覺非科技 CEO 李東旻：中國智能駕駛如何發展產業路徑？

隨著國家11部委聯合出臺了《智能汽車創新發展戰略》，“車-云-路”協同方案正式成為了智能駕駛的“中國路徑”。可以預見的是，重數據與強融合的發展方式，將成為“中國路徑”的核心策略。

近日雷鋒網新智駕邀請了覺非科技CEO李東旻，就智能駕駛“中國路徑”的演繹與發展進行了分享。以下為李東旻的演講實錄，新智駕進行了不改變原意的編輯：

智能駕駛產業的中國路徑，尤其是“車、云、路協同模式”的落地，可以說有非常廣闊的發展前景。

以下我會從4個方面來跟大家分享覺非科技的一些實踐經驗。

首先，整個智能出行時代本身就有巨大的變革，如同 PC時代的網站爆發，智能出行時代正在崛起。智慧出行時代大大拓展了數據源邊界。

無論是車端數據，亦或是道路數據，都呈現指數級增長，本質上智能出行帶來的是 LBS（基于位置的服務）數據的大爆發。

自動駕駛行業發展出的三種不同切入路徑

隨著這些數據的變化，過去全球范圍內演進出了有三條不同的自動駕駛路徑。 

第一個路徑是以單車算力提升為核心的，也稱之為硬件模式，或者單車智能模式，同時又可以根據傳感器數量稱之為5+1模式。所謂5+1就是五個硬件+一套軟件，這是L4級別無人駕駛的標配。從GPU到毫米波雷達、激光雷達、攝像頭、到綜合慣導設備。一套軟件就是自動駕駛標準化的三段論：感知、決策和控制這三套系統。

而以單車智能為主的，都是以硅谷為主導。它的推進方式是顛覆性的，并且這條路徑只關注L4以及L5的無人駕駛。

另一條路徑是以主機廠和一級供應商為代表的供應鏈主導的模式。它的核心是以銷售整車和設備為目標，整體采用漸進式的方式賦予汽車智能。

然而不管是“顛覆式”還是“漸進式”的發展路徑，汽車產業的底層結構都沒有發生質的變化。

第三個模式是網聯智能的模式。這種模式對于這種基礎設施建設的要求非常高，但其實是最適合中國的技術路徑，也是最有可能實現智能出行規模化落地的方案。

那么這三條路徑分別演進出來的產品形態是什么樣子的？

這里我們不用L1或者L2這種技術化的表達語言，而是從市場落地的角度，來把現有的智能駕駛產品進行坐標系表達。以乘用車和商用車作為橫軸，縱軸用高速和低速來區分。 

在縱軸上，可以從坐標系里看到，目前在商用車的高速場景里，以商用物流車輛加裝ADAS為主，商業模式是以銷售終端為主。還有快速公交線路甚至更高級別的智能駕駛技術，整體也是以整車售賣為主。 乘用車方面落地的產品數量相對較少，目前真正落地的是AVP產品。在高速場景里基本是特斯拉的Auto pilot一枝獨秀。 

可以看到，基于單車智能的模式，在落地方面已經到達了增長瓶頸。后續的每一點進展都需要消耗不成比例的計算資源和其他資源，這個稱之為第一增長曲線已經接近結束了。 目前行業的機會在于第二增長曲線，也就是不依賴于硬件算力提升為代表的“車、云、路協同”方案正在逐漸興起。 

此前，以硬件和傳感器為主的技術路徑，雖然過去也落地了一些產品，但也發生了非常多的問題。經典的案例就是Uber自動駕駛撞人致死的案例。新聞報道里也有其自動駕駛系統決策的日志。 

Uber的目標識別的模塊在不停的跳躍，在“其他”和“車輛”類別之間搖擺不定。可以看到系統識別的穩定性和可靠性是非常差的。因此很不幸，在最后的1.2秒鐘，受害者還沒有被真正識別為一個行人，最終釀成慘劇。

可以看到，這種基于硬件和傳感器實時感知的自動駕駛路徑，它的可解釋性、可靠性是有待考量的。我們必須追問，訓練一個機器要訓練到什么樣的程度和水平，才能夠把性命托付給一個機器？

同時，這種無人駕駛酷炫外衣的背后，后備箱里面的這些風景其實并不是那么美觀。通常一輛無人駕駛的車輛后備箱里，需要3千瓦以上的電源支撐才能讓這些強算力的硬件正常運轉起來。

僅靠單車算力這種依賴電力消耗的模式，很有可能完全不足以支撐未來的商業化。除了后備箱，車輛旁邊可能還有一個計算機背景的護送員，護送員通常薪酬比較高，遠遠高過一個專車司機的薪水高。

基于后深度學習的覺非科技方案

因此從技術路徑來看，從單車智能模式發展到目前水平、產品化落地的情況來看，我們還有哪些其他方向可以去做？我們需要彌補在邏輯推理里面假設不成立帶來的問題，而這其實就是深度學習算法，這是在自動駕駛里面我們今天面臨的一些不足。

清華大學人工智能研究院的院長張鈸院士提出，整個自動駕駛的落地需要進入后深度學習時代。什么是后深度學習？就是說通過“車、云、路協同”的方式，將經驗類的，具有較好穩定性、可靠性的數據以及邊緣推理算法，再加實時感知數據聯合在一起，進行驅動，發展成解釋性比較強，可依賴的人工智能技術。

此前基于深度學習的人工智能的技術，可以輕而易舉通過人工構造的方式加以改變。比如一個阿爾卑斯山的照片加上了一些人工構造的底噪，最后機器算法就會識別為一條狗。可以想象，一個基于實時感知的車輛，不管是激光雷達還是攝像頭，如果把路邊的一個限速牌識別成岔路口，這會帶來多么危險的后果。

所以從覺非科技的角度來看，不能完全甚至絕大部分依賴實時感知的傳感器，需要發展出來基于后深度學習時代的內容，把一些穩定性比較高的數據跟實時傳感器相融合實現更可靠的自動駕駛。 

我們做過一個演示。后深度學習加上高精地圖，能夠讓一輛普通的車輛實現什么樣顛覆式變化？

一輛非常普通的車輛，沒有做過任何改裝，唯一的改變是在車輛后視鏡的下面架了一個手機，然后手機通過USB線連接到了后視鏡里面汽車的CAN總線上。通過這根USB線，實現了手機控制這輛普通汽車的所有感知過程。 這是需要用戶花4萬到5萬才能實現的高級輔助駕駛功能，包括沿車道行駛、高速公路并道等。 

從技術角度而言，這是怎么實現的？我們在手機里面存儲了數據和感知算法，尤其是融合感知算法。脫離硬件本身，手機里面存儲的數據具備了一個零到無窮遠的超視距感知能力。我們把實時感知數據加上車道線的高精度地圖數據，同時把車輛本身的運行數據（慣導設備、GPS信號）實時狀態相融合，能夠就實現一個魯棒性和安全性都非常之高的解決方案。

就像給這輛車繪制了一個看不見的鐵軌，讓車沿著非常安全穩定的鐵軌行使，不受惡意攻擊的影響。 

覺非在這條路徑上面跟合作伙伴宇通客車一起合作了兩項方案。

第一個方案是AR交互系統，部署在一個L4級別的無人駕駛的小巴上。在車內22寸的液晶屏上面，乘客能夠清晰地看到車輛是在怎么感知周圍環境的。 不論是公交車、行人、自行車還是其他的移動物體，都可以準確的在界面上顯示出來；同時也會向乘客展示車輛的行進方向、路徑規劃、目標物體的測距。

第二個方案是跟宇通合作的是比較創新的工作模式，面向快速公交車輛實現全場景的融合感知。全場景融合感知，就是在不論刮風下雨還是重度霧霾等異常惡劣天氣情況下，快速公交車都能夠實現360度無死角的進行感知。

我們也會用到很多傳感器，基于這套感知硬件，我們把自己核心的技術比如道路的語義分割、圖像與激光點云融合在一起，形成一個典型的多傳感器融合技術。

多傳感器融合能力可以通過攝像頭對物體進行識別，也可以通過激光雷達對物體進行測距，但不依賴于某一個傳感器硬件。這是我們和宇通，在實踐車和路之間協同的融合感知方案。

很多朋友會說，未來中國車云路協同落地的時間點可能很慢。其實國內在政策層面已經制定了C-V2X的落地白皮書。到2025年，一半的新車將會具備C-V2X功能。現在每年2000多萬新車銷售，其中至少一半的車有這個功能，具備巨大的市場潛力。通過我們的路徑來改造車，能夠實現比較好的車云路協同。 

覺非科技的車云路協同

覺非的整體車云路協同軟硬件一體化架構，是經過實踐總結出來的結果。這個架構最上層的部分是基礎設施。核心層面包括定位、通訊、路側設施三個基礎設施。

那么車路云之間怎么協同？

目前國內在5g網絡層面已經達到標準化，接下來要做的就是如何實現協議上車的過程。值得一提的是，C-V2X協議和5g協議所用的頻段都是5000赫茲以內，也就是說車上裝載了5g接收芯片以后，自然就擁有了接收C-V2X協議的能力，也是連接路側單元的能力。

從定位維度來看，中國過去成規模體系的定位系統，除了衛星、北斗衛星以外就是路側的差分定位基站。目前國內主要有兩個差分定位基站的提供方。老牌的是千尋，在全國布了2000多套基站。而新發展起來的就是中國移動，現在中國移動可能已經成為了國內第一大差分定位基站運營商，并且預計在2020年新建25萬個5G差分定位基站。

這些基礎設施架構、硬件架構，對于中國的車云路協同的落地是一個非常大的利好。 相當于從基礎設施層面解決了很多依賴性比較高，可靠性比較強的基礎設施。 這是基礎層。

從軟件層和硬件層來看，對于車上傳感器、天線、制動等硬件部分都是交給主機廠。而在軟件和云端部分，尤其是軟件感知、定位和規劃這三個部分，實際上這才是“車、云、路協同模式”能夠發揮真正價值的地方。覺非科技沿用的技術路線是可靠性比較高的高精地圖作為容器，把上層的多傳感器融合放在容器里面，統一計算實現可靠性更高的決策引擎。 

覺非科技的定位，是面向整個智能出行產業打造一個數據引擎， 形成“雙輪驅動”的模式。一方面針對運營場景端，通過高精度數字化能力進行賦能。另一方面，針對智能終端，通過車端傳感器數據、路端傳感器數據與高精地圖數據進行有效的時空同步與融合，把知識驅動與數據驅動結合起來，提供可靠、精準的智能化解決方案，能夠有效保證自動駕駛車輛的安全性。

我們的數據引擎進入市場以后，解決了自動駕駛產業的很多痛點。比如感知在不完全依賴于激光雷達的前提下，做到激光雷達和攝像頭在亞毫秒之間的同步，彌補了單車智能模式的一些天然不足。 

總結下來，覺非科技有4個技術上的優勢，分別是數字化的道路引擎、多元數據歸一化引擎，跨平臺、跨終端的道路推理引擎，以及通過云端跟車端之間建立起來大數據分發引擎。

接下來給大家分享我們跟中國移動實現的車和基礎設施之間的差分定位效果。

當車輛在往道路中間并道時，行駛到車道中心。在高精度地圖上，可以看到車輛也在進行非常準確的行駛。車本身沒有加裝超過1萬元以上的激光雷達和感知設備，唯一裝的是中國移動地面差分定位基站的接收器，通過接收器上面運行的覺非提供的數據引擎算法，讓這輛車實現了厘米級別的高精度定位。 

除了車路之間的協同，《智能汽車發展戰略》里也提到構建先進的基礎設施，然后重點推進大數據云控基礎平臺的建設。 為什么云控平臺這么重要？

云控平臺就是從云端形成數據全集，然后通過云來連接路上行駛的車輛。可以理解為，這些車輛是一個邊緣端運行的設備。邊緣端設備和云控數據平臺之間的互動形成融合模式，能夠面向多個智能終端、多個出行場景，提供全局的解決方案。

未來傳統車輛也會真正變成邊緣端設備。 車輛通過云控平臺連接以后，可以實現車輛實時在網，永不掉線。現在每臺手機都有工信部聯網準入認證，相信不久的將來，隨著云控平臺的落地和5g網絡的連接，每一輛車也都會一個準入環節。 

總結一下，我認為，從技術到量產落地需要具備的充要條件有四點。

第一點，在產業上一定要有需求，有痛點。過去很多的自動駕駛方案提供的大多是錦上添花的功能。消費者看乘用車的時候，最終還是要看安全。

第二點，在經濟上面，不管是技術、硬件還是軟件，方案一定要可規模化部署。一臺車和五臺車實現自動駕駛可以通過改裝方案。但實際上這種方式真正能帶來規模化嗎？并不能，它還涉及到很多供應鏈的供貨問題、原有生產線改造的問題，這是從供應鏈的角度來思考的。任何自動駕駛的技術在落地時一定要實現不同硬件的兼容。

第三點，在競爭層面，對于很多創業型公司來說，需要建立自己的競爭優勢。互聯網時代一直在講閉環的迭代。閉環的迭代就是發布的技術、產品要能夠通過客戶用戶，將反饋和數據收集回來。

自動駕駛對于傳統主機廠模式的意義，是在于用軟件來定義硬件。因此這里面如何去建立閉環迭代，是需要精心設計和思考的。 有哪些合作能帶來數據閉環？因此除了數據閉環之外，還要考慮的是怎么建立產業聯盟。

最后一點是技術層面，一定要提供高可靠性的解決方案。篤定某一條路徑和一個硬件，實際上是一個風險非常高的選擇。盡管這可能給某家公司在短期里帶來一些硬件收入。 但從終局角度而言，如果無人駕駛成為規模化和普遍化，人、車、路協同成為現實之后，市場的商業邏輯還是不是靠硬件的方式來驅動？

因此從經濟、產業、競爭和技術四個層面， 是實現技術到產品量產過程中需要思考的四個方面。

（雷鋒網）

雷鋒網

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。