【汽车与环境】圆桌讨论：自动驾驶的关键技术与挑战

白杰：自动驾驶和现有的技术以及IT企业提倡的无人驾驶，对于我们产业来说现在是无人不晓，但是大家所处的位置不一样，有些是学术界，有一些则来自企业、大学、相关供应商，因此战略和思路也会不一样，思考和想法也不一样。这里先问一下邓教授对现在汽车产业自动驾驶的看法？

邓伟文：这个问题很大。汽车是一个比较传统的行业，过去一百多年主要是在动力方面进步很快，特别是新能源汽车，自动驾驶使得我们重新认识汽车。从教育和学术研究的角度，首先看我们的需求和研究对象，随着自动驾驶的功能变化，汽车的环境变的极其复杂，我们对环境的理解、感知、认知，是我们过去传统汽车里没有的，使得我们汽车学科进一步拓展到别的学科项目，如电子信息和人工智能。而从学术研究、人才培养角度，既要扎实机械车辆工程和动力学的训练，也要组成交叉学科，包括电子信息、人工智能技术，还有围绕我们感知决策带来的新的技术，对于学术界是一个机遇，同样也是一个挑战。

白杰：非常感谢邓教授，从学科建设和教育角度看待自动驾驶和汽车产业问题。学校的自动驾驶多少离现实的自动驾驶有点远，所以请刘院长谈谈汽车产业里看自动驾驶将是怎样的途径？

刘卫国：我们虽然是汽车企业，但是现在也向更智能化、物联化的方向发展。交通工具的智能化，最早人类没有交通工具，是靠双腿，但是车作为交通工具的时候，智能化变的很低了，是机械的执行。到现在把机械的车变成具有智能化的产品，我们是传统汽车做起的，肯定是想一步一步的实现这个过程，从最低端做辅助驾驶，再到功能的叠加，最终把智能化做起来。当然这是为了市场和商业模式做的，我们也在开展完全的无人驾驶项目研究，研究的根本目的还是为了把一些具体功能应用到产品中，最终从属一个功能，有效的提高产品竞争力。

白杰：现在汽车公司很多都在做L4、L5的自动驾驶，这个对于中国的汽车企业来说可能也是一个机会，汽车厂把精力放在先行技术开发上，有可能是好事。但是我希望汽车公司在做L4、L5的时候，千万别过三五年以后出不了产品就停了，希望L4、L5真正的作为一个先行技术开发，坚持干十年、十五年，这样才能真正的把自动驾驶落地。在这个过程中，在座的传感器供应商，在这个过程中，主机厂在做开发，供应商才有国产化的机会，主机厂如果不做，对国内的供应商匹配还是很难的，可能时间上有些不够，请唐总作为代表，谈谈在智能化的过程里，作为供应商有什么烦恼？

唐锐：真正的L4、L5要没有决心干十年二十年，L5是挺难完全走到我们生活中。在这个过程中，我们有比较明确的思路，今天的市场机会也要有L2的产品形态，同时也要跟主机厂一起并肩，做一些国内比较适合的L4、L5的产品。另外比较幸运的，能够跟国内很多主机厂合作。

确实这个过程很艰辛，作为一个本土的供应商，在这个层面上已经跟全球的供应商同台竞技了。相对新兴的企业来讲，一开始在采购和体量各方面都是比较弱小的，我们蛮希望得到主机厂给我们条件支撑我们往前走。但是这个环境又不会太快，因为这是一个商业化的过程，你得拿出足够优质、足够便宜的产品才能被主机厂接受。这一点企业自身一定要有这个意愿和决心，能够支撑我们走下去，在大环境下，主机厂对我们总体来讲是很支持的。另外，我们也看到从资本市场或者国家政策引导及扶持也有很多支持力度，所以这些东西是支持我们往前走的。

从L4、L5的策略来讲，要做好准备一步一步的实现。我们做自主泊车，这是一个L4级别的产品，大家在谈L4的时候，都在谈很多限定场景的，其实真的要做也要有耐性，可能一个场景一个场景做，L4就可以做很多方面。所以从这个策略上，从产品形态上也可以逐步的走，我觉得挺不容易的。但是这是一个大时代的背景，中国一定会出来优秀的、在国际上有竞争力的供应商，在这个大的环境背景下，国内的汽车产业和核心零部件开发，一定能在这个里面出来好几家伟大的企业。

提问：刚才李总介绍现在在做一些实用场景，上面几位有做激光雷达和毫米波雷达的，这样未来是否可能用某一家公司的系统进行数据采集？

李霖：我们采用了多个不同层级的设备采集数据，我们现在初期是一千辆车的规模，后面可能更大，如果全部布激光雷达成本会非常高，所以我们会使用不同层级采集数据，少量车上是全部覆盖的模式，这样采集的数据非常精确，或者存储去构建仿真工具等等一些开发和应用。但是从成本角度讲，目前更大规模的还是基于数据采集，其中还有毫米波雷达，一方面从成本角度考虑，另外从数据获取丰富度考虑。

提问：飞机早就是自动驾驶了，但是飞机止步于L3，L3之后，除了军用有无人机，在民航里基本没有探索L4、L5。为什么航空止步于L3，没有往前发展？从航空来看，要实现无人驾驶，技术已经具备，价格也不是一个问题，汽车一个激光雷达就装不起，飞机上装两个都行。

宋廷伦：从车的角度肯定不会止步于L3，L4和L5还是会解决根本的人在驾驶过程中的错误，数据统计95%以上的交通事故都是人的因素，这是一方面，另一方面，智能出行也需要L4、L5自动驾驶的能力。我在主机厂做了很多年，是做整车集成的，从这个角度看，现在L4、L5大家谈的很多，也包括在路上偶尔见到有车在跑，不知道是L4还是L5的，反正上面雷达在转。从主机厂角度有两个策略，一方面确实在做L3以后的Demo，主要做技术上的探索，另外一方面也积极做一些量产化的准备，这是两部分，一部分是L5的，一部分是L3的。这两条路线都在走，但是整车集成来讲，L4、L5从主机厂角度应该做一些什么，整车集成传统是三个方面，性能集成、电控和整车集成，我觉得主机厂应该在整车集成上再加一个维度，这个和性能集成、电控集成是有区别的。

从L3到L4、L5确实有几个关键技术问题，但是这些问题还没有找到答案，第一，AI止步在什么地方？第二，大家在讲怎么控制，如果L4、L5真正要做，还有很重要的问题——故障的诊断识别和应对措施。现在有一些基本的挑战，一个是做冗余设计，这个成本各方面都上去了。第二是做重组，第二个方面可能是今后的方向，所以主机厂在这个方面，L4、L5都在积极做准备，朱老师的问题是飞机为什么止步于L3，这个问题真是没有答案。

邓伟文：这个问题帮我们思考这么一个问题，为什么我们要搞L3、L4甚至L5，首先我们要分析汽车的行驶环境和飞机行驶环境区别在哪儿，虽然飞机行驶环境也很复杂，但是飞机总体来讲还是结构化，它的空气动力学很复杂，但是它没有混杂交通，是一个规范的驾驶环境。第二，驾驶员总体是职业驾驶，是受过高度培训的，那么汽车是完全不一样的，中国已经有3亿多的驾驶员，这个门槛并不高。第三，我们的汽车行驶环境极其复杂，除了气象环境以外，还交通环境、混杂交通、道路设施等等。为什么我们讲场景很重要？因为只有场景才能告诉我们，我们究竟有多大的能力，场景才能告诉我们这个产品能不能作为产品交给用户，所以处理场景恰恰是自动驾驶里很重要的挑战。具体来看，第一我要感知，第二面对这个场景做决策判断，这两个因素使得汽车自动驾驶L3是一个悖论。人机共驾里讲首先是要帮助人，但是有些时候我们要依靠人，我希望他接管过去。所以对人的研究，我要了解人，什么时候需要帮助，什么时候可以依赖，传统企业迭代式发展和IT行业一步到位，人是重要的环节，能不能跳过人的这一关？能不能解决跟人友好互动共驾的问题？如果解决不了这个问题，我们一厢情愿说帮助人，但是很大程度上可能是干扰人。所以这个问题是一个挑战，显而易见，L3迈向L4的这条路不是轻而易举的。

提问：这正是我困惑的地方，汽车的不确定性是非常强的，3亿多驾驶员，3亿多个特征，而飞机和高铁是不一样的，明明感觉到不确定事件不多，能实现无人化却没做，汽车实现无人化非常困难，两位都来自高校，但是为什么春风只眷顾汽车不渡玉门关呢？

汤劲松：我从另外一个角度补充一下，这个问题也要从经济学角度来思考，对于汽车来讲，为什么要做无人驾驶，我们要去除驾驶人的成本，整个运营过程中驾驶员成本很敏感。但是对于飞机来讲，飞机造价动辄上亿，驾驶员成本不敏感，所以他没有必要把驾驶员拿掉，反而有驾驶员多一道冗余，如果把驾驶员去掉乘客反而更不放心。今天还有飞行汽车，如果飞行汽车成本也非常低，他是止步于L3还是L5，我觉得还是向L3、L4、L5演进，所以我觉得这是经济学的选择。

白杰：在这个里面除了经济学还有一个问题，飞机一旦出事情代价非常高昂，这种高昂的代价，为什么春风不过去，航空公司不敢过去。汽车出了事故也会死人，但是汽车事故是一个一个死的，反正跟我没关系，社会有选择的意识性，这个事故，整个产业和社会有这个勇气。我现在想往L5走，我们整个交通事故一年死了多少年，但是又有多少人为他哭，有多少人为他笑。但是飞机要掉一架，国家总理都会出来表示哀悼，但是汽车一年死了这么多，整个社会有哀悼吗？没有，我们每年死的就像一场战争里死的人一样。

汤劲松：整个技术革命解放人类，人跟动物比力气不够，速度也不如豹子快，我们做的一切是解放人类，第一是人跟人打交道的感受和效率，另外是跟自然打交道的感受和效率。其实驾驶是短途的解放，飞机是长途解放，在飞机里已经解放了，短途一直没有解放，自动驾驶体验的解放，时间的解放，经验的解放，整个效率解放了。另外一个是感受，解决任何一个东西就有产品了，自动驾驶将来这三个都解决了，交通效率极大提高，时间提升，体验提高，还解决安全问题。这是我们激动的地方，不然我们做一个微观就没有意义了，一旦宏观就很激动了，我想自动驾驶在这个地方是解决这四个问题的关键。

提问：刚才有提到一个问题，采集数据的时候可能需要激光雷达。其实还有一个方案，咱们只需要一个很厉害的传感器模型，这个模型可以将一个物体的运动反馈出来，和实车一样的很真实，可以反馈出和实车一样的效果。对于摄像头来说，摄像头是一个非常逼真的环境，看上去和现实一模一样，可以达到实车效果，在法律环境有没有做一些工作？

李霖：你讲的是应用层面，我们是放在源数据采集层面，我们不知道是什么事情，不知道这个环境怎么样，把这个数据采回来，然后看看这个行为怎么样。对于应用层面，把这个采回来之后，在模拟环境里构建出来，传感器模型把相应的数据得出来，有激光雷达或者毫米波雷达的数据，用传感器模型得到这个，这是应用模型。但是我需要去验证，前期在做采集的时候，我会装一些传感器支撑我做这一块的工作。第二个问题是图像识别，现在有谈到网络等等东西，我可以把这个图象重构出来，甚至可以骗过摄像头，看起来跟真的非常像，这个我们也归在应用层面上，首先知道实际中有这个情况才做这块的工作，这是两个层面的事情。

敬请关注盖世汽车“2017汽车与环境创新论坛”直播专题

提示：本文为现场速记，未经专家审核，请勿转载！