每日一个开源项目（第146篇）：openpilot - 开源自动驾驶辅助系统，曾在 Consumer Reports 评测中超过特斯拉 Autopilot

引言

"openpilot 是一个机器人操作系统。目前，它为 325+ 款汽车升级了驾驶辅助系统。"

这是"每日一个开源项目"系列的第146篇文章 。今天的主角是 openpilot------comma.ai 开源的半自动驾驶软件，GitHub 上最受关注的自动驾驶开源项目之一。

2020 年，Consumer Reports 发布了一篇驾驶辅助系统评测。排名第一的不是特斯拉 Autopilot，不是凯迪拉克 Super Cruise，而是运行在一个需要自己插上的第三方硬件设备上的开源软件------openpilot。

2024 年 4 月，一辆 2017 年的普通丰田普锐斯，装上 comma 3X 硬件，以 98.4% 的自动驾驶率完成了美国横穿之旅，耗时 43 小时 18 分钟，比特斯拉 Model S 此前的记录快了将近 12 小时。

这不是一个 demo 项目。它有 62.8k Stars，跑在 10,000+ 用户的真实汽车上，累计行驶里程超过 1 亿英里。

你将学到什么

openpilot 的技术架构：为什么选择端到端神经网络而非传统的感知+规划分离
panda 安全架构：如何在开源项目里做到 ISO 26262 级别的安全
最新 0.11 的 World Model：在模拟世界里训练真实世界的驾驶策略
George Hotz 和 comma.ai 的发展历程
openpilot vs 特斯拉 Autopilot 的对比
如何参与贡献（包括 comma.ai 的 bounty 计划）

前置知识

了解自动驾驶辅助系统（ADAS）的基本概念
对神经网络有基本了解
对汽车电子系统（CAN 总线）有基本了解更好，但不是必须

项目背景

项目简介

openpilot 是一个开源的半自动驾驶软件，使用端到端神经网络直接从摄像头图像预测行驶轨迹------不做单独的感知模块和规划模块，而是一个统一的网络从像素到转向角。

它通过 comma four 硬件设备连接汽车的 CAN 总线，接管原厂驾驶辅助系统的功能，提供比原厂更好的车道居中、自适应巡航控制和驾驶员监控。

作者/公司

创始人: George Hotz（geohot）------第一个解锁 iPhone 的黑客、第一个破解 PS3 加密的人
公司: comma.ai（2015 年 9 月创立）
开源时间: 2016 年 11 月 30 日
License: MIT

项目数据

⭐ GitHub Stars: 62,800+
🍴 Forks: 11,100+
🚗 支持车型: 325+
📍 累计行驶里程: 1 亿英里以上
👥 活跃用户: 10,000+

核心功能

openpilot 做什么

安装 comma four 设备并连接到支持的汽车后：

自动车道居中（ALC）：接管原厂车道保持辅助，用神经网络的方式控制转向，在高速公路上保持在车道中间行驶。

自适应巡航控制（ACC）：检测前方车辆，自动控制加速和制动，保持安全跟车距离。整合 OpenStreetMap，在弯道自动减速。

变道辅助：打转向灯后辅助执行变道，包含盲区感知。

驾驶员监控：通过车内摄像头检测驾驶员注意力，约 6 秒分心后发出警报，不再像很多原厂系统那样要求定期转动方向盘。

保留原厂功能：自动紧急制动（AEB）、盲点警告、自动远光灯等安全功能保持原厂不变。

支持的品牌和车型

主要支持：丰田、现代、本田、福特，以及 GM、斯巴鲁、日产等品牌，共 325+ 款具体车型。完整列表见 CARS.md。

所需硬件

comma four 设备：$999，三摄像头（360° 视角），Qualcomm Snapdragon 845 处理器，4G LTE + WiFi，OLED 显示屏
车辆线束：连接 comma four 和汽车 CAN 总线的专用连接线

技术架构深度解析

端到端神经网络

openpilot 最重要的技术选择是端到端架构：直接从摄像头图像输入，输出转向角、速度等控制指令，中间没有单独的感知层和规划层。

css 复制代码

传统 ADAS 架构：
摄像头 → [感知模块] → [物体检测] → [路径规划] → [控制指令]
每个模块独立设计，误差逐级累积

openpilot 端到端架构：
摄像头 → [统一神经网络] → 控制指令
一个模型，端到端训练，从像素到方向盘

端到端的优势：不需要手工设计特征；能处理模糊的车道线、各国不同的道路标记、各种天气条件，因为模型从真实驾驶数据里学到了这些情况的处理方式。

最新 0.11：World Model 驾驶策略

openpilot 0.11 发布了代号 WMI（🍉）的全新驾驶模型，核心创新是在学习到的模拟世界里训练驾驶策略------这是真实机器人领域里第一次把这个方法实际部署给用户。

两阶段训练：

arduino 复制代码

阶段一：训练 World Model
  输入：fleet 收集的无标注驾驶数据（视频）
  训练：2B 参数的扩散 Transformer
  结果：一个能预测"下一帧画面"的世界模拟器
  （相当于让神经网络在脑子里建了一个驾驶世界模型）

阶段二：训练驾驶策略
  环境：在 World Model 里交互（不是在真实世界）
  训练：小型驾驶策略网络与 World Model 交互
  结果：一个在模拟世界里学会了驾驶的策略

World Model 的关键技术参数：

ViT 编码器（5000 万参数）+ 解码器（1 亿参数）
扩散 Transformer：20 亿参数，在 250 万分钟视频上训练
推理速度：12.2 帧/秒/GPU

panda：安全架构

openpilot 给汽车发送控制指令，这意味着安全是核心问题。安全关键代码全部在独立的 panda 模块里：

用 C 语言写（Python 更快开发但有 GC 暂停和运行时风险）
遵循 ISO 26262 功能安全标准
安全规则强制执行：转向力矩限制、速度限制、紧急接管逻辑
panda 运行在 comma four 硬件里的独立处理器上，与主 openpilot 软件完全隔离

这种设计意味着：即使 openpilot 主软件有 bug 或被攻击，panda 的硬件安全层仍然有效。

测试体系

arduino 复制代码

软件仿真测试（每次提交）
  └── 模拟驾驶场景，回归测试

硬件仿真测试（内部 Jenkins）
  └── 在实际 comma 硬件上运行软件

物理回放测试（持续运行）
  └── "一个测试柜，里面有 10 台 comma 设备
       持续回放真实路线，检测行为变化"

这个测试层次设计是开源汽车软件里相对罕见的完整度。

历史里程碑

时间	事件
2015 年 9 月	George Hotz 创立 comma.ai
2016 年	在 Acura ILX 上展示原型，收到加州 DMV 停止令
2016 年 11 月	开源 openpilot
2020 年	Consumer Reports 评测超过特斯拉 Autopilot，排名第一
2021 年	发布 comma three，价格降至 $2,199
2023 年	发布 comma 3X，价格降至 $1,250
2024 年 4 月	43 小时 18 分钟横穿美国，98.4% 自动驾驶率，破纪录
2025 年	发布 comma four，$999，三摄像头
2026 年	openpilot 0.11，World Model 驾驶策略

Consumer Reports 2020 排名的含义

Consumer Reports 的评测标准：车道居中精度、安全性、易用性、防滥用设计。openpilot 拿到第一不是靠硬件优势，而是靠软件的算法质量------这是一个插上第三方设备、运行开源软件的系统超越了特斯拉、凯迪拉克、福特原厂的驾驶辅助。

项目生态

社区 Fork

GitHub 上有超过 11,000 个 Fork。社区维护了一系列扩展功能的版本：

红绿灯检测
停车场导航
pre-Autopilot 特斯拉支持
自定义驾驶行为参数

贡献激励

comma.ai 维护一个 bounty 系统，为添加新车型支持、修复 bug 的外部贡献者提供现金奖励。这是开源汽车软件里不多见的商业激励机制。

tinygrad

comma.ai 同时维护 tinygrad------一个极简主义的深度学习框架，作为 openpilot 的神经网络推理后端。openpilot 的训练和推理代码都在向 tinygrad 迁移。

项目地址与资源

🌟 GitHub : commaai/openpilot
🌐 官网 : comma.ai
📖 文档 : docs.comma.ai
🚗 支持车型 : docs.comma.ai/vehicles
💬 社区 : discord.comma.ai
🔧 tinygrad : github.com/tinygrad/ti...

重要声明

MIT 协议附带以下声明：

"本软件是 α 质量的研究用途软件。这不是一个产品。"

openpilot 是辅助驾驶系统，不是完全自动驾驶。使用时驾驶员必须始终保持警觉，随时准备接管控制。

总结

openpilot 是开源世界里少数真正运行在安全关键场景中的大型项目之一。62.8k Stars 背后是 10,000+ 用户的真实行驶里程，不是 Notebook 里的实验数据。

技术路线上，端到端神经网络的选择在 2016 年是激进的，现在正在成为行业主流------特斯拉 FSD 也转向了端到端。openpilot 可以说是这条路线最早的大规模验证之一。

0.11 的 World Model 驱动的训练方法（在学习到的模拟世界里训练策略）代表了一个方向：不依赖手工设计的模拟器，用真实数据训练出的世界模型来生成训练环境。这在学术界讨论已久，openpilot 把它部署到了实际用户的汽车上。

George Hotz 在一个传统上高度封闭、需要十亿美元以上投入才能玩的领域，用开源+商业硬件的路径走出了另一条线。这本身就值得研究。

探索 PrimeSkills ------ 精选 AI Agent 与技能的市场，每一个都经过真实企业工作流验证，去掉浮夸，留下真正有用的。

欢迎访问我的个人主页，发现更多有价值的见解和有趣的产品。