Drive.ai 王弢：自动驾驶的赛道上，如何与时间赛跑 | 2018 全球智能驾驶峰会

*Drive.ai联合创始人，研发与工程总监王弢

雷锋网新智驾按：10 月 26 日至 27 日，2018 全球智能驾驶峰会在苏州召开，本次峰会由苏州市相城区人民政府主办，苏州高铁新城管理委员会、雷锋网新智驾和数域承办，邀请到来自主机厂、科技公司、资本机构和产业研究机构等领域的多位专家，共同打造了一场智能汽车和自动驾驶领域的顶级峰会。

本次峰会上，Drive.ai联合创始人，研发与工程总监王弢发表了题为《自动驾驶技术的快速迭代与落地》的主题演讲。

今年 7 月，Drive.ai 首批 3-4 辆（高峰期 4 辆）自动驾驶厢式车开始在德州弗里斯科市的 Hall Park 园区和 The Star 商业区之间进行试点服务，开启为期6个月的运营，为园区内上万名雇员提供最后一英里的免费出行服务。

10月19日起，去美国德克萨斯州阿灵顿，就能坐上自动驾驶出租车。Drive.ai正式在德州阿灵顿向公众开放无人驾驶接送服务。

Drive.ai的思路，自动驾驶落地初期，先推出城市自动驾驶车辆，然后不断迭代，直至推出任何时间能去任何地点的私家无人车。

此外，创立于2015年的Drive.ai现在有170人的团队，其中75%为工程技术团队。

以下是演讲全文，雷锋网在不改变原意的情况下进行了编辑：

快速落地的秘诀

1、  强大的技术基因

目前Drive.ai技术团队有130人，大都是汽车制造业、科技巨头的软件行业和自动驾驶行业的多年从业者。正是有了强大的技术队伍，才能够在各个子系统深入分析和投入。

具体来看，初始团队来自斯坦福大学人工智能实验室，属于将深度学习应用于自动驾驶的先行者。

技术团队构成上，公司的大部分成员大都来自美国一流大学，包括斯坦福、伯克利、麻省理工等，其中计算机专业在团队中占到多数，可以解决算法和软件上的难题。当然还有许多来自其他领域的人才，包括电子电器、汽车工程等。

2、  全栈式解决方案

众所周知，L4、L5级自动驾驶是非常复杂的系统工程，包括很多子系统以及各个系统之间的整合和磨合。

历史经验告诉我们，新科技兴起之初，通常是全栈式整合供应商能够一步步发展壮大，原因是新技术兴起时，技术本身不够成熟，需要经过多轮迭代和优化。而全栈式解决方案供应商对整个供应链以及各个子系统都有非常深入的理解，既能进行全局优化，又能对每个子系统进行优化。因此，对于全栈式解决方案供应商来说，能够对整体和子系统分别进行优化，是一大优势。

汽车行业里，像通用、福特等整车制造商首先成为行业巨头。当汽车行业趋于成熟时，汽车巨头们才会分化出一级供应商，例如德尔福是由汽车巨头分化出的部门，后来形成了一级供应商。同时这些一级供应商又会继续分化，形成数量重大的二级和三级供应商。

自动驾驶正处在兴起之初的阶段，所以Drive.ai在确定技术路线时就强调，投入自动驾驶软件智能系统以及包含的子系统，包括模拟仿真、地图定位、感知认知、决策规划、线控执行等。

此外，Drive.ai的技术路线还有自动驾驶Robo Taxi出行服务，包括车队管理、远程监控和远程监控打车等。该部分虽不在车辆本身运营，但会在公司云端和后台执行。

• 多种车型线控开发

截止到目前，Drive.ai已经完成了三种不同车型的线控整合与开发，包括最早的林肯MKZ，后来的奥迪A4，以及新近加入的一款厢式车（van）。意味着Drive.ai的自动驾驶系统已经可以在混动车、燃油车以及商用车等多个车型之间移植。同时积累了很多线控开发经验，也为团队打造下一款自动驾驶车型奠定了深厚基础。

• 高精地图

高精度地图是完全自动驾驶的必修课。Drive.ai在高精地图应用上拥有整套的知识产权，从地图的数据采集、生成、修改、传输、储存、定位等，都有自己的算法。

同时公司在高精度地图上做足了准备，以及定位系统不依赖高精的GPS，只通过商业化低成本的GPS辅助与高精地图结合，就可以实现厘米级定位。另外我们的高精度地图采取了分布式设计，便于储存和传输，也支持快速拼接与修改，对于落地新区域，提供了很大的帮助。

• 感知认知
  

感知认知是自动驾驶的“眼睛”，Drive.ai提供了多传感器，多种算法融合的技术路线，冗余性上冗余度高。

算法上，我们一贯强调深度学习优先，运用海量数据驱动可持续的提高感知和认知算法的性能。不仅能够探测到物体的位置，也可预判该物体接下来几秒内的轨迹，从而提前做出制动。

• 决策规划

Drive.ai采用的技术路线是规则与数据相结合的方法，规则是指道路交通规则，数据是指收集到的人类驾驶员的数据和路测数据，最终进行迭代。同时能够应对多种复杂场景，例如主动礼让行人、遇到障碍物绕行。

刚才的发言人提到，自动驾驶需要积累大量的路测数据，才能够保证车辆的安全性。有报告显示，如果用路测证明自动驾驶比人类驾驶更安全，至少要经过100多亿公里的道路测试，此外确定路测过程中，接管率要低于多少，才能达到人类驾驶员的标准。

其实，自动驾驶的正常执行并不困难，应对突发状况才是最需要突破的。这些偶发情况称为边角案例。

但是边角案例在路测中进行收集和测试，效率较低，因为行驶几千英里可能才遇到一次边角案例。为了解决该问题，可以采用模拟场景来获得真实数据。

• 模拟场景，真实数据

首先，模拟场景支持大规模云端仿真测试。如果模拟场景可以在几万台机器上同时运行，且不需要人工干预，可用大量的云计算来达到测试的目的。

此外，Drive.ai设计的模拟仿真器可以从实际数据当中提取场景，在收集到实际数据以后，可预判每一辆车或每一个人所处的位置以及未来路径，接着通过感知系统人工标注来预知该信息。

大量采集的边角案例可保证开发的新系统或者新功能达到预期效果。目前Drive.ai已经累积130万英里的模拟数据，下一步计划会以每周几十万英里的模拟数据继续进行积累。

为了用户的安全性体验，Drive.ai开发了远程实时监控系统：支持普通4G网络，每辆车实时传输压缩数据回后端服务器；远程监控员能够随时调取车辆运行数据，或应答乘客需求；在偶发的复杂情况下，帮助车辆进行决策。

Drive.ai的厢式车得到了业界的肯定，在人车互动设计主要采取如下措施区分自动驾驶汽车与普通车：醒目的车辆外观设计；四块外置LCD显示屏，随时与外界沟通；显示内容与车辆决策系统紧密结合，准确传达车辆意图。

在停车避让行人时，车辆前方和后方的显示屏会显示不同内容，前方告诉行人，避让功能开启，行人可以放心通过；后方会提醒后方车辆前方有行人正在通过，尽量不要从侧方超车，以免对行人造成伤害。

3、  多系统闭环迭代

拥有全站式的解决方案之后，就可在各个子系统上进行快速迭代。

• 闭环形成越早越好

闭环迭代、实验测试、获取反馈、调整策略形成循环机制。在多系统闭环迭代方面，Drive.ai的经验是闭环形成越早越好，可以帮助设定目标，协助团队找准方向。此外，早期闭环迭代的基础架构投入会有长期汇报。

• 迭代关键指标

关键指标必须可量化，且每个闭环关键指标不要超过3个，否则很难追踪。

• 外环与内环结合使用

我们的系统是整合系统工程，有外环和内环之分，内环作为某个子系统，而外环测量的是整个系统指标，例如一些指标称作MPI，每次接管之间所间隔的历程数，可以作为整个系统指标。

视觉算法方面，检测率是内环指标，而外环指标可决定内换指标的选择，可以通过发现它们之间的相关性来决定内环指标。因为内环迭代速度较快，所以可以用局部优化来促进全局优化。

在自动驾驶中，感知认知和决策控制是核心的智能模块，也是通过深度学习和机器学习的算法。而机器学习或深度学习算法本身就是内环迭代。

我们把决策控制和感知认知系统放到路测环境中，就可收集到路测数据，路测数据进行标注就可以继续训练该系统，从而构成一个外环。当然，外环还包括车辆路测、仿真测试。最后，标注数据还可帮助团队生成高精地图，从而进一步影响车辆路测和仿真性能。

Drive.ai成立于2015年，晚于waymo和cruise公司的成立时间，但首先实现了面向公众开放式的落地项目，同时实现了商业营收。

落实计划，2020年计划拓展至15个城市，我们与全球多个城市的当地政府和合作伙伴进行协商，商讨具体落地事宜。最后，希望Drive.ai能够以快速的落地带动技术的迭代，从而全面加速智能驾驶的新征程。