【第一對焦：汽車駕駛自動化】

1：高速應用方面，走廊將進一步使高速公路用例能夠應對高速的挑戰(zhàn)。啟用走廊后， 需要為高速公路 ISAD 應用制定標準，包括在天氣條件、路面質量以及基于AI的交通交互決策方面進一步增加ODD。ISAD-A等級的走廊將能夠處理交通密度，包括熱點地區(qū)的安全效益。物理基礎設施（如停車區(qū)）需要與 ISAD 的增加同步發(fā)展。在特定空間/時間將設定公共汽車和卡車車隊的專用車道和走廊。

2：低速應用方面，相關用例將進一步發(fā)展和結合以應對復雜性交通的挑戰(zhàn)。限制區(qū)域不斷擴大并融合，以提供完全自動化的穿梭巴士和送貨服務。城市場景下的各種用例將獲得高市場占有率。

歐洲ERTRAC《網聯(lián)、協(xié)作和自動化出行路線圖（征求意見稿）》（下）

路線圖概述

自2015年發(fā)布Automated Driving Roadmap以來，歐盟道路交通研究咨詢委員會（European Road Transport Research Advisory Council, ERTRAC）持續(xù)對自動駕駛路線圖進行修正與更新。2021年9月，在2019版Connected Automated Driving Roadmap基礎上，ERTRAC更新發(fā)布《網聯(lián)、協(xié)作和自動化出行路線圖（征求意見稿）》(Connected, Cooperative and Automated Mobility Roadmap, DRAFT for public consultation)。

ERTRAC 路線圖的主要目標為就歐洲網聯(lián)、協(xié)作和自動化出行的長期發(fā)展提供利益相關者的聯(lián)合觀點。新版路線圖提出面向2050年的長期愿景，明確為實現(xiàn)這一長期愿景需要采取必要的短期行動——2030規(guī)劃和 2040展望。

三、2040展望

    基于2030 規(guī)劃和歐洲地平線（Horizon Europe）計劃的實施，ICV應用將擴大并進步，路線圖認為這將是技術成熟的十年，自動駕駛將更大規(guī)模地造福社會。公共采購將達到歐洲內部的共同要求，并且達到全球通用的魯棒性和安全水平；基于巨大數(shù)據(jù)湖的人工智能概念將廣泛應用于感知；社會道德方面將具有高優(yōu)先級的問題來解決，需要開發(fā)滿足廣泛群眾出行需求的出行解決方案。 路線圖分別給出這10年中自動駕駛在高速和低速場景中的展望。 高速應用方面，走廊將進一步使高速公路用例能夠應對高速的挑戰(zhàn)。啟用走廊后， 需要為高速公路 ISAD 應用制定標準，包括在天氣條件、路面質量以及基于AI的交通交互決策方面進一步增加ODD。ISAD-A等級的走廊將能夠處理交通密度，包括熱點地區(qū)的安全效益。物理基礎設施（如停車區(qū)）需要與 ISAD 的增加同步發(fā)展。在特定空間/時間將設定公共汽車和卡車車隊的專用車道和走廊。

低速應用方面，相關用例將進一步發(fā)展和結合以應對復雜性交通的挑戰(zhàn)。限制區(qū)域不斷擴大并融合，以提供完全自動化的穿梭巴士和送貨服務。城市場景下的各種用例將獲得高市場占有率。

四、關鍵推動因素

  在網聯(lián)和自動駕駛汽車中，將駕駛任務從人暫時或完全移交給機器，環(huán)境感知、決策和控制系統(tǒng)需要達到目前無法實現(xiàn)的高安全和性能標準。因此，使能技術的進步對于CCAM 更廣泛的市場部署至關重要。路線圖總結了基礎設施及商業(yè)模式、技術、測試驗證、AI和數(shù)據(jù)四個關鍵推動因素。 基礎設施及商業(yè)模式方面，路線圖認為未來的交通管理將必須在個體車輛連接和數(shù)據(jù)共享選項方面充分利用CCAM 選項解決車隊問題，需出臺車輛/車輛組顆粒級的交通法規(guī)并建立完善且長效的基礎設施支持。ODD 相關需求可能會隨車載傳感?、軟件和人工智能技術相應發(fā)展。由于物理設施投資成本高，基礎設施支持水平的提高可能會集中在數(shù)字基礎設施方面。CCAM 生態(tài)系統(tǒng)中參與者呈現(xiàn)合作且競爭的狀態(tài)，各方在系統(tǒng)的基礎部分進行合作，而在價值網絡的其他元素上進行競爭，并創(chuàng)造新的角色和潛在的利益相關者。

技術推動方面，關鍵技術基于車載技術、自動駕駛工具鏈（用于開發(fā)、測試和驗證的技術和流程）、云和后臺技術三大重要領域。同時必須滿足設計、驗證和持續(xù)改進滿足功能安全要求的數(shù)據(jù)驅動的復雜軟件主導系統(tǒng)的挑戰(zhàn)。 測試驗證方面，虛擬驗證需求主要面向公眾廣泛應用的自動駕駛功能安全目標。使用原型車進行數(shù)百萬公里的物理驗證是不可持續(xù)的，但軟件開發(fā)、高性能計算和數(shù)字技術領域的最新進展為廣泛的仿真驗證開辟了可能性。

AI和數(shù)據(jù)方面，支持接管人類駕駛員任務是AI重要的應用領域，機器學習是應對自動駕駛難以詳細說明的挑戰(zhàn)（如行人檢測）的關鍵技術，深度學習算法關鍵將是證明其應對所有潛在交通情況的可靠性，對于高級別自動駕駛AI功能模塊的安全性證明要求則應在普遍接受的安全策略框架內達成共識。