驭势科技联合创始人吴甘沙《无人驾驶真正 “无人”的挑战 》

11月14日至15日，由中国人工智能学会、嘉兴市人民政府主办，嘉兴市南湖区人民政府、嘉兴科技城管理委员会、浙江未来技术研究院（嘉兴）共同承办的2020第十届中国智能产业高峰论坛（CIIS 2020）在嘉兴南湖举办。在11月15日的智能驾驶产业专题论坛上，驭势科技联合创始人/董事长/CEO吴甘沙先生为我们带来了题为《无人驾驶真正 “无人”的挑战》的精彩演讲。

吴甘沙驭势科技联合创始人/董事长/CEO

以下是吴甘沙先生的演讲实录：

今天我们有很多无人驾驶，还需要安全员。 在没有安全员监督的情况下，如何去实现无人驾驶，这是我今天主要想讲的内容。这是前两天我们一个客户（上汽通用五菱发布的数据），100台左右无人的物流车，在他们的场区里，在没有安全员的前提下已经运行了20多万公里，而且现在每个月都是以四五万公里这种速度增长。达到这个水平不容易的，因为Waymo宣布在亚利桑那没有安全员的里程也只有10万公里左右。这是我们和他们合作的一个里程碑。

为什么无人驾驶去掉安全员非常难？

首先叫做短板效应，或者叫做木桶效应。一个无人驾驶上千个零部件一个没有达标可能就会坏事，有时我们出一些小的事故其实很冤枉的，我给线控转向发了一个指令有延迟，没有及时反馈，就撞上了，并不是感知或者决策的问题。

第二，90/10原则。这是Waymo说的，我们已经走完了90%，剩下10%还需要90%的时间和努力去走完。我们最怕的不是90/10原则，最怕99/1，我们走完99%，剩下1%还需要99%的时间和努力走完。

丁总提到无人驾驶像一个孩子，考九十几分容易，但是考100分很难，更难的是连续100万次考100分。这是Waymo在加州的一个数据，2019年每1.3万英里一次接管，相比2018年提升了不到20%。和人类司机相比，人类司机25万英里出一次事故，50万英里出一次警，150万英里出一次致伤的事故，9400万英里出一次致命事故，仍有巨大差距。而且他要获得一个有价值的数据需要测一两万英里，成本非常昂贵（他已经烧掉30亿美金，又融了30亿美金）。对于创业公司来说，需要思考怎么和他打，未来还需要多少年才能真正达到人类司机的水平。

第三，Brooks ' s law。做软件工程的都看过叫做《人月神话》的这本书，这里一个非常经典的比喻，一个女人9个月生个孩子，9个女人不可能一个月生出来；对于一套复杂系统来说，不可能简单地堆叠人力和资源，快速地把它做出来。

第四，先有鸡、先有蛋的问题。因为今天无人车很少，导致了它很贵；数据也少，导致没有办法完全满足客户的需求；不太成熟，又导致了车没法上量，形成了一个恶性的循环。

所有这些都解释了无人驾驶为什么商业化那么难。我们认为难，难在一个本质性的问题。下面是一个比较好的解释。大家看区域1叫做已知的安全部分，我们已经处理得很好了；区域2是已知的不安全，这些已知的不安全可以通过工程化的努力把它变成已知的安全；麻烦的是未知的不安全，它对于我们来说是巨大挑战。

比如把已知不安全变成已知安全是容易的。智能驾驶系统都有一个云控系统，云控系统一宕机所有车必须停下来，这是已知的不安全，可以通过云计算中大量的热备和冗余等来解决。

还有一个未知的不安全，有些问题从来没有见过，运行过程中才发现。比如有的传感器失效，或者传感器受到攻击的情况；当前后的激光雷达和摄像头被攻击，或者失效了。要“优雅”的处理， 使这些原来是未知的不安全，变成已知的不安全，再变成已知的安全。

本质上做无人驾驶就是把区域1做得越来越大，把区域2和3做得越来越小；或者说，不断最小化区域2/已知的不安全，以及区域3/未知的不安全这样一个过程。这里我用一个不同的展示方式——两个轴，一个轴就是Reliability，在给定区间内可以正常工作；另外一个轴是Robustness，即输入不合法，或者环境超出设计，超出ODD后还能够正常工作。Reliability不断最小化已知的不安全，Robustness不断最小化未知的不安全。

比如L2+，必须在Robustness维度上设限；比如在限定区域，高速路和环线快速路上，或限速，拥堵状况下使用。设限的好处是可以大量部署，从而不断增加里程、增加数据，这些里程和数据能够扩大Robustness。另外，高精地图可以约束和最小化不确定性，也能够增加Robustness。

在横向的维度上，Reliability怎么不断提升？一个就是测试数据库不断扩大，另外就是算法和计算的能力不断增加。当然L2+今天可以做到脱手脱脚，但没办法做到脱眼，所以司机必须在决策环中。下一步脱眼要做到L3，再把司机“拿掉”才能做到L4，这是不断扩展的过程。

我们再看L3是一个Reliability提升的过程，跨过了脱眼的这么一个边界。这个过程中需要能够提升冗余，尤其是传感器和高精度地图。

而特斯拉的FSD则选择往Robustness的维度扩展，把场景的约束去掉，开到城市道路中，是依赖于不断增加数据和影子模式。在Reliability这个维度上，它有一个执念，不增加激光雷达，冗余也相对有限，在Robustness提升的同时，Reliability反而减弱，它的接管频率远远高于L2+的状态。

再看Waymo，在某些区域内接近可以不要驾驶员，今天只在亚利桑那上百平方公里的区域开， Robustness不如FSD。接下来要做的是增加里程，同时借助非常细致的高精地图提升Robustness。在Reliability维度上，增加更强悍的传感器和冗 余，用了六七个激光雷达、十几个摄像头，还有 近10个毫米波雷达，所以Reliability极大提升。

特斯拉往Robustness的维度走，Waymo往Reliability的维度走。中国现在在强调第三条：在环境上给予增强，专用道路或者是车道，或者是路侧做感知、规划。这些代表了大家不同的努力。

现在说一下我们的思考。首先从这个问题开始考虑，先有鸡还是先有蛋？你问孩子先有鸡还是先有蛋？聪明的孩子会说先有蛋，这个蛋不是鸡蛋，是恐龙蛋。我们可以在特定场景上进行商业规划，有更多的恐龙蛋就有更多的恐龙，更多的恐龙才有可能发展成更多的鸡。

那么在这条路上怎么走。绿色的UISEE就是我们现在的努力，要在Reliability上真正去掉安全员，同时在Robustness适当做一些牺牲。具体要做哪几件事情？

第一，去掉安全员，就是确保道路交通安全者的行为是可预测的。这是我们对Waymo 2018年接管的分析，因为感知错误导致的接管只有25%，但是因为决策和规划导致的错误46%+4%+19%接近70%。道路上交通参与者的行为不可确定性是一个很大问题。

大家再看这个数据，每10万辆车，德国每年大概死6.4个人，美国是12.9个人，中国是104.5 个人，本质上还是道路交通参与者行为不可预测。从我们在公开道路上路测的视频可见，各种车辆从不同角度出现，包括神出鬼没的外卖小哥，是不确定性很重要的来源。这样的环境下要去掉安全员非常困难。我们做什么？首先在商业化的场景中定义了交通规则，要把不确定性最小化。

这是香港机场我们用的车，车头上写的Give way，和其他的交通参与者要求我的路权要得到保障。这是一个无人车转运排气管的例子，道路也不是干干净净，有行人，有其他人开的车，中间没有红绿灯，要无保护左转。为什么可以去掉安全员？本质上就是让每个交通参与者的行为变成可预测。

第二，实现了去安全员，还是要成本可接受。可接受的成本第一个就是在传感器和计算能力上要做出牺牲，同时要保证安全。

一个L4级别的整车架构是非常昂贵的。要实现L4级别，在传感器、控制器、电源、网络、执行器上面做了大量冗余，还有碰撞传感器等，这样的成本不利于大规模商业化，所以必须要在保证安全前提下不断降低成本。

尽量使用低成本传感器，今天激光雷达的成本还是用不起32线激光雷达，就用16线激光雷达、用摄像头，这就需要算法做得比较好。我们在KITTI的3D Object Detection上有很好的成绩，在3D Shape Classification和Semantic Segmentation上也做了不错的算法，已在 ICPR’20上发表。

大量用视觉。视觉今天有很多误识别，车上的人像可能被识别成行人、车上的自行车被识别成横穿的自行车等，我们试图发现更加本质的特征和表示。比如，有时关键点，针对一些行人、锥桶等效果很好；接地线对于水、马、水泥墩子等比较好；有时语义分割更好；有些是与 bounding box结合起来做更好。这个视频里用非常简单的关键点或者接地线，能够很好地在环境中进行检测，既能够降低算力的需求，又能够避免上面这些问题。

我们在视觉上也试图发展一些新技术。比如，我们叫做Flow Lidar，用摄像头形成点云的形式；比如，我们感兴趣的对象是大货车，可以定向地生成点云，右边就是用摄像头形成的点云，非常稠密，而且货车的特征也能够很好表现出来。

摄像头怕低光照和坏天气，我们也做了很多的工作。比如VSLAM的算法ORB大家用得比较多，早上8点到晚上6点成功率并不一定很高，用了我们新方法，这个定位成功率非常高。

这是今年在ECCV上发的一篇论文。雨夜中找到定位信息非常困难，通过生成对抗网络的方 法可以把雨夜场景转为白天，从而把车道线等非常重要特征还原出来。

上面说的是怎么用一些低成本传感器，16线激光雷达、摄像头解决这些问题，但毕竟一直有小概率事件，怎么让我们东西既能够部署出去，又能够不断学习长尾小概率事件？我们采用Live Testing Framework。我们有一辆很贵传感器的车辆作为老师，要不断打磨算法在学生车上，跟着老师走。老师车可以把环境里所有识别的物体作为真值传给后面的学生车；学生车可以对比，进而发现小概率样本，自动进行标注，对模型进行训练、进行更新。

要实现商业化，除了去安全员、可接受成本，还要事故后果可控。后果可控的方法就是降低速度，这是针对短板效应的妥协。降低速度也是降低传感器和计算成本的方式，传感器不用看那么远；另外帧率也可以下降，从而减少算力需求。

商业化另一个很重要的因素是OTA，大量车部署出去后，每一个半月有一个新软件版本发布，这些软件版本OTA到车上。客户最怕的就是功能退化，这时需要建立一个非常强壮的测试基础设施，包括了实车测试，包括了硬件在环测试和软件在环仿真。

这是我们在嘉兴嘉善的测试场，每天都有各种车型在测试，我们发布出去的任意一款车型在这个测试场里都有几台车在测试，每次软件发布更新，要在不同场景里面测试几千公里、上万公里。我们会针对每个场景设计测试用例，如香港机场运行李的车，有1000多个测试用例，每个测试都有详尽描述。

我们也有硬件在环的Farm，一个机柜的成本已经做得非常低，远低于市场上的商业化产品。

我们做的软件仿真环境，把嘉善的测试环境、上海的沪嘉高速、上海智能网联汽车测试场等很多测试环境建构在仿真中，并且在里面设计很多场景，通过拖拽等方式，快速设计出测试场景。有了这些场景可以加上不同车型、不同障碍物的模型，赋予行为，并且自动对它进行判定，比如是否出现事故；同时环境里还可以自动调节光照、曝光等。这里可以快速建立测试环境和用例，先是现场采集感知数据，对其进行修正和重建。高精地图与感知数据一起自动导入到仿真环境里，然后快速进行测试用例的设计。比如，这些都是我们的实车测试，很危险，有了这个仿真环境以后就能够快速建构测试用例；比如，鬼探头，拖车的cut-in，机场行李车与摆渡车的抢道等。

解决了Reliability，也要不断地扩大技术栈的Robustness。我们也做了达摩院陈总说的小快递车，在开放道路上，有时进入非机动车道，有时要进入到机动车道。这里和我们在园区里的不同，是对于高速车的判断。这样的技术来自在RoboTaxi上的探索，我们先后和7家主机厂有相关合作。

最后，我们那么多场景，不同车型希望有共用的算法平台，有很多选择。昨天和杨老师提到预训练的云算法平台；我和达摩院王总也讨论到用数据驱动的模式，还有就是用更加通用的算法。

这是我们厂区三种不同的车，左上角30吨的大车，右上角用乘用车作为物流车，下边是5吨的拖车，工作环境、环境空间的大小都并不一样。你肯定不希望用这种不同的场景对它进行算法的这种调参。我们做了很多工作，比如路径规划中从基于采样变成基于优化。基于优化的可解性强、可通过性强，更加平滑和安全。

再看这些数据，20多万公里、6.3万小时无安全员的运营，只是和上汽通用五菱一家客户，还有很多客户没有宣布。这些过程中我们积累了很多真正“无人”运营的经验。

（本报告根据速记整理）

CAAI原创 丨 作者吴甘沙先生

未经授权严禁转载及翻译