广汽郭继舜：我们跟特斯拉学什么，剩下的怎么做特色？

2020年6月22日-23日，由南京经济技术开发区与盖世汽车联合主办的“2020第三届全球自动驾驶论坛”隆重召开。本次论坛重点围绕与自动驾驶规模化商用有关的核心技术、法律法规、技术评测、商业模式等话题展开探讨，下面是广汽研究院智能驾驶技术部部长郭继舜在本次论坛上的发言：

尊敬的各位来宾，我向大家讲一下我们对于现阶段一些汽车技术的思考，刚才我听主办方讲南京楚航科技的张总讲了他们的毫米波雷达技术，正好我们最近测试了毫米波雷达，我们很期待后续能够有更多的合作。

首先跟大家抱歉，因为疫情的原因和防控的原因，我没能来到现场，但是也希望和大家讲一下在整车开发以及系统思考方面，希望跟各位学到更多的东西。特斯拉最近比较火，作为广汽来说，我们一直关注特斯拉的技术发展，甚至我们拆过、撞过，也把里面的内容进行了信息的对标，所以跟大家分享一下我们的思考，我们要跟特斯拉学习什么，我们要坚持什么？

第一个，特斯拉自动驾驶的概述，这段时间不光是我们，中国的车企，因为特斯拉确实是持续的降价，使得我们对于特斯拉这样一个技术的路线以及发展非常关注，甚至有的人喊狼来了，特斯拉的技术发展使得我们面临非常大的压力。

特斯拉成立了17年，市值世界第二位的汽车企业，已经超过丰田了。

产品是从小众走向普及，产品谱系趋于完整。

曾经的特斯拉是一个个性的车型，现阶段我们更多关注的是Model S在降本方面非常成功，又有非常好应用的车型。

8颗摄像头、1个毫米波雷达、12个超声波雷达，人工智能的算法特斯拉用得特别多，一直在强调的是大算力的芯片，因为他用了非常多的人工智能算法。我们在这个中间看到的这些东西，比如说逐渐出现自动驾驶的云化，开始用相对强大的算力来应对人工智能的整合。

在特斯拉出现之前很多车厂在做什么？更多的是出了一个功能，必然是部署在某一个零部件上，我们就把这个零部件加在我们的系统里面，使得它的ECO变得越来越多，系统复杂度也变得越来越多，总线的长度也越来越增长，据我所知，现在大概要到3000米左右，非常夸张的。特斯拉确实在车和整车系统上面有非常非常多的核心竞争力。

大家知道前一段时间台湾的事情，包括我们后续出现的一个，当然到现在为止我也没有得到确切的原因，但是可以看到特斯拉还是在自动驾驶应用过程中出现了一些问题。但是特斯拉一直强调的是需要驾驶员把手放到方向盘上的，要时刻做好接管，而不像我们中国的往L3发展。因为一旦到L3阶段，自动驾驶的交通结果就要由车辆来负责了，但是在L3之前，其实所谓的L2.5、L2.9、L2.99这些结果都是由司机来负责。所以现在在特斯拉这边，各个车厂学会了一个东西，就是要淡化所谓自动驾驶级别的概念，逐渐地更多关注用户的体验，关注更多的功能。当我们把它放在一起的时候，特斯拉达到了一个效果，就是它使得功能安全的分析上进入到一个不错的状态，同时用户的体验也非常好，比如说人机交互的体验，用户不用再关心我在哪个ODD里面，不用用户选择到底现在是一个ACC的功能，还是一个PDA的功能等等。

技术亮点，虽然不强调L几，但是还是把功能做了一个划分，在2016年的时候能够实现等效L1的功能，2019年、2020年还是叫L2.5。L3好像要跳过去，原因是因为很多车企讲到一个非常难的点，因为交通的结果由车辆负责，但是依然是人驾驶，所以这个界定非常非常难，全自动驾驶的L4计划在今年底正式上线，但是我们对这个还稍微有一点存疑。

在战略层面，它是逐渐地进行功能叠加，同时在底层层面，这个是中国的车企非常缺乏的，比如说AI芯片的自研，甚至一些底层的技术，他有一个完整的供应链，这个供应链完全掌握在自己手里。

大家看起来好像特斯拉走出一条不一样的道路，但是在总体的功能和用户体验来看，特斯拉变得更加理性，一定要把功能安全分析得非常透彻以后才上，这也是我们在进行非常深刻的反思。

在技术层面，特斯拉每次上的功能，优化的体验已经做得非常成熟了，所以每次上的时候，大家不会抱怨它的体验，而更多是基于安全的考量。比如说感知的路线，不用激光雷达，甚至也不用角雷达。角雷达到底好不好呢？传统的Tier 1当他们没有用机器学习算法的时候，毫米波雷达确实是一个足够好的，足够鲁棒的，足够有用的传感器。但是到了AI人工智能算法，包括深度学习算法变得非常多被应用的时候，明显感觉到传统的KL1 哪怕是国际主流的KL1需要一个平常的客户，好像看起来这种短板不是很明显，但其实本身来说这种感知的能力还是需要增强的，更何况其他的，大陆、博世都是需要尽快地把人工智能算法引过来，特别是德国的企业，在这方面都得太慢了。

数字平台，特斯拉是全世界第一个真正让用户帮助收集数据的一个品牌，一个车型。在控制冗余方面，现在的特斯拉胆子比较大，没有做冗余控制，但是在系统上做了相当多的工作。

特斯拉到底是什么？第一个，这是我大概进行的一个梳理，特别是跟自动驾驶相关的。第一个就是新的电子电器架构，从分布式架构开始，从Model S到Model X到Model 3。我在OTA升级的时候有的时候可能要升级十几个节点，这十几个节点有任何一个升级失败，都没有办法完成升级。

不是传统的Tier 1做不出升级，而是我们比特斯拉走得慢一些，在未来大家也会看到越来越多相对集中的量产出现。我们需要有更多的能力，这个能力需要跟一些供应商合作，另外我们也在寻求一些系统公司帮助车企一起建立这个能力。

现阶段各个车企还是有了软件中心，有了越来越多的功能集中起来进行研发，也是希望通过一个相对统一的电子电器架构，相对统一的系统，来完成更多智能化的研发工作，最终能够像特斯拉一样形成非常好的在线升级的功能。

大家可以看一下在系统架构方面，我们关注一下特斯拉的底层，首先智能网联有自动驾驶域、网联域、娱乐域，包括高压控制等等都有一个相对集中的概念。在电源管理上做了非常多的创新，我需要电源可以接入电源，需要电源冗余可以轻松地获得电源冗余。我们都觉得电源冗余对于我们来说，基于传统的电子电器架构，还是一个相对比较难的问题。

后面讲自研强大AI芯片，这个是太要命的东西，现阶段当我们写一些功能的时候，当我们想使自动驾驶变得更加灵活，更加多维度的时候，在我们面前面临一个非常大的问题，我们选取的芯片基于深度学习的能力，包括它的底层我们很难进行修改，甚至有些芯片由于架构的问题，它本身的算力可能很强大，但是天然的在自动驾驶会有一些问题。

特斯拉基于Mobileye逐渐发展自研的芯片，现在也看到中国的一些企业，比如说华为、地平线在这方面做了很多的工作。

另外要讲一点，特斯拉的芯片和Mobileye芯片是两个非常不同的路径，Mobileye在耶路撒冷里面试的一台车，使用的已经不是GPU了，而是两个IQ5，大家是在目标级、结果级高层级进行融合的。

地平线的芯片、华为的芯片等等都是进行后融合的。对于我们来说，我们更加倾向于如果能够使用前融合，同时能够使用大运算力的域控制器。

Tesla FSD系统，我们现在依然甚为FSD有非常大的竞争力。

基于FSD系统的算法，芯片的调度、芯片的底层都是由特斯拉来做的，这个是非常非常重要的，核心的技术能力以及技术壁垒的算法。但是现在中国的车企大家也许没有能力从芯片进行构架，或者说我只能找到合作伙伴来做这件事情。但是我们更加倾向于把硬件、中间件以及系统都和合作伙伴共同来做，但是我们希望能够拿出底层应用设计。原因是在于我们和传统的QL1进行合作的过程当中，我们发现当我们出现了bug或者出现一些个性化需求，或者市场出现一些问题的时候，如果我们不能找到应用代码，会使得都变得非常麻烦，非常难，而且时间拖得很久。我们就倾向于看能不能把软件硬件进行一个解耦，解耦之后，硬件可以和合作伙伴一块来做，但是软件上，至少逻辑上，关键架构上由我们自己来设计。

到底车厂应该怎么做，特别是怎么来做算法？非常简单，我们会和一些合作伙伴掌握自研的系统的架构、软件的架构，但是当我们的模块输出之后，这个模块可以是以黑盒子进行卖的，并且同时在后续价格不变、性能升级的时候，仅仅升级这个模块。

非常简单的感知，大多数的感知都是模块化的，更多是端到端的，这个都可以非常好的和车厂进行沟通的。

比如说特斯拉在高速公路上路线的自动优化、转向性能的优化，包括智能驾驶召唤，这跟我们所有的记忆泊车是类似的，据我所知，特斯拉在这个层面已经开发得逐渐完善了。今年开始，逐渐把L4级别的完全不需要人的自动驾驶能力在100万台车上进行实现。

深度学习，我要吐槽一个点，现阶段中国的很多车企是非常无奈的，因为当我们希望基于车规，希望基于功能安全分析，希望基于传统的车辆开发方式开发车辆的时候，我们发现欧美KL1对于自动驾驶深度学习算法的使用是非常非常糟糕的。德国去年一年大概毕业了几千个和深度学习计算相关的博士生，这个量的差距是非常大的。

在现阶段，我们觉得这也是我们的一个机会，其实中国的Tier 1应该在市场上想更多的端到端的方法，使得我们的能力更强，这也是特斯拉擅长的，它使用摄像头解决了非常非常多的问题。但是在极端的环境下，我们认为它在传感器的异构上做得不是很好，至少在使用激光雷达和毫米波雷达上有一些问题。

另外这是一款NPU为核心的芯片，当我们现有的网络做得越来越稀疏的时候，所需要当量的需求也变得越来越旺盛。

通用化、平台化，这个里面大家可以拍照或者截图，我就不详细聊了。但是我就讲一点，从Model 3到Model Y，这个在中国平台化的企业是做不到的，原因是因为我们在底层的电子电器架构，在车辆的底层设计上来说，平台化还没有这么深入，使用还没有这么自由。像特斯拉Model 3、Model Y这样的车型，能够持续降到一个对中国传统车造成极大威胁真的是一个很容易的事情，所以我们也在推动，实现更多的硬件合理的共用。

比如说大家看特斯拉核心的芯片，这块板子在很多的车上接口是统一的，是完全通用的。包括三个摄像头，参数基本不变，只是在软件层面进行了升级。这个就特别像软件定义汽车，使得我标准化的硬件使得我的成本降低，但是通过软件的升级软件功能的叠加，使得实现我们的功能。

OTA给我们带来了更多的体验，而且它其实带来一个商业模式的变化，当有了OTA之后，当软件服务能够进行售卖的时候，车辆就从我们售卖的一个商品变成用户去选择软件产品的一个非常合理的场景，所以这个转变也是商业模式上的转变，大家也开始思考特斯拉这样一个方式其实是给汽车这个行业带来质的在商业模式上的变化。

如果在未来两到三年时间里面，传统车厂对于自动驾驶性能的功能升级也会相对来说比较谨慎，原因就是针对车辆的一致性和功能安全上面，我们会比特斯拉考虑得更全面一些。特斯拉可以把整个刹车功能升级得非常多，这个在我们看来是难以想象的。转向角的精度是非常非常粗糙的，不是那么精细的调节，而且每一个零部件都不太一样，但是特斯拉可以通过OTA升级做到这一点，这是非常难以想像的。

影子模式，特斯拉能够把人遇到的场景自己算一遍，如果人的选择和特斯拉自动驾驶选择不一样不一致，他就认为这个数据不对或者人的选择不对，就会把数据上传，正好快速地帮我们收集了非常多人的逻辑和自动驾驶逻辑不一样的地方，让工程师去判断到底是谁出了问题，而且基于大量的用户，这样的统计结果是有非常好的统计学意义的，就使得技术的迭代和更新会更加精准。这个现在只有特斯拉在量产上实现了，影子模式现在有很多车企在进行探索，但是我认为至少需要两到三年的时间才能真正量产落地。

我们讲讲OEM应该坚持什么？第一个是功能安全，我们有时候感觉跃跃欲试的是不是要放弃功能安全？在我们看特斯拉并没有把功能安全放在重要的位置上，但是经过我们内部的沟通，我们后面会学习更多的电子电器架构，更多的软件升级，但是我们依然会把功能安全作为车厂的生命线来做开发，虽然现在我们的功能安全没有上，但是我们希望这个功能安全上了之后是最好最安全的。

L3以上的，至少在广汽的车型上，只要到了L3以上，一定会有激光雷达。因为经过功能安全分析，我们认为没有激光雷达是达不到非常好的功能安全性能。

冗余系统，只要我们有了高级别自动驾驶，一定要有冗余的。

这个就是所谓的我们如何坚持功能安全的分析和量产的工作，我们现在仍然非常认真地研究功能，我们希望有一个更好的基于安全之上的功能安全的自动驾驶。

希望在未来3—5年里面，让用户有非常好的体验。但是现阶段，我们觉得特斯拉在推出L4级别的自动驾驶上面，现在的传感器不足以支持L4，但是现在依然在推动。我觉得想法是应该坚持，但是不要透支。

现在我依然认为如果在现有的100万台量产车型上进行L4的升级，是一个冒着安全风险的事情。

还有一点，比如说特斯拉在高速公路上，会觉得非常简单，拨一个档就是ACC，再拨一次是横向控制的。但是对于车厂来说，可能没有办法做得那么自如，没有办法做得那么简单，我们还是希望能够对于每一个功能做非常详细的ODD，比如特殊的物体、特殊的道路、特殊的光线等等，都会对自动驾驶有非常大的影响。

未来，我们觉得如果想要做一个更加安全鲁棒的自动驾驶道路，还有更长的路需要走，软件硬件都需要做更多的拓展。

这就是我们如何基于行业标准，逐渐扩展L3、L4自动驾驶的场景，最终实现完全不需要人接管的自动驾驶。

这是以上我的分享，希望后续能够和大家当面更好的交流。

敬请关注盖世汽车“2020第三届全球自动驾驶论坛”直播专题！

https://auto.gasgoo.com/NewsTopic/251.html