驭势科技CEO吴甘沙

随着国家智能驾驶相关政策法规逐渐成型、行业内技术不断完善，以及中国智能驾驶企业积极推动应用落地的情况下，中国智能驾驶市场规模呈现出持续扩大趋势。据悉，2020年中国智能驾驶产业市场规模预计将达到1214亿元人民币，前景可期。

探索智能驾驶商业化之路

智能驾驶实现商业化需要在以下三个方面做出努力。首先需要前沿技术做支撑；其次是企业家精神，即创新、冒险、协作；最后是复杂系统的管理经验。汽车本身是一个非常复杂的系统，需要管理者具有丰富的管理经验。只有同时具备这三个条件，才可能实现智能驾驶的商业化。

驭势科技于2016年3月开始探索、研究智能驾驶相关技术的发展，不断加强与学术界的沟通交流，提升自身的创新水平和研发技术，目前已具有前沿的无人驾驶技术、人工智能技术、系统工程技术和汽车电子技术。首先，开发软件，重构智能驾驶的软件系统，包括算法、中间件、操作系统，尤其是中间件。经过深入考虑，驭势科技放弃了如今广为使用的ROS操作系统，改用美国军方在武器中使用的轻量实时系统RCS。接着4月份，驭势科技着手硬件的开发，包括摄像头、控制器等。5月，算法开始在模拟器上进行测试，同时开始半闭环测试（半闭环，即感知设备已经在车上开始运行，但还没有控制车辆）。直到7、8月，研发出第一辆可以线控的车，并进行了长时间的测试。并在此基础上开始进行全闭环测试，也就是真正的路测。在这个过程中，我们遇到了很多困难和挑战，也获得了诸多成长经验。

困惑之后来者的定位

当前的智能驾驶，主要包括五类。第一类是驾驶辅助系统（driving assistant system），即人开汽车，机器起一定的辅助作用。第二类是自动辅助驾驶，像特斯拉的AutoPilot，它有两个要素，（1）在封闭的结构化的高速路上，机器持续地实现自动驾驶；（2）驾驶员仍然需要把注意力放在路上，甚至把手放在方向盘上。第三类是高度自动驾驶。指不再局限于封闭的高速公路，能够开到大街小巷。驾驶员可以做其他事情，只要能够在5秒内重新回到决策化，这是比当前辅助驾驶更有用的一种自动驾驶技术。第四类是限定场地的无人驾驶，能够在城市区域里实现无人驾驶。没有驾驶员，没有方向盘、油门、刹车，限定在固定场景，最高时速在40公里以内。第五类是全天候全区域的无人驾驶，我们相信在2030年，可能会出现。如图1所示。

图1 智能驾驶的分类

为此，驭势科技也面临着定位选择。2016年，工信部发布的智能网联汽车发展技术路线图指出，到2020年，我国每年将有1500万辆车具备驾驶辅助或者辅助驾驶系统，同时在目前的辅助驾驶形态中，技术还有很多可改进的地方，国内能够有商业化技术的供应商还很欠缺，因此我们决定将第二类辅助驾驶作为公司研发的切入点。

差异化发展策略

驭势科技作为智能驾驶领域的新兴企业，一直在探索属于自己的差异化发展之路，主要表现在技术、服务、成本三个方面。

1 视觉识别技术

今年五月，一辆开启了Autopilot自动驾驶功能的特斯拉Model S被卷入了一场严重的事故中，车内的驾驶员在车祸中不幸身亡。这起事故发生在佛罗里达州中部的一段公路，当时一辆拖拉机挂车正在横穿高速公路，疾驰而来的特斯拉Model S迎头撞上了挂车。自动驾驶的过程中多种传感器失效、未能发现挂车，导致悲剧。

这场事故更加突出了自动驾驶在技术上存在一些缺陷。首先是视觉缺陷，事故发生时，正处于典型的逆光状态，实际上从目前Autopilot的系统来看，它具备动态曝光和自动增益的能力，理论上在强逆光或微光情况下，仍旧能够识别前车尾部。但是案发当场，卡车是横在路上的，它的截面并不符合这套视觉系统识别的特征，因此当时的视觉系统是失效的。或许有人会问，毫米波雷达为什么没有起作用？雷达在远距离发现了横在路面上的一排反射点，但是为了避免误刹车，它做了一个比较保守的分类，将障碍物分类为横跨路面的一个交通标志牌，并希望随着距离的缩减能够有更准确的分类。但是，根据当时的情况判断，事故发生时毫米波雷达是放空的。

针对以上提及的视觉缺陷，首先可以改进雷达的算法，这也是特斯拉正在做的。特拉斯通过与博世合作，挖掘更多的数据，得到六倍之多的object，每个object也有更多的信息，同时实现了将3D的雷达影像在时间维度对object进行correlation，这样可以更好地区分动态和静态object，以及虚假反射。此外，还可以采取一种众包的方式区别永久和临时的障碍物。如果很多车经过一个场景时，都判定前方有一个静态障碍物，那么就可以断定确实存在一个障碍物；如果并不是所有车都能判定有障碍物，那么就可以将其称之为临时障碍物。

其次，通过基于深度学习的视觉算法提升感知能力。相比起传统的视觉算法，它能从不同距离、不同角度进行识别，既可以识别奇形怪状的车辆，也可以识别被遮挡的车辆。在此基础上，驭势科技又利用立体摄像头做了一个视觉雷达，它能够实时识别出静态、动态障碍物的点云，并实时用暖冷色调标识其距离和相对速度。视觉雷达与深度学习相结合，就能有效避免特斯拉遇到的问题。对此，我们开始辅助驾驶系统的商业化。驭势科技的这套视觉识别系统实现了100公里时速的高速辅助驾驶，并且具有自主超车能力，累计测试里程接近2万公里。

2 高质量的服务

目前国内很多车厂若想实现辅助驾驶，需要找国际的厂商，这样实现周期会很长，而且也无法获得高质量和及时的服务。驭势科技希望用最快的响应速度，降低客户的时间成本。我们曾仅用两周时间既在车厂的样车上装好了这套系统，并且开始测试。另一方面，我们愿意推动技术创新的扩散，与车厂和供应商实现开放的、协同的创新，包括知识产权和源代码、模型等的开放，测试数据的共享，并且帮助客户提升自主研发能力。

3 深度学习的成本

当然，成本也是我们考量的一个因素，甚至是技术路线的约束元素。比如深度学习需要很强的计算能力，其硬件的选择就面临了性能和成本的权衡。目前嵌入式CPU的性能仍有一定差距，无法做到实时。而ASIC虽然功耗、成本最低，但缺乏灵活性，考虑到未来几年深度学习算法仍在快速演进，ASIC也不是最佳选择。GPU目前来说是最好的选择，英伟达已经与多家车厂和一级供应商开展合作，但对Level 2来说价格偏贵。FPGA略便宜、功耗也较低，但是算法移植的成本也是可观的。神经网络加速器NPU具有模型和算法的可定制能力，性能也最好，但作为新的硬件平台，符合车规尚需时日，而且车厂对新平台以及供应商的选择偏保守。

DSP是目前的主流选择，但在深度学习上性能还有差距，就CEVA等IP供应商的技术路线图来看，未来几年性能上获得突破的可能性很大。考虑成本的竞争力，未来2~3年Level 2产品化的主要平台还是以DSP为主，而Level 3以上则要依靠GPU和FPGA等。基于这个判断，我们必须让算法适配这些硬件平台。比如，部分使用传统视觉取代深度学习，比如车道线检测。虽然目标检测上，传统视觉还不能做到深度学习那样，但与雷达融合可以弥补视觉精确度的下降。另一方面，需要训练多任务网络，让同一个网络模型做不同事情，如行人识别、汽车识别、交通标志识别等。此外，还可以做图像压缩、模型压缩，优化算法（减少region proposal，非深度学习与深度学习级联等），针对定点处理器优化等降低深度学习的复杂度。

激光雷达和视觉的融合

作为一个创业公司，驭势科技希望可以找到特定的市场细分领域，比如安东尼·列文托斯基的Otto选择的领域为货车。另外一个小的细分领域为私有道路、确定路线，如园区、景区、主题公园、高尔夫球场、机场等场地的无人驾驶。那么，在这样场景的无人驾驶中，是否还需要激光雷达？有些厂商的回答是否定的。特斯拉Autopilot 1.0只用了一个前置摄像头和一个前向的毫米波雷达，而2.0用了八个摄像头，前向有三个不同距离和视场角的摄像头，两边的前侧有两个，两边的后侧有两个，后视有一个，如图2所示，它的理念是希望通过摄像头的视觉加上毫米波雷达和超声波能够实现无人驾驶。特斯拉声称，明年车上硬件部分已经可以支持完全的无人驾驶，但是它的软件算法还是需要逐渐迭代。

图2 激光雷达与视觉的融合

但是后来经过了几个月的探索，我们转变了研究思路。一是因为深度学习的技术同质化以及它在鲁棒性上的缺陷，使得纯靠视觉存在很大问题。二是因为激光雷达的成本问题已经不再是一个难题。

在未来很多车辆的设计中，基本都实现了包括激光雷达在内的多种传感器360度无死角多冗余的配置。基于此，我们也开始进行激光雷达和视觉的融合。它一方面使其对环境的感知更加精准，也会产生新的使用模式，如激光雷达帮助视觉进行校准，视觉利用激光雷达做ground truth等。另一方面，加入激光雷达，会提高汽车的安全可靠性。驭势科技设计了两款针对私有道路的无人驾驶汽车，一款是由一辆低速的电动车改造而成的，一款是完全自主设计的无人驾驶共享出行车。它是两台座椅对着坐，没有方向盘、油门、刹车，已在北京一些园区开始常态化测试，即将进入试运行。特别值得一提的是，这款无人驾驶车还实现了无线充电的功能，当汽车电量耗光后，它可以自己寻找带有无线充电功能的停车位进行充电。

此外，我们尝试了一系列的算法提升感知和认知能力，从简单的目标识别到目标理解和建立全面世界模型（World Model），从卷积神经网络到语义分割和实例分割，实现恶劣天气和非结构、半结构道路上的可行驶区域检测。未来，驭势科技希望通过立体视觉识别道路路面上的坑坑洼洼和障碍物（road hazards），通过循环神经网络推理从前车掉落动态物品的特性，通过Inverse Reinforcement Learning方法实现驾驶员驾驶风格的学习，还有基于强化学习和循环神经网络来判断驾驶态势，评估他人的动机，预测其行为，合理获取路权。

总之，智能驾驶是超级复杂的系统工程。就拿全速度自适应巡航FSRA来说，不仅仅要考虑基本算法，还需要近千个参数的表达，全面的实现和测试细节，和完整的系统支持。真正的产业化不仅仅是对一些技术的研发，从学术研究到产业化的“最后的十公里”往往是最困难的，需要学术界和产业界非常紧密的合作。

（本文根据作者在2016年中国智能车大会暨国家智能车发展论坛上所作报告整理）

作者简介：

吴甘沙，驭势科技联合创始人、CEO，致力于研发最先进的自动驾驶技术，以改变这个世界的出行。个人定位：略通商业智慧的资深工程师，尝试破坏式组织变革的技术管理者，用技术推动社会创新的赶潮人。

摘自《自动化博览》2017年1月刊