

内部举报人Robbie Miller（事故前已离职）："这不是意外，是必然。"

2.5.4 监管响应与产业降温

这起事故引发了全球监管机构的强烈反应，自动驾驶行业进入了第一个"寒冬"。

立即后果：

1. 测试暂停潮： - Uber：全球暂停，裁员300人 - Toyota：暂停美国公共道路测试 - Nvidia：暂停全球测试 - 波士顿、旧金山等城市暂停发放测试许可

2. 股市反应：

相关股票表现（事故后一周）：
Uber（未上市，估值）：-10%
Nvidia：-7.8%
Aptiv（Delphi）：-5.2%
传感器供应商平均：-8%

监管框架重构：

美国国家层面：

1. NTSB调查报告（2019年11月发布）： - 20条安全建议 - 要求强制安全评估 - 建议联邦统一标准

2. 州级立法变化： | 州 | 事故前 | 事故后 |

中国的反应：

2018.4 - 工信部发布智能网联汽车道路测试管理规范
2018.6 - 北京要求5000公里封闭测试才能上路
2018.9 - 上海要求购买1000万保险

产业深度反思：

1. 技术路线调整：

L4直接跨越 vs L2渐进演化的争论：

事故前：L4是主流，认为L2-L3是危险区间
         ↓ 事故
事故后：L2+逐步演进获得更多认同

2. 安全标准共识： - ISO 26262功能安全成为标配 - SOTIF（预期功能安全）概念提出 - 安全案例（Safety Case）方法论普及

3. 仿真测试爆发： 事故直接推动了仿真技术投资：

• Applied Intuition获5000万美元融资
• Parallel Domain成立
• 各大公司仿真里程目标提升10倍

长期影响：

这起事故成为自动驾驶历史的分水岭：

1. 公众信任危机： - Pew调查：反对自动驾驶比例从30%升至55% - 恢复期：直到2020年才回到事故前水平

2. 投资理性回归：

2017-2018Q1：疯狂期，只看技术不看安全
2018Q2-2019：冷静期，安全成为首要考量
2020后：平衡期，安全与创新并重

3. 竞争格局重塑： - 激进派（Uber、Tesla）遭质疑 - 稳健派（Waymo、Cruise）获认可 - 传统车企信心增强："慢即是快"

这起悲剧用生命的代价给整个行业上了一课：在追求技术突破的同时，永远不能忘记安全是自动驾驶的第一原则。它标志着自动驾驶从技术狂欢期进入理性发展期。

2.6 Apollo开源计划：中国自动驾驶的集结号

2.6.1 开源战略与生态构建

2.6.2 技术架构演进

2.6.3 产业联盟形成

2.6.4 国际竞争格局

2.7 CNN统治时代：感知算法的第一次飞跃

2.7.1 从传统CV到深度学习

2.7.2 关键网络架构

2.7.3 2D检测的极致优化

2.7.4 多任务学习的萌芽

2.8 芯片算力的初步觉醒

2.8.1 GPU vs 专用芯片

2.8.2 算力需求爆发

2.8.3 早期玩家布局

2.9 本章总结：深度学习奠基时代的遗产