自动驾驶系列课 | 这类自动驾驶最先挣钱详解低速无人车【附PPT+音频】

导语：汽车产业经历剧变，自动驾驶浪潮来袭。是被浪潮吞没，还是屹立于浪潮之巅？如何摘得“人工智能项目之母”桂冠，用智能代替双手掌控车辆？从9月14日起，智东西重磅推出9堂自动驾驶系列课。9位实战派导师将为大家奉献超过810分钟的系统讲解和深度互动，完成对 33个知识点的专业拆解，和你一起建立未来汽车的知识壁垒。

智东西自动驾驶系列课第4课由智行者联合创始人李晓飞讲解，主题为《低速自动驾驶专用车的技术挑战与前景》。

在车东西公众号对话框回复“自动驾驶”，获取系列课音频、资料下载。

本课干货以及李晓飞所述精彩观点，智东西摘录如下，一分钟概览课程。

要点速览

1、自动驾驶技术的落地场景：

自动驾驶技术落地主要考察两个维度——现实的刚需程度与可预期的安全风险。基于这两者考虑，低速、商用场景下的特定功能无人车成为可行性较高的方向，其中又以无人配送物流车需求最大。

2、如何打造低速自动驾驶专用车

就智行者而言，自动驾驶软件架构开发更为重要。其开发低速自动驾驶专用车软件系统的四大核心板块是：数据采集标准平台AVDC、仿真测试平台、自动驾驶操作系统AVOS、算法评估体系。

其中AVOS是又是核心中的核心，直接决定自动驾驶车的表现，它需要做到配置灵活、通用性强，可认知连续场景。高精地图与定位、目标轨迹检测是AVOS中两大关键技术。

3、低速自动驾驶车的挑战与展望：

自动驾驶落地受到政策、资本、技术、民众接受度多方影响，低速自动驾驶专用车已经是其中受限较小的优先选择。

但同时，低速自动驾驶专用车要大规模投入应用，从上百体量达到万级体量，仍需解决技术能力、模块成本、数据收集与应用方面的问题。

主讲实录

李晓飞：各位老师，大家晚上好。非常感谢智东西的邀请，让我有机会在此向大家分享智行者科技在低速自动驾驶专用车方面的一些思考和工作。我是北京智行者科技有限公司的联合创始人李晓飞，在公司负责技术研发方面的工作。

今天的报告主题就是“自动驾驶技术在低速专用车上的应用、挑战和前景”。群里有很多前辈和熟悉的朋友，今天报告中可能有一些不太恰当或者有问题的地方，大家可以直接在群里交流，也可以私下跟我沟通。我也非常乐意回答大家的问题。

接下来跟大家聊一聊智行者在低速自动驾驶方面的一些想法。首先会简单介绍智者行科技是一家怎样的公司以及做了什么样的事情，然后会聊一下自动驾驶技术的落地场景，接着分享一下怎么打造一辆低速的自动驾驶专用车，最后去展望并提出一些低速自动驾驶专用车的挑战

1、基本情况

首先介绍一下智行者科技。智行者是一家非常年轻，专注于智能汽车开发的公司。虽然我们仅仅成立了两年多的时间，但是团队的核心人员从事智能汽车研究都有比较长的时间。99年的时候，李克强老师从日本回来后，我们就开启了清华大学汽车系关于智能驾驶的研究。我们这些联合创始人都来自李克强老师的实验室，我们陆陆续续在李老师的团队工作了很多年，也积累了很多自动驾驶相关的知识和经验。

智行者于2015年的6月份成立，虽然只有两年多的时间，但是也做出了一些成绩。16年的4、5月份，在北京车展上，我们联合北汽做了一个自动驾驶公众试乘试驾的活动。我们在北京车展运行了十天，累计接待3000余人次，累计运行里程2000多公里，并做到零故障、零失误，在去年4、5月份我们能做到这一水平，也取得了比较大的反响。

在2016年10月份，我们在杭州参加了阿里的云栖大会，并首次推出了低速自动驾驶观光车。我们在7天的展示里累计接待了2000多名观众，整个过程非常的顺利，也受到了领导的视察和表扬。

我们还会在一些比较开放的场景，比如高速公路上，做一些自动驾驶拉练性的工作，以提升技术能力。PPT中有一幅图是黑色的长安睿骋车，去年10月份我们从北京到北戴河进行为时一周的拉练测试，做到了能在高速上跑80、100公里的水平。大家可能都会担心安全问题，但是我们车上是做了非常周密的安全措施的。

进入2017年，通过一年多的队伍锻炼、技术积累以及对自动驾驶市场的判断，我们选择了低速物流车，也包括其他的低速专用车，作为我们自动驾驶技术的落地场景。2017年6月份我们跟某知名电商联合推出了一款无人配送物流车，我们称之为蜗必达。在9月份的时候跟百度阿波罗和烟台海德公司联合推出了第一款无人清扫的扫路机，在北京的一些公园也实现了常态化的作业。

刚刚说的是我们公司两年多的大致规划，接下来简单聊一下智行者公司的技术定位和产品定位。这张PPT介绍了一些智行者的技术定位，智行者是一家通晓全局的公司，但是我们也定位于一个比较集中的部分，就是自动驾驶、智能汽车大脑的开发及系统集成。我们的重点是多传感器的融合和决策规划，包括车辆的商务机的控制等，而在前端传感器的处理，以及涉及到的传感器，并没有做很多工作，至于底层控制执行器，我们也不会涉及太多，因为这些掌握在整车厂的手里。

上一张图讲的是我们智行者科技的技术定位是要做自动驾驶、智能汽车大脑的开发及大系统的集成，而这张图是想表述智行者的产品定位。智行者在短短两年时间内提出了自动驾驶的操作系统和软件体系AVOS，而在此基础上我们重点打造了两款目前拿得出手的系列产品。第一款是大家都比较熟知的“蜗系列”的产品，比如我们跟电商合作推出的无人物流车“蜗必达”，跟清扫机车厂合作推出无人清扫车“蜗小白”，以及园区的摆渡车“蜗来了”。这些是我们在自动驾驶摸索了两年的时间后觉得比较好的落地方向，因此我们推出了低速专用车的产品。在后面我会详细去介绍为什么会推出这些产品。另外一个系列是我们的高速自动驾驶系列——“雨燕系列”。该系列是我们智行者推出的L4级别的汽车自动驾驶解决方案，主要技能跟目前其他家做自动驾驶的技能差不多，都是针对普通城区内L4级别的自动驾驶，而高速上L3级别的自动驾驶解决方案是跟一些整车厂去联合开发，不断推进L3产品的落地，包括一些高速自动驾驶的落地。

这两个系列瞄准的方向不一样，我们希望在高速自动驾驶上做的是技术研发和技术积累，而低速自动驾驶是我们在自动驾驶的技术积累和研发过程中去做产业化落地的一个方向。后面我们这两条路也会持续并进，希望都能够得到比较好的结果。

2、自动驾驶的落地场景

刚才简单介绍了智行者科技的发展历程，包括智行者科技的定位，接下来进入本次课程的主题——自动驾驶落地的场景。我们一提到自动驾驶的技术就感觉特别高深或者虚无缥缈，感觉落地场景不太好找。在我们考虑自动驾驶技术的落地时，主要是考量两个关键指标：1、现实的刚需程度，2、可预期的安全风险。

“现实的刚需程度”就是眼下社会及客户到底需要什么。我们不会考虑10-20年之后的客户，如果把握不好这一点，可能就成了赔本赚吆喝，看似做得比较热闹的生意，但是最终可能只是自动驾驶技术的一种演示，这是我们不想做的事情；

“可预期的安全风险”，自动驾驶在极端失效情况下会造成多大、多严重的安全事故，例如我们经常在新闻中看到载货大客车制动器失效之后车毁人亡情况。同时也要好好考虑一下，哪怕以现在最先进的技术手段，如果真的大规模上量的话会有多大的概率出多大的事故。因为汽车只要速度一高或者上量，遇到的问题可能非常多，所以这也是对自动驾驶技术非常大的考验，因而这也是我们在做落地的时候重点考虑的风险问题。

我们在考虑落地的场景时会经常用到这样的四象限的图，我们认为当前的技术手段在低速载物最具备优势，也是自动驾驶技术落地场景最合适的一个方向。我们也尝试过其他的方向，比如说高速载人、高速载物，但发现风险程度以及市场的刚需程度还没有达到我们想要的预期，所以我们先选择一个看似比较容易的方向来做智能驾驶技术的落地。

讲到低速载物，我们首先想到的可能就是物流配送的问题。这里我先讲一下我们对最后一公里物流配送问题的看法以及想法。这一张图片介绍了最后一公里的问题，载物的自动驾驶到底是不是社会的刚需？我们先不看京东、顺丰等电商、物流厂商推出无人驾驶送货车的新闻，我们单从数据上来分析是不是刚需。图中的两幅柱状图反映了目前中国电商还是比较繁荣的，而消费者的便利都是建立在强大的电商和巨大的人力成本之上的。比如在2015年国家的物流成本占GDP的18%，这是非常大的。而我们预测在2017年到2020年快递业务的件数基本上会呈线性增长。目前来说，我们有这么大的业务量和市场，也就需要非常大的人力成本。试想一下，如果未来5年、10年、20年人口下降，如此大规模的人力送货的方式还能够持续吗？越来越高的公司负担还会让企业具有核心竞争力吗？所以我们抛出一个问题，而它的答案也是显而易见的，人力成本肯定会随着时间的推移越来越大，我们以后的送货模式肯定要被改变。我们得到一个数字，中国快递业人力成本占总成本的50%，这是一个非常大的数字。

这张图的数据显示物流行业人力成本在各个环节的部署中超过一半的快递业从业人员都是一线的快递员，从这个人数上就可以体现出来刚才提到的人力成本占总成本的50%。物流配送不同环节，包括一线快递员、卡车司机和仓储分拣这几部分，都对应会有一些演变或者改进的方案，比如说用无人物流车解决最后一公里的一线派送，用自动驾驶来代替卡车司机。仓储分拣可以以分拣机器人取代人力，实现整个过程的智能化。从这里可以看到从业人员，包括快递站的人力成本，主要在于最后一公里的一线快递人员，所以用无人小车、无人专用车来去取代一线快递员是有非常大的经济效益的，这个刚需是显而易见的。所以这里也体现出我们“蜗必达”产品的核心功能就是要去解决最后一公里的问题。

根据上面两页PPT的分析，我们可以看到最后一公里的物流配送通过无人送达、无人小车配送是非常有必要的，所以基于这样一个需求以及安全分析，我们提出了首款无人配送物流车——“蜗必达”，英文名为“Ω”。特别像一个蜗牛。我们用蜗牛来代表产品形象，是想取安全低速、执着、永不放弃的概念。另外，必达这个概念也是比较形象地去表述快递和物流行业准时送达的意思。

从今年6月份开始，智行者重点打造了首款无人配送物流车，在开放的园区和住宅区可以顺利的实现起停、智能循迹、自动避障、物流配送、后台监控等功能。在6月份，我们已经在非常复杂的清华、人大，以及一些社会道路上实现了常态化配送的功能。右下角这幅图是蜗必达的第三款产品设计图，有些朋友也看到了我们之前的几个版本。我们认为功能是非常重要的，当然外观也是比较重要，所以我们又设计了第三款，目前在生产阶段。我们希望蜗必达能够尽快跟更多的朋友见面。目前有个好消息是，蜗必达已经达到了量产的阶段，关键技术难点得以逐个攻破，现在是处于量产前的准备工作，今年年底会有批量的蜗必达下线，希望大家在普通的道路或者一些园区看到我们比较可爱的蜗必达，不要调戏，要善待我们的蜗必达。

这张PPT讲述的是其他的落地场景，代表着智行者的一些思考。除了无人物流车炒得比较火的应用场景之外，还有哪些可以用于自动驾驶技术的落地场景？可能还有其他更多的场景，而我们提出了有四种。第一种就是我们今年8月份的时候尝试的场景，我们跟扫路机车厂联合推出无人扫路机，已经在北京的公园进行常态化的测试，因为低速专用车的一些技术都是相通的，这些平台都是共用的，所以我们只花了一个多月的时间就完成了“蜗必达”的自动驾驶技术到“蜗小白”平台上的移植工作。除此之外，园区的无人巡逻车、无人农机、无人矿车，自动驾驶在这些场景应该都可以很快的去做一些落地。当然前提是市场有这方面的刚需，并且我们的技术已经达到了比较成熟的阶段。

3、如何打造低速自动驾驶专用车

接下来讲述一下智行者如何去打造一辆低速的自动驾驶专用车。在做自动驾驶专用车的时候，车辆传感器和车辆平台是一个基础，但真正的灵魂还是自动驾驶的开发体系及软件架构。从平台、体系、关键技术几个方面来归纳，智行者自动驾驶开发总共是包括四个大的模块：

首先是数据采集和标注的平台AVDC。数据对自动驾驶技术来说是非常重要的，数据可以为感知技术、汽车大脑进行决策和规划模块提供依据，所以我们对数据采集和标注平台是非常重视的。目前我们在园区包括一些乘用车自动驾驶的环境中也采集了大量的数据。

第二个是仿真平台。因为即使采集标注再多的数据，也不可能日行百万公里。但是假如不能做到日行百万公里，我们的技术可能还有一些Corner Case需要去完善，所以我们非常重视仿真平台的一些使用，我们会用到机器人仿真平台里面常用的v-rep以及车辆动力学仿真PreScan，包括IPG等等这些仿真平台，来验证决策规划算法，包括车辆控制算法。

第三个是自动驾驶的操作系统或者叫软件体系，我们称之为AVOS ，这是智行者自己定义的名称，后面我会详细来讲。

还有一个比较重要的模块是算法的测试和评估体系。自动驾驶其实火起来也没有很多年，所以对整个自动驾驶的评测体系还不是特别的完善，为了推出产品，让自动驾驶技术落地，必须去打造一个非常完善的评估体系，对自动驾驶的小车进行评估，通过了之后，才可以去做到技术落地及产品下线。

我们认为这几块都非常的关键，但由于时间的关系，我会重点去介绍一下我们的AVOS操作体系以及其中的关键技术。

AVOS架构

这张图展示的是智行者AVOS自动驾驶软件架构，AVOS是我们在2016年年底和2017年年初的时候整理出来的，但这个肯定不是凭空的预兆，而是我们经过了前期的演示项目，包括前期一些功能的开发去摸索出来的。从架构上来讲，它主要解决的一个问题就是算法和业务功能要充分地高内聚低耦合，高内聚低耦合是软件工程上的一个词，指算法同业务是在功能层高度依靠，环环相扣，但在代码实现上要充分地解耦，不能高度依赖。这是什么意思呢？就是说业务层和算法层分离可以做一些应付多种业务的功能，否则就会出现大车版本、小车版本，物流车版本，包括我们的矿车版本等等，这个对算法人员来说是非常难以维护的。所以在AVOS的内部架构中，对于这个问题，我们的算法体系以及软件架构采用高内聚低耦合、模块化的形式。这样的话，我们以后更换一个传感器或某个功能就像换一个灯泡或零件一样简单。

在AVOS的内部架构中，我们目前也是采用ROS集成操作系统作为开发的底层框架，它真正的核心层还是Kernel层，只负责纯粹的自动驾驶算法研发和自动算法的实现，不同业务功能的一些定义，我们可能会在外围的一些模块里面来设计，所以Kernel层就包括我们常说的自动驾驶里高精地图定位、感知、决策、规划和车辆控制等核心模块。

AVOS设计理念

自动驾驶系列课 | 这类自动驾驶最先挣钱详解低速无人车【附PPT+音频】

这张图展示了AVOS的三种设计理念

1、平台无关，这里的平台指的车辆和任务两种平台。在车辆层，我们要求传感器和硬件的自适应，像我们换个灯泡换个零件那么简单，而不是换一辆车或换个传感器，就要去修改代码。对于任务层，需要根据客户或人工的一些配置或命令，去设计自动驾驶的一些功能，这里的话我们会开发一个专门的管理软件来实现任务层的配置。

2、功能抽象。这里的功能包含了交通功能和业务功能，也就是作为一辆车的交通属性和作为一个工具的使用属性。AVOS是将交通及业务功能统一抽象为自动驾驶的算法功能，比如这里没有红绿灯的概念，在红灯时停车线前放一辆车，这辆车是一个不可逾越的障碍物，这里就可以实现在路口红灯停的想法。而业务功能也是这样，就是这里没有送货点以及载客点的概念，都进行了高度的抽象，所以我们通过交通功能和业务功能的功能抽象去实现自动驾驶体系的完备。

3、认知虚拟，认知就是我们所熟知的环境感知和场景认知。环境感知是现在主流算法对特定时空交通场景内实体感知数据的描述，但要像真正的人一样去驾驶车辆的话，还要做到一些连续场景的认知，对连续时空交通场景类的实体交织影响的认知行为进行描述，而我们用了一种连续场强的概念去描述场景驾驶态势，我们称之为驾驶态势图。驾驶态势的表述在后面我们会用到一些其他的机器学习的深度学习的方法来做。

也就是说我们要用一种连续场强的概念来去描述驾驶环境，包括时空方向的一些影响，拿到驾驶态势图或自动驾驶连续场强图之后，我们就可以做一些基于规则的决策和规划，也可以形象地画出一张连续的场强图。这张图可以直接用机器学习的深度学习方式来学习，从而直接得到规划的路径和控制的一些操作量。

AVOS关键技术

这张图简单地介绍一下AVOS的关键技术，与其说是AVOS的关键技术，不如说是整套自动驾驶的关键技术。这套关键技术从刚开始各种传感器的输入，到整个操作的软件体系中数据接收层来接收这些数据，做一些简单处理，包括目标的检测，简单的数据滤波等。然后有一个多传感器融合的模块对一些感知传感器进行感知融合，这里包含了目标的跟踪，以及其他的栅格设计和道路结构的检测，其中包括路沿、车道线、斑马线以及停止线等这些道路结构的检测。融合模块也会对车姿及定位的一些传感器的数据进行初步的融合，同时送到云端或者通过保存在本地的高精地图去做匹配定位，然后去做高精度的融合定位。在融合定位之后可以直接为行为决策做一些分析，这是其中一条主线。另外一条主线是在拿到刚才感知融合得到的运动障碍物后就可以去做运动障碍物的行为意图分析以及运动轨迹预测，这可以很好地去辨识目标的行动轨迹，给后面的行为决策，路径规划等提供更有效的一些信息。我们刚才提到了一个认知态势图，这里的认知态势图会综合运动、静止、道路结构等信息去做一个非常大而全面的驾驶场景描述。在输入给行为决策的信息中，一方面是包含刚才得到的高精度融合定位，还包含通过驾驶场景的描述得到的认知态势图，当然也包含我们给客户的一些设计，其中包含着故障诊断以及底层反馈等状态信息。行为决策拿到这些信息之后去做出车辆是要去跟车，超车，换道，还是要做等停或调头等决策指令，然后这些指令就会给下层的规划出一条路径，可能是之前就采用的参考路径（ReferencePath），也可能是规划出一条避障的路径。

在得到规划路径之后，其中的每一条曲线可能是不包含每一点的运动速度。接下来要做的就是是为这条ReferencePath（参考路径）曲线的每个点附上运动速度，这个叫运动规划。运动规划得到一条包含每一点速度的运动轨迹，把这条运动轨迹输入给车辆的上位机控制系统，就可以作为车辆纵横向协调控制系统的输入，再去得到期望的油门踏板开度，或者方向盘转角给车辆的底层执行器。

自动驾驶的思路跟人还是非常相近的，整个流程可以分成感知层、认知层、决策规划层、控制层和执行层。感知层其实就发挥着类似人体器官的感知作用，而认知是根据感知的信息去完成处理和融合的过程,并形成全局的理解和认知。据此自动驾驶系统才去做一些决策，决策才传给整个规划层和控制层去完成执行指令，最后完成自动驾驶的功能。整个AVOS的关键技术也是这样一套体系。

在最上面大家可以看到最黑色的框子也表述着我们本地端自动驾驶单体智能的模块不包含的一些能力，包括全局路径设定、高精地图和后台监控，我们可以通过云端来操控无人驾驶车辆，给它们去灌输这些数据。

高清地图与定位

我还想跟大家分享两个比较关键的模块，我们在做低速专用车的时候会发现有很多的坑，其中第一个比较大的坑就是高精地图及定位。因为我们在铺自动低速专用车的时候，一般是在一些复杂封闭的环境，比如清华和人大的校园以及一些公园，在这里定位还有地图的作用是非常明显的。所以智行者构建了一个五层的高精地图方案，比如

第一层是基础的路网；

第二层是在基础路网的基础上，做一些矢量地图，包括ReferencePath（参考路径），道路的结构形状等信息；

第三和四层可能就是一些feature map，就是一个用于我们匹配定位的视觉，一个是激光；

最后一层是实时的地图，比如说前面的道路被堵了，怎么来在地图上体现该功能。

所以得到这样多层的高精地图之后，我们用激光、视觉传感器去做一些匹配定位。这样可以增强车辆定位的效果，有的时候在一些园区里，这种定位效果还不能保证能够达到百分之百精确的定位结果。所以在一些低速的专用小车上也会用到一些比较低成本的传感器来辅助定位，比如IMU，轮数据等，当然差分GPS还是少不了的，因为这样可以做到全工况的绝对定位，所以在整个定位模块里我们是用到了多传感器融合定位的方案去达到我们想要的高精度定位效果。目前我们在一些复杂园区可以做到全工况的定位效果，误差是在10cm到20cm左右，能稳定在20cm以下，基本上能够满足自动驾驶小车在复杂园区全工况的自动驾驶功能需求。

目标轨迹检测

跟大家分享的第二个关键技术就是目标的行为意图识别，包括目标的轨迹预测。我们知道大车在高速或者一些结构化道路自动驾驶时，会发现受到的挑战可能会少一些，无论激进还是保守，其实影响不会太大，但是我们会发现在一些复杂的程序或一些复杂园区里，可能会受到非常复杂的目标干扰，所以我们就必须要做到非常精准，或者是说提前量比较足目标预测。

正常情况下，我们可能拿到了道路前方的一条路，然后去跟车，对前方的目标做一些Tracking的工作。接下来可能是对目标进行分析，分析它是不是要插入我们的行驶轨迹以及我的车是不是要进行换道等问题。再接下来就是根据跟踪目标的前期状态，包括道路的结构、地理信息以及交通信号的情况，去预测前方的障碍物是否有切入和切出的行为，会不会干涉到我的行车路径。假如判断前方目标有切入的路径或者切入意图，它的预测轨迹跟我的行车轨迹已经有交叉，我就会去做一个合理的操作，比如去规避或者是叫做被动避障，可以减速，等它先走，或者主动避障，也可以直接绕到它前面去，然后再相应地去做一些车辆的控制。

为什么说这个技术非常关键呢？是因为在一些复杂的园区里，包括校园还有公园，人非常多，大人可能对新奇事物的敏感度不是特别的高，可能看两眼就走了，但是小孩子可能会一直围观无人驾驶小车。这样的话，假如小车做得非常保守，那车辆就一直在那趴窝，不用走了。假如做得非常激进，可能会碰到小孩子，所以根据在有限的时间内对小孩子的轨迹预测和意图的识别，我们可以去做一些比较机敏的规避动作，这不仅保证来小孩的安全，还保证了行车不受阻，也保证了低速专用车在复杂的园区内正常的通行。这一块是非常关键的一点。我们内部有这样一个说法就是，蜗必达最大的敌人就是熊孩子。当然我们也希望这里的朋友以后看到路上开着我们蜗必达的时候，也看好自己的小孩，不要去挑逗我们的蜗必达。

4、低速自动驾驶车的挑战与展望

接下来就简单介绍一下低速专用车的一些挑战以及展望。首先一提到自动驾驶，大家肯定会热血沸腾，因为自动驾驶确实能够改变很多，而且这个时代指日可待。这张图，我参考了一些其他资料，显示自动驾驶将带动整个泛汽车行业的改变。颠覆性地重构消费者的出行体验，所以自动驾驶能够改变生活中的方方面面，而这个时代的到来是无法抗拒的。这里可以看到绿色部分，是物流配送以及公共交通。公共交通其实也是低速无人车能够落地的非常好的一个方向。

自动驾驶的时代终将到来，我们怎么去实现自动驾驶的落地，这里需要考量的也比较多。这张PPT介绍了限制自动驾驶落地的一些因素，讲述了多方面因素会影响到自动驾驶的落地，包括政策法规、民众的社会观点、资本市场经济环境的影响以及技术发展程度，以及能不能突破关键技术难点，还包括最重要的一点——利益，其中包括了整个行业的利益相关者的影响。

所以有这么多会延缓自动驾驶时代到来的因素，普通乘用车的自动驾驶真的会非常快地落地吗？号称2020年实现自动驾驶的公司，自动驾驶真的能够到来吗？其实我还是抱着一个比较消极的态度，我认为在整个大的环境里，我们的技术还没有达到这种水平，限定场景的小范围的落地是有可能的，但是大范围的落地还是有待去观察的。这时我们就会想到低速的自动驾驶专用车是不是可以规避这些因素？比如第一条政策法规，低速的专用车可以在私有的道路行驶而不会涉及到一些法律法规的限制；第二条就是我们民众对新兴科技的接受程度会比较高吗？比如之前的打车服务、共享经济，还有互联网在国内普及都是比较快的，包括手机支付等，这些东西在国外其实还没有的时候，国内已经普及得非常快，也说明国内民众对新兴科技的接受程度是非常高的，这点可能跟我们对生活和交通的一些痛点感受比较深切有关系。

另外，自动驾驶在这两年比较热，得到很多资本的青睐，也促进了人工智能和自动驾驶的落地以及技术发展，用于乘用车的自动驾驶技术，可能还有待去推进，但是如果用于小车的话，由于它的速度会比较低，即使出了一些风险，其风险程度也可以接受，就安全性来说它比大车要高了很多，这点其实是低速专用车能够落地非常关键的一点。

第五条就是客户显著收益的程度还是比较明显的，比如刚才提到蜗必达的时候说到了物流行业中最后一公里的问题，用无人小车来替代买单方，其实会有很大、很明显的收益。

所以我认为自动驾驶目前还属于了解的阶段，接下来我们希望在低速专用车上把自动驾驶技术推到一个早期使用者的阶段；再往后，比如说早期大众和晚期大众就不断地去推进自动驾驶市场的一些落地，这里面低速的专用车是首当其冲的，应该作为先行者被推向创新落地的地步和地位。

总体来说，我们对低速专用车的一些落地还是比较积极的，因为它确实会改变人们的生活，而且技术、法律法规等都不会受到太大的影响或者限制，但实际上做低速自动驾驶专用车的时候也遇到一些非常复杂的运行场景，因此技术的挑战还是存在的，比如这张图上介绍的，在夏天树木非常茂密的时候，卫星的GPS定位效果是非常不理想的，在这个时候小车不知道自己在哪里，这个车就没法跑了。也会有异常的一些交通情况，特别是在一些复杂的园区，比如图上这位同学，直接在车前一米或半米的地方直接插入进来，而且速度比较高，但实际上也可能速度比较慢，但会对车的行驶轨迹造成很大的影响，那我们怎么去处理异常的加塞以及非常鲁莽的切入的情况呢，这个对目标的运动预测要求还是非常高的。

第三幅图代表在清华园的一个旅游景观“二校门”，在没有人维持秩序的时候，整个旅游场所是非常混乱的，但它确实是一条行车道，而并没有交通秩序进行约束，目标的行为意图是非常难以区分的。出租车可以缓慢的往前走，蜗必达在这样一条路上去行使的时候确实是也遇到了很多干扰和影响。

最后一个是本来设定的一些路径，突然会有一些莫名的障碍物，或者是人为的去堵塞了道路，我们怎么及时地去调整即时的全球路径和局部路径的一些规划呢？所以从上面的表述以及算法的复杂程度来看，相对于交通秩序及场景约束的是结构化道路，低速的自动驾驶专用车遇到的挑战可能更大，只是说低速的车速度比较低，风险可控，所以我们才认为低速专用车落地的潜力是比较大的。

上述的一些场景在蜗必达以及其它蜗系列落地的时候多多少少会遇到的问题，必须克服这些问题，才能让我们的产品下线。目前来说这些问题多多少少也得到了一些解决，或者说我们有一些其他的措施，但是在整个落地的过程中，还可能会遇到其他的一些挑战或者阻挠。

这张PPT，介绍了在低速自动驾驶专用车落地时遇到一些其他的挑战，刚才可能是在一些复杂场景中遇到的一些技术性的挑战。这边我们可能考虑得更多一些，比如说物流车上会用到一些激光传感器，怎么去降低激光雷达的成本，提高其产能呢？这一块其实已经接近限制低速专用车落地的应用，而其还有很大的发展空间来促进整个产业的成熟和落地。

在一个复杂的场景里，要用多传感器融合的定位方案，还涉及到高精地图，高精地图的绘制是非常费时费力的过程，降低高精地图的绘制及维护的成本也是未来低速车去落地的一个非常重要的环节，目前来说我们已经开发了全工况的地图绘制和维护的一些功能，但是怎么大面积地去铺这些高精地图的一些方向也是需要考量的一个问题。还有通信模块，包括V2X技术的发展，包括复杂场景下计算机视觉识别的能力以及汽车大脑能力的提升，使之具备交互认知和道德认知的能力，作为汽车大脑可以直接是车辆行为的控制者，在物流小车实际运行的时候会发现它够不够智能是直接决定汽车大脑能力的因素，当然还有一块就是大数据的收集以及应用的能力。因为大数据的收集和应用直接就会反馈给汽车大脑进行升级和训练，所以现在大数据的收集以及如何应用，也是直接影响我们未来去生产从10台到100台，到1000台或者10000台这种低速专用车的比较关键的因素。

所以总体来说我们认为自动驾驶的落地会从低速专用车这个方向来切入，对于低速专用车的落地，技术已经达到了可以实现落地的阶段，但是还存在一些其他的问题亟待去完善，当然也可以用多传感器冗余和一些保守的策略去规避这些问题，但是整个产品链上的一些问题包括激光雷达、高精地图的绘制其实已经有一些解决方案，但是后期怎么逐渐地去升级，怎么去支持产业链，还有其他去完善和待成熟的方向。

所以综合来说目前小车已经可以落地了，但是短期内可能是几百台这样量级的水平，如何上升到上万台或者更多的量，我们就必须要打通整个产业链条和所有的技术难关，所以这一点也是希望跟业内的一些同行相互的切磋和交流，不断地去改进自动驾驶，特别是我们在低速专用车落地上遇到的一些挑战。

我的分享到此结束，非常感谢大家的聆听，大家有什么问题可以直接发到群里，我们一起去探讨自动驾驶技术的一些落地场景，特别是低速专用车技术的一些落地的挑战和展望，谢谢大家。

问答实录

提问一

严明–中瑞交通安全研究中心–项目经理

若将低速自动驾驶专用车应用于无人配送领域，如何解决配送途中的定位失效、民众接受度以及防破坏问题（参照共享单车被毁坏的情况）。

李晓飞：民众接受度我们会从设计方面来考虑，比如说一个比较合适的外观，还有比较Q的一些人机交互的能力，比如说有一个LED显示屏可以直接跟周边的一些人进行交互，另外还会有喇叭以及鸣笛的操作跟民众进行交互，所以民众接受度我们是从外观还有人机交互这个层面来考量的；另外一块我们还想从现在的技术方向，比如说我们不会去采取一些非常激进的操作来避免跟民众的一些冲突，这也是去提升民众接受程度的一个方式。因为我们知道当来了一个非常新奇的事物，而且感觉它的行为还是比较奇怪的，那民众的接受程度肯定不会特别高，因此我们会去采取一些拟人化方式来操控我们的车辆，这样使民众可以接受。就是说小车可能类似人开的小车，这样民众就不会用异样的眼光来看待这个小车，所以接受程度就会变高点。

另外一个是配送途中定位失效以及被破坏的问题。定位失效的时候，我们会有后台监控，假如说现在这个小车的定位偏了很多，或者是直接就偏没了，我们会用监控后台的一些操控去使小车停车，或者开到一个比较合适的位置，而不会去影响正常的交通。破坏也是同样的问题，我们可以在小车上去做一些暴力预警，当受到了外界破坏的时候，它会直接去发出报警的喇叭声，同时还可以去通知后台去接管或者来去防护这个小车。所以目前来说，在物流小车上会做比较完善的故障诊断和安全失效的功能，比如通过后台可以去监视这个车走到哪里，以及后台的一些直接操控等这些功能，通过这样来保护小车在运送过程中的失效以及破坏等问题。

提问二

陈思宇 格陆博科技有限公司 智能驾驶辅助系统开发经理

1、低速自动驾驶车与传统的L3级自动驾驶有什么区别？

2、另外低速自动驾驶车如果需要产业化，环境感知传感器应该怎么选择？

3、自动驾驶车在法规上有什么进展？

李晓飞：1、低速自动驾驶专用车是没有人在上面的，所以按NHTSA或者SAE的区分，低速自动驾驶专用车是属于L4级别的，传统的L3实际上是有条件的自动驾驶，在大部分情况下车可以操控车辆，但实际上责任人还是属于驾驶员，所以低速专用车属于L4，跟传统L3应该是有比较大的区别，因为其责任人不再是人而是属于车的。

2、关于低速自动驾驶车环境感知传感机的选择，实际上在结构化道路中，智行者比较推崇的是多传感器冗余配置的方案，这种方案在前期的开发是非常适合的。在后期，比如在结构化道路中，我们还是希望能去推出一种低成本的L3解决方案，比如说视觉和毫米波等，或者易安装、价格低廉的激光雷达，但是在一些复杂的园区和城区里，对传感器的感知能力及选择，应该具有比较高的要求。所以我们在低速的物流车车顶上用的传感器配置是装有激光雷达，而这个激光雷达不是国外非常昂贵的64线或者32线那种，而只选用了16线就可以完全实现我们的预期目标，同时也会装载机器视觉摄像头来识别比较复杂的一些行人或者红绿灯等场景，但激光雷达不一定能胜任这些场景，另外激光雷达跟机器视觉都会有一些盲区，我们会通过超声波雷达去做盲区的监测，比如说在半米处突然出现了目标，怎么去反应呢？这个时候超声波就非常的有必要了。所以在低速的自动驾驶车上，我们全配的传感器布置方案是16线或20线的激光雷达，再加上机器视觉摄像头以及超声波，当然也要示情况而定，对于比较复杂的场景，我们可以用这种配置方案；但在一些比较简单的场景，一个激光雷达也许就可以解决这些问题。

3、对于自动驾驶法规，我们都知道日本、美国以及欧洲都会有一些允许测试的车牌出现，特别是美国，近期我们得到一些消息说自动驾驶在国内将来可能也可以去申请测试车牌，但是现在还没有定下来，未来可能会像美国一样去给某家公司发一个测试的牌照，对于这一点其实我们是非常期待的，也非常希望国内的政府机构，包括一些研究机构来快速地去推进我国自动驾驶法律法规的发展。

提问三

李海峰–北京视清正远科技有限公司创始人

怎么看待低速电动车国标对市场的影响？低速电动车有可能拿到车牌吗？

李晓飞：关于有没有可能拿到牌照这一点我不太好回答，因为我也没有得到内部的消息，但是我还是希望低速电动车也可以推出车牌，因为这样可以去规范市场来保证民众的安全。那前半个问题怎么看待这个影响呢？先不说国标对市场的影响，先说低速电动车现在的市场怎么样。可能大家都比较了解低速电动车比较繁荣的省肯定是山东，山东有很多低速电动车的小车厂，他们也会销往全国各地，确实做得也非常的不错。但是这些车厂的一些安全或者规范性其实是不能保证的，毕竟没有非常严格的国标来对它们进行约束，所以在市场上会出现非常多的电动车厂的牌子，因此我们也希望能够对电动车市场进行约束，以保证民众的安全。这里面举个例子说，低速的电动自行车在清华校园里面是非常火的，但是我当时在上学的时候因为都是骑自行车，大家车速不会太快，所以比较的安全，但是慢慢地，等自己快到毕业的时候我们会发现校园里出现了非常多电动自行车，包括送外卖的，比如美团、百度等外卖电动车飞速地从旁边穿过，每次都会感觉非常的危险，当然我们也亲眼目睹了非常多的交通事故，在清华校园里面出现电动车跟自行车相撞或者电动车跟电动车相撞的情况，所以我们当时在想要是还像刚入学的时候全是自行车的话多好，当然近期清华也出台了一个规定就是电动自行车不能在校园里面骑或者说不能在校园里面充电等，这些规定好像可以去改善一下这种效果。我也希望在社会上，这种低速的电动车也能得到一些约束和规范，以保证大家的安全。当然这种约束和规范其实对低速自动驾驶专用车也是有帮助的，毕竟在我们的底层上也得到了一些规范和约束，对整车的安全性能应该有一个质的保证或者有一个比较明显的提高。

提问四

于宏啸 中标软件 自动驾驶工程师

低速专用车辆只需安监局报备，如何自我认证车辆及软硬件的技术功能安全。

李晓飞：在回答第一个问题的时候也有提到过，我们在做物流车落地的时候也非常重视试驾安全和故障诊断的工作，所以第一块我们会做比较完备的试驾安全和故障诊断的工作，以保证车辆在出现传感器事故或者定位不准等情况的时候也有足够的能力或者应对逻辑来保证车辆的安全。这都是从技术设计的角度来保证车辆的安全，那另外一块我们也会在技术开发完整完成之后去做一些非常系统的测试工作，这里面的测试不仅包含功能模块的场景测试（也叫单元测试），也包含在下线之后比较完备的一些综合场景的测试，所以我认为自我认证车辆及软硬件的技术功能安全，一方面是从软件层面上去设计比较完备的功能，另外一方面是要去做综合性功能模块的一些长久的测试，以保证技术功能的安全。

提问五

罗跃辉 中兴智能汽车产品总经理

在目前自动驾驶技术尚不成熟情况下，特定低速应用环境确实可以尽快将自动驾驶技术应用到实际环境中，有效推动技术的成熟。想请问下，目前智行者在校园或者厂区使用的低速自动驾驶车，有没有发生过事故比如剐蹭到行人，发生事故后交警是如何判定责任的。

李晓飞：关于发生事故问题，首先目前来说我们在正式运营的时间段内，大概有两三个月的时间，并没有发生剐蹭到行人的场景，因为我们大部分时间还是有人去做现场的支持或者后台的一些监控，假如出现了一些危险的场景，我们的工作人员可能会在现场接管，但这个时间不会太长；另外一块是通过后台的监控自动去判断可能会发生的危险场景，车辆自己去采取相应的操作，比如紧急的避障、停车或者从后台发出一些警报，去操控车辆。因此目前来说在正式运营的这段时间内，并没有出现类似的交通事故。当然，我们在刚开始的时候是在校园里面测试，难免会有一些这样或那样的问题，比如会出现一些比较危险的场景，在技术研发的初期，我相信这是必不可少的，因为是在一个封闭的园区里，并不是在公有的一些道路上，所以并不会把事情闹到交警那边去，因为速度比较慢，所以剐蹭产生的一些后果其实是非常小的，我们在前期的时候会让比较多的人来看管车辆，也做到了一个还不错的效果，就是基本上没有剐蹭，在后期基本上也杜绝了这种剐蹭和事故的效果。当然，关于事故的责任判定问题，在SAE或者NHTSA去规定自动驾驶分级的时候说过自动驾驶L4级别的责任人是在车，在L3的话可能还在人，由于我们没有车载，所以只要出现了事故，理论上都应该是车作为责任人，其实这也对自动驾驶技术的落地提出了一个非常大的挑战，我们应该怎么去尽可能地避免事故的发生，在未来这个问题可能确定为一旦发生交通事故，基本上可以判定责任人是L4的车，所以在未来我们会尽量去杜绝这种问题。所以罗总这个问题比较难回答，我大概的解释是这样的，刚开始的时候我们可能会有一些非常小的事故，但这些小的事故都是在可控范围之内的，在正式运营了两三个月内，我们这边事故基本上没有发生。对于责任的判定，那肯定是L4小车，所以这时候对我们的挑战也是非常大的，我们也是一直紧绷着这根弦。

提问六

肖建–坎德立-slam算法工程师：

3D激光雷达在低速无人驾驶的应用场景是否是必需的？如果只用摄像头，技术的难点和突破点在哪？

李晓飞：关于3D激光雷达在这些应用场景中是否必要？这里面我的回答是必须的！在自动驾驶技术的研发还有落地的过程中，3D激光雷达在低速专用车中还是比较关键、比较重要的，因为目前的几种传感器包括视觉、毫米波以及超声波，单用这几种传感器或者是组合传感器在一些复杂的封闭园区里实际上都是搞不定的。包括单线的激光雷达也会因为道路比较崎岖，可能会有上下坡以及一些其他的场景导致非多线激光雷达的检测效果不理想，所以3D激光不仅是要做到比较精准的感知能力，还要做到匹配定位的需求。对于匹配定位，假如说只用摄像头，可能会存在一些定位不稳定，还有可能在一些大的转弯以及一些比较异常的场景中，摄像头的定位能力也是不够的，所以综上来说，无论是对感知还是定位技术，3D激光雷达都是非常有必要的。用摄像头作为传感器，单用摄像头它的技术难点可能在感知和定位方面都是有困难的，比如在感知方向上，对于一些非常复杂的场景，怎么来提高对所有的行人和自行车车辆的检测精准度，这是一个非常具有挑战性的技术问题，包括在一些光照比较恶劣的场景中，比如树影斑斓的校园内可能也是有挑战的。对于视觉定位上，我刚才有提到比如在一些大的转弯以及一些比较一致性的场景下，匹配定位的效果包括建图的精度都不一定能达到需求，所以我们认为3D激光雷达在复杂的场景中相对视觉还是有优势的。

说到传感器，相信大家都会比较关注的一点是价格。实际上对于3D激光雷达，随着自动驾驶技术量产时代的到来，我们认为激光雷达的价格也会飞速的下降，性能也会快速的提升，所以未来视觉、激光、超声波和毫米波肯定是一种互补的关系，不存在哪一种传感器可以包打天下的，所以我们在低速专用车上也是采用多传感器融合的方案。