3
今年 1 月，法国公司 EasyMile 首辆无人驾驶公共汽车 WEpod 开始在荷兰一座大学城内进行开放式测试；2 月底，日本无人自驾计程车 Robot Taxi 为了在 2020 年东京奥运前实现商业化营运目标，已经在日本神奈川县藤泽市展开道路实测……
似乎无人驾驶离上路真的不远了。但是作为一套要商业化的系统，成本问题自然无法回避。高精度激光传感器、GPS 造价不菲。即使作为一个成熟的智能系统，如何降低价格或者在廉价传感器上寻找解决方案？
本文整理自「硬创公开课 Online | 无人驾驶」专场。分享嘉宾是驭势科技联合创始人姜岩，他是北京航空航天大学博士、美国伊利诺大学香槟分校联培博士研究生，研究领域为自动驾驶系统架构设计和规划控制。
雷锋网：驭势具体在做什么？进度如何？
姜岩：我们在做两个方向：第一个方向是做自动驾驶，环境开放，路线不固定，在自动驾驶中驾驶员是参与驾驶过程的，以强化驾驶体验为目的，车主可以将车开到任何地方去，比如特斯拉这种；第二个方向是，固定线路、开放环境的无人驾驶，比如谷歌的豆荚车。
我们希望以低成本实现自动驾驶或无人驾驶的产业化。在汽车产业这一专业性极强的产业中，我们不会去做专业公司已经在做的事情。
在硬件方面，我们不会做汽车，只会提供解决方案；解决方案中的核心载体是自我研发的车载超级电脑，这台超级电脑负责解决自动驾驶中感知定位规划控制的所有工作；
传感器上来说，如果有现有传感器能够满足我们的要求，我们会尽可能的采用货架产品，比如毫米波雷达，超声波雷达，以及低成本的 GPS；
在机器视觉方面，由于现在还没有能够满足我们要求的货架产品，因此我们会推出自己的机器视觉解决方案。这也是我们的优势之一。
雷锋网：我们都知道谷歌使用的 LIDAR 传感器成本很高，售价七八万美元一个，你们究竟怎么用低成本实现？
姜岩：无论哪个方向，成本是最关键的因素。自动驾驶有个特点，90% 的功能可以用 1% 的成本实现，但是剩下的 10% 的功能是最难的，可能增加 100 倍的成本也不一定能实现，真正实用的自动驾驶系统不会使用最昂贵的设备、最复杂的技术。
在我看来，做好自动驾驶，取舍是关键。最好的自动驾驶技术方案，是在成本限制下最简单的方案。所以我们不会花时间去攻克最难的部分，我们只用低成本实现 90% 的功能。
要想做到取，我们舍掉了高成本的设备。举个例子，不用激光雷达，没有 RTK GPS 怎么样实现定位精准，那就靠视觉地图匹配，但是视觉也存在不足，有时候并不能保证一定看到环境中特征，那么我们可以加入其它技术手段来弥补它的不足，让它看见足够的特征。更重要的是，我们在整体系统设计时，就要让系统不是那么依赖于定位的精度，从系统架构的冗余设计上解决问题。
雷锋网：驭势目前采用的立体视觉是自己的相机还是别人的相机？如果是自己的相机，那么为什么市面上的相机不满足要求？Mobileye 也是致力于视觉解决方案。能否对比一下驭势科技与 Mobileye 的方案的异同点？
姜岩：我们会兼容其他家的传感器，但是也会开发自己的立体视觉系统。至少到现在为止，Mobileye 的东西还满足不了我的要求，我们在视觉方面还是很有优势的。
目前 Mobileye 并不提供立体视觉系统，同样视觉地图匹配功能也没有，这两个功能是我们视觉系统的核心。
雷锋网：无人驾驶最后针对的客户是谁？是车厂还是终端客户？
姜岩：无人驾驶与自动驾驶针对的客户是不同的。无人驾驶更多针对特定需求的客户或者终端用户，自动驾驶更多地针对车厂。
我们公认的是一旦推广无人驾驶，共享经济就会起来，汽车的保有率会降低，那么这肯定不是汽车厂商希望看到的，车厂希望看到的不是「消灭」驾驶员，而是强化汽车的某些特点，让驾驶员更安全的驾驶，驾驶体验更好，这对车厂才有意义。
无人驾驶的目标是提高交通系统的效率，完全把人类从驾驶过程中解放出来，因此他承担了更多地社会责任。
雷锋网： 既然无人驾驶目标是提高交通系统的效率，怎么实现无人驾驶的交通系统？
姜岩：最终的交通系统一定是所有车辆都是无人驾驶，而且是专门为无人驾驶设计的，但不可能一蹴而就。如果交通系统就是为无人驾驶设计，它运行无人驾驶汽车就更简单。最难的是在现有交通环境下，除了无人驾驶汽车外，还有其他有人驾驶的车辆。
这个悖论在于，如果在现有的交通系统里面做无人驾驶，它的技术难度比无人驾驶最终形态还要难。我们最终的解决方案有两步：
1、现有交通系统下出现部分自动驾驶功能车辆，随着功能越来越多，自动化程度不断提高，反推交通系统发生变化；
2、固定路线开放环境的无人驾驶在以后会越来越多，从技术层面和覆盖范围慢慢演化。干线交通就是高速路或地铁，毛细血管交通就是公共交通，如果最后一公里逐渐被低速无人驾驶覆盖，交通系统自然发生变化。这是量变引起质变的过程，到 2020 年之前会演变成成熟路线。
雷锋网：短期内，可否实现区域性的无人驾驶,比如高速公路上的应急车道，提供专用车道给无人驾驶车辆，比如夜间从北京到上海，局域车互联，是否有条件实现？
姜岩：并不是没有条件实现，但是我现在考虑问题的思路是：它的价值在哪里，能否可持续的推动产业发展？如果是为了做无人驾驶而无人驾驶，不太现实。
我认为在现有交通系统下无人驾驶是没有需求的，无人驾驶承诺的所有事情，自动驾驶都可以做到，我强调的是在高速公路上这种情况。我认为消灭驾驶员的需求只对成本很敏感的应用存在，对于消灭家用车驾驶员持怀疑态度。
雷锋网：为什么现阶段大部分无人驾驶都在院校的研究阶段？
姜岩：研究和产业化推广中间有断层，因为学校出来的成果更多是原理验证、概念成型。终端用户或汽车厂商需要的是一个拿来就能用的成型产品。
对于汽车产业来说，测试很重要、降低成本也很重要。这部分没有人做，我们要做的就是为了填补这块的缺口。
雷锋网：目前无人驾驶技术商业化有哪些案例？驭势提供的解决方案是不是为企业定制？
姜岩：如果我们把无人驾驶技术的每一点都当做是无人驾驶的一个阶段的话，ACC（自适应巡航控制）、FCW（前方碰撞预警系统）、荷兰的无人巴士也算。其他还在演示阶段。
需要说一点的是我不认为 LDW（偏离警示系统） 属于自动驾驶范畴，因为以报警为目的的车道线检测与以自动驾驶为目的的车道线检测的要求完全不同，他很难通过自我发展达到这个阶段，必须从一开始就以自动驾驶为目的设计车道线检测。
驭势在自动驾驶这个大产业中只是一个环节，我们的解决方案也只是这个环节的解决方案，最终成事还需要与上下游各个专业环节共同完成。
雷锋网：无人驾驶的技术集成现在需要囊括哪些环节，哪些环节比较成熟，现有在国内哪些环节比较薄弱？
姜岩：在技术上和机器人几乎没有差别，就是体现在感知、决策、定位、规划、控制以及需要一个汽车平台。直到现在无人驾驶研究大部分都还在学术界，还没有完全的被产业界接管，这意味着技术上全世界都是公开和公平的，没有秘密。
国内唯一薄弱的在于元件，大部分传感器元件比如激光雷达、高精度定位等来自国外，包括底层的平台，从算法上来说问题不大。
如果从技术指标来说，最好的肯定是最贵的，如果只是以完成这件事情为要求的话，那就需要综合的考量：用激光雷达做高精度地图匹配、用 RTK GPS 做高精度定位还是用低成本的方案让汽车在路上行驶。这些都可以实现。
雷锋网：如何看待近期谷歌无人车撞巴士的事件？
姜岩：由于并没有足够的信息，因此我不能确定这件事是算法、场景复杂或者是驾驶员与车协调造成的。
但是这件事的关键是，它提醒人们无人驾驶做到零事故率是不现实的。从一开始，无人驾驶的愿景里就已经明确：可以极大降低事故率，或者减小事故导致的后果。
对我们来说：第一，这种事情迟早会发生；第二，这件事情对谷歌不会有大的影响，因为它有上百万公里的安全里程做背书，能够证明它的事故率远远低于人，甚至这件事故是好事，它是真实的；第三，公众对这件事情的看法，他们可能更聚焦于这一起事故。怎么让公众接受说无人车会出事故，还需要从其他方面解决。但谷歌提供了一个很好的思路：大量测试，证明它是安全的。
这种测试必须是开放的，不能只是一种公关行为。体验是提高公众接受度最好的办法。下半年我们的车开始上路测试后，整个过程都会向媒体和公众开放，你可以随时上车去参与自动驾驶或无人驾驶行驶的过程。
雷锋网：无人驾驶技术会降低事故率，能否实现零事故率？
姜岩：零事故率从理论上来说是不可能的，理性的说，无人驾驶会降低事故率，但是更多地情况下即使没有阻止事故发生，也可以减轻事故的后果。这也是一种有益的进步。
无人车发展到最终也未必能到零事故率。比如地铁在一个很封闭的环境而且还有人驾驶，也不一定是零事故率。但是无人驾驶会在这个过程中会以降低事故的后果开始。
雷锋网：如果出现事故，责任谁来负？车厂、司机还是技术供应商?
姜岩：自动驾驶的车辆一定要有一个完整的数据记录的功能，发生事故以后，能将周围所有复杂的观测情况、处理结果和原始数据记录下来，能够完整呈现当时发生了什么，把数据计算出来，对比不同的计算结果：是计算能力达不到、当时的环境我们处理不了还是第三方的责任。
在无人汽车能够上路之前，这个系统是必须具备的，否则责任无法划分。
发生了交通事故，比较理性的方案应该是首先有一笔保险垫付，然后是我们与汽车厂商做事故分析，看到底是谁的责任，比如说是车根本刹不住还是根本就没看到，假设我们的系统用的是某个品牌的传感器，我们层层分析事故结果是他们的传感器没有检测到当时的情况，那责任就在传感器供应商这一方。
友情通告：
1、硬创公开课 Online 第三期将于明天（3 月 8 日下午 2 点）准时开课，主题是无人机，分享嘉宾是一名无人机资深从业者。
2、附上：此次公开课的分享群，尽管分享已经结束，但本群会作为雷锋网的无人驾驶以及讨论驾驶领域的黑科技群。欢迎此领域的爱好者、从业者和业内人士扫码加入切磋。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
专题
