0
| 本文作者： 易建成 | 2017-06-26 09:33 |
大约七八年前，还在美国弗吉尼亚理工大学念博士的佟显乔自嘲：「博士毕业后继续做无人车应该找不到工作。」这是因为当时自动驾驶技术还未完全被商业化驱使，更多的是极客们对这一技术的纯粹探索。
当然，这句「预言」并没应验。完成学业后，佟显乔先后在英伟达、苹果和百度从事自动驾驶相关的研发工作。
近一两年，在自动驾驶的浪潮下，那些在早期对这一技术不断探索的极客工程师们、那些希望推动这一技术从实验室走向产业化的高校教授们，先后加入自动驾驶的创业大军。作为这股热浪的一份子，佟显乔自然也没能经受住「诱惑」。
今年 4 月，他从上一家公司离职，与另外两位同事共同创办了一家叫做 Roadstar.ai 的自动驾驶公司。这也是今年继小马智行科技（Pony.ai）、景驰科技（Jingchi.ai）后成立的第三支自动驾驶团队。
对自己的这次创业，佟显乔评价道：「自动驾驶到了一个我们可以共同实现的时间节点，何乐而不为？」
「Star on the road，我们希望在自动驾驶这条路上成为一颗明星。」Roadstar.ai 创始人兼 CEO 佟显乔这样解释「Roadstar」的含义。这句话的言外之意， Roadstar.ai 希望成为中国最强的 Level 4 自动驾驶团队。
尽管这家公司正式成立还不到 3 个月，但如果我们了解三位创始人的背景，就能发现这家富有潜力的初创公司在自动驾驶领域所处的位置。
Roadstar.ai 三位联合创始人佟显乔（CEO）、衡量（CTO）、周光（首席机器人专家），曾在谷歌、苹果、特斯拉、英伟达、百度等公司就职，有着丰富的自动驾驶实战经验，并都是自动驾驶研发的中坚力量。
佟显乔是弗吉尼亚理工大学无人车方向博士，曾就职于苹果特殊项目组 (无人车研发)、英伟达自动驾驶算法组，曾在百度硅谷团队担任无人车定位和地图组技术组 Tech Lead。
衡量是斯坦福大学博士，曾就职于特斯拉 Autopilot 组、谷歌地图街景组，曾在百度自动驾驶项目组（ADU）技术委员会任核心委员，担任 Sensing 组经理和 Tech Lead。
周光是德州大学博士，2015 年大疆全球开发者大赛第一名 (200+参赛队伍)，曾在百度硅谷无人车团队负责标定、感知等方面的工作。
目前，这家初创公司获得了来自云启资本，松禾资本，银泰资本、耀途资本等机构千万美元的天使轮融资。
「与其他团队不同，他们三个创始人的经历丰富，在谷歌、百度、特斯拉、英伟达和苹果等公司都有自动驾驶研发经验。」云启资本执行董事陈昱表示，更加重要的是，三位合伙人都曾是团队的中流砥柱。
「团队背景非常好，他们都有无人车方面的实战经验，这一点非常难得。」迅雷创始人、松禾远望基金创始合伙人程浩告诉雷锋网。
在他看来，这三位创始人此前的经验是不可复制的，他们在各自的专长上拥有深厚积累，知道自动驾驶到底需要什么，也了解可能遭遇的陷阱，并基于丰富行业经验确定他们的技术选型：多传感器融合（sensor fusion）。
考虑到各种不同传感器的特性互补，Roadstar.ai 选择多传感器融合软硬件结合的解决方案。
三位创始人相信，多传感器融合方案既可以提升无人车算法的能力，又可以提升算法的鲁棒性和无人车的安全性。
他们认为，多传感器融合在算法上的优势以及使用相对便宜的传感器（比如使用性价比高的国产激光雷达），可以快速推进 Level 4 自动驾驶技术的商业化。
对于这一套多传感器融合技术的具体方案，Roadstar.ai 将会在未来逐步对外公开。
简单而言，这家公司要做的，是为自动驾驶汽车提供完整的解决方案。
在具体业务上，Roadstar.ai 将与整车厂商和供应商合作，为他们定型开发相应的 Level 4 级别无人驾驶系统，其中包括多传感器融合技术、软件以及提供自动驾驶车辆需要的高精度地图服务。
耀途资本创始合伙人杨光认为，国内整车厂和 Tier 1 在 Level 4 级别的自动驾驶技术上缺乏积累和人才，技术研发和储备在一定程度上依赖科研院所和创业团队，而这方面在全球范围最领先的仍是谷歌、特斯拉、百度等公司，因此 Level 4 留给创业公司的想象空间非常大。
在杨光看来，创始团队有不同的技术专长，在传感器感知、定位和地图、路径规划、深度学习领域均有经验，整体技术水平比较平衡和全面，比起某些全部来自于某一家技术公司的团队，或者完全基于深度学习算法背景的团队，有更大的把握研发出 Level 4 级别的自动驾驶方案。
据雷锋网了解，Roadstar.ai 已经硅谷和深圳设立研发中心，一方面吸收硅谷最新科技融入产品；另一方面针对中国市场做落地实践。在明年年初，这家公司开发的自动驾驶原型车将正式上路。
最先落地的场景：商用车
对于自动驾驶技术的落地，佟显乔说，Level 4 自动驾驶技术能在某些限定性场景下更早实现商业化应用。
以物流车为例，国内的物流行业仍处在快速发展期，但运营成本高昂。无人驾驶技术如果得以在城际高速公路等场景得以应用将能够大幅提升物流效率和降低运营成本。
在百度、谷歌的无人驾驶汽车中，一个 64 线激光雷达就售价高达 8 万美金（约合 54 万人民币）。对于这一重要传感器的成本考量，佟乔显告诉雷锋网，他们希望利用国产的传感器来开发自动驾驶汽车，并做到不亚于硅谷的水平。
自动驾驶是一个万亿美金的市场，但同时也伴随了许多未知和风险。他们能否追赶目前的行业进程？到底还需要多少时间？他们拥有多少资源？还有太多的不确定性。这些问题对任何一家公司都是一项庞大、艰难的任务，即便是由自动驾驶领域明星人物组建的团队也是如此。
那么， 成立不到 3 个月的 Roadstar.ai 是如何看待这些问题的？以下是雷锋网与 Roadstar.ai 创始人兼 CEO 佟显乔的对话实录（有删减）：
雷锋网：谈一谈为什么会创业？
佟显乔：我本科在哈工大，对机器人这个领域一直比较有兴趣。创业做无人车是因为赶上了好的时间节点，也是我自己专长的方向，再加上有比较好的团队来做这件事。
我觉得创业追求的是一个成功率。如果我一个人创业，我可能会做一个规模比较小、自己可以掌控的技术。做无人车是因为我觉得我们现在的团队有整体的技术，各方面都非常均衡，我才有信心做这件事。
雷锋网：Roadstar.ai 今年才成立，在此之前很多自动驾驶公司已经成立了两三年，对你们来说，在这个时间点上做这件事情相对算迟一些。
佟显乔：从时间上我们确实是成立的比较迟。但我觉得从时间点上其实恰恰是一个比较好的时机。
两三年前，这个行业比现在还看得不太清。一方面是传感器的价格，还真的没有降到业内能够接受的水平，所以我们做这件事情的初衷可能更多的是出于兴趣或是项目研究。而今天我们会认真将它当一个产品来做。
从技术上来说，两年前深度学习刚刚开始热，那时候用深度学习来做自动驾驶的人并不多。在今天，我们看到深度学习已经开始应用到各行各业，特别是在自动驾驶感知上，深度学习的性能已经被证明，比如物体识别、车辆检测方面已经超过传统计算机视觉算法，所以这个方向从技术上来说，是比较新的。
另一方面，两年前我们会认为谷歌的无人车做得最好，都认为应该按照谷歌的思路。但今天我们可以看到各式各样的技术路线。这对整个行业来说，可参考的方向就比较多，而且最后走到一个正确技术方向的概率也会比较大。所以从时间点上，我觉得正是一个比较好的时机。
雷锋网：你觉得你们还需要多少时间赶上目前的行业的水平？
佟显乔：从我们团队的配备来看，我们希望在巨人的肩膀上，在更正确的技术路径上推进无人驾驶。
我们的技术选型和好多公司实际是不一样的，最后什么时候可以超越或者差不多，这其实比较难说。我觉得应该两年之内是比较合理的。
明年年初我们会有一辆原型车，相当于 1.0 版本，这是能够展现我们基本架构能力的车。
雷锋网：有人认为目前自动驾驶/无人驾驶还处在一个比较早期的阶段。你怎么看这一领域的发展？
佟显乔：无人驾驶领域的从业者，一般最早是在学校做研究，后来到公司做产品，再到最后做产品的落地。
我认为现在的无人驾驶已经到了可以做产品落地的阶段。但是因为无人驾驶的市场非常大，它包含了各种各样的应用，但并不是所有的应用都是平等的。比如说出租车的落地，可能今天还是非常的早期。但是运输物流，我认为已经比较接近了。
雷锋网：你们团队有哪些优势？核心团队各自的分工是怎样的？
佟显乔：我们正式成立不到两个月，现在团队规模不到 20 人，但每个技术模组都有经验丰富的专家来带队。
我们的技术模块大致分为：Sensing、感知（传统视觉、深度学习）、定位、高精地图、决策、路径规划、控制、计算平台、云端等等。
无人车是一个复杂的系统，如果有一块短板就决定了整个系统的短板，这与「木桶效应」类似。所以，我们希望打造一个各方面都均衡的团队，每一方面都没有短板，然后可以将整个系统搭建起来。这是我们的目标之一。
雷锋网：很多初创公司都将自己的自动驾驶解决方案定位在 Level 4，但事实上这一级别的自动驾驶看起来很激动人心，但离实际市场还有一段距离，而且还将面临各种法律法规的问题。对于 Level 4 的定位，你们是如何思考的？怎么解决从 demo 到商业化落地之间的巨大鸿沟？
佟显乔：我们本身是做技术出身，Level 4 在技术上来说更难，但 Level 4 也更加符合未来的预期。
我们过去做的工作一直是 Level 4 ，技术门槛高，又有挑战性，这也是下一代交通系统肯定会去实现的技术。从社会角度来说，它会使得整个社会的生产力大幅度提升。
而落地问题，我们希望找一个落地的应用，比如商用车的应用，在可预见的未来是很快可以实现的。我们的市场和产品的落地都会在中国，我们希望做一个符合中国的交通系统的解决方案。
雷锋网：讲讲你们的技术选型，为什么会选择多传感器融合的路线？在技术上、成本上有怎样的优势？
佟显乔：一方面从冗余系统的角度考虑，一方面从技术的角度来考虑。
首先汽车和手机等其他消费品并不一样。汽车要求最高的是：安全性、系统稳定性。
如果自动驾驶只依赖单一传感器，这没办法保证汽车的安全性和稳定性，所以要有冗余或者多种传感器的配合来解决这一问题。
从技术角度看，使用两种或多种传感器，能够将他们的性能进行互补，性能之间的优劣势组合在一起运用，取长补短。它结合了不同传感器的优缺点，后续我们在算法上的研发和投入程度就会变得相对简单。
两年前外界觉得有些传感器，比如激光雷达由于价格太贵只适合用户做研究。但实际上，激光雷达有摄像头无法弥补的优势，它可以提供准确的三维信息，对于探测周围是否有物体存在的效果特别好。
从成本角度来说，今天有很多家公司在做激光雷达，而且未来的趋势并不是旋转式的激光雷达，而是固态激光雷达，后者的成本可以降到很低。从今天看这些产业链已经起来，再过两年激光雷达的价格将会便宜很多。
雷锋网：和大部分创业公司不同，你们的主要产品是针对前装和后装，前装又分为乘用车和商用车，后装分为高精度地图。能不能分别谈谈为什么会这样规划，你们是怎么思考的？
佟显乔：我们不是一家做研究的公司，而是要将技术应用到产品上。
我们会和车厂、供应商一起来探讨在哪一个应用下我们可以完全达到 Level 4 级别的自动驾驶，这是我们做前装产品落地的方向。
我认为，一个合理、快速落地的应用方向应该是商用车，因为商用车涉及的环境比乘用车简单。从技术成熟角度来说，这会是优先解决的问题。
这个市场足够大，限定场景的应用也非常多，我们觉得比较直接的方式应该是先从商用车入手，最终再到乘用车。
从后装来讲，Roadstar.ai 在地图和定位方面比较强，我们认为 Level 4 自动驾驶，高精度地图必不可缺，而高精度地图是我们的优势。
我们并不会和传统图商进行竞争，因为他们的优势在于车队，可以采集大量数据，可以做地图服务。我们的优势在于：如何将采集到的数据变成高精度地图，如何从 raw data 变成厘米级精度。这恰恰是我们可以与传统传图商进行互补的方面。
雷锋网：目前业内很热的深度学习，你们是否也会用这样的技术解决自动驾驶的问题？
佟显乔：从机器人学角度来看，无人车就是一个机器人，物理建模、动力学模型等方面都是要考量的。
深度学习是一个比较通用的方法，并不是最终解决方案。深度学习主要应用于感知，比如对车辆、行人、障碍物检测等方面。从整体上看，深度学习只是无人驾驶解决方案的一部分，并不是全部。
我们认为在需要深度学习和这项技术擅长的部分，我们一定会使用它。
雷锋网：业内认为，无人车大规模数据收集和测试是关键问题。对于车队规模和数据采集，你们会有哪些相应的规划？
佟显乔：大规模数据解决的是边际问题。驾驶场景千变万化，后续的 corner case 又有长尾效应，接近于无限多。所以这需要大规模的数据来解决。
但今天我们就到达了只需要解决 corner case 的程度吗？我认为还没有，从另一个角度来说，不同的技术造成长尾的长度也是不一样的。
如果有好的技术选型，未来处理的 corner case 会少一个量级，后续需要采集的数据量或者是做相应的工作也会少很多。
明年年初，可能在春节前后，我们将推出原型车，我们希望做一个鲁棒性好，又有安全性的系统。另外，我们也希望与国内的产业合作伙伴一起壮大，用国产的传感器来做这件事情，并做到不亚于硅谷的水平。
雷锋网：你觉得这样的问题是否可以被量化：比如测试车的量到达一定的规模、测试里程达到一定的规模，就能解决无人驾驶的安全问题？
佟显乔：如果需要几亿英里，每天几辆车上路，可能几十年也不能达到这样的数据量。所以对车来说，并不应该是这种测试。一方面成本不允许，比如激光雷达当前成本较高，产能也不足；另一方面，这也导致没有足够规模的激光雷达装配在车上去收集数据。
我觉得比较合理的方式：在算法上解决大部分问题，然后在仿真建模上解决小部分问题，剩下的则是做真正的路测。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
