3
今年 1 月，法國公司 EasyMile 首輛無人駕駛公共汽車 WEpod 開始在荷蘭一座大學城內進行開放式測試；2 月底，日本無人自駕計程車 Robot Taxi 為了在 2020 年東京奧運前實現商業化營運目標，已經在日本神奈川縣藤澤市展開道路實測……
似乎無人駕駛離上路真的不遠了。但是作為一套要商業化的系統，成本問題自然無法回避。高精度激光傳感器、GPS 造價不菲。即使作為一個成熟的智能系統，如何降低價格或者在廉價傳感器上尋找解決方案？
本文整理自「硬創公開課 Online | 無人駕駛」專場。分享嘉賓是馭勢科技聯合創始人姜巖，他是北京航空航天大學博士、美國伊利諾大學香檳分校聯培博士研究生，研究領域為自動駕駛系統架構設計和規劃控制。
雷鋒網：馭勢具體在做什么？進度如何？
姜巖：我們在做兩個方向：第一個方向是做自動駕駛，環境開放，路線不固定，在自動駕駛中駕駛員是參與駕駛過程的，以強化駕駛體驗為目的，車主可以將車開到任何地方去，比如特斯拉這種；第二個方向是，固定線路、開放環境的無人駕駛，比如谷歌的豆莢車。
我們希望以低成本實現自動駕駛或無人駕駛的產業化。在汽車產業這一專業性極強的產業中，我們不會去做專業公司已經在做的事情。
在硬件方面，我們不會做汽車，只會提供解決方案；解決方案中的核心載體是自我研發的車載超級電腦，這臺超級電腦負責解決自動駕駛中感知定位規劃控制的所有工作；
傳感器上來說，如果有現有傳感器能夠滿足我們的要求，我們會盡可能的采用貨架產品，比如毫米波雷達，超聲波雷達，以及低成本的 GPS；
在機器視覺方面，由于現在還沒有能夠滿足我們要求的貨架產品，因此我們會推出自己的機器視覺解決方案。這也是我們的優勢之一。
雷鋒網：我們都知道谷歌使用的 LIDAR 傳感器成本很高，售價七八萬美元一個，你們究竟怎么用低成本實現？
姜巖：無論哪個方向，成本是最關鍵的因素。自動駕駛有個特點，90% 的功能可以用 1% 的成本實現，但是剩下的 10% 的功能是最難的，可能增加 100 倍的成本也不一定能實現，真正實用的自動駕駛系統不會使用最昂貴的設備、最復雜的技術。
在我看來，做好自動駕駛，取舍是關鍵。最好的自動駕駛技術方案，是在成本限制下最簡單的方案。所以我們不會花時間去攻克最難的部分，我們只用低成本實現 90% 的功能。
要想做到取，我們舍掉了高成本的設備。舉個例子，不用激光雷達，沒有 RTK GPS 怎么樣實現定位精準，那就靠視覺地圖匹配，但是視覺也存在不足，有時候并不能保證一定看到環境中特征，那么我們可以加入其它技術手段來彌補它的不足，讓它看見足夠的特征。更重要的是，我們在整體系統設計時，就要讓系統不是那么依賴于定位的精度，從系統架構的冗余設計上解決問題。
雷鋒網：馭勢目前采用的立體視覺是自己的相機還是別人的相機？如果是自己的相機，那么為什么市面上的相機不滿足要求？Mobileye 也是致力于視覺解決方案。能否對比一下馭勢科技與 Mobileye 的方案的異同點？
姜巖：我們會兼容其他家的傳感器，但是也會開發自己的立體視覺系統。至少到現在為止，Mobileye 的東西還滿足不了我的要求，我們在視覺方面還是很有優勢的。
目前 Mobileye 并不提供立體視覺系統，同樣視覺地圖匹配功能也沒有，這兩個功能是我們視覺系統的核心。
雷鋒網：無人駕駛最后針對的客戶是誰？是車廠還是終端客戶？
姜巖：無人駕駛與自動駕駛針對的客戶是不同的。無人駕駛更多針對特定需求的客戶或者終端用戶，自動駕駛更多地針對車廠。
我們公認的是一旦推廣無人駕駛，共享經濟就會起來，汽車的保有率會降低，那么這肯定不是汽車廠商希望看到的，車廠希望看到的不是「消滅」駕駛員，而是強化汽車的某些特點，讓駕駛員更安全的駕駛，駕駛體驗更好，這對車廠才有意義。
無人駕駛的目標是提高交通系統的效率，完全把人類從駕駛過程中解放出來，因此他承擔了更多地社會責任。
雷鋒網： 既然無人駕駛目標是提高交通系統的效率，怎么實現無人駕駛的交通系統？
姜巖：最終的交通系統一定是所有車輛都是無人駕駛，而且是專門為無人駕駛設計的，但不可能一蹴而就。如果交通系統就是為無人駕駛設計，它運行無人駕駛汽車就更簡單。最難的是在現有交通環境下，除了無人駕駛汽車外，還有其他有人駕駛的車輛。
這個悖論在于，如果在現有的交通系統里面做無人駕駛，它的技術難度比無人駕駛最終形態還要難。我們最終的解決方案有兩步：
1、現有交通系統下出現部分自動駕駛功能車輛，隨著功能越來越多，自動化程度不斷提高，反推交通系統發生變化；
2、固定路線開放環境的無人駕駛在以后會越來越多，從技術層面和覆蓋范圍慢慢演化。干線交通就是高速路或地鐵，毛細血管交通就是公共交通，如果最后一公里逐漸被低速無人駕駛覆蓋，交通系統自然發生變化。這是量變引起質變的過程，到 2020 年之前會演變成成熟路線。
雷鋒網：短期內，可否實現區域性的無人駕駛,比如高速公路上的應急車道，提供專用車道給無人駕駛車輛，比如夜間從北京到上海，局域車互聯，是否有條件實現？
姜巖：并不是沒有條件實現，但是我現在考慮問題的思路是：它的價值在哪里，能否可持續的推動產業發展？如果是為了做無人駕駛而無人駕駛，不太現實。
我認為在現有交通系統下無人駕駛是沒有需求的，無人駕駛承諾的所有事情，自動駕駛都可以做到，我強調的是在高速公路上這種情況。我認為消滅駕駛員的需求只對成本很敏感的應用存在，對于消滅家用車駕駛員持懷疑態度。
雷鋒網：為什么現階段大部分無人駕駛都在院校的研究階段？
姜巖：研究和產業化推廣中間有斷層，因為學校出來的成果更多是原理驗證、概念成型。終端用戶或汽車廠商需要的是一個拿來就能用的成型產品。
對于汽車產業來說，測試很重要、降低成本也很重要。這部分沒有人做，我們要做的就是為了填補這塊的缺口。
雷鋒網：目前無人駕駛技術商業化有哪些案例？馭勢提供的解決方案是不是為企業定制？
姜巖：如果我們把無人駕駛技術的每一點都當做是無人駕駛的一個階段的話，ACC（自適應巡航控制）、FCW（前方碰撞預警系統）、荷蘭的無人巴士也算。其他還在演示階段。
需要說一點的是我不認為 LDW（偏離警示系統） 屬于自動駕駛范疇，因為以報警為目的的車道線檢測與以自動駕駛為目的的車道線檢測的要求完全不同，他很難通過自我發展達到這個階段，必須從一開始就以自動駕駛為目的設計車道線檢測。
馭勢在自動駕駛這個大產業中只是一個環節，我們的解決方案也只是這個環節的解決方案，最終成事還需要與上下游各個專業環節共同完成。
雷鋒網：無人駕駛的技術集成現在需要囊括哪些環節，哪些環節比較成熟，現有在國內哪些環節比較薄弱？
姜巖：在技術上和機器人幾乎沒有差別，就是體現在感知、決策、定位、規劃、控制以及需要一個汽車平臺。直到現在無人駕駛研究大部分都還在學術界，還沒有完全的被產業界接管，這意味著技術上全世界都是公開和公平的，沒有秘密。
國內唯一薄弱的在于元件，大部分傳感器元件比如激光雷達、高精度定位等來自國外，包括底層的平臺，從算法上來說問題不大。
如果從技術指標來說，最好的肯定是最貴的，如果只是以完成這件事情為要求的話，那就需要綜合的考量：用激光雷達做高精度地圖匹配、用 RTK GPS 做高精度定位還是用低成本的方案讓汽車在路上行駛。這些都可以實現。
雷鋒網：如何看待近期谷歌無人車撞巴士的事件？
姜巖：由于并沒有足夠的信息，因此我不能確定這件事是算法、場景復雜或者是駕駛員與車協調造成的。
但是這件事的關鍵是，它提醒人們無人駕駛做到零事故率是不現實的。從一開始，無人駕駛的愿景里就已經明確：可以極大降低事故率，或者減小事故導致的后果。
對我們來說：第一，這種事情遲早會發生；第二，這件事情對谷歌不會有大的影響，因為它有上百萬公里的安全里程做背書，能夠證明它的事故率遠遠低于人，甚至這件事故是好事，它是真實的；第三，公眾對這件事情的看法，他們可能更聚焦于這一起事故。怎么讓公眾接受說無人車會出事故，還需要從其他方面解決。但谷歌提供了一個很好的思路：大量測試，證明它是安全的。
這種測試必須是開放的，不能只是一種公關行為。體驗是提高公眾接受度最好的辦法。下半年我們的車開始上路測試后，整個過程都會向媒體和公眾開放，你可以隨時上車去參與自動駕駛或無人駕駛行駛的過程。
雷鋒網：無人駕駛技術會降低事故率，能否實現零事故率？
姜巖：零事故率從理論上來說是不可能的，理性的說，無人駕駛會降低事故率，但是更多地情況下即使沒有阻止事故發生，也可以減輕事故的后果。這也是一種有益的進步。
無人車發展到最終也未必能到零事故率。比如地鐵在一個很封閉的環境而且還有人駕駛，也不一定是零事故率。但是無人駕駛會在這個過程中會以降低事故的后果開始。
雷鋒網：如果出現事故，責任誰來負？車廠、司機還是技術供應商?
姜巖：自動駕駛的車輛一定要有一個完整的數據記錄的功能，發生事故以后，能將周圍所有復雜的觀測情況、處理結果和原始數據記錄下來，能夠完整呈現當時發生了什么，把數據計算出來，對比不同的計算結果：是計算能力達不到、當時的環境我們處理不了還是第三方的責任。
在無人汽車能夠上路之前，這個系統是必須具備的，否則責任無法劃分。
發生了交通事故，比較理性的方案應該是首先有一筆保險墊付，然后是我們與汽車廠商做事故分析，看到底是誰的責任，比如說是車根本剎不住還是根本就沒看到，假設我們的系統用的是某個品牌的傳感器，我們層層分析事故結果是他們的傳感器沒有檢測到當時的情況，那責任就在傳感器供應商這一方。
友情通告：
1、硬創公開課 Online 第三期將于明天（3 月 8 日下午 2 點）準時開課，主題是無人機，分享嘉賓是一名無人機資深從業者。
2、附上：此次公開課的分享群，盡管分享已經結束，但本群會作為雷鋒網的無人駕駛以及討論駕駛領域的黑科技群。歡迎此領域的愛好者、從業者和業內人士掃碼加入切磋。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
