0
| 本文作者： 利榮 | 2018-11-01 19:42 | 專題：2018 全球智能駕駛峰會 |
*Drive.ai聯合創始人，研發與工程總監王弢
雷鋒網新智駕按：10 月 26 日至 27 日，2018 全球智能駕駛峰會在蘇州召開，本次峰會由蘇州市相城區人民政府主辦，蘇州高鐵新城管理委員會、雷鋒網新智駕和數域承辦，邀請到來自主機廠、科技公司、資本機構和產業研究機構等領域的多位專家，共同打造了一場智能汽車和自動駕駛領域的頂級峰會。
本次峰會上，Drive.ai聯合創始人，研發與工程總監王弢發表了題為《自動駕駛技術的快速迭代與落地》的主題演講。
今年 7 月，Drive.ai 首批 3-4 輛（高峰期 4 輛）自動駕駛廂式車開始在德州弗里斯科市的 Hall Park 園區和 The Star 商業區之間進行試點服務，開啟為期6個月的運營，為園區內上萬名雇員提供最后一英里的免費出行服務。
10月19日起，去美國德克薩斯州阿靈頓，就能坐上自動駕駛出租車。Drive.ai正式在德州阿靈頓向公眾開放無人駕駛接送服務。
Drive.ai的思路，自動駕駛落地初期，先推出城市自動駕駛車輛，然后不斷迭代，直至推出任何時間能去任何地點的私家無人車。
此外，創立于2015年的Drive.ai現在有170人的團隊，其中75%為工程技術團隊。
以下是演講全文，雷鋒網在不改變原意的情況下進行了編輯：
1、 強大的技術基因
目前Drive.ai技術團隊有130人，大都是汽車制造業、科技巨頭的軟件行業和自動駕駛行業的多年從業者。正是有了強大的技術隊伍，才能夠在各個子系統深入分析和投入。
具體來看，初始團隊來自斯坦福大學人工智能實驗室，屬于將深度學習應用于自動駕駛的先行者。
技術團隊構成上，公司的大部分成員大都來自美國一流大學，包括斯坦福、伯克利、麻省理工等，其中計算機專業在團隊中占到多數，可以解決算法和軟件上的難題。當然還有許多來自其他領域的人才，包括電子電器、汽車工程等。
2、 全棧式解決方案
眾所周知，L4、L5級自動駕駛是非常復雜的系統工程，包括很多子系統以及各個系統之間的整合和磨合。
歷史經驗告訴我們，新科技興起之初，通常是全棧式整合供應商能夠一步步發展壯大，原因是新技術興起時，技術本身不夠成熟，需要經過多輪迭代和優化。而全棧式解決方案供應商對整個供應鏈以及各個子系統都有非常深入的理解，既能進行全局優化，又能對每個子系統進行優化。因此，對于全棧式解決方案供應商來說，能夠對整體和子系統分別進行優化，是一大優勢。
汽車行業里，像通用、福特等整車制造商首先成為行業巨頭。當汽車行業趨于成熟時，汽車巨頭們才會分化出一級供應商，例如德爾福是由汽車巨頭分化出的部門，后來形成了一級供應商。同時這些一級供應商又會繼續分化，形成數量重大的二級和三級供應商。
自動駕駛正處在興起之初的階段，所以Drive.ai在確定技術路線時就強調，投入自動駕駛軟件智能系統以及包含的子系統，包括模擬仿真、地圖定位、感知認知、決策規劃、線控執行等。
此外，Drive.ai的技術路線還有自動駕駛Robo Taxi出行服務，包括車隊管理、遠程監控和遠程監控打車等。該部分雖不在車輛本身運營，但會在公司云端和后臺執行。
多種車型線控開發
截止到目前，Drive.ai已經完成了三種不同車型的線控整合與開發，包括最早的林肯MKZ，后來的奧迪A4，以及新近加入的一款廂式車（van）。意味著Drive.ai的自動駕駛系統已經可以在混動車、燃油車以及商用車等多個車型之間移植。同時積累了很多線控開發經驗，也為團隊打造下一款自動駕駛車型奠定了深厚基礎。
高精地圖
高精度地圖是完全自動駕駛的必修課。Drive.ai在高精地圖應用上擁有整套的知識產權，從地圖的數據采集、生成、修改、傳輸、儲存、定位等，都有自己的算法。
同時公司在高精度地圖上做足了準備，以及定位系統不依賴高精的GPS，只通過商業化低成本的GPS輔助與高精地圖結合，就可以實現厘米級定位。另外我們的高精度地圖采取了分布式設計，便于儲存和傳輸，也支持快速拼接與修改，對于落地新區域，提供了很大的幫助。
感知認知
感知認知是自動駕駛的“眼睛”，Drive.ai提供了多傳感器，多種算法融合的技術路線，冗余性上冗余度高。
算法上，我們一貫強調深度學習優先，運用海量數據驅動可持續的提高感知和認知算法的性能。不僅能夠探測到物體的位置，也可預判該物體接下來幾秒內的軌跡，從而提前做出制動。
決策規劃
Drive.ai采用的技術路線是規則與數據相結合的方法，規則是指道路交通規則，數據是指收集到的人類駕駛員的數據和路測數據，最終進行迭代。同時能夠應對多種復雜場景，例如主動禮讓行人、遇到障礙物繞行。
剛才的發言人提到，自動駕駛需要積累大量的路測數據，才能夠保證車輛的安全性。有報告顯示，如果用路測證明自動駕駛比人類駕駛更安全，至少要經過100多億公里的道路測試，此外確定路測過程中，接管率要低于多少，才能達到人類駕駛員的標準。
其實，自動駕駛的正常執行并不困難，應對突發狀況才是最需要突破的。這些偶發情況稱為邊角案例。
但是邊角案例在路測中進行收集和測試，效率較低，因為行駛幾千英里可能才遇到一次邊角案例。為了解決該問題，可以采用模擬場景來獲得真實數據。
模擬場景，真實數據
首先，模擬場景支持大規模云端仿真測試。如果模擬場景可以在幾萬臺機器上同時運行，且不需要人工干預，可用大量的云計算來達到測試的目的。
此外，Drive.ai設計的模擬仿真器可以從實際數據當中提取場景，在收集到實際數據以后，可預判每一輛車或每一個人所處的位置以及未來路徑，接著通過感知系統人工標注來預知該信息。
大量采集的邊角案例可保證開發的新系統或者新功能達到預期效果。目前Drive.ai已經累積130萬英里的模擬數據，下一步計劃會以每周幾十萬英里的模擬數據繼續進行積累。
為了用戶的安全性體驗，Drive.ai開發了遠程實時監控系統：支持普通4G網絡，每輛車實時傳輸壓縮數據回后端服務器；遠程監控員能夠隨時調取車輛運行數據，或應答乘客需求；在偶發的復雜情況下，幫助車輛進行決策。
Drive.ai的廂式車得到了業界的肯定，在人車互動設計主要采取如下措施區分自動駕駛汽車與普通車：醒目的車輛外觀設計；四塊外置LCD顯示屏，隨時與外界溝通；顯示內容與車輛決策系統緊密結合，準確傳達車輛意圖。
在停車避讓行人時，車輛前方和后方的顯示屏會顯示不同內容，前方告訴行人，避讓功能開啟，行人可以放心通過；后方會提醒后方車輛前方有行人正在通過，盡量不要從側方超車，以免對行人造成傷害。
3、 多系統閉環迭代
擁有全站式的解決方案之后，就可在各個子系統上進行快速迭代。
閉環形成越早越好
閉環迭代、實驗測試、獲取反饋、調整策略形成循環機制。在多系統閉環迭代方面，Drive.ai的經驗是閉環形成越早越好，可以幫助設定目標，協助團隊找準方向。此外，早期閉環迭代的基礎架構投入會有長期匯報。
迭代關鍵指標
關鍵指標必須可量化，且每個閉環關鍵指標不要超過3個，否則很難追蹤。
外環與內環結合使用
我們的系統是整合系統工程，有外環和內環之分，內環作為某個子系統，而外環測量的是整個系統指標，例如一些指標稱作MPI，每次接管之間所間隔的歷程數，可以作為整個系統指標。
視覺算法方面，檢測率是內環指標，而外環指標可決定內換指標的選擇，可以通過發現它們之間的相關性來決定內環指標。因為內環迭代速度較快，所以可以用局部優化來促進全局優化。
在自動駕駛中，感知認知和決策控制是核心的智能模塊，也是通過深度學習和機器學習的算法。而機器學習或深度學習算法本身就是內環迭代。
我們把決策控制和感知認知系統放到路測環境中，就可收集到路測數據，路測數據進行標注就可以繼續訓練該系統，從而構成一個外環。當然，外環還包括車輛路測、仿真測試。最后，標注數據還可幫助團隊生成高精地圖，從而進一步影響車輛路測和仿真性能。
Drive.ai成立于2015年，晚于waymo和cruise公司的成立時間，但首先實現了面向公眾開放式的落地項目，同時實現了商業營收。
落實計劃，2020年計劃拓展至15個城市，我們與全球多個城市的當地政府和合作伙伴進行協商，商討具體落地事宜。最后，希望Drive.ai能夠以快速的落地帶動技術的迭代，從而全面加速智能駕駛的新征程。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
