法雷奥中国区CTO顾剑民博士：法雷奥对自动驾驶产业化的一些思考

2月20-21日，2019全球第二届自动驾驶论坛在武汉举办，本次论坛以“智能驾驶 改变未来”为主题。法雷奥中国区CTO顾剑民博士发表了主题演讲，演讲内容如下：

谢谢朱老师的介绍，非常感谢主办方盖世汽车，也感谢周总的邀请，今天有这个机会在这里跟大家分享法雷奥在自动驾驶这领域工作的一些思考。今天我更侧重的是产业化，所谓的产业化，今天上午其实已经有演讲嘉宾提到了自动驾驶怎么落地，怎么量产，怎么实现盈利的商业模式，等会儿我会详细地讲到。我们做自动驾驶到今天，有很多概念，有很多新的技术，也有很多新的产品，这都很好。但是最后我们还是要来看产品和技术怎么来落地，怎么让我们每一个终端用户使用，或者是商业用户使用并能够盈利。今天我代表法雷奥，但是其中部分也是我个人的一些思考，一些想法，有可能不成熟，那就来供大家参考，共同商榷。

首先给大家介绍一下法雷奥。我相信很多汽车行业的同仁对法雷奥已经比较熟悉，但是因为今天，刚才朱老师也在讲有很多以前非汽车行业的所谓跨界的新成员在场，我想再借这个机会介绍一下。法雷奥作为一家全球十大汽车零部件供应商之一，我们其实不只是在做自动驾驶。我们一共有四个事业部，其中舒适及驾驶辅助事业部更多的是在做跟自动驾驶网联汽车相关的工作。但是我们还有很多其他不同的事业部或者是产品事业部，这里大家也可以看到，在每一个事业部下面，还有一些小的产品事业部或细分市场，旁边还有一个数字一或者二，那是代表在那个特定的细分市场，我们产品所占的市场份额的排名。也可以看到在很多的细分市场，法雷奥的排名是数一数二的，所以这体现了我们在全球整个汽车零部件供应商行业当中的一个地位。

回顾一下以往的业绩，因为去年年报数字还没有出来，我们用的是2017年的数据。大家可以看到全球186亿欧元的销售额，有11万多名员工，右上角的这个数字比较特殊，我跟大家强调一下，我们每年把整车厂销售额的平均12%重新投入到研发。在汽车行业里面，大家可以意识是这是一个非常高的数字，其中有一个很主要的原因就是我们意识到整个汽车行业最近正经历着一个非常大的变革或者叫革命，我们把它归纳为三大技术变革。第一我们说的是电动车或电器化。第二就是今天我们要讨论的自动驾驶与网联汽车。第三是数字化移动出行，比如说定制化出行，共享出行这些方面。法雷奥对这三个技术领域或者三个技术变革非常重视，我们有很多的战略布局来引领行业，这也是为什么我们需要花费非常多的技术投资，或者说是技术储备在这三个领域。

言归正传，今天讲的是自动驾驶，我们为什么要做自动驾驶？好像这个问题已经问了很多遍，我在这里也不需要一条一条地念原由。主要是两方面，第一是为了安全，大家知道人为的失误是导致交通事故的很大的因素，占百分之九十几以上。第二是给大家一个选择，让大家在驾驶过程当中可以选择自动驾驶或者人工驾驶，避免在交通拥堵中浪费时间或者是提高大家对时间的有效利用率。但是，其实最近我更多的在思考除了这两个原因以外，或者是带来的好处以外，我觉得还该有第三个，也就是我们做任何的新产品或者做任何的技术创新，最后必须要盈利就是要能挣钱。尤其是区别于新能源汽车，自动驾驶汽车是没有国家财政补贴的，当然新能源汽车的补贴也在退坡。所以我觉得做自动驾驶最后还是要产业化落地，然后能够盈利，帮助我们的自动驾驶运营商，或者帮助我们在座的每一位从事自动驾驶工作的同行带来经济效益，这才是背后的真正的推动力。

自动驾驶今天上午也有演讲嘉宾说到了，有不同的技术路线或者商业模式。这里简单地归纳一下，左边是把车辆卖给私人或者自动驾驶车辆私人拥有。当然你可以选择自己驾驶，也可以让这车自动驾驶，但是车的拥有者是私人客户，就像在座的你我每一位。但是右边还有另外一种模式，就是车辆归我们所谓的出行服务商，不管是共享出行还是网约车，或无人驾驶的出租车，它的终端客户虽然是使用者，但并不是拥有者。所以这是两种技术路线，两种自动驾驶车辆的运营模式。

从生产厂商来讲，左边这一类就是我们通常讲的OEM整车厂，他们会来生产私人拥有的自动驾驶车辆，比如说这里是一辆奥迪A8，它有自动驾驶的能力，不管是L3或者L4的能力，由奥迪生产，这是传统的车辆生产方式。但右边我们大家已经知道了，例如Waymo已经从整车厂购买来几万辆车，然后自己进行改装改制，然后把它们变成最后有自动驾驶功能的无人驾驶出租车或网约车，这里整车厂就成为代工厂了。这是两种模式，两种生产方式。但是不管哪种模式，对法雷奥来讲，他们都是我们的客户。

我们仔细研究了一下，虽然私人拥有汽车到今天为止还是一个传统的主流的模式，但是很有可能自动驾驶车队，就是刚才说的出行服务运营商使用这些自动驾驶车辆比个人拥有的运行效率更高。其实原因很简单，大家可以想一想，私人拥有的车辆，即使是自动驾驶的，你每天使用的时间一般就是几个小时而已，就是上下班。但是相比之下，运营商使用这些自动驾驶车辆，从理论上讲可以是7天24小时。而且使用的时间越长，它的单位运行成本就越低，所以这是运营成本随着使用增加而降低，反过来又会刺激或者是鼓励使用增加的情况。大家可以看到右下角这张图，就是说一辆车如果是运营商使用的话，既可以用来运送货物也可以当交通车使用，在不同的时间可以不同场景的使用。所以单位时间内运用的成本相比私人拥有要低，而且会随时间推移降低。另外还有一个很大的原因，就是对运营商来讲，他可以把驾驶员省略掉，这是一个非常大的成本因素，而且人力成本会随时间的推移会越来越显得重要，占总成本的比列会越来越高。所以在左下角的图中，大家可以看到在美国的Domino披萨连锁店，总部在密西根的安娜堡，他们已经开始试用自动驾驶车辆来送披萨。

这两张图表是麦肯锡做的市场调研，从2018年到2040年整个车辆行驶里程数当中非自动驾驶车和自动驾驶车的占比。大家可以看到，一直到2030年，绝大部分或者大部分的车辆里程数还是由非自动驾驶来承担的，但是到2040年就完全改变了，差不多2/3是由自动驾驶车辆来完成这些里程数。而在自动驾驶车辆当中，大家同时也可以看到更多的占绝对多数的是出行服务，就是刚才我们说的出行服务商运营的自动驾驶车辆，而私人拥有的车辆占非常小的一个比例。这也就是说我们预期将来会有更多的自动驾驶汽车将为出行服务。

自动驾驶车辆，当然它省去了驾驶员，对个人来说，有没有驾驶员好像没有什么太大的关系，因为你还是坐在车里面。但是对于运营商来讲，他可以把人力成本省掉，而且这个人力成本在每个国家都会随着时间的推移越来越高。这里有张图就可以看到非自动驾驶出租车的运营成本随时间在逐渐上涨，而自动驾驶出租车的营成本随着时间明显地成线性往下降，因为随着自动驾驶技术的成熟，包括自动驾驶车辆传感器的成本的降低，自动驾驶车辆量产后单车成本的下降，它的运营成本会越来越低。所以这也是为什么麦肯锡预测自动驾驶车辆在今后，在这张图里面是2025年或2027年前后，运营成本会变得低于非自动驾驶车辆，之后更是越来越低。

随着这些自动驾驶和非自动驾驶车辆的运营的方式改变以后，同时大家可以看到相应的自动驾驶商业模式也会改变。这张图非常有趣，它是UBS做的一个报告，它的横轴是某个商业模式的营收池规模，也就是说你的营收，通过某个商业可能收到多少钱revenue，然后纵轴是商业模式的吸引人程度，相当于最后能够盈利多少，利润率profitability。所以它是两个维度来看，大家可以看到，其实在图的右上方你既能够营收越高，又能盈利越多，这是你希望所在的最好的位置。在这个位置大家可以看到的商业模式是自动驾驶出租车，车内时间的商业化，包括在车内做广告，或做一些其他的业务，这些商业模式会变得越来越吸引人，既能够挣钱，而且能够真正的盈利增长。同时大家可以看到在右下方靠当中的位置是自动驾驶车辆的生产和销售，这是我们传统的整车厂所做的事。反倒变成了什么，它虽然继续有营收，但利润率很低，甚至可能是负数，也就说这样的一个业务以后越来越变得投资了很多钱，但其实挣不了多少钱，反而只能勉强为生而已。同时还有一个发现，在左下角有地图，也就是图商，按照UBS这个报告，他们认为图商今后既不挣钱又可能要亏本，当然这只是一家之言，一个猜测而已。不管怎么样，通过自动驾驶技术的演进，或者自动驾驶运营模式的改变，大家可以看到今后有很多的商业模式，跟今天相比会有很大的一个变化。同时我们也看到做自动驾驶并不容易，你完成90%工作以后发现你不是剩下10%的工作，你剩下还有90%，这就是所谓的新90/90规则。因为剩下的工作中你突然发现还有很多更难更不容易做的，比如那些corner case，你接下来的工作相比你之前其实是需要十倍的努力。这句话最初是Waymo的CEO去年讲的，他有感而发自动驾驶特别是L4和L5级别真的很难。这也是与非自动驾驶车的开发概念和流程不一样的地方，我们以前开发非自动驾驶车辆所做的性能耐久可靠性的试验，你可以知道工作量完成了90%，接下来还有10%，时间工作量都差不多线性的。但是在这里自动驾驶，除了处理corner case以外，还有很多其他的验证，包括里程数和数据的积累，例如L3与L2相比，L4与L3相比，工作量的增长会随自动驾驶级别的增长变得非线性，几何级数的增长，在能SOP量产前你的工作量并不是简单线性的变化。

然后我们如果去看不同的细分市场，自动驾驶各个级别的需求和可能性是不一样的。如果大家看一下最下边是针对主流市场的车辆，指今天我们一般客户买的车，比如说像大众的POLO，或者福特或者吉利一般的车型，他们到今天为止多数是只有一些简单的ADAS功能，甚至L1都没有。随着推时间的推移，因为有NCAP的激励在后面，它会增加相应的ADAS功能，例如AEB自动刹车和泊车辅助功能。但是我们认为在可预期的将来，它还是会处于在L1和L2的区间，增加ADAS的功能来完成主动安全和驾驶辅助。相对来说，豪华车比如说像奔驰，宝马，沃尔沃的话，目前它们相当一部分已经有L2的驾驶辅助功能，它们会越来越多地增加这些功能，逐渐演变成L3或者L4自动驾驶，泊车、堵车和高速驾驶时解放驾驶员。然后，在最上方是无人驾驶的共享汽车或者是出行服务运营商的汽车，他们在这个领域的话可能更多的会推向L5，目标是提供不需要乘客干预的城市交通。当然到底什么时间能够达到真正L5落地，我们现在还不清楚，因为今天上午嘉宾们也在讨论这件事，L5的商业模式最后怎么落地？还有一点，大家可以看到右上角还有什么？这里还有一个衍生的细分市场是无人送餐或者送货车，这也是一个新的领域，必须做到完全无人驾驶L5，因为无人送餐，无人送货的车上面没有人，只有货物，所以这个也是另外一个细分市场。大家可以看到针对不同的车辆细分市场，你的自动驾驶功能或者级别的需求也是不同的。这也是我们在考虑自动驾驶如何产业落地，如何实现盈利的商业模式的时候必须注意到的。

这是一个预测，我更认为是一种比较保守的预测情形。也就是说到2028年2030年前后，我们整个100%的汽车市场里面大概有多少车辆是分别属于不同的自动驾驶级别这样一个百分比。百分比的趋势肯定是这样变化的，但是具体到底是20%，30%还是40%，估计我们谁也说不清楚，我们只能做一个预测，一种趋势性的预测。同时大家可以看到，我们讲L3和L4都是属于所谓的自动驾驶，但是它们还是有区别的。L3我们今天讲到的是人机共驾，驾驶员必须随时准备接管车辆驾驶，部分整车厂比如说像沃尔沃，福特和丰田已经宣布他们不会量产L3，是因为有各种原因，包括法规和法律上责任的一些原因，当然有些整车厂还是说我们会量产L3，比如后面会讲到的奥迪，所以技术路线还是有些不同的，这也会影响到最后L3和L4级别的百分比。

为了做到真正的自动驾驶，我们可能先要看一下我们相关的技术，包括自动驾驶整个产业链。大家非常清楚，自动驾驶肯定需要从感知开始，也就是通过各种传感器感知环境和发现可能的障碍物。这个金字塔里面最底层就是传感器，所以说传感器是自动驾驶的基础。大家或许会问，随着时间的推移，我们今后在一个车上平均使用传感器的总成本会是多少？其实这个问题是非常难回答的，因为根据车辆的自动驾驶的不同的级别，刚才也说了，而且根据你的车是主流市场的车辆还是豪华车，还有时间点的不同，因为成本随着时间会变化，所以我们这里只是做大概的一个预测。最下面的曲线是偏保守的估计，最上面是比较激进的，所以大家可以看到激进和保守预测之间的差距是非常大的，它们当中有一个非常大的区间，也就是说传感器成本在单车上面的平均占比是会有很大的一个差异和不确定性。但是反过来说传感器市场也是一个潜在的巨大的市场，因为要做自动驾驶传感器是必须的，这是一个基础。所以对我们法雷奥来讲，传感器一直是我们的技术和产品强项。

这里非常高兴的和大家分享，法雷奥作为一家汽车零部件供应商，它拥有汽车行业内谱系最全面的传感器组合。从最左边的雨量传感器，到超声波传感器，到摄像头，到毫米波雷达，到最近的激光雷达都有提供，而且都是量产的传感器。如果看整个市场份额，法雷奥按照量的话占整个传感器市场20%以上。我们从差不多25年以前到2018年，全球已经提供了7亿多个用于泊车和驾驶辅助的传感器，今后汽车行业需要的传感器，包括刚才说的自动驾驶各种传感器的数量肯定会更多。

说到传感器，传感器的种类，数量，成本肯定与你自动驾驶的级别相关的。这张表大家应该非常熟悉了，是SAE对自动驾驶分级的定义。我们很多时候讨论L4、L5，好像这已经是各整车厂的目标了，虽然不知道什么时候L5能够真正的落地。但是如果仔细思考的话，我们目前的难点其实不是在L4、L5。从技术上来讲，L3还是一个非常难达到的，或者是非常不容易做到量产的。除了刚才说了法律法规和人机共驾责任划分的原因以外，L2到L3还是一个非常大的技术飞跃，是一个gap。其中有很多原因，有性能上的因素，有鲁棒性的，还有验证从L2到L3所需的工作量和时间增加，刚才已经讲过了，不是90%结束以后，只有10%的工作量了，反而发现做了90%，还有90%的工作量。而这90%的工作量还会随着自动驾驶级别的增加，不是线性增加，会呈几何级数的增加。除了所有的这些原因以外，还有一个很重要的原因就是所谓的冗余性，这是什么意思？

我用这张PPT来给大家做一个形象的解释。如果大家看左边这有两类传感器，一个是摄像头，一个是毫米波雷达，这两类是大家比较熟悉，特别是在目前已经量产的L2级别的自动驾驶车辆上面，大部分都会用这两种传感器。他们在性能上是互补的，在某一个领域，一类传感器可能做得比较好，另外一类传感器相对来说不是那么好，它们正好可以互相补充，但是它们缺乏感知冗余。所以这就是一个问题，我们也知道在过去的几年中，比如说某个车型品牌先后就发生了在自动驾驶模式下的多起车毁人亡的事故。很大一部分原因就是因为它的传感器配置不冗余，这也是为什么到今天为止所有的L2的自动驾驶的车辆不管它名字叫什么样的系统，这些系统都会有一个警告，就是说在使用自动驾驶系统的时候，我们的驾驶员必须要随时准备接管。你的手不能离开方向盘或眼睛离开正前方，大多规定如果你这样做了超过比如说十秒钟，这个系统会警告并自动退出，这是为什么？其实很简单，他们是靠人或者人眼作为一个感知功能补充，以达到冗余。也就是说即使有了摄像头和毫米波雷达，我们还需要人的器官做一个冗余感知。所以换句话说，如果我们没有激光雷达在这里提供真正冗余的感知，我们没法做到真正的L3或L3以上的自动驾驶。这也是为什么今天上午我们的演讲嘉宾当中有这样一个普遍的共识，自动驾驶3级及以上需要激光雷达。这也是为什么法雷奥在过去的近十年时间当中，我们投入了非常大的力度和资源来开发激光雷达或者叫激光扫描仪。

这里非常高兴的跟大家分享，随着2017年下半年奥迪A8的上市，我们正式量产了ScaLa激光雷达，也称激光扫描仪。这是全球也是行业内第一款，到今天为止也是唯一一款量产的车规级的激光雷达。它的名字叫ScaLa，是我们激光雷达的产品品牌。大家可以看到左上方就是奥迪A8的一个图，在发动机进气格栅下边，那个绿色圆圈的地方，就是我们安装ScaLa激光雷达的位置。在去年1月份的美国底特律车展上，ScaLa激光雷达获得了美国汽车新闻的年度PACE Award，就是优秀供应商杰出贡献奖，这也是第三方对我们激光雷达的一个高度认可。

简单介绍一下ScaLa激光雷达的性能。前向的水平视角是145度，所以基本上正面前方的障碍物都能看见。有效探测距离是150米，当然随着障碍物的大小，反射率的不同，探测距离也可能会更远或者更近。然后不管是在白天还是黑夜，它都可以探测到静态或者动态的障碍物，这些就是ScaLa激光雷达的基本性能。

我们今天讲的ScaLa激光雷达它不只一款激光雷达产品，其实是一个系列一个家族。我们在2017年量产上市的是第一代的激光雷达，它是机械式的。然后在今年年底或者明年年初时，我们还会量产基于第一代激光雷达的环视激光雷达，也就是不只用一颗激光雷达，而是由多颗激光雷达组成，以达到全方位360度的障碍物探测功能。同时我们在明年年初也会量产第二代ScaLa激光雷达，相比第一代，垂向的视角增加三倍，同时探测距离和分辨率也会改善，这是基于已被验证的第一代原理的第二代激光雷达，也是一个机械式的。我们在今年拉斯维加斯的CES展上，第一次展出了第三代的ScaLa激光雷达。与第一代和第二代不一样的是，这将会是一个基于MEMS技术的固态激光雷达，探测距离和分辨率都会有更大的提高和改善，今年我们展出的当然只是一个功能样机，具体的量产时间还没有确定。但是所有这些激光雷达，包括第二代和第三代的，我们都已经有客户项目，正在与客户联合开发的。

除了刚才说的奥迪A8以外，其实我们的第一代ScaLa激光雷达还有其他的市场客户。这里有一些车型照片，因为大多数的客户，他们的项目还没有SOP上市，所以这些照片都不是很清晰，这是故意做的，为了保密缘故。大家可以看到，除了刚才说的奥迪A8以外，左上角比较清晰有沃尔沃的Drive Me项目，它第一阶段自动驾驶车辆也是用一颗激光雷达，在进气格栅下方。其它的都是用多颗，三颗，五颗，甚至最多的是Navya自动驾驶出租车有七颗激光雷达。刚才介绍了原因，它是一个环视激光雷达的方案，也就是说为了达到360度环视探测，我们可以用多颗激光雷达来完成。

有了激光雷达以后，你还有其它传感器，特别是摄像头和激光雷达，它们的特点是容易受泥土，灰尘或者其他障碍物的遮蔽，这种影响非常大。我们不能要求已经量产的车辆只在晴朗的天气和洁净的环境中使用，下雨的时候不能用，野外不能去，泥浆地不能去，这是不可能的。你也不能要求我们的客户在驾驶一段时间以后就下车来一个一个擦拭激光雷达和摄像头。所以为了保持传感器的清洁状态，我们开发了传感器自动清洁系统。这里有个短的视频，大家可以看到通过可伸缩的或者固定的喷头喷洒清洗液来清洗传感器表面，然后通过压缩空气或者车辆本来在行驶过程当中可以自然风干，来达到传感器的自动清洁。这种类型的传感器清洁系统将在今年下半年随欧洲一个车型上市而正式量产。所以我们认为没有自动传感器清洁系统，就没有真正的自动驾驶。道理非常简单，就像你的眼睛一样，如果你的眼睛都不能保持清洁的话，是没法探测周围的环境，你也没法驾驶车辆。

刚才讨论了很多的传感器，它们是为了达到感知的功能，我们通过不同传感器，把感知信息传输给融合控制器，然后需要决策，最后达到控制或者执行机构。今天上午其实有些嘉宾也在讲怎么来做决策，这里有很多的工作要做，有一部分是通过基于深度学习的人工智能新技术。我们发现深度学习在复杂环境感知方面有巨大优势，深度学习核心的优势主要是它的自学习特征。当然，距离工程化应用方面仍然还有很多的技术困难需要克服。另外，在自动驾驶中，深度学习应用最多的是感知领域，而不是决策算法，原因就在于深度学习没有可解释性，这是我们也要解决的问题。

所以，2017年我们在法国巴黎，法雷奥的总部所在地，成立了全球首家人工智能和深度学习研究中心Valeo.ai，充分发挥法雷奥在自动驾驶领域的优势，与科学界的专家紧密合作，专门从事人工智能方面的研究。

接下来我们要更多讨论的是今天演讲的主题，如何把自动驾驶产业化。我想今天跟大家分享一个已经量产的自动驾驶技术，这就是我们的Park4U全自动遥控泊车系统，也就是说驾驶员既可以在车内，也可以在车外通过遥控，来让车辆自己寻找车位完成全自动的泊车，这个在2016年已经率先在奔驰的E-Class上量产了，到今天为止奔驰的E-Class和S-Class都有量产。然后去年，我们国内的客户长安也量产了这个全自动遥控泊车系统的简化版。大家可以看一下这个视频。一对夫妻去参加朋友的婚礼，他们驾驶的是奔驰E-Class，搭载了法雷奥全自动遥控泊车系统，所以他们可以从容下车，然后通过智能手机来控制，让车辆自动完成泊车，泊入和泊出都可以，这里使用的是超声波传感器和摄像头的融合。

接下来是法雷奥的Drive4U全自动驾驶平台。因为时间的原因我就不详细介绍了，它基本上是一个在城市道路环境下的L4级别全自动驾驶系统，可以应对复杂和密集的交通状况。它可以既适用于私人拥有车辆，也可以应用于出行服务车队，就是刚才说的两种技术路线和模式。

这页PPT大家可以看到Drive4U全自动驾驶车的传感器配置的具体方案。一共有5个摄像头，其中4个环视摄像头，一个是前视摄像头。然后4个毫米波雷达在车身的4个角上面，12个超声波传感器，和8个激光雷达，形成环视感知。因为这是一个自动驾驶演示验证的车辆，所以传感器的数量比较多，为了达到安全和冗余的360度感知。但是同时我需要强调的一点是，所有的这些传感器都已经是量产的，所以已经是满足量产的车规级的要求。也就是说，虽然自动驾驶车辆还是一个demo car，但它的传感器技术都是已经产业化的。

接下来有一个视频，来让大家形象地看一下Drive4U 在巴黎市区的自动驾驶演示。这是在巴黎的市区，它可以完成L4级别的城市全自动驾驶，自动变道，避让自行车，然后识别交通信号灯，交叉路口，人行道和行人的避让，然后是隧道。大家看到的最后一个场景是在隧道里面自动驾驶，因为大家也非常容易理解隧道里面没有GPS信号，所以你要通过惯导来完成，所以这个是基于城市道路环境的自动驾驶的展示。

类似的自动驾驶技术我们也已经在另外一家Navya无人驾驶出租车上在做验证和运营了。Navya也是一家法国公司，总部在法国里昂，它和法雷奥是什么关系呢？简单的讲，法雷奥是Navya的投资方，也是技术合作伙伴，比如说我们提供它刚才说的ScaLa激光雷达。

Navya最初在2015年成立的时候，就按100%的自动驾驶开始设计，100%的基于48伏系统的电动车。目前有两大类产品，左边的是无人驾驶的小巴，它是沿着固定的路线行驶，在固定的站点上下客，就像公共汽车一样，相对来说载客量比较大，行驶速度比较低。相比之下右边就是无人驾驶的出租车，跟滴滴一样，你可以通过智能手机来呼叫我们的无人驾驶的出租车，它会来接你，然后把你送到你指定的地点，所以它的技术难度，因为行驶路线不固定，最高的行驶速度，包括传感器的种类和数量都会比第一类无人驾驶的小巴更高更多一些。这里需要指出的是，其实Navya的无人驾驶小巴是全球第一个投放市场的，无人驾驶的出租车也是世界上第一辆同类型的自动驾驶出租车，它在2017年11月份就开始做展示运营。

到去年年底为止，Navya已经在全球一共销售了超过116辆的自动驾驶小巴，在20国家在运营，这些运营并不完全只是说测试和演示，有一些已经开始了半商业的运营，在去年2018年整个公司的营收1900万欧元。所以它不只是仅仅做科研的一个初创公司，它已经有营收，它已经开始尝试商业运营，也就说我们刚才说的怎么来产业化落地。

最后也是一个短片，来帮助大家更形象的了解Navya。首先出场的无人驾驶小巴，已经在多个国家包括我国香港试点运营。然后接下来是无人驾驶出租车，这个场景是在去年2018年在CES展上我们做的展示运营。

我来总结一下，我的观点是自动驾驶非常好，但是如果不能落地，不能量产，不能找到可持续盈利的商业模式，还是一个空中楼阁。所以我希望在座的各位和法雷奥一起来共同致力于把自动驾驶，真正做到给人类，给我们每一位出行者带来便利，同时也给我们所有的在这个行业的从业者带来一些盈利点，来帮助自动驾驶技术和模式可持续的发展。否则，我刚才还在讲，就是空中楼阁，坐而论道而已。今天非常感谢，谢谢大家的时间。

敬请关注盖世汽车“2019全球第二届自动驾驶论坛”直播专题

PC：http://auto.gasgoo.com/NewsTopic/173.html

移动：https://m.gasgoo.com/news/Topic/173

提示：本文为现场速记，未经专家审核，请勿转载！