2018-05-17 16:10
大家下午好！我是来自北京初速度的姚凯，我现在在初速度负责商务工作。
先自我简单介绍一下，我在加入初速度之前，曾经在华为的产品体系工作过多年，在2014年投身互联网创业，那会儿持续做了两家互联网公司：
1、做互联网车险，叫BB车险。
2、IT技术服务的平台，叫IT石榴网。
后来选加入Momenta公司，主要是基于Momenta汇聚了一帮敢想敢干，很有实力的一帮技术队伍，有很多优秀的年轻人，共同来追求这个目标，我觉得非常酷，然后就加入了他们。
这里简单介绍一下Momenta公司，它其实是一家很年轻的公司，成立于2016年9月份，这家公司在不到2年时间里面，搭建了无人驾驶的算法平台、训练平台，也逐步开始做一些产品化的工作，现在有一些产品已经开始量产了。
这家公司的定位是打造无人驾驶大脑，它的产品包括了多个层级的自动驾驶解决方案，以及大数据产品和服务。
为什么要选择这个领域创业呢？基于两点原因：
第一点原因：无人驾驶这个事情市场足够大。
大家知道无人驾驶技术是一项颠覆性的技术，会带来整车制造全面的改变，也会带来汽车后市场、物流、汽车出行等等这些方面的巨大改变，我们认为投身这一块的话，非常激动人心，通过它也可以实现我们改变世界的梦想。
第二个原因：做这个课题的话，非常难，很有挑战性。
大家都知道无人驾驶技术要落地，实际上包括了要去解决很多技术问题，包括像环境感知、高精度地图、驾驶决策算法AI的问题，这些问题现在都没有成熟的解决方案，都需要我们一个一个问题去解决它。
另外，像软硬件的工程落地问题，还有如何验证它的安全性的大数据收集，还有大面积路测的问题，有非常多的难题需要我们去攻克。
我们的小伙伴对于去参与这样一个变革的过程，能够通过自己的努力去解决一部分问题，我们觉得非常有意思。
在做这一块的创业之前，其实我们把无人驾驶技术之前的一个发展历程，还包括全球各种各样的公司参与其中的一些技术路径，我们都做了一些回顾，我们这里主要看一下两个案例：
案例一：Google。
Google其实在无人驾驶技术里面，已经持续投入多年了，2009年的时候，是在加州的高速公路上Google第一次做无人驾驶的路测，然后2012年它的累计里程已经达到了50万公里。
对于Google这种体量的公司来说，做一个Tear one ，或者是Tear two，其实并不是它的目标，Google要做无人驾驶的话，肯定是针对共享出行还做的。
所以，在2013年时，他们在更复杂的城区道路上也启动了无人驾驶，大家知道城区道路里面，交通参与的对象是更加复杂的
2014年底的时候，Google推动了它的单行车，2016年6月份，它已经完成了320万公里的路测，时至今日，其实Google累计了960万公里的路测数据，但是仍然不足以支撑它的产品实现规模量产。
怎么样才能够实现规模量产呢？我们其实更关注的就是人工干预的次数以及它的安全行使里程数。
案例二：Tesla。
Tesla在2016年1月份的时候，发生了一起全球著名的交通事故，造成了Tesla的车主当场死亡。
这样一起事故之前，其实Tesla已经完成了2.1亿公里的路测，同样即使累计了这么多的安全行使里程数，也不能证明它的安全性。
怎么样才能够证明无人驾驶系统的安全性呢？我们这里有一个测算方法。
我们先看一下人类司机，根据我们查询的数据，大概是每1亿公里会发生一起致命的交通事故，如果说要达到人类司机这个水平的话，我们认为至少要有100倍的路测，在统计学上才会有意义。
如果说要超越人类司机，要比人类司机的安全性提升一个量级的话，我们认为路测的这个数据也要提升一个量级，我们认为需要达到1000亿公里的数据。数据每增加一个量级，安全会提升一个量级，这个是我们在做大数据、机器学习过程中积累的一个经验。
那么，这个数据应该怎么样达到呢？我们可以看一下，像私家车主，比如说像我这种车主，我一年下来行使里程也就是不到1万公里，我们这里列的这个车是运行车辆，比如说出租车、长途货车，他们每天的行使里程数量大概是300-500公里。
那么，平均下来一年他的这个里程数量大概是10万公里。也就是说，要拿到1000亿公里的数据，我们需要100万辆车跑一年的时间。这样一个数据怎么样实现呢？有两种途径：
途径一：造车。
我们看一下研究像Google他们，Uber这些公司，他们造车，一辆无人驾驶的车辆的价格，我们是以100万人民币来计算的成本，实际上目前这个水平是高于这个100万人民币的成本的。
100万辆车就意味着需要付出1万亿人的成本，1万亿人是一个什么概念？对于我们这种初创公司来说，这个是一个天文数字，是根本不可能实现的，对于像Google等等这些巨头来说，也许他们能够通过某些方式缓慢的达到这个目标，但是他所付出的时间成本也是非常巨大的。
途径二：众包（这是我们推崇的方式）。
众包实际上有很多很明确的好处，比如说它将测试所用的设备，现在主要像视觉这条路子的话，我们采用的最多主要是Camera和毫米波雷达，这些设备的成本非常低，它可以搭载到乘用车上面去，然后卖给乘用车的这些车主。
这些车主拿到这些车以后，他主要是满足通勤需求，从A点到B点，在这个通勤的过程中，车载的这些设备在不断的收集数据，把这些数据传回到云中心去。
其实这样的一个过程，我们就完成了数据收集的工作，而且测试的成本、运营成本其实也是私家车在使用他车的过程中，就把它完成了的。
第一个好处：这样的话，它的直接好处就是成本急剧降低。
第二个好处：这个非常重要，就是说我们采用的是一种影子测试的方式，不直接控制，我们把那个环境数据收回到我们的中心以后，我们的AI大脑会形成一个预测的驾驶决策，我们又通过高精度地图和高精度定位，能够识别这辆车真实的运行轨迹，两项一比对，就可以判断出来这个自动驾驶的AI大脑安全性高不高。
这个就是影子测试的方式，目前众包的方式有一些公司已经开始采用了，比较知名的像Uber等等，都在采用众包的方式。
在介绍我们众包的数据和这个解决方案之前，我们还想和大家先探讨一下，谈到无人驾驶，实际上现在主流的是两条实现路径：
1、激光雷达。
2、视觉感知。
那么LEDA这条路径有一个显著的特点，就是非常昂贵，大家都知道目前全球能够供应LEDA的公司是很少的，供应高质量LEDA的就屈指可数了，它的造价非常昂贵，这就决定了LEDA这条路径的商业模式不是2C，而是2B，只能够用于共享出行，或者是无人货运这些场景，才能够cover住它的成本。
它实现的方式是可以一步到位，可以直接到L4，全自动驾驶，视觉的这个方式，特点就是我用传感器很便宜，我用的主要是camera，在搭载一些毫米波雷达，这条路径是一条渐进式的路径，因为它的造价便宜，所以可以装到乘用车上面，可以从L2升级到L3，升级到L3.5，再到L4，它是一个仅仅是的技术路径。
这两条技术路径为什么会有这么大的差别呢？不是因为LEDA和camera之间的物理属性区别造成的，最大的原因还是刚才我所讲的，就是因为成本的差距，如果说未来LEDA的成本能够降到200-300美金，实际上目前camera，就是我们视觉感知的这种方式，这个商业模型同样也适用于激光雷达这种模型。
我们再看一下无人驾驶的数据具体是指什么？刚才我也讲了众包的方式，可能大家很多人已经在思考了，就是说数据众包的话，比如说滴滴、Uber，他们这些公司有大量的司机都在外面跑，他们一天积累的里程数据是超过10亿公里的。
那么，这些数据为什么不能够直接用于无人驾驶呢？我们的答案是肯定的，就是说这一些数据，积累的什么GPS轨迹、拍的一些图像，这些其实目前来说都不能用于自动驾驶。
自动驾驶需要什么样的数据呢？有两种数据：
1、X（环境感知数据）。
2、Y（司机驾驶行为数据）。
我们做自动驾驶的目的就是通过数据驱动的方式，通过环境感知的数据，来形成最后的驾驶行为、驾驶决策，环境感知实际上包含了两块数据：
1、实时动态的感知数据。
比如说我的车在路上行走，我周边的人、车、车道线、交通标识等等，这个是实时感知的。
2、静态的不实时变动的数据，我们会形成高精度地图。
我们先看一下这一段Demo，左边上面这个是我们的环境感知，一个是把车道线能够精准的识别出来，然后我们会给每辆汽车做一个非常稳固、精准的边框，它的朝向都会标注出来，不一样，然后车型也会识别出来，我们现在积累了1000多种汽车车型。
下面是一个Free Space，绿色的区域代表我的车可以行使，把这些2D场景的要素投射到右边那个3D的图里面去，在3D的图里面，我们可以精准的看到每一辆车在不同的时间节点所处的位置、加速度、车型。根据那个3D的投影，我们可以形成驾驶的决策算法。
这是我们车场的设备录的像，大家可以看到每辆车行使在不同的车道，它如果有变道的话，在我们的那个3D投影上可以实时反应出来，而且每辆车的车型是SUV，还是小轿车，都会标注出来。
这个其实作用很大，就是说它的tinygreen，最后可以辅助我们更好的判断车与车之间的距离，我们自己开车就知道，在高速公路上，如果你超车超一辆小车和超一辆大型的载重火车，其实采用的策略是完全不一样，风险程度也完全不同。
环境感知的数据其实还包含了高精度地图，因为高精度地图其实也是一项技术含量非常高的、市场竞争非常激烈的领域。目前来说，我们在高精度地图方面，采用视觉的方式来构建，这种方式最大的一个好处就是可以使高精度地图更平民化，能够更快的推向市场。
去年我接待了一个来自日本的团队，他们是日本最大的三家电子图商之一，IPC集团，日本曾经组织大家做了一次高精度地图，小小的一段高速公路，花了很高的代价，最后评估的结果就是如果用这种方式来构建高精度地图，无法完成整个日本高速公路的高精度地图绘制，所以他们转而向硅谷、中国、英国等等一些国家求助。
最后他们锁定目前我们采用的视觉方式构建高精度地图，这种方案是能够最快落地的方式，然后结合高精度地图，我们要来识别这个司机的驾驶行为，这个就是这一段Demo，我先给大家解释一下，我们的carema所看到的场景，可以看到它会把车道线、路牌这些都识别出来，标注成一个语义点，然后下图和右边的图是不同视角的高精度地，结合以后，我们来识别判断这个司机真正行使的轨迹和驾驶行为。
这个三角形可以看到，它实际上代表的是在不同的时间节点，车载的camera所处的位置和状态，我们明显对这辆车做了一个减速，然后再变道，再快速驶离，这个三角板之间的距离实际上就代表了它的车速，这个距离越长，这个速度就越快，距离越短，其实就是一个减速的过程。
通过高精度地图结合高精度的定位，我们把车载的这个camera行使的轨迹和行使的状态标注出来以后，我们就可以还原真实人类司机的驾驶行为，这个驾驶行为肯定不是我们通常想到的方向盘、刹车、油门这些数据，因为那些数据在做自动驾驶的过程中，其实是用不到的，我们是采用高精度定位来识别他真实的运动轨迹。
刚刚我们也介绍了将环境感知数据X提供给我们的云端，然后比对实际司机的驾驶行为，我们来进行深度学习，在这个过程中，我们的AI大脑会形成自己预测的planning，这个planning再比照司机的实际驾驶行为，然后看如果说能够mach，这个算法就是OK的，如果说不符合，我们就再研究发生这个不符合是什么原因，如何调整这个算法。
通过这样的一系列动作，最终我们会形成我们的planning驾驶行为。
说到驾驶行为，说到驾驶决策的话，实际上有三个层次：
层次一：基于车道线的这个planning。
这个用传统的地图算法，其实就已经能够很好的满足了。
层次二：behaviour的planning。
这个是什么意思呢？比如说前面有一辆车，前面挡到你的去路了，你是踩刹车降速跟随，还是说打方向盘、踩油门超车？这个其实就是一个behaviour的planning，这个取决于这个司机的性格特点，他是更保守，还是更激进，他是追求安全性还是追求效率。
这个是一个很复杂的问题，这是第二个层面的驾驶决策算法。
层次三：在这个之下实际上还有pass planning，就是说我如果选择要超车，我采用什么样的路径去超车呢？这个也是驾驶决策的第三个层面。
我们现在既做了一些robbins的研究，就是和OEM厂家一起做的这个研究，同时我们也在做数据驱动的方式来进行前瞻性的研究。
其实开始讲到这个话题就是影子测试，我在这里就稍微多介绍几句影子测试的方式，为什么采用这个影子测试呢？其实之前说了，有个原因：
第一，降低测试成本。
第二，保持更好的安全性，不牺牲测试者的生命安全，保障测试过程能够采用众包的方式去推行。
这个就是影子测试的一些好处，影子测试的原理从两个角度来看：
第一个角度：我的这个测试设备在不断的搭乘着众包的车辆，不断的收集数据的过程中，我把环境感知的数据传送到AI大脑，AI大脑会预测出来，在这样的一个场景下，我应该采用一个什么样的驾驶策略？这个驾驶策略就推算出来了，然后因为我们有高精度地图，能够高精度定位，把这个真实的人类司机怎么开的，是超车还是跟车，把这个真实的行为收集到，收集到以后两相比对，这个就叫影子测试。
这种方式是我们做1000亿公里的理依据，也是一个实践的指导。
这个是我们去年在园博园做的一次真实的路侧，这个不是一个司机，这是一个安全员，他不会去碰这个车，但是他可以随时接管。
我们可以看一下，这个司机很紧张，你看他这个坐姿，他随时准备去踩刹车或者动方向盘，这个路况非常复杂，行人、车辆乱成一锅粥。
现在是红灯，所以我们的车没有动，等会儿绿灯了，我们的车还动不了，因为行人不管，行人在这里跑来跑去的，不能动。我们的司机都急了，摁喇叭，突然一辆大巴靠近，我们的车迅速做出反应。
所以，到了晚上再测试的时候，可以看到这个司机看不到了，因为他已经信任我们的自动驾驶系统了，他就很舒服的躺在靠背上面休息，然后可以看到在夜晚的道路上，我们的车弯道拐的非常顺，比我老婆开的还好，证明这样的弯道也能够拐的很好，因为我们有预测的高精度地图。
在夜晚的道路上，还有很多挑战，比如说车道线会变得很淡，国外的一些产品我们在国内也做了测试，在夜晚路灯不亮的情况下，很多时候车道线是识别不了的。
我们目前在无人车技术这一块落地上，跟很多国际知名一流的OEM车厂进行合作。
我的介绍就到这里，我们Momenta现在正在做各种产品，L2、L3、L4的研究、开发，也在做数据的不断积累，我们的市场主要是面向国内，也希望对无人驾驶这一块感兴趣的各位同行、专家，将来能有更多的机会进行交流探讨。
谢谢！