知识点| 百度自动驾驶徐宝强：如何填补从L3到L4之间的巨大鸿沟？

百度在7月16日举办首期「AI呀，我去」AI开放日活动。聚焦共享无人车的主题活动上，百度自动驾驶产品运营部总监徐宝强面对一些初步接触自动驾驶和Robotaxi的观众，进行了一场通俗易懂的讲解，可以令人快速读懂自动驾驶的表层原理及发展现状。以下为Auto Byte梳理的主要内容：

商业潜力最大的场景，难度也最高

2018年，也就是Waymo的测试里程突破1000万英里的这一年，北京市公布了自动驾驶测试条例，规范了所有的自动驾驶车辆上路的测试流程。这加快了Robotaxi在国内的商业化进程，也让L4级自动驾驶开始在城市开放道路测试各种新场景。

不过，在自动驾驶发展的过程中，从L3进阶到L4需要跨越一道巨大的鸿沟：L1-L3级车辆的驾驶主体仍然是驾驶员，只有到L4级以上才能够实现全自动驾驶由自动驾驶系统来完整的控制车辆保证安全。从L3走向L4的过程中，各家企业存在不同的技术流派和方案。

同样的自动驾驶技术,可以应用在不同的场景上。宏观来看可以运人、运货和一些工业场景。其中，运人的场景也可以分为园区和开放道路，从形态上也可以分为固定路线以及区域内任意互达。

这些产品形态的组合又形成了各种细分场景，例如在运货的场景上可以分为高速干路、城市支路和最终的仓储配送等等不同的环节，执行的载体也会包括卡车、物流车和最终的售货车等等不同的形态。而在工业场景，特别是像港口、码头、矿山这样的场景中，自动驾驶也能发挥它独特的作用，而最被大众所熟知的，还是城市道路共享出行的场景。

L4级别的城市道路共享出行可以说是在自动驾驶所有的场景中技术难度最高，挑战最大的。但同时这个场景也是与大众生活最为息息相关的一个场景，也就是说它意味着最大的商业化潜力。很多时候说到自动驾驶，讲的就是L4级别城市道路共享出行的这个场景。

AI司机如何「练车」？

完善的AI司机是如何练车的呢，徐宝强认为有三个核心的要素：

第一、完善的自动驾驶系统

第二、千锤百炼的道路测试

第三、有车路协同技术

从第一点来说，自动驾驶系统首先需要有一套核心算法。自动驾驶系统是一套复杂的系统工程，需要有多个子系统协同共同来发挥作用，其中第一个核心子系统是高精地图系统，高精地图将会提供给自动驾驶车辆所行驶的道路环境和道路拓普。

第二个子系统是高精定位系统，定位系统是提供给自动驾驶车辆准确的道路位置信息，例如百度Apollo的定位系统通过多个系统融合而成，其中包括依靠GPS北斗的卫星定位，也有使用激光雷达的点云定位。

通过多套系统的组合能够让自动驾驶系统在各种不同的道路环境下取长补短，都能够获得精准的定位，比如说像在林荫路、高架桥、隧道等等没有卫星信号的路段中，自动驾驶车辆可以依靠点云定位或者视觉定位同样实现精准的定位能力。

下一个核心子系统是感知系统，感知系统相当于会提供给自动驾驶车辆周边的障碍物以及交通参与者的信息，包括他们的速度、位置、朝向、边界等信息。

一般来讲，L4级以上的自动驾驶感知系统是以点云为主，这种能力能够让自动驾驶车辆更准确的获得周边的环境信息。而徐宝强表示，百度Apollo同样重视视觉感知能力，「这条技术路径会更为艰难，但我们认为只有实现了完善的视觉感知，才能实现真冗余，才能在融合之后提供更为完善的感知效果。」（百度在2018年推出了Apollo Lite视觉感知方案，使得车辆可以不借助主激光雷达实现同级驾驶能力。）

最后一个核心子系统，是决策规划系统。决策规划系统相当于是利用周边的环境和道路系统来做出最终的驾驶判断，决定如何让超，以及如何来规划车辆的行驶轨迹。

部分决策规划系统是一个基于规则和优化方法的系统，也就是说将比较确定的道路输入车辆，就会有相应的输出。

百度Apollo等自动驾驶公司的决策规划系统则采用的是一套学习型方案，也就是说能够通过得到更多数据的方式提升决策规划系统的能力。综合所有上述因素，才可以得到以数据驱动自学习的核心算法。

练就AI司机的第二个核心要素是进行千锤百炼的道路测试，目前，百度每天的测试里程会达到4万公里以上，相当于沿赤道绕地球一圈。如此大量的道路测试，能够通过不同的道路环境场景让AI司机学习应对，并能对不太常见的场景，例如像猫狗横穿、施工占道，鬼探头等做到见惯不怪。

练就AI司机的第三个要素是车路协同。「一个典型的车路协同应用会是这样的：在一个城市道路的路口，多个方位布设传感器以及计算单元，实时掌握该路口交通参与者详细的信息和情况。

经过路侧计算单元的处理，当有自动驾驶车辆经过这一路口的时候，这些信息将发送给自动驾驶车辆，车辆融合这些信息之后就能更好地做出驾驶决策。

如何才能去掉安全员？

通过以上三个因素，我们能够得到一个强大的AI司机，可至今为什么还需要有安全员坐在车内呢？

安全员的职责是在当自动驾驶系统出现一些小概率的突发的不能应对的场景时，来接管车辆保证最终安全。而从有安全员的状态最终实现无人驾驶，也需要几个核心的要素。

第一：强大的单车智能。自动驾驶车辆的监控系统能实时的发现汽车内的各种故障并做出反映，而「冗余」指的就是当一套系统发生，故障的时候还会有另一套系统马上补上来提供相同或者相似的能力，来保证整个系统不出大的故障仍然能够保持安全。

当自动驾驶车辆软件和硬件出现一些低概率的问题的时候，监控系统会实时捕捉和发现这些问题，同时冗余系统会实行一些减速或靠边停车的动作，保证车辆的最终安全。

另一个核心的要素是「远程干预系统」，例如百度Apollo的「5G云代驾系统」。该系统利用了5G低时延高带宽的特点，当自动驾驶车辆发生一些阻塞、遇困场景时，通过远程云代驾平行驾驶车辆完成脱困。

如何匹配AI司机的「眼和手」？

要达成安全的自动驾驶，首先需要的就是强大的AI司机能力，通过系统的完备设计形成多重的安全保障。在此基础上，也必须有一套完备的测试流程和测试体系，确保每一个版本都会经历从离线测试到仿真测试，再到封闭测试、厂测试才能到达开放道路，并逐步扩大流量。

AI司机相比人类司机来说，视距会更远，反应速度会更快，同时不会疲劳，也不会有路怒症这样的负面情绪，可以说会时刻保持高效率的全神贯注的安全驾驶。

特别是在中国我们还拥有5G云代驾、车路协同这样独特的新基建的优势，在自动驾驶和普及的过程中也会起到无可比拟的优势能够帮助自动驾驶更快的普及和落地。

那么，为了匹配AI司机，我们需要一辆什么样的车呢？首先AI司机有一个计算单元来作为执行的载体，来运行各种的软件和算法高效的做出反应，同时，AI司机还需要「眼和手」才能够驾驶车辆。

AI司机的眼实际上就是各类的传感器，AI司机的手和脚实际上就是底盘和线控。人类司机驾驶车辆的过程实际上是一个机械过程，也就是说使用方向盘、油门刹车的踏板来操控车辆，而AI司机需要将这些电信号转化为机械信号才能驱动车辆，有了这些升级之后，我们就有了一辆自动驾驶的车。

不过，什么时候我们的共享无人车能够遍布大街小巷呢？其实，目前可以看到三个明显趋势：第一，自动驾驶能力逐步增强，能够进行无人驾驶的区域将越来越多；第二，我们的自动驾驶车辆成本正在快速的降低，已经进入到量产乘用车的价格区间，而这一趋势还将继续发生；第三，是我们商业化的自动驾驶共享出行正在快速的部署和铺开。

从这三个趋势可以看出，在不远的将来，自动驾驶出行服务的成本将进一步的降低，进而能够形成商业模式进入能够大规模部署的正向循环。

在未来的三年，百度Apollo会将共享无人车扩展到超过30座城市，部署超过3000台车，而这还只是共享无人车快速普及的前奏。

产业自动驾驶技术百度