如果无人驾驶要实现商业化，首先突破的领域会是什么？

驭势科技给出的答案是，在封闭限定场景的低速无人驾驶车。

目前，驭势科技已经在广州白云机场与杭州来福士广场开始无人驾驶(地下车库摆渡车)的商业化试运营，未来，它还将与华夏幸福在城镇新区半开放环境合作推进运营项目。据驭势科技CEO吴甘沙介绍，驭势将在今年年底实现产品量产，预计到2020年实现10万辆规模的运营车辆。

在3月31日-4月1日期间，你从白云机场远机位下飞机，去往P4航站楼，或是刚从杭州来福士地下停车场的电梯出来，去开自己那辆停得挺远的车，都可以搭载一辆驭势科技的自动驾驶小车前往。

那么，为什么驭势会选择从封闭场景低速无人车开始切入呢？驭势如何看待通用场景下(高速，80km/h以上)的无人驾驶，正值柯洁与AlphaGo乌镇对战，无人驾驶又能如何用到深度学习和人工智能呢？驭势在商业化落地中又遇到了哪些挑战，采用了什么手段解决？近日，作者专访了驭势科技CEO吴甘沙。

通用场景的无人驾驶还差些火候

当加州已经开放无人驾驶车路测申请，并有包括特斯拉、百度等在内的20家企业已经拿自己的车辆上路测试时，中国国内还没有这样的适用法律出来。去年，长安与博世合作打造的一辆无人驾驶车，打算从重庆一路北上一千公里参加北京车展，但由于没有相应法规规范，中途被叫停。

直到现在，关于无人驾驶测试，仍没有正式法规出台，百度要测试那辆与奇瑞合作后改造的无人驾驶版EQ，也只能趁着夜色在中关村低调地跑一跑。

在吴甘沙看来，中国要出台一个适用于无人车的公共道路测试规范，至少还需要一年时间。而面向自动(辅助)驾驶出台制定底层基础法律，还要1-2年时间，无人驾驶道路基本法可能就更长了，要3-5年。

除了法律法规，围绕无人车的基础设施建设、技术成熟度、无人车成本(包括最重要的激光雷达成本、整车价格等)、乃至社会接受度，都是影响无人车发展的因素。

但在这些林林总总的数据之中，吴甘沙所带领的驭势科技却拆解出来一个新场景：激光雷达成本、V2X、高精度定位降到合理水平可能需要3年以上，不过将低速无人驾驶电动车的价格降到10到20万左右，却可能是在三年内就能见到的事情。

“问起我周围那些开特斯拉的朋友，他们对那套自动辅助驾驶系统(目前是L2级别)不是特别敢用。”吴甘沙说道，要社会层面接受高速公路上(开放道路)2-3级的自动驾驶，至少要需要3年时间，而与之对应的，在限定场景下的低速无人驾驶却能在1到2年内为人所接受。

驭势科技的无人驾驶落地尝试

驭势科技此前对低速无人车的应用场景进行了一番调研，发现即使是低速场景，要运营起来也不简单。

给政府做订单自不必说，政府需求不是市场需求，使用频次一般较低，同时维护成本可能更高昂一些，后期也沉淀不了多少商业价值；最初驭势科技将目光瞄向了景区无人车，但几番切磋下来，驭势最终得出来一个结论：看上去很美的景区反而不是低速无人车的第一波需求。

对于景区来说，一到旺季，就会需要大量车辆(无人车)来运送游客，在这种情况下，如何保证乘客的安全、并且能在短时间内快速疏通游客成为景区的第一诉求，而这就要求成规模地部署无人车。驭势的这辆车此前只在房山进行过展示和训练，显然，直接进景区载客时机尚不成熟。

三月初，驭势科技开始与广州白云机场谈机场摆渡事宜。这也是这辆车第一次经历长途运输、在外地进行测试和部署，用时不到一个月，3月底，驭势无人车在白云机场进行了无人驾驶的试运营，为期三天。“这也是驭势进行的首次真实现场运营。”吴甘沙说道。

毕竟之前这辆车是针对景区设计，在到达白云机场前没有进行过实地适配，三月末，正赶上南方的梅雨季节，驭势这辆无人车没有车门，车内的人员会被雨淋湿，驭势又针对性进行了防雨防湿设计，理顺了现场的管理、保安、保险等等。

这次试运营算是秀肌肉，驭势科技首席架构师彭进展介绍道，目前双方已经拓展了新场景，即进行航站楼通道间的摆渡，这个场景相对前者来说更好，因为这个通道只是摆渡车运行，没有行人，场景更简单。彭进展算了一笔账，通道的摆渡应用频次比较高，每天吞吐近万人次，年吞吐量在300多万人次，到时真正跑起来，投入10辆车，建立3班倒的司机队伍，能产生可观的收益。

对于驭势来说，这是一个高端高频高收益，同时又是低风险的场景。通过机场这一个B端，获取的是机场人群这一高端客群。

凯德集团是一个听闻驭势并主动找上门的客户，需求是给杭州来福士购物中心做地下车库摆渡。

目前，主流采用的定位方式是GPS定位，但GPS信号在楼宇遮挡的情况下就会迅速衰减，到了地下停车场，GPS就太弱了，必须找到一种新的定位方法，这里会用到的是SLAM(Simultaneous localization and mapping)，即能够同时完成定位和地图测绘。

据吴甘沙介绍，目前驭势的方案采用视觉SLAM与激光雷达SLAM两种方法，在具体实现路径上，驭势会先去获取地下停车场的CAD图，将视觉和激光雷达点云与CAD进行匹配，在此基础上进行传感器的多感知融合定位，另外，驭势还在地下车库中设置了很多二维码，作为无人驾驶车参考的标记，类似航路系统中的waypoint，即航途基准点。

除了这些，地下车库还有一些比较独特、需要具体去解决的攻关难题。比如，地下停车场的灯光较为复杂，摄像头方案常见的致盲等问题便是因为光线突然变化，对此，驭势的解决方案是以激光雷达辅助摄像头，以传感器融合的方式做多感知冗余。

此外，这个场景还涉及到人车混行，彭进展介绍道，驭势对此进行了多次连续避障训练，同时由于加入了行人运动轨迹预测、行为预测，所以车辆在实际行进时会比较流畅，不会有顿挫感。驭势还对地库的矮小障碍物闪避进行了模拟训练，用以应对地库中出现的儿童、动物等道路参与者。

空间狭小也是地库中必须要解决的问题，这主要体现在地库中转弯半径小，类似人类驾驶员在出入停车库时应对的螺旋形道路对无人车就是典型的挑战，另外，驭势科技还对整体的规划控制问题进行了优化，比如面对减速带的情况。整体来说，驭势科技与来福士进行配合，一天内将无人摆渡车项目部署上线。

驭势科技在深度学习方面的想法

吴甘沙坦言，从Demo到实际场景的运营，其复杂度、机动性是上了一个台阶的。这就像从原来叶问对着咏春木人桩练习，到与少林18铜人对战，由静入动，在这种情况下，如何判断态势、评估他者(人或动态物体)的动机、预测其行为，并合理获得路权至关重要。

比如，老司机在开车时会根据前方车速快慢决定是否超车、并线，目前，驭势科技使用的是强化学习的方法模仿老司机，在100公里的时速下，可以在前车行驶过慢时进行打灯并线、超车、之后再并线回到原来车道。

但使用大数据驱动深度学习也有命门：即机器很可能会出现训练集中毒、偏差——人举着哑铃的图片作为数据输入，不断训练的结果是，机器会将这段举着哑铃的胳膊也当成哑铃的组成部分。

此外，深度学习最著名的命门，也是至今学术界和研发人员未解决的问题，就是人们并不明白系统是怎么工作的，其原理是一个黑盒子，不具有可解释性。这个选择为什么好、为什么差甚至一定程度上是随机的。

比如，Christian Szegedy等人曾在ICLR2014发表的论文中提出了对抗样本(Adversarial examples)的概念，即在数据集中通过故意添加细微的干扰所形成的输入样本，受干扰之后的输入导致模型以高置信度会得出一个错误的输出。在他们的论文中，他们发现包括卷积神经网络(Convolutional Neural Network, CNN)在内的深度学习模型对于对抗样本都具有极高的脆弱性。

我们人眼可以轻而易举识别出来的图像、物体，假以对抗样本，机器通过深度学习却完全识别不出来。

吴甘沙认为，在开放动态环境下的无人驾驶需要更强壮的AI，要建立这样一种AI，需要深度学习和强化学习两种打法结合。强化学习追求可解释的逻辑推理(理性思考)、强调常识、经验、可以积累的背景知识，同时辅以迁移学习的举一反三、基于贝叶斯的因果推理。

现在在开放道路无人驾驶做得最好的是谷歌Waymo，每5000千英里(合8000多公里)需要一次人类干预，特斯拉每3英里需要一次人类干预，而自动驾驶新秀Uber则每英里需要一次人类干预。但即使是做得最好的Waymo，也不及人类驾驶员的万分之一，人类驾驶员每9000万英里出一次小型事故。

一个很快的解决方案就是使用模拟、仿真，即基于大数据进行快速建模，模拟天气、光照、雨天等，用模拟、仿真+强化学习、以及生成性对抗网络(用于中和上文提到的对抗样本，进行降噪，贴出为真、为假的标签)作无人驾驶中的深度学习。

这几日柯洁在乌镇连连败给AlphaGo，人工智能将不可避免地成为无人驾驶领域的重要探索方向。驭势目前正在与国内外研究机构合作研发驾驶AI，国际著名Tier 1供应商博世也建立了自己的AI孵化器。

无人驾驶AlphaGo比肩人类驾驶员的那一天，或许就在不久后到来。

返回第一电动网首页 >