Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

AutoByte作者

WAIC论坛纪实 | 智能驾驶行业需要更多这样的激辩!

将不同的观点摆上台面,面向公众进行辩论,这在大大小小的开放式论坛中,实属罕见。而近日,在由东浩兰生及机器之心-Auto Byte联合主办的「WAIC智慧出行论坛」中,一场货真价实的「圆桌讨论」环节受到了广泛关注。

图片

这场圆桌嘉宾的参与者包括华为智能车云服务CTO喻杰、AutoX创始人及CEO 肖建雄、嬴彻科技CTO杨睿刚,以及的卢技术有限公司创始人兼CEO张英。在Auto Byte副总裁曹锦建议大家启动「插嘴模式」、畅所欲言后,诸位嘉宾打破了传统印象中「依次问答」的沉闷形式,对他人观点大胆提出异议,并就自动驾驶路线、成本及商业化等层面问题进行了一场专业且激烈的辩论,氛围热烈,展现了新时代自动驾驶行业应有的学者精神。
此举引发了线上及线下媒体观众们的强烈反响以及一致好评,现场也响起了他们发自内心的掌声。「从业多年,还真没见过这样有意思的论坛圆桌环节。」一位媒体人这样评价道。
未来,Auto Byte希望在相关活动中能够延续这种学术精神,因为我们不仅需要更多地将现实问题摆在桌面探讨,也深知只有这种执着和思想碰撞,才能促使行业走向新的高度。
图片右一为AutoX创始人兼CEO 肖建雄
以下,为本次圆桌环节的完整视频及文字速记,供大家了解详情:

 
主持人:身为媒体人,我希望开启一种「插嘴」模式,大家畅所欲言,让氛围更随性一些。今天我们要讨论的主题其实比较宏大,不过可拓展性也比较高,那就是「我们距离高阶无人驾驶的普及还有多远」。
开始讨论这个议题之前,首先想请教一下喻总,我们知道数据就是自动驾驶的命脉,如果我们想实现全场景连接自动驾驶的话,我们需要跨越多高的障碍,才能实现未来的蓝图?
喻杰:我想各位都有一些见解,这个问题恐怕没有一个统一的答案,比如说「跑了多少英里就可以、积累多少数据就可以」。之前吴总介绍的时候也提了,比如说美国的一些智库大概提出来,我们大概需要测试可能10亿以上的英里数才能达到人类自动驾驶的水平。
虽然这里提出的是「全场景」,但在我们看来,恐怕还得分场景来看:像肖总这边如果是做Robotaxi,可能需要的数据量更大、产品更复杂。如果像吴总说的我们做一个封闭园区,相对来说好一些,产品比较可控。
不同公司应该有不同的想法,在我们得到的业界数据中,比如其中一家辅助驾驶公司,已经跑了很多英里数,数据约为几十亿。这就是各个行业的现状,但并不代表是一个门槛或者是未来的发展趋势。
从另外一方面来看,对数据的诉求恐怕会是无止境的,我们并不认为到了一定阶段就算是安全了。事实上对于消费者,对于2B的业主方,他们总是要持续提高效率。在此情况下,我们对于数据的积累追求是无止境的,要不断提高自己的能力。
这可能是一个持续的过程,对于数据本身来说,我们可能还要强调数据的有效性。如果是在封闭园区,不断转圈也可以积累很多里程,但是出去对于别的场景可能就是无效的。所以应当如何挖掘?可能需要行业里的所有公司一起努力。但是对于我们来说,我们希望做一个工具链,无论对于自动驾驶也好还是主机厂也好,都能够帮助大家加速这一进程。大家还是各有所长,或者对于自己的领域经验的积累。
我认为在自动驾驶领域,无论是算力、算法,还是数据,可能算法的积累方面目前是被大家忽视的,应该把这一块的重要性提升起来。我们在座各位其实在自动驾驶领域有很多积累,他们可能对于这方面也有其他的认识。

图片华为智能车云服务CTO 喻杰

主持人:您说的数据、算法、算力都非常重要。这让我想起最近AutoX刚举办第五代系统发布会,算力级别很高,可达到2200 TOPS,为何L4级自动驾驶需要这么大算力? 
肖健雄:L4级别完全无人驾驶,特别是Robotaxi领域,在路况处理环境方面非常具有挑战性。所以除了大量数据以外,我们认为更重要的,是解决通过比较可观的数据能处理绝大多数的机器学习,学到绝大多数的应用场景或者说百分之百的应用场景。
这种时候,我们首先需要多种传感器的融合,V2X在几天前发布的第五代系统里面有50个传感器,有28个800万像素车规级高动态范围的摄像头,有6个激光雷达,其中都是最高分辨率的128象限的激光雷达,有4D毫米波雷达,这些数据量相当庞大。如何能处理这么大的数据量?就需要非常强大的算力,这也是刚才您提到的我们有2200 TOPS算力,可能是全中国最高的车载计算平台的计算能力。
我们觉得AI很难,但并非因此就不去解它。AI很难,Robotaxi很难,我们怎么解?就需要非常好的感知系统和传感器。高分辨率的传感器就需要非常好的计算能力,才能处理完这些数据。所以我们采取的是正面迎敌的方式,知难而上,做好准备,从软件、硬件上最底层的准备解决非常难的难题。
同时回到上个问题,我想也补充一点,业界大家经常觉得数据越多越好,其实这有个前提条件,就是有效数据越多越好。另外有效数据很重要的一点,就是高质量的数据越多越好,高质量数据意味着什么?比如说我们在做无人驾驶,有激光雷达、毫米波雷达等等,这么大的数据量每个小时可能产生超过1TB的数据量,这是有效数据。但是对于Robotaxi来说,比如说特斯拉你有10个120万像素低分辨率的摄像头,这样简单的一些行车记录仪类似的数据,对于Robotaxi基本上没有任何作用,因为我们在Robotaxi领域你要求的精度非常高,你需要依赖非常好的传感器收集到的数据才是有效数据。而依赖辅助驾驶的数据,对你的作用基本上跟你网上下载一些行车记录仪的视频,其实没有什么区别。
为什么没有人天天网上下载行车记录仪的视频进行机器学习?因为他只能作为一个开始的训练,当你真正开始处理最后的最难case的时候,这些数据完全没有作用,而且甚至会让你更加难受,可能会产生很多噪音。
因为现在绝大多数机器学习都基于监督学习,就意味着人要标注出有效数据。比如说你有几百台车,你的数据量是否不够?其实恰恰相反,大家想一下每台车每小时产生超过1TB,假设每天就跑10小时,一台就有10TB的数据,你有几百台车,每天就有将近1PB的数据。
机器学习为什么学?就是从人身上学,就需要人工的速度。所以有效数据,基本上全世界我没有看到任何一家公司敢号称有1PB的数据全部被标注过,1PB的数据只是几百台车跑一天10个小时的数据。
所以说特斯拉有越多的车、数据量越大,好像就能解决人工智能?恰恰相反,其实特斯拉硬盘空间非常小,里面的网络带宽非常小,网络流量又是很贵的,数据基本上就是现场采集现场扔掉,基本没有任何作用。所以特斯拉的数据无法上传到仿真器里面进行高清仿真的,所以这些数据只用了当天现场测了一下,所谓的“影子模式”,然后就现场扔了,再也没有办法重复利用。不像Robotaxi,我们的数据都是可以在仿真器里面无数次进行仿真,一次数据可以N次使用,这个效率完全不一样。
所以我们觉得在数据领域,整个行业有很大的误区,以为越多越好,不在乎质量。其实恰恰相反,大家一定要在乎数据的质量,只有保证数据质量情况下一切才有意义。数据质量意味着需要很大的存储空间,需要几个TB的存储空间。比如说我们为什么在车上就有32TB的存储空间?就是因为这些高质量数据记录下来,才能真正有用。所以我们为什么需要这么强大的算力、存储空间?这恰恰就是为数据而生,为了能够有效记录这些高质量的数据,有效处理这些高质量数据,有效进行高分辨率的高清的仿真,在仿真器里多次使用,只有这样才能真正发挥数据能力。
图片嬴彻科技CTO 杨睿刚
主持人:肖总用高算力需求体现出我们的高质量数据的需求,Robotaxi普遍是应用L4级的技术,而现在一些自动驾驶公司是按照L3、L4、L5渐进式的技术路线,杨总认为这个路线是否可行?因为现在业界也有很多支持和反对的声音,您是怎么看待的?
杨睿刚:大家都觉得自动驾驶里面重要的是有效数据,有效数据是不是传感器越多就有越多的有效数据?这个我们是可以讨论的。
首先L3、L4、L5,他们在定义上只要到了L3的级别,机器会成为驾驶主体,而不是人,这和L2有很大区别。所以说任何L3的车不管是从L3还是L4、L5的车,不管是从软件架构上、传感器配置、对底盘的要求,都没有本质区别,它们只有「精确度达到95%」和「精确度达到99%」的区别,但是从硬件和数据的角度来说,它们是没有本质区别的。
所以说我个人也不认可说拿行车记录仪在路上采数据,因为行车记录仪太少了,根本没有做到360度全向。但是如果说一辆车带了全套的传感器,上面有激光雷达、毫米波雷达、也有摄像头,而且带了足够的数据记录能力,这样采集到的数据是完全可以为迭代式发展提供有效的数据。
另外我要再说一点,刚才吴总也说了我们已经进入到自动驾驶下半场,从模型要变成量产,坦白来说我们嬴彻做的就是量产卡车的项目,我个人最大的感觉就是做量产的自动驾驶是戴着「紧箍咒」的自动驾驶:换句话说,我们要考虑的不光是安全和舒适性,还得考虑到车规级的硬件和功能安全,还有重要一点是还要考虑到成本。
只有在成本可控的情况下,自动驾驶技术才能普及,这一点我在嬴彻做自动驾驶深有体会。我觉得我们现在已经过了通过堆料来做自动驾驶的阶段,我们必须在成本可控的情况下做可量产的、能让大家普及的自动驾驶。
这是我的观点,只有L3、L4、L5是循序渐进的路径才能采集到足够多的有效数据。
肖健雄我可能不是很认同,不是说行车记录仪装6个360度就叫有效数据,我觉得数据质量非常重要。未来不好说,大家看2021年的今天,全球在哪个地方有无人驾驶?现在只有两个地方,在美国凤凰城有无人驾驶,在深圳有无人驾驶。这些无人驾驶的车里面,每台车有多少个传感器?都有50个。我们不是说传感器越多越好,但是一定要够,不够绝对没有办法无人驾驶。而且这不是个数的问题,如果它都没有很精确地看到物体,那不可能无人驾驶。
刚才杨老师说到车上可以装激光雷达,如果你把车的传感器都装上了,那也不便宜,也不是量产价格能接受的L3系统。如果你把传感器都装上,它就是L4的车,干脆你把它当成L4来用赚更多的钱。所以这一点,我们也是觉得L2、L3价格卡的很死,传感器配置不够,那它的数据必然不是有效数据。而如果装备了足够L4的传感器,这时你再当做L2、L3用,技术上当然有效,但是实际上很难操作。因为一个L3的功能,其实大家都不愿意花这么多的钱来支持,这也是我们坚决认为L2、L3绝对不可能进化为L4,L4也不可能降级成L2、L3。
这就是飞机和火箭的区别,飞机的原理是基于空气动力学,飞机也有飞机的限制,价格不能太高。但是如果你要上火星、月球,你第一天就得知道你造的是火箭,你飞机飞得再高都飞不过大气层。如果你造的是火箭,第一天就要想清楚造的就是火箭,火箭要怎么造零件一点都不要少。
所以我们坚决认为,数据有效性一定是在同类数据才有效性,同时这些传感器如果都装上了,数据真的有效,那他就是L4车的价格,干脆你就当成L4来用。这是我们探讨的问题。 
杨睿刚:首先我们这是自动驾驶的论坛,我们说的是造车,而且是一辆能够普及的车,能够让我们所有人都能接受的车。大家可能觉得激光雷达很贵,但是实际上激光雷达的价格现在已经比原来有了两个数量级的下降,在量产车上激光雷达1000人民币,嬴彻用的激光雷达8000人民币,并且是符合车规级的,换句话说它可以跑5万小时不出问题。
首先我相信,既然都是做自动驾驶,也不会有人把六个行车记录仪放在车上,那叫做实验室的游戏。我们做的是车规级的车,严格按照车规级去设计,而且我们也坚定的相信采集到的有效数据,可以用于L4/5进阶的数据,只要我们的传感器不少,只要我们的传感器能记录下来并且做到时间同步,这些数据都是可以拿来做仿真和训练的。
我觉得我们做自动驾驶,特别是量产自动驾驶里面很重要的一点就是成本控制,刚才说有几十亿公里的数据,大家可以算一算,如果说是一辆小车,一辆Robotaxi,一般Robotaxi在城市里开速度比较慢,一天可能可以开300公里很高了,这样的话一天300公里,一年365天,一年大概10万公里。如果说我们达到百亿数量级的数据,车队的规模就是非常重要的,不可能通过一辆车跑,肯定是几万辆车跑。我不认为会有自动驾驶的公司,能够用不产生盈利的自营车队,去进行上万辆车队的测试,特别是当它有50个传感器的话,我觉得那个价格是个天文数字。

  图片右一为的卢技术有限公司创始人及CEO 张英

主持人:咱们的「插嘴模式」果然很有效,两位技术大咖都各自给我们算了笔成本经济账,也欢迎二位去各自的WAIC展台相互参观,讲解交流。接下来我想问一下张总,也是代表广大媒体朋友提问,因为我们对于的卢这家公司所知甚少,但是经过查阅发现的卢在自动驾驶方面专利数量非常靠前,之前的卢的精力主要聚焦在哪些方面,未来公司的整体规划是什么? 
张英:刚才和大家聊的时候就在讲的卢的目标是做一个大玩具,用造机器人的方式来造这辆车。首先我们谈感知、决策,以及控制……我们认为自动驾驶未来的瓶颈应该是控制范围有多少,横向移动的控制精度、纵向移动的控制精度、制动距离,这些极端环境决定你的范围。
第二是你和消费者之间的关系,我刚才看到有一张图片,是在强光环境或者恶劣环境下让车高速开,把我们消费者当傻子吗?那么强烈的环境下,你敢高速开,坐在车里面的乘客会怎么想?我们今天要提供的不是一个技术,而是产品,我们要处理技术消费者和产业监管者之间的关系,因为车毕竟还是公共安全的产品。
当我们处理这个问题的时候,我们就需要从根上来解决这个问题,我特别赞同肖教授刚才讲的,你一开始想造什么,就决定了你的技术架构要围绕什么东西去跑。的卢要解决什么问题?举个例子,就拿侧方位停车来说,的卢可以做到车头与前车的车尾只有15公分,如果你横向的控制和纵向的控制做不到,你怎么停的进去?这基本上是现在传感器测距的极限,我就要做到这个样子。
我的目标是当消费者开着这辆车去任何环境的时候,只要在15公分这么狭窄的情况下能够停得进去。我们要解决的问题是消费者所想的问题,你想的问题不重要,到最后所有的消费者都不买单有什么用呢。
如果作为一个产品经理而言,现在需要的不仅仅是一辆自动驾驶出租车,我需要的是随时交互的自动驾驶的出租车。比如说前面左转,比如说我的同事在前面,帮我停在路边接他。
我们要重新思考机器和人的关系,而不是单纯的把某项技术作为这个产业最重要的事情。如果要想解决这些问题,我们需要在算力平台,在我们传感器呈像的编码,这些最核心的地方我们下功夫。的卢最近几年,比如说分布式的系统,我们用来做图像编解码的部分。我们现在谈得很泛,只在谈自动驾驶当中的感知决策部分,整个车如果要想做到商品化,需要解决的问题多的多。
所以的卢为什么说我们花两年时间积累了这些专利,可还是远远不够,的卢后面要加大精力解决这些问题。
我们的规划是什么?的卢能否花2-3年的时间提供一个大玩具给消费者,如果我们的消费者都喜欢,你不用讲L5、L4、L3,我不看,我看的是你怎么解决我的需求。
自动驾驶私家车也好,出租车也好,如果我想去的地方都不能让我很安逸、舒适地去到,那我还不如自己开一辆车,我要你的自动驾驶干什么?
智慧设备最难的地方是,如何让智慧设备和用户心理预期之间取得平衡,如果你做的动作、控制、所有有效性的事情是用户最想要的,这不就是机器人吗,这不就是我们产业孜孜不倦所追求的要做的事情吗?如果要做这种事情,就需要有革命性的架构,革命性的架构决定了我们怎么看这个设备。
功能的问题要靠技术解决,驱动功能的是用户需求。我们强调产品驱动软件,软件驱动硬件,如果我们做到这些,我们认为在未来的2-3年,我们有可能提供一个长得既好看,又能够满足绝大多数使用场景,又让你觉得有趣的大玩具。比如当你想要赛车的时候可以开一个漂亮的甩尾,比如说当我看到极窄道路的时候,难道我们还要找一个人说帮我看看能不能通过吗?这是技术的耻辱。
我们认为技术就要解决消费者关心的问题,当我的问题解决了消费者问题之后,剩下的什么物流、taxi那些问题都不是事儿。的卢就是要做通用,就是要做一个大玩具,和我们的消费者一起成长。我们认为自动驾驶未来要克服的问题,不仅仅是法规问题、技术问题,更大的坎儿等着我们,是消费者如何理解你,如果你的消费者不买单,你永远也是零。

主持人:听起来的卢就是默默打造一款超过消费者期待的大玩具,我们也对这个产品越来越好奇。
各位专家都从自己的专业领域出发,为我们提供了一个清晰的现实框架。下面我们探讨一下很宏大,可拓展性很强的问题,“我们距离高阶无人驾驶的普及还有多远”,您甚至可以将其视作判断题,也就是“我们是否能实现高阶自动驾驶技术的普及”。 
喻杰:首先我们看这个标题,跟之前拿到的有点不一样,我们定义一下什么是高阶自动驾驶?如果是L3以上,从技术层面和法规层面上来看,其实是比较大的挑战。
L3以上,一般来说机器对于全部的驾驶行为要负责。从量产车型来说,目前一般都避免谈L3以上,所以就出现了L2.99这种讲法,无非就是避免法律上的问题。
同时,技术上的挑战也是很大的,我们多大程度上能做到高阶的自动驾驶?待会儿可能杨总和肖总应该是有不同的看法,我个人觉得可能在限定范围内,当然要看我们的范围有多大,车队有多少。拿Waymo举例,它的确实现了高阶自动驾驶,而且也开始让真正的用户和消费者受益了。当然他的商业模式是否成立?这个我们可以再分析。但是他毕竟是在那个小范围之内,可能还不断在拓展,但是他还没有拓到另外一个城市。从这个角度来说,怎么算是真正的普及?我们可以探讨一下。
另外一点,比如说辅助驾驶这一块,比较大的可能性还是不断拓展自己的ODD。我们从简单的车道保持,到现在也有一定红绿灯识别的能力,从这个角度来说,我认为比较常见的还不会是高阶自动驾驶,大家在短期之内能够得到的,还会是辅助驾驶或者高阶的辅助驾驶,我们不谈L几,但是大家可能出于技术上的考虑或者法律风险上的考虑,应该都会限制住不叫L3,我认为这是比较长期的过程。
至于说真正的高阶大概有多远?可能在限定区域内能够实现了,但是能否比较快速的推广到更多区域,让更多人受惠?这点可能会是比较缓慢的过程。当然也听听其他专家的观点。现在如果说真正定义的高阶是放手给机器的话,我认为还是需要时间的。

主持人:肖总,您这边可以给出大概的时间点吗?
肖健雄:假设这个定义是完全无人驾驶,就像Robotaxi一样,这得看我们说的是多大范围?如果我们是说一个区域,比如说Robotaxi在深圳某些地方已经实现了无人驾驶,在今年1月份已经对外公开试运营了,包括去年一整年都在深圳进行无人驾驶的测试,如果这样的话已经实现,所以这个数字是个负数。
但是大家说如果是整个城市,现在毕竟还是一个区,但是如果像Robotaxi这种应用,基本上你不需要好几个城市,不需要跨城,但是在同一个城市,这种我们觉得是相当近的未来,可能2-3时间内是可以实现的。因为一个区你能搞定,像Waymo我也体验了一下他们的科技,凤凰城不是个很小的城市,它在里面可以进行自动驾驶。如果能够实现这种规模,那么理论上没有什么可以阻止它更大的规模,当然凤凰城的路况相对比较简单。
从这个角度来说,一个城市搞定无人驾驶,我们的答案是2-3年。但是如果全中国无人驾驶,可能需要时间,可能需要长达十年的时间才能普及到全国这么多的城市、城镇,因为中国是相当大的国家,咱们国家真的很大,不像新加坡一个城市就能搞定的,所以确实需要一定时间。
但是通过这个话题和前面的讨论,可以把两个结合一下。我觉得现在整个业界都有两个完全矛盾相反的声音,一方面高阶无人驾驶是否能实现,一方面有人怀疑一辈子都别想看到这个东西。另一方面,大家今天在想还没有实现的东西是不是太贵了?要便宜一点。我觉得如果大家真觉得很难,就不要想着怎么减那几块钱让它更难。就像上火星很难,那造个火箭是不是就得考虑一下不要给它成本压的那么低?
我觉得两个声音同时存在,一方面有人觉得太难了,永远做不出来,有人觉得太贵了,我要搞的特别便宜。辅助驾驶和无人驾驶,升级升级就变成无人驾驶了,两种声音大家仔细想一下,逻辑上相互冲突有矛盾的,你要是真觉得那么容易,真的容易降价格,就不应该觉得他做不出来。所以这一点我指出来,两个声音也是通过今天这个论坛抛砖引玉,我只是想指出这两种不同的声音其实是自相矛盾的。
我们包括我本人的观点,既不是这边也不是那边,是在中间,有人说是不是比较激进?其实我是最不激进的。我觉得无人驾驶很难,确实不容易,我们要加很多高精度的东西,确实很难,我们做足了功夫来打这场硬仗。但是我们也不会觉得它难到做不出来,所以我们处于中间状态,既不觉得它很容易,也不觉得它永远做不出来,我觉得这两个都是比较极端的观点,我们觉得比较积极向上的观点,就是咱们迎难而上,因为它难需要传感器、需要很强的算力、需要很强的架构,咱们作为一个行业一起头脑风暴,一起发挥创新思维,想着怎么解决这个难题,而不是怀疑它根本做不出来然后就不做,或者觉得它特别容易做然后咱们什么都不干就可以实现自动驾驶。
这是我们借这个话题引开的更深层次的,大家如果真觉得这个很难,应该开始集思广益发挥创新性的思维,来解决这个难题。

主持人:刚才我也差点儿要插嘴了,我觉得凤凰城的路况和北京的路况相差甚远,现在中国也是有了第一条自动驾驶高速公路,另外也是有了6个车路协同试点城市,是不是需要等待整个城市焕然一新才能实现高阶无人驾驶的普及? 
肖健雄:我想补充一点,凤凰城的路况很简单,所以自动驾驶很容易。其实这个观点表面上有道理,但是实际深层面,作为一个技术人员的角度不是很站得住脚,因为一个再简单的路况,也可能突然有一个小孩跳出来,所以这个路况其实很难可控,可能刹那间0.1秒内可能一个很简单的路况变成非常复杂。
所以Waymo既然有信心能够在这里完全无人驾驶,说明这个城市非常靠谱。不要单纯说路况简单,99%简单这个不难,难的其实本来就是那0.1%,0.1%再简单的路面,可能一刹那间突然很难。
这个逻辑也可以用在高速公路上,高速公路场景好像很简单,绝大部分情况确实很简单,但是比如说前面撞车,两个人打架,一堆人下来围观,这个时候你不能说一个车高速开过来咱们就不理,咱们就把他们全撞了,这肯定不行。
有些东西看起来简单,实际难度相当大的,包括凤凰城、高速等场景,如果要真正实现高级别无人驾驶,绝对这个系统需要非常强,才能确保在0.1%发生的时候,有办法能处理它。

主持人:的确像您说的,很多很细微的场景,即使我们很难遇到,但是也是我们需要解决的难题。想问一下杨总,您觉得重卡这边面对的比较难处理的场景有哪些? 
杨睿刚:重卡的最大问题,首先是高速运动和高载重量,这个对于我们的感知系统提出了很多要求,世界上最好、最贵的激光雷达,恐怕感知距离也只有200米,重卡的刹车距离从100公里/时刹到0,要150米。所以说我们对于系统要求,至少看到300米以外,目前没有任何激光雷达能够看到这么远,我们只能通过计算机视觉的方法,通过多个高清摄像头把这个距离看到非常远。
第二个难点是控制,在车的重量方面,重卡轻载16吨,满载49吨,Robotaxi大概为2-2.5吨。而且重卡是两节的设计,所以刹车刹得不好,就会产生非常危险的折叠,所以这些都给重卡自动驾驶场景造成了非常大的困难。
回到「高阶自动驾驶离我们有多远」,我刚才看了还是普及的自动驾驶,我觉得高阶自动驾驶现在就有,纯无人矿卡在澳大利亚那边开了三、五年了。可如果说要变成普及的、大家都可以感受到的纯无人驾驶,不管从技术来说还是法律法规上来说,我个人觉得至少得有5-10年才能真正感受到脱手脱把,让车真正变成大玩具。
我们这里都是做自动驾驶的,都是最终要给用户提供一个产品。在这个定义下,做重卡和做Robotaxi还是很不一样的。任何商用车都是生产工具,所以我们要想让产品能够产生效应的话,就必须要算TCO(Total Cost of Ownership,总体拥有成本)。
如果多花了20万、30万把产品买回来,在重卡3-4年生命周期里面,到底能否把这个钱收回来?从重卡司机现在的效益成本来看,一个司机大概一年15万,3年就是45万,换句话说,我的成本上限就是45万,如果系统超过45万,那不管是再高阶的自动驾驶也没有人会用,因为用它就是亏钱,这个和乘用车还是不一样的。
所以我们做自动驾驶特别关注的就是成本,既然大家做的都是商业化的行为,我们都得考虑成本。Robotaxi运营的成本大家现在都还没有算明白,那笔账还是挺难算的。
最后我要说的是,我相信在座诸位都认为自动驾驶已经不是IF(会不会来)的问题,而是WHEN(什么时候来)的问题,所以我对于高阶自动驾驶的普及还是很有信心的,但是道路很漫长,前程也是很艰巨的

主持人:张总,您从乘用车这方面谈一下比较宏大的议题?
张英:第一,我们称之为乐观派当中的悲观派。首先,对于自动驾驶会不会到来,或者说机器人这个命题会不会到来,我们充满了乐观,我们认为这一天不是等你老了才会到来,应该很快就用上。
而之所以说悲观派,是因为以现在的产业环境和现在绝大多数的公司搞不定这个事情,包括所谓的高阶无人驾驶。
举个例子,我们未来也会把在制动方面的所有专利和技术开源出来,比如说150米制动问题,是因为你利用现在厂商的能力,只能做到150,我们就要解决这个问题。
杨睿刚:这是物理的问题,这是减速度的问题。 
张英:如果150是你的数学公式,那你整个工程化会更糟糕,我们就要解决这些问题,怎么解决这个问题?我认为现在很大一部分除了技术的问题,还有工程化的问题,工程化的问题怎么解决?端到端地解决。
比如说制动有问题,我们就在制动的地方解决问题;如果在图像识别地方有问题,我们就解决传感器的问题,解决图像格式的问题;如果我们在算力方面有问题,我们就利用分布式的软件把整个车从中央计算机变成一台数据中心。
我们遇到问题就解决问题,如果我们考虑成本、考虑一堆问题,你永远不要做这个事情。以我们过去的经验,我们就是不断克服和解决问题,才能让几亿的用户用上智能手机,以消费者为导向,不断地做技术创新。当你把核心竞争力构建在工程上,我们认为高阶的自动驾驶就已经来了。
我再回应一下,我们的卢一直不认可L2、L3、L4、L5,我们认为这是行业自己给自己定义的一套标准。从消费者的角度而言,现在的高阶自动驾驶有没有到来?或者说我们把「高阶」这两个字能不能换另外一个意思解释?你有没有自动解决用户最困难的场景?所以我们认为自动驾驶不是一项技术,而是一项服务,在最需要你的时候你给他提供服务。
当我开着车在一个老的街区寻找美食的时候,旁边有很多自行车乱放,还有道路线不清晰,这个时候才是消费者最需要自动驾驶的时候。的卢致力于要解决的是这种高阶的自动驾驶场景,我们始终以消费者视为最重要的力量源泉,然后不断的从工程角度看哪些地方有问题,我们就在这些地方解决这些问题,解决完这些问题之后再通过生产制造过程当中的质量控制、广泛的产业链合作,把这个成本降下来,这就是的卢梦寐以求的:把一辆好玩的机器人造出来,追上更高的技术,解决大家绝大多数时候所遇到的难题,然后以大家都能买得起的价格让大家使用,这就是我们讲的「科技大众化」,这才是一个科技公司应该做的事情。


产业WAIC智能汽车
相关数据
自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

肖健雄人物

自动驾驶汽车公司AutoX Inc创始人&CEO,在计算机视觉、自动驾驶和机器人方面有超过十年的研究和工程经验,是3D深度学习、RGB-D识别和映射、大数据、大规模众包和机器人深度学习领域的开拓者。

机器之心机构

机器之心,成立于2014年,是国内最具影响力、最专业、唯一用于国际品牌的人工智能信息服务与产业服务平台。目前机器之心已经建立起涵盖媒体、数据、活动、研究及咨询、线下物理空间于一体的业务体系,为各类人工智能从业者提供综合信息服务和产业服务。

https://www.jiqizhixin.com/
暂无评论
暂无评论~