交通規則的案例
應用在線驗證技術防止自動駕駛汽車主動事故
來源 |
同濟智能汽車研究所
編者按：本篇研究論文完整地介紹了基于自動駕駛汽車安全性的自主決策與軌跡規劃解決方案，依據本文及其前期工作，可以在預測交通參與者行為后，實現非保守駕駛行為的安全軌跡驗證，并為非安全情況提供了可靠的安全后備軌跡。本文提出的在線驗證技術，可視為自動駕駛汽車運動規劃框架下的安全層，具有較好的適應性和擴展性，并提供了直觀且合理的真實交通場景驗證結果。
摘要：確保自動駕駛汽車不會造成事故仍然是一個挑戰。本文提出了一種基于在線驗證的技術，用于在任意城市交通情況下保證“合法安全”。合法安全意味著自動駕駛汽車允許其他交通參與者按照交通規則進行任何行為而永遠不會主動造成事故。本文提出的技術可作為現有運動規劃框架的安全層，為自動駕駛汽車提供預期的軌跡，具體方式是：通過驗證預期軌跡是否符合合法安全并在關鍵的危險情況下提供后備解決方案。該技術已在實際交通中的特定城市場景中得到了證明。即使規劃框架采用的是未考慮其他交通參與者的預期軌跡規劃器，自動駕駛汽車也只會執行安全軌跡，因此，本文提出的在線驗證技術可以大大減少交通事故的數量。
展開 為什么汽車不能設計成快撞車就自動剎車？
當然，這個簡單的區域是無視交通規則的， 你可以隨意亂變道甚至逆行， 只要在可行駛區域以內。更好的遵守交通規則我們需要更準確的識別環境，比如圖中的車道線。
第三步. 運動目標的檢測跟蹤。
除了可行駛區域以外， 還需要檢測障礙物的運動信息。 因為靜止的障礙物， 迎面而來的障礙物以及同方向形勢的障礙物， 我們需要保持的安全距離是完全不一樣的。 所以， 我們要檢測物體的運動， 根據運動信息以及距離信息判斷可能的碰撞。
以上就是這一系統的簡單原理。 這一類通過傳感器智能感知環境， 實現一些半自動功能， 減輕駕駛員負擔的系統統稱為輔助駕駛系統， 是目前汽車工業一個非常熱門的領域， 也是未來無人駕駛的雛形或者簡單子集。 題主所問的系統其實也在很多相對高端的車上裝備了， 比如本田的奧德賽就裝備了，他們稱之為Forward Collision Warning， 前向碰撞預警。
攝像頭安裝于擋風玻璃之后， 可以觀察車輛前方的環境， 結合車輛自身的速度對可能的碰撞給出預警。
文章來自網絡，侵權請告知
展開 淺談自動駕駛中的行為風險識別
我們需要考慮的目標是多樣化的，不僅僅包括安全性，還要考慮交通規則、決策穩定性，車輛模型，甚至還要求無人車的行為需要符合人類駕駛習慣（環境中存在大量與人類參與者的交互）。
我們需要將這些多目標轉換為機器容易理解和處理的方式，具體手段包括：
約束目標：將碰撞避免、交通規則等目標轉換為不可以違反的邊界條件。
優化目標：對一些軟性的目標（通行效率、舒適性等）設置不同權重的損失懲罰函數。
由于輸入信息的不確定性，我們的機器大腦在實際中常常面臨“兩難”的局面。例如下圖這樣十分常見的一種場景，選擇減速跟車還是換道超車。前者會影響通行效率，而后者則可能帶來更高的風險（旁邊車道來車）。
圖2. 常見的一種行為決策場景：減速or變道
而實際的場景更為復雜多變，并且一定會出現長尾場景，每一種行為決策的選擇都不可能完全避免未來的風險，決策輸出的多目標求解過程無法保證每次都得到最低風險的結果。因此，我們需要在行為決策層增加一種以安全性為單目標的算法模型，希望能夠對可能發生的風險進行提前的識別，當安全性不滿足要求時采用人工接管或保守策略。
讀者可能提出的一個問題是：如果能夠建立這樣的風險識別模型，那不就可以作出最安全的行為決策了嗎？這個問題的答案其實就是在“知道正確答案”和“知道不會做”二者之間其實是存在一個gap的。在預期功能安全國際標準（ISO/PAS 21448）中，場景（scenarios）被劃分為如下圖所示的4個區間，分別為（1）已知-安全、（2）已知-不安全、（3）未知-不安全和（4）未知-安全。
展開 復雜工況和惡劣天氣，檢驗自動駕駛能力的“試金石”
在環島工況中，自動駕駛車輛需要完成駛入、換道、駛出等操作，再加上常見的不遵守交通規則的非機動車，更給環島工況增加了復雜性。
以一個環島內三車道，五出入口，每個出入口2車道數的環島為例。進入環島前，自動駕駛車輛需要提前變換到可以駛入環島的相應車道，并在沒有紅綠燈指引下完成斑馬線禮讓行人。禮讓完行人，按照交通規則，還需在第二個讓行標志前禮讓正在環島上行駛的車輛，并伺機駛入環島道路。
進入環島后，自動駕駛車輛需要根據駛出環島的路口選擇合適的內側、中間、外側車道。因為在環島行駛中，連續變道是違規的，駛出環島時需要提前變換到中間車道后再變換到外側車道，最后駛出環島。內側行駛，干擾少，但是駛出時需要變換兩條車道，對感知、規劃增加了更多挑戰。外側車道行駛，駛出環島成本最低，但是需要面對的無序的干擾較多。如何選擇，需要根據自動算法的特點來做選擇。
駛出環島時，一是要在恰當的時機變換到可以駛出環島的外側車道，二是駛入環島車輛禮讓駛出環島車道的交通規則下，及時傳遞駛出環島意圖并安全快速駛出環島的策略，同時注意斑馬線處的行人。
上述例子還僅是一種環島類型，按照ISO 34503中的定義，環島可分為小型環島、緊湊環島、常規環島、大環島、雙環島等類型。類型的不同帶來的可能是環島內車道數量的不同、中央島邊緣類型的不同、環島內車道內切直徑的不同以及環島的出入口數量等。而這些又將決定自動駕駛的通過策略。
惡劣天氣
這里的“惡劣天氣”指的是不利于自動駕駛傳感器使用的天氣，并非氣候學上定義的惡劣天氣，兩者有一定重疊但不完全一致。已知的不利于自動駕駛傳感器使用的“惡劣天氣”包括，雨、雪、霧、霧霾、沙塵暴、強光、全黑等。
展開 
金屬礦床開采項目核準資料自我檢查表[Checklist]
作一個類比，采礦方法的選擇類似于我們的交通規則。國內的次要路口，我們不設立象北美的"STOP" 或"Four Way"，車輛和人看情況通過，盡管有時在這種交叉路口確實會發生交通事故，但是不會經常發生，生活在城市中的人和車輛都學會了規避交通風險的能力，雖然有點兒亂，但在這種Chaos狀態下卻能大大減少交通的堵塞。如果要實行北美的交通規則，估計車輛都沒法走了。
如何快速理解通信的硬件層協議與軟件層協議？
為了更加形象的理解軟硬件層面的通信協議，我們將通信比作交通，通信的硬件層協議比作各國的公路標準，各國的公路標準類似于不同的硬件層協議標準；通信的軟件層協議比作各國的交通規則，各國的交通規則類似于不同的軟件層協議標準。
圖1生動的對上述描述進行了解釋。
1.解決邏輯傳輸的方式
利用設備1向設備2傳輸0xA3(1010 0011)這樣一組數據，從硬件層面將1010 0011這組數據定義為1為高電平，0為低電平，我們就可以通過改變傳輸線電平的高低實現這組數據的順利傳輸。
為了對這種硬件層面的數據傳輸形式進行規范定義便有了硬件通信接口協議，入RS-232、RS-485、CAN總線等。
下節講解的MODBUS通信協議是基于RS-485信號傳輸方式，以MCU作為信號發送設備，MCU的GPIO引腳輸出的是TTL電平（設邏輯0：0V；邏輯1：5V），RS-485硬件協議則是將其TTL電平轉換成差分信號，通過通訊轉換器將一個GPIO引腳的TTL電平轉變成兩根根線上的信號A/B，也稱之為差分信號。
當TTL電平為0時，使得VB>VA，當TTL電平為1時，使得VB<VA。
展開 討論貼：馬路殺手們，想要汽車有自動剎車功能嗎？
當然，這個簡單的區域是無視交通規則的， 你可以隨意亂變道甚至逆行， 只要在可行駛區域以內。更好的遵守交通規則我們需要更準確的識別環境，比如圖中的車道線。
第三步：運動目標的檢測跟蹤
除了可行駛區域以外， 還需要檢測障礙物的運動信息。 因為靜止的障礙物， 迎面而來的障礙物以及同方向形勢的障礙物， 我們需要保持的安全距離是完全不一樣的。 所以， 我們要檢測物體的運動， 根據運動信息以及距離信息判斷可能的碰撞。
以上就是這一系統的簡單原理。 這一類通過傳感器智能感知環境， 實現一些半自動功能， 減輕駕駛員負擔的系統統稱為輔助駕駛系統，是目前汽車工業一個非常熱門的領域， 也是未來無人駕駛的雛形或者簡單子集。
已經投入使用的自動剎車系統 Forward Collision Warning
前向碰撞預警Forward Collision Warning，被運用在很多高端的車上，如本田的奧德賽就裝備了。
攝像頭安裝于擋風玻璃之后， 可以觀察車輛前方的環境， 結合車輛自身的速度對可能的碰撞給出預警。
駕駛員并不能寄希望于利用它來進行實現完全自動剎車，因為它只是一項主動剎車技術，是一項剎車輔助功能。
原文章連接http://www.yqgqt.org.cn/content/post/294815
討論方向：
1、自動剎車系統的技術實現方式？
2、自動剎車技術沒有普及的原因？
3、外界環境對自動剎車技術的影響？
4、自動剎車系統的啟動條件？
5、如何讓傳感器、雷達系統精確感知并測量障礙物與車輛之間的距離？
6、自動剎車系統使用壽命？
7、有沒有更好提高安全防護技術？
8、如何進行仿真模擬測試？
……
展開 盤點：推動自動駕駛汽車發展的四項技術趨勢
教會自動駕駛車輛有關道路規則技術
人類駕駛員必須學習駕駛員手冊，了解停車標志和讓路標志的區別，同樣地，自動駕駛車輛也需要通過人工智能（AI）學習道路規則。此外，自動駕駛車輛還需要通過在路上花費數小時來獲取有關真實世界的體驗。
自動駕駛車輛通過機器學習的人工智能來解釋路標和其他道路信息，即需要駕駛一段路程并且需要人類對數據進行驗證。交通數據公司Inrix研發了首個新自動駕駛道路規則（AV Road Rules）平臺，可讓城市和道路管理部門為行駛在公共道路上的自動駕駛車輛制定、驗證和管理交通規則和交通限制。該平臺還可利用自動駕駛車輛的實時信息，報告哪些基礎設施需要改進，讓道路對所有使用者來說都更加安全。此外，Inrix的新自動駕駛道路規則平臺可讓城市和道路管理部門迅速、輕松地將限速、人行橫道、學區、公交車道和停車標志等特定交通限制數字化，使汽車制造商與高度自動化車輛運營商能確保車輛符合當地的交通規則。該平臺還創建了一個渠道，可將高度自動車輛對道路基礎設施的需求傳達至交通部門，以幫助改善道路管理和維護工作。
自動駕駛模擬技術
一旦自動駕駛車輛了解了道路規則，他們需要在道路上應用，但是自動駕駛車輛運營商時間和資源都有限。但是研發人員找到了新方法，通過模擬軟件來加速測試過程，從而加速自動駕駛車輛部署。
自10年前谷歌公司首次啟動自動駕駛項目，Waymo在實際行駛里程方面處于領先地位，目前其自動駕駛測試車輛行駛里程已超1000萬公里，使用模擬軟件的話，其每天都可達到該里程數。Cognata公司正與奧迪等公司合作，其首席執行官Danny Atsmon表示：“擁有適當的模擬策略是自動駕駛汽車為道路測試培訓傳感器和決策功能，以及確保其技術安全可靠的唯一途徑。”
展開 未來自動駕駛系統功能安全模型拆解分析
分析功能安全的最高優先級放在具有相關碰撞風險的實體上，樣本實體包括動態對象（例如其他道路用戶和相應運動的特征），靜態實例（例如道路邊界，交通指引和通信信號）和障礙物。
FS_3：對象行為預測
相關環境模型由預測的未來狀態進行擴展，目的是創建環境預測，解釋相關對象的意圖，以便形成預測未來運動的基礎。
FS_2輸出的當前世界模型可能不足以作為安全合法地制定FS_4的輸入。因為它不僅反映當前世界模型而且還反映預測未來狀態的世界模型，以便生成對動態駕駛情況或“場景”的完整描述。還應該考慮到其他動態物體和障礙物的意圖，包括那些被部分遮擋的物體和障礙物，作為預測未來運動的基礎。此外，目前的環境條件（例如低路面摩擦和降低的傳感器性能（例如，霧，薄霧，大雨））也已納入預測范圍。根據項目定義，甚至V2X都可以用于獲取有關周圍物體的信息（例如代客停車系統）。
FS_4：創建無碰撞且合法的駕駛規劃
為確保無碰撞和合法的駕駛政策，功能安全分析中需要考慮遵守以下規定：
- 與其他物體保持安全的橫向和縱向距離；
- 無論何時何地，在自動駕駛車輛行駛時均遵守所有適用的交通規則；
- 考慮可能的遮擋物體、其他道路使用者或動物的潛在區域；
- 在不清楚的情況下，不給予通行權；
- 如果可以避免撞車而又不危及其他道路使用者，則必要時可能會違反交通規則，以免造成傷害或挽救生命；
- 考慮其他道路使用者和自動駕駛汽車的不足和不確定性。
FS_5：正確制定和執行駕駛規劃
根據行駛計劃生成用于橫向和縱向控制的相應驅動信號。
展開 生成式 AI 重塑自動駕駛仿真：4D 場景生成技術的突破與實踐
一、測試覆蓋率瓶頸與生成式AI切入點
自動駕駛測試需要應對極其復雜的交通場景，包括非結構化路口、弱交通規則區域、極端天氣、低照度場景，以及多主體交互引發的不確定性行為等。當前基于真實數據采集或手工建模的方式存在如下限制：
（1）采集成本高：依賴實車、實景、多模態同步設備，周期長、數據稀疏；
（2）稀有場景不足：事故場景、異常行為等真實比例極低，難以高質量復現；
（3）組合爆炸問題：參數空間（如天氣、時間、交通密度）指數級增長，難以人工覆蓋；
（4）場景可控性弱：缺乏可調控的語義接口，測試粒度不足。
生成式AI具備從數據中學習潛在分布、生成新組合樣本的能力。其引入使得場景構建從“手工定義”轉向“自動生成”，具備如下優勢：
（1）能構造真實但未見過的長尾組合；
（2）能對目標測試策略進行定向增強（如遮擋率、交通密度等指標）；
（3）可支持大規模仿真測試平臺的持續供場；
（4）支持動態交互與時間演進建模，構建完整4D語義閉環。
二、4D場景生成的核心能力
所謂4D場景生成，核心在于“空間 + 時間”的聯合建模能力，既要對物理環境建模，也要對場景中各類參與者的行為軌跡進行動態建模與演化。典型的系統能力包括：
（1）幾何/語義重建能力：生成準確的道路、建筑、交通設施等結構化環境，并附帶完整語義標簽；
（2）多主體行為建模能力：生成車輛、行人、非機動車的時序軌跡，滿足行為邏輯與交互合理性；
（3）高保真視覺建模能力：輸出具備真實紋理、光照與傳感器特性的圖像序列；
（4）物理一致性約束能力：保持交通規則、實體尺寸、運動學約束等基本物理一致性；
（5）模態可控能力：支持控制場景的天氣、時間、視角、密度、行為模式等關鍵參數。
展開 實體紅綠燈 OUT 了，“去中心化的”虛擬紅綠燈能否徹底解決交通擁堵？
紅燈停，綠燈行，是我們孩提時代最早知道的交通規則之一。然而隨著私家車數量的與日俱增，以及各個國家城市化水平的不斷提升，1912 年誕生的傳統紅綠燈系統似乎從維護交通秩序的“英雄”，逐漸變成了交通擁堵的“幫兇”。
例如在某一時刻，某個十字路口南北向是紅燈禁行，東西向是綠燈通行，可是偏偏東西向一輛車都沒有，南北向卻車流不斷。對于等待紅燈的車主來說，這種無謂的等待時間不僅降低了通行效率，造成了不該出現的局部擁堵，而且增加了他們的出行成本。
雖然近年來人們引入了大數據、攝像頭和智能檢測傳感器等手段，來升級交通信號燈系統，但是本質上還是依靠實體的紅綠燈系統，做出決策的仍然是中心化的交通系統，再強大的優化算法也不能突破這個局限。
“去中心化的”虛擬紅綠燈
今年七月，沙特阿卜杜拉阿齊茲國王科技城（KACST）舉辦了一次新穎的路測：在兩個十字路口使用虛擬紅綠燈系統，然后讓幾輛車用遵守交通規則的方式隨意通過這些路口。路測的參與人員超過 100 人，包括政府官員，學術代表，Uber 等企業代表，以及虛擬紅綠燈技術的研發人員。這項技術在測試中運行完美，沒有出現一次錯誤。
這項虛擬紅綠燈技術由 Virtual Traffic Lights（VTL）公司研發，其創始人是美國卡內基梅隆大學的電子與計算機工程教授 Ozan K.Tonguz。在進行公開路測之前，研究團隊已經在基于現實世界的模擬交通壞境中進行了很多次試驗，并且從 2017年 5 月，就開始在卡內基梅隆大學附近路段進行小規模路測。
圖 | 在匹茲堡的路測車（來源：卡內基梅隆大學）
模擬測試結果顯示，在早晚高峰時段，波爾圖市和匹茲堡市的平均通勤時間均縮短了約 40%，通勤時間的方差也明顯減少了。
展開 
無人駕駛汽車虛擬測試場景構建的關鍵技術分析
1.2 無人駕駛汽車風險特征
通過對無人駕駛汽車可能遇到的道路交通風險的定義進行分析，可以歸納出無人駕駛汽車道路交通風險的本質特征。第一，風險具有客觀性。即無人駕駛汽車的交通風險是客觀存在的，道路環境、極端天氣、道路參與者等都會對于車輛行駛過程產生干擾。第二，風險發生和產生后果的可能性是隨機的。不同的影響因素會對無人駕駛汽車產生不同的風險，這些風險都有可能造成車輛的損失。
1.3 無人駕駛汽車風險分類
無人駕駛汽車在實際上路之后主要面臨兩種風險，一方面是汽車在行駛過程中遇到的交通風險，比如極端天氣風險、行人不遵守交通規則的風險、駕駛員的不規范操作風險等[3]。道路環境的因素主要包含不同的道路環境以及道路設計的幾何特征、橫縱斷面、路面質量等都會對車輛行駛產生影響，天氣因素主要包括極端天氣以及能見度等。另一方面是功能風險，主要指的是無人駕駛汽車自身出現故障或者部分電子儀器失靈等造成的損失與風險。
1.4 典型場景風險分析
對于無人駕駛汽車來講，典型的道路場景風險主要有以下幾個方面。
1.4.1 行駛風險
無人駕駛汽車在城市道路中運行的過程中，可能無法正常識別道路交通標線；道路交通基礎設施可能不夠完善，信號燈不亮；陡坡路段或者轉彎路段上無法識別道路線形；跟車行駛過程中遇到前車減速無法做出瞬態響應導致追尾；超越其他車輛的過程中，前方車輛突然進行變道、加減速等，無法及時做出響應而產生碰撞；交叉口處交通沖突點過多時，無法準確識別行人、小孩、低矮障礙物等。
1.4.2 山區公路風險
山區道路具有路面可視度底、路況差、道路交通標志不清晰、道路寬度不足、彎道轉彎半徑過小、斜坡等諸多風險，山區公路還易受天氣影響，導致風險加劇。
展開 中醫如何養生？
5、遵循養生法則：遵循養生法則可以減少生病的概率，就像遵守交通規則一樣，雖然不一定會立即出現危險，但違反規則會增加風險。
6、心態的重要性：心態的穩定對于健康至關重要。心亂會導致氣血失調，影響健康。
7、養性、養氣、養心：養生的三個層次：養身、養氣和養心。其中，養心是最高的境界。
8、心神與健康：心神的安定對于身體健康有著直接的影響。心定則氣和，氣和則血順，從而有助于疾病的恢復。
9、運動與默坐：適當的運動可以促進氣血運行，而默坐則有助于生陰。運動和默坐都是養生的重要組成部分。
10、簡單生活：悟性和智慧體現在用簡單的方法來處理和看待事物，避免過度復雜化。
11、心理健康：心理療法和精神享受同樣重要，追求物質財富不如培養良好的心態。
12、自我認知：認識到自己的健康狀況，知道何時需要休息和治療，是保持健康的關鍵。
展開 自動駕駛關鍵技術淺析
對傳感器無法探測的部分進行補充，進行實時狀況的監測及外部信息的反饋 ：傳感器作為無人駕駛的眼睛，有其局限所在，如易受惡劣天氣的影響，此時可以使用高精度地圖來獲取當前位置精準的交通狀況。
3）路徑規劃。對于提前規劃好的最優路徑，由于實時更新的交通信息，最優路徑可能也在隨時會發生變化。此時高精度地圖在云計算的輔助下，能有效地為無人車提供最新的路況，幫助無人車重新制定最優路徑。
高精定位
把自動駕駛汽車上傳感器感知到的環境信息與高精地圖對比，得到車輛在地圖中的精確位置。高精度地圖起到了高精定位、輔助環境感知、規劃與決策等功能。
自動駕駛通過人工智能算法決策做出車道及路徑規劃，給制動、轉向、加速等控制器下達指令，控制車輛開往目的地。
規劃決策
自動駕駛決策系統分為任務規劃、行為規劃、動作規劃三個部分。決策層主要負責路線規劃和實時導航。規劃和實時導航不僅高精地圖，還要V2X通信網絡技術的支持。無人車為了某一目標而作出一些有目的性的決策過程。這個目標通常是指從出發地到達目的地，同時避免障礙物，并且不斷優化駕駛軌跡和行為以保證乘客的安全舒適。
任務規劃通常也被稱為路徑規劃或者路由規劃（Route Planning），其負責相對頂層的路徑規劃，例如起點到終點的路徑選擇。
行為規劃，行為規劃行為規劃有時也被稱為決策制定（Decision Maker），主要的任務是按照任務規劃的目標和當前的局部情況（其他的車輛和行人的位置和行為，當前的交通規則等），作出下一步無人車應該執行的決策。可以把這一層理解為車輛的副駕駛，他依據目標和當前的交通情況指揮駕駛員是跟車還是超車，是停車等行人通過還是繞過行人等等。
展開 奧迪宣稱未來自動駕駛車輛占比至少達到40%
據外媒報道，奧迪發布一份名為《第25小時-交通流（25th Hour–Flow）》的研究報告，公司宣稱未來的交通將不存在擁堵現象。奧迪與卡爾斯魯厄科技研究所（Karlsruhe Institute for Technology）及慕尼黑的一家咨詢機構MobilityPartners開展了該項研究，三方模擬了未來德國因戈爾施塔特未來的移動出行場景。三方宣稱，得益于互聯與自動駕駛車輛等技術創新及共享移動出行的廣泛應用，交通擁堵將不會存在于未來的都市交通中。
當自動駕駛車輛與智能交通管理協同結合使用后，車輛的占有率將提升，交通問題將不再困擾都市居民。由于更多的人會共享汽車，車內人數將從1.1人增至1.3人，看似增幅很小，但這意味著在高峰時段將不會變的更為擁堵。若完全自動化、網絡化的交通系統得以建立，更多的（12%以上）人將享受更為快捷的交通通勤服務，將耗時縮短33%。
互聯、自動駕駛車輛及共享車輛的應用將為城市規劃方提供更多的空間利用及重新配置的機會，從而提升城市居民的生活品質。完全自動駕駛車輛的應用或將為單車道提供四車道的功能性。該研究還考慮到，自動駕駛車輛的應用將使得無駕照的人士及兒童享受移動出行的便利，無人駕駛出租車也將與當地的公交開展競爭。
在制作因戈爾施塔特交通建模時，研究人員只單獨考慮某個參數，但未考慮用戶行為的變更或需求的提升。據調查研究顯示，自動駕駛車輛的占比至少要達到40%，才能提升交通流。
這是因為自動駕駛車輛的車載計算機須確保車輛間的安全距離，且不能行駛過快，并遵守所有的交通規則。然而，據多個學術研究的結果顯示，在復合型交通情境下，上述要求對交通流將產生負面影響。只有大量啟用自動駕駛車輛，才能大幅縮短行程時間。若因戈爾施塔特的車輛配置足量的自動駕駛車輛，預計用戶的出行時間將減少25%。
展開 