10月28日，車雲會第19期沙龍以“自動駕駛發展該突進還是放緩”為主題，透過線上線下同步舉行。邀請到國家智慧網聯汽車創新中心高階研究員李曉龍，東風技術中心技術總師周海鷹、領駿科技創始人&CEO楊文利、極目智慧技術支援高階總監段吉四位核心分享嘉賓，從政策、技術、安全等多個維度展開分享。
領駿科技創始人&CEO楊文利透過 《領駿科技自動駕駛技術與應用實踐》主題，向大家分享領駿科技團隊對行業的發展判斷以及公司自主技術研發與市場應用中的“商業場景閉環”、“資料研發閉環”情況。以下是演講實錄：
大家好，我是領駿科技的創始人CEO楊文利，很高興能夠和大家一起分享我們在自動駕駛，特別是自動駕駛技術研發這個領域的一些體會和心得。
今天的主題是自動駕駛技術應該加速還是放緩？我覺得但凡是有價值的東西都應該支援，自動駕駛對整個人類的進步無疑是有一個重大的推進的意義，所以它的社會價值、經濟價值被廣泛的認可。因此我站在“自動駕駛發展該突進”立場，主要原因首先是國際國內相關政策法規的完善和持續支援，其次是從2017年開始自動駕駛相關科技公司如雨後春筍崛起，受到巨量的資本支援。當然，雖然面臨人才短缺的現狀，但如果將自動駕駛技術在部分應用場景加速率先實現，那麼在技術價值、資料積累、使用者需求反饋等等方面將獲得更好發展。
領駿是成立於2016年，整個團隊是來自百度的自動駕駛事業部和清華大學的團隊。我們主要是聚焦在智慧決策、軌跡規劃、感測器融合和場景模擬，這些核心的技術點上面。
我們整個的技術體系分了三大板塊，基礎平臺、核心演算法和場景應用。在基礎平臺層我們自行研發了這樣一個模擬和資料平臺作為我們的測試工具，同時我們有地圖的採集製作的和繪製的工具，可以自行的採集和生產高精地圖，核心演算法其實是我們最核心的技術板塊，主要是聚焦在決策規劃然後以及感測器融合這一方面的核心演算法，具有很強的可遷移性和適配性。
在場景應用層，首先是自動駕駛的一個量產前裝，也就是在自動駕駛乘用車裡面的量產，其次是在一些垂直應用場景裡邊的應用，比如說物流、巴士、城市貨運這樣的場景，還可以快速的進行落地，並且實現它的產業價值。
整個自動駕駛從技術角度分可以分成三大板塊，第一部分是感知系統，第二部分是決策系統、第三部分是執行系統。其實三大板塊類比於咱們的司機，因為自動駕駛它所要完成的任務就是替代人類司機，把人類從一個駕駛位趕上乘客位上面去這是它的一個任務。類比於人類司機感知系統就是人類司機的眼睛，決策規劃的系統就是人類的大腦，執行系統就是人類司機的手腳負責怎麼樣打方向盤、怎麼樣踩剎車油門。
領駿目前是從中央大腦決策規劃層先行，然後正向的去構建整個的自動駕駛的系統，正向的去設計我的感知系統，應該就是我做出駕駛決策，比如說超車還是換道，是讓行還是搶行做出這樣的決策需要哪些資訊，我去部署上面的感測器，所以這是一個正向設計的一個理念。
關於自動駕駛的商業的場景閉環，其實我們公司今年的一個任務其實是把技術轉化為產品，那麼如何轉化為產品？我們經過一段時間的摸索，覺得有下面這樣一個閉環。
首先，什麼是產品？其實產品不一定是一個東西，不一定是一個實物，它可以是一整套解決方案，或者是一套軟體系統，或者是一套硬體系統。那麼對於前裝的應用來講，它可能是一個控制器可能是一個晶片，可能是晶片裡面所裝載的演算法。除了這些技術之外，那產品也有可能是一整套服務，比如說我們目前可以提供這樣的城市小巴運營的這樣一套服務系統。
那麼有產品了，它必須部署到車輛上，因為自動駕駛、智慧網聯車輛它最終離不開車輛，因為車輛是一個自動駕駛整個系統的載體。所以車輛的限控底盤就成為實現自動駕駛的一個必要條件，就是普通車輛剎車油門方向盤是由人工來操作，但是自動駕駛需要剎車、方向油門是需要電子系統來操作，所以它的底盤的限控能力和限控的這樣一個平臺是自動駕駛產品一個必要的條件。
在不同的場景應用後面會列舉一些場景應用，那不同的場景應用中我們使用的車型不一樣，所以對底盤的需求也不一樣。我們看現在市場上很多的科技公司，包括大型的網際網路公司和初創公司，目前都和車廠有這樣的或多或少的一些合作。
領駿在乘用車上，在巴士上面都和車廠和一些合作伙伴，比如說地平線、黑芝麻都有一些非常深入的合作。
有了車、有了產品之後這些車輛和產品必須用在場景上面才能體現出這項技術的價值。那場景粗線條可以分為開放場景和封閉式的場景。開放場景其實剛才提到的乘用車的量產前裝還有城市的客運，城市的支線物流和幹線物流，這一些場景我們的產品和車輛都是執行在這樣開放道路上面，和社會車輛是處於混行的一個狀態。
那另外一個場景其實是封閉場景，封閉場景就比如說礦產、港口、園區，這些的封閉場景的特點就是在自動駕駛產品的執行介面上很少有其他的社會車輛或者說不受控的社會車輛。
比如說礦山裡面我們拉礦石的這些礦產其實它和其他的之間是協作關係，那我們在路上特別是北京在擁堵條件下，其實我們的車輛和其他的社會車輛多多少少都存在一個競爭關係。
那在港口和園區裡其實也是類似的一個情況，那麼我把智慧網聯和車路協同單獨的列出來，中國發展智慧網聯非常有特色的一塊，就是聰明的車加智慧的路，因為我們看到從技術角度上來講很多的這樣的交通場景，它是依靠單車的感測器、單車的判斷能力是無法進行去解決這樣的複雜場景的。所以可以透過車路協同的方法，比如說最簡單的一個例子看紅綠燈，我們在一些真正的城市就看到城市裡面的紅綠燈千奇百怪，雖然有一個標準，但是我們可以看到餅形的一個圓餅形的有箭頭的、有讀秒的像天津城市裡大部分的紅綠燈是進度條形的，所以這一些紅綠燈千奇百怪，那我們用LGB攝像頭去讀取紅綠燈的狀態它的可靠性比較低，就算我們已經有所有的城市紅綠燈的形態，但是還會遇到一個情況一個大順光、一個大逆光。大逆光是什麼意思呢？就是紅綠燈後面是一個大太陽、然後我們攝像頭裡面只能看到一個明晃晃的一個太陽看不到紅綠燈。
然後一個極端的情況就是大順光，什麼是大順光就是太陽直接打到燈頭上面，那幾個燈頭上面紅綠黃三個燈頭照的都很亮，這個時候紅綠燈它自己是開啟還是關閉的狀態，基本上從LGB攝像頭裡讀不出來，這就導致了LGB攝像頭對於紅綠燈的識別正確率和可靠率一直上不去。
但是這樣的一個場景透過車路協同直接把車路協同可以把紅綠燈的狀態訊號以及更多的資訊，比如說紅燈還有幾秒、綠燈還有多長時間，把這一些資訊直接發給我們的車輛，車輛上就可以獲得更多的資訊，而且它的識別率一定是百分之百，我們也解決了這個問題。
那個是車路協同，那麼有了不同的場景之後，其實我們需要理清是一個在場景裡邊的一個使用者需求。比如說我們對於乘用車的量產來講，車廠對它的產品定義有什麼樣的需求是要ACC的功能LK的功能，還是要比如說自主換道的這樣一個功能，所以我們需要對功能有一個梳理和了解。
那麼進入這些應用場景來講比如說礦產港口客運這一些場景，更需要深入到場景中去了解客戶的需求，這些需求反過來指導研發，這些研發出來的產品才有意義。
也就是我們在公司裡經常強調要前線指揮炮火，前線才能摸到真正的使用者需求。有了需求之後，需求是用來指導研發，所以在研發裡面我們主要是聚焦在自動駕駛的核心技術。然後我們發現了一部分的自動駕駛的核心技術是具有比較強的通用性，可以進行快速的複製，比如說後面要講到我們如何把自動駕駛技術從自動駕駛乘用車類似於RoboTaxi複製到城市的自動駕駛巴士這樣一個場景中去。
那麼另外一部分的技術需要以需求為導向去開發。然後才能開發出使用者真正的需要一個產品和功能。其實我們有一些同事自己在我們說不能閉門造車，其實研發同事拍腦袋想了這樣技術非常好研發出來可能並不是使用者的需求，或者說只能滿足一部分的使用者需求。那使用者真正的需求在哪裡？實際上是要下到場景中去充分的瞭解真正的使用者的反饋。
我們理解的場景是什麼？其實我們把自動駕駛的應用場景主要粗線條分了下面四大類，第一類就是大家比較常見的叫做RoboTaxi它的特徵是以後裝為主要的特點，就是科技公司或者滴滴從車廠買來自動駕駛車輛的底盤，然後把自動駕駛的軟硬體部署到底盤上面去，自己去運營這樣的車隊，所以這個是後裝的RoboTaxi。
第二個其實更主流我們把它譽為皇冠說的明珠，是自動駕駛的量產前裝，也就是說在車廠裡邊在這個車下線之前我們把自動駕駛的軟硬體套裝部署在成品車上面去。其實後裝跟前裝的區別不是誰來裝，不是說車廠來裝就叫做前裝，第三方來裝就叫做後裝。
我認為前裝的概念就是說你完成自動駕駛整個套件安裝之後的車型是可以透過公告去上正式牌照的，而後裝的車型它的基礎車型可能量產是可以透過公告，但是改裝之後目前的法律法規還是不允許給這樣的車型上正式牌照的，所以目前國家也出臺了這樣一個測試辦法，可以是透過一些考核和驗證，國家可以頒發一個特色牌照。
第三類的應用場景其實是在自動駕駛的這樣場景中的一個垂直應用，主要就是包括比如說巴士、支線物流、港口、機場這樣的一些限定性的場景裡面。
這些場景比較易於商業化，對於企業來講比較易於商業閉環，證明自己技術的價值。而且這樣的應用場景其實整個的市場規模並不低於這個量產前裝的這樣一個場景。
第四個分類就是小型低速，如果大家是在北上廣深這樣大城市可能或多或少會看到美團這樣的送貨機器人最後一公里的。它的場景執行起來更簡單，而且速度比較低，特點是裡面不能坐人，其實前三類裡面都可以有乘客或者司機在裡面。那麼第四類其實裡邊是不能坐人，它做出來就是真正的無人車，就是可以用於外賣、清掃這些服務。
但是我們覺得這樣的一個機器人它可能比如說美團的，之前有一個事故。保險公司認定這種車是非機動車只能在非機動車道行車，所以警察給到它這樣一個罰單，所以我們覺得這樣的車輛沒有辦法去掛正式的牌照藍牌或者是綠牌。也沒有辦法在真正的城市主路中去行使，它更多是一個移動機器人技術和真正的在開放道路上的自動駕駛技術還是有一些區別的。
跟大家分享一下自動駕駛巴士和自動駕駛乘用車裡面的一些聯絡。我們公司前幾年一直把技術研發聚焦在自動駕駛的乘用車上面，大家可以看到有上部的圖是我們公司自主研發的這樣第二代測試車型，今年我們把這一項技術乘用車上的技術降維應用到自動駕駛巴士上面，下面這一張圖就是一張效果圖，當然車型是一樣的。
為什麼能夠從乘用車直接降維到巴士來應用？其實這裡面我們也有很多的思考。其實有三點：第一點就是它的場景高度相似，那麼他們無論是乘用車也好還是巴士也好，它首先都會執行在城市的複雜道路上面，都會遇到這樣的路口、紅綠燈、岔道、環島這樣複雜的道路結構，同時也面臨著車輛周圍的機動車行人、電動車這樣複雜的交通參與者。
為什麼能夠直接應用過來呢？其實一個點就是它是一個自動駕駛的降維應用，因為我們在做乘用車的自動駕駛技術開發的時候，首先它是一個動態路線。那麼我們不知道乘客的目的地，也不知道乘客的上車地點，所以它的路線是實時規劃。並且它執行在城市的內部道路和高速公路上面，所以中速、低速、高速一直到倒車整個場景都需要去把它完全覆蓋。
那麼巴士的應用場景裡面它更多的是執行在一個固定線路上，並且速度不會上高速公路，所以是一箇中低速的一個執行的狀態。
其實更進一步可以從巴士推到城市的支線物流，支線物流的場景和巴士的場景，其實也是高度的類同，也是固定線路然後中低速這樣一個應用場景，所以從技術角度，從乘用車推到巴士再到支線物流是比較一個水到渠成的一個過程。
在巴士我們剛才講到就是自動駕駛技術在部分場景裡面的應用，可以為整個技術的研發提供資料和需求的支援，這就是第三點資料的通用性。
因為巴士的執行環境是在城市的開放道路里面，也是在城市的機動車道和主路上面去執行，所以它是一臺真車，在真正的開放道路上面去執行，所以它收集到的資料也是真車、真路這樣的真實資料，它的這些透過巴士收集的資料，也可以完全的應用到自動駕駛的在乘用車上面的技術研發裡面來。
所以總結來講就是下得去回的來，下得去就是乘用車上面的技術可以降維快速應用到自動駕駛巴士上，而在巴士裡面積累的資料能夠返哺自動駕駛乘用車技術的研發。
那麼在城市裡邊自動駕駛的應用對比於其他的一些比如說封閉場景裡面的這些應用，到底有哪些挑戰？其實我覺得最大的一個挑戰就是我們自動駕駛車需要跟人類去進行一個博弈，因為畢竟在目前來看在有限的一段時間內，我們的自動駕駛車還是跟人類駕駛這樣的手工駕駛的車一個混行的狀態。所以自動駕駛的演算法需要跟人類司機在道路上進行一個博弈。
但是人類司機的駕駛行為真的是沒有辦法去精準的預測，因為人類司機的駕駛風格會受很多因素的影響，比如說今天上班遲到了，我開的激進一些，今天和老婆吵架了，那麼可能駕駛風格偏向於怒怒的風格，所以人類司機駕駛風格非常難以去精確的預測，這也是為什麼我們在開放道路上的自動駕駛推進速度以及商業化速度會比較慎重。
第二點是關於如何去測試自動駕駛的功能，測試到什麼程度？說自動駕駛這一項功能OK，可以用了，可以掛牌照了，其實行業裡並沒有一個明確的標準。
我們看為什麼仍然發展到現在這麼些年仍然沒有一個明確的標準出臺，其實我總結為以下幾點，一個是道路結構千變萬化，交通的元素多種多樣。然後人類行為又是不可預測的，所以人類的行為又是千奇變怪，所以就是基於這些困難的因素，包括路的因素、交通元素的因素，然後人為的因素導致自動駕駛整個的演算法測試，包括產品的測試，目前仍然沒有這樣行業標準，也是行業認為整個產業裡的一大難題。
所以我們在一些垂直應用場景中率先把自動駕駛技術用起來，也是可以為整個自動駕駛提供更多的資料用來驗證和測試。
那其實如何高效測試就成為各大公司的一個比較關鍵的一個技術點，後面我們會跟大家深入的去探討一下。
領駿自己研究的核心自動駕駛的決策規劃技術，其實就是有以下幾個特點，我管它叫P2P不是網際網路借貸，是從一個停車位到另外一個停車位。其中就包括了從停車位始車然後城市的最後一公里，普通城市道路、高速公路然後再從高速下來、城市道路、最後到你目的地的停車場。目前的技術能力覆蓋了整個的我們說駕駛中的可以遇到的絕大部分場景。
同時我們在絕大部分場景中可以應對極高複雜度的，就是交通複雜度的這樣場景。我們也是國內率先可以透過高複雜度環島的這樣一套自動駕駛的技術方案。
可以看右邊中間這幅圖這樣的一個擁堵的，無秩序的環島，其實在國內並不罕見，我們無論是小巴無論是乘用，如果在城市的道路上開設這樣的商業化應用，那必然會面臨著右圖中這樣一個交通場景，那其實如何去應對這樣的複雜場景，就決定了你的技術的先進性，決定了你的商業化的水平和你的推廣能力。
第三點就是把全棧的自動駕駛的能力，以及應對複雜交通場景的能力塞到了一個量產型的晶片裡面，把支援P2P和高通複雜場景的演算法裝到一顆基於ARM核心的晶片裡面去，這也是為後邊的一個量產、一個是大規模的商業化鋪平道路。
同學們可能就會問這自動駕駛能夠應對這樣的一個決策的系統，應對這樣高度複雜的交通場景，怎麼實現呢？其實我們做了三個東西，一個是對環境進行抽象，那麼我們建立的模型其實不是針對某個感測器的模型，而是針對於整個交通環境的模型，對於交通環境來講，只要中國的交通法規、中國的道路，即使抽象後的交通環境的變化不是很大，我可以靈活的去切換感測器，每個感測器其實都是對於我的整個環境模型的一個觀測。這樣的話我們用針對不同的感測器的架構，可以看到不同清晰度的場景。
第二點就是核心，其實決策核心我們採用了一個混合型的架構，就是基於規則和基於機器學習。基於規則它類比於新收司機剛從駕校出來，他會操作車輛，他知道交通規則他可以合理合法的去上路。新手司機和老司機的一個區別呢？其實就是駕駛經驗，那麼駕駛經驗是什麼？其實就是駕駛資料，就是剛才一直提到的駕駛資料。
我們發現透過機器學習的方法，透過迴歸的方法去處理這樣的資料來體現駕駛經驗這樣一個比較難以言表的東西，是非常合適的一套技術架構，所以我們目前的決策系統採用的是基於規則和機器學習這樣一個混合架構，這裡就時間關係就不再展開了。
另外我們看到的一個閉環是資料研發的閉環，從我們的場景中測試產生資料，然後這些規模化的資料上傳到雲端成為一個測試的資料庫，然後我們再從這樣的資料庫中提取出場景，然後場景放在我們的模擬平臺去對演算法進行一個測試，然後演算法最後變成產品，產品再到我們的應用場景裡去進行測試，所以是完成這樣一個從產品到場景、到資料、到模擬和演算法的這樣一個研發閉環。
這裡面一個關鍵技術就是我們自主開發的這樣一個模擬測試平臺。復現交通場景中的抽象的駕駛邏輯關係，包括路面上其他車輛的位置、所在的速度，距離我的距離。它的歷史運動軌跡以及他下一步要進行的一個運動狀態，其實這些是我的自動駕駛決策系統最關心的這樣一些資訊。
以上是我的分享內容，同學們關注我們企業的微信賬號，可以看到更多的我們的一些技術層面和商業層面上的分享。
