倪凱：通過全場景量產路徑實現最終的無人駕駛
本站汽車6月10日報道 6月10日，主題爲“先手”的第十三屆中國汽車藍皮書論壇於合肥開幕。在爲期三天的論壇中，將有超過40場演講、17場議題討論，預計超過150位中國汽車產業先鋒思想碰撞，共話新汽車時代。
“我覺得有一點可能行業裡面越來越形成共識的就是所謂的場景打通比級別更重要。只有通過把所有的這些場景打通，把體驗提高，用戶纔會有動力去購買我們這樣的智能汽車，用戶纔會有動力去使用這樣的功能。”倪凱說。
他表示，“在乘用車市場上，我們認爲，可量產一定是能夠通過未來五到十年，實現百萬臺級別的交付，可覆蓋百萬平方公里級別全場景數據的回傳。
這裡面有兩個關鍵點：第一個，需要有合理的商業模式，必須是賺錢的事；第二個是，這個系統必須爲用戶產生足夠多的價值，這樣你的車才能賣出去，我們希望通過全場景量產的路徑實現最後的無人駕駛。”
以下是倪凱在此次藍皮書上演講內容：
大家好，我是禾多科技的創始人倪凱。今天我給大家分享的題目是“自動駕駛全場景的量產落地”。
我們先來看一下什麼是全場景的自動駕駛，大家都知道，waymo是最早做城市無人駕駛的公司，去年晚些時候，特斯拉開始在城區釋放FSD的功能。很多人都在問，waymo在城區做了十年的無人駕駛了，爲什麼特斯拉還要在這樣一個時間點上去往城區的自動駕駛做？今天在我的彙報的前半部分，我來解釋一下我們理解的未來自動駕駛的一些方向和背後的一些邏輯。
首先我覺得，行業裡面越來越形成共識的就是所謂的場景打通比級別更重要。什麼叫場景打通呢？大家都知道，過去的輔助駕駛，很多車上都有，ACC、LDW這樣的功能，但是很多的功能都是非常割裂的，大家要去判斷，我什麼時候這個功能可以開始用，什麼時候那個功能開始用，其實它的用戶體驗並不好。
我記得我第一次開特斯拉車的時候，有一點印象非常深刻，甭管是高速還是城區上，城區差一些，但是這個功能還可以開起來，當然這個背後是需要自動駕駛技術真正支撐全場景，但是反映用戶體驗上的一點非常關鍵，就是用戶其實不喜歡一個割裂的自動駕駛的感受，所以我們認爲全場景的打通非常重要。
第二點，我們認爲，在現在這個階段，廣泛的運行比小範圍的無人化運行，對於未來的自動駕駛迭代更重要。爲什麼呢？後面我會說到，我們認爲更廣泛的運行，才能夠真正的有更多的數據迭代出真正逼近無人駕駛的算法。
可能大家要問，怎麼去實現這樣的廣泛的運行？也就是所謂的大規模的搭載。優秀的體驗其實非常重要，這樣的體驗體現在我們整個場景的打通，也體現在很多用戶的一些痛點的場景的問題的解決。例如這邊統計了一些消費者認爲無人駕駛最需要攻克的一些場景，包括有一些泊車的場景，尤其在中國，包括一些城市，擁堵、高速這樣的場景。只有通過去把所有的這些場景打通，去把體驗提高，用戶纔會有動力去購買我們這樣的智能汽車，用戶纔會有動力去使用這樣的功能，不然的話，這個功能可能放在車上也是用戶永遠不會開啓的功能。
所以可以簡單來說，我認爲有時候可能慢其實就是快，怎麼說呢？因爲通過數據迭代升級，其實是一種相對來說比較慢的過程，我如果用waymo的模式，裝很多激光雷達。我記得當時2013年的時候，百度做自動駕駛也是裝很多激光雷達，很快就可以把一個小樣跑出來，但是如果要實現真正的廣泛運行，其實你是需要用一個相對慢的方式去實現大規模的搭載，而且更難的地方是在大規模搭載的同時，又能夠保證用戶的安全。
所以我們看到特斯拉現在的數據在L4上領頭的waymo的數據，不管是車的數量還是積累的里程數量，我們都看到了，通過這兩年已經拉開了質的差距，這種差距最後會體現在所有自動駕駛演進的速度上。
做自動駕駛全場景量產落地，我認爲還是非常有挑戰的事情，尤其是大規模的運行。有幾件事情是需要保證的：
第一件事情是怎麼做一個安全可信任的系統？這個系統不是說自動駕駛廠商或者車廠來說就是安全可信的，整個市場端要反映你這個系統是一個安全的系統，可能政府也會有相應的對高階自動駕駛的規定、政策出臺，判斷這樣的系統是不是安全可信任的系統？
第二個是可量產。
第三個就是商業模式的成立，因爲我們在討論百萬量級，甚至是全行業千萬量級的交付，必須有一個可以交付的商業模式。
自動駕駛領域，我們認爲可量產是什麼？不同的領域，可量產不一樣。我們認爲在乘用車市場上，我們認爲可量產一定是能夠通過未來五到十年，實現百萬臺級別的交付，能夠覆蓋百萬平方公里級別全場景數據的回傳。
這裡面有兩個關鍵點：第一個，需要有合理的商業模式，必須是賺錢的事，或者不是大規模虧錢的事，才能支持大規模的交付；第二個是這個系統必須給用戶產生足夠多的價值，這樣你的車才能賣出去，你也能夠讓用戶支撐在大範圍上開啓功能。這兩點都是非常重要的，對於可量產的定義。
禾多現在關注的就是全場景量產的自動駕駛企業，禾多的名字也是來自於移動的移，我們希望通過全場景量產的路徑實現最後的無人駕駛。
打造本土數據驅動的自動駕駛量產解決方案，禾多是怎麼思考的？我們會把我們的整個系統分成兩部分。一部分是行車系統，還有一部分是專門解決停車場，或者最後一公里的系統。這邊也有一些簡單的視頻來展示我們之前做的一些高速，包括城區以及泊車。我們想法是在相對量產的配置上，統一的配置上，給用戶提供一個完整的，可以讓絕大部分用戶覆蓋到的體驗。
第一個方面：功能安全、預期功能安全。我們聚焦整個系統從整個系統最開始的功能安全。具體我們在很多的系統設計上，禾多也在不斷的做這方面的思考，簡單的說，從功能安全角度來說，我們更多的會從頂層設計實現各種安全狀態的轉移，包括失效狀態我們如何進行降級，如何確保整個自動駕駛系統仍然處在安全的狀態中。
第二個是預期功能安全，預期功能安全最核心的是建立整套的場景庫。
第二個方面：車規級硬件配置。硬件方面，自動駕駛最關注的是兩個方面：第1個是傳感器，傳感器像毫米波雷達、相機、GNSS、IMU、超聲波雷達等等傳感器；第2個是車規級域控，現在有兩個方案：一個是幾百T的大算力的方案；第二個是幾十T算力的性價比方案，而且短時間內可以迅速擴大用戶使用量的方案。尤其是在真正要走量的方案上，幾十T的方案上，甚至10T以下方案上，很多時候針對像素優化變成關鍵的一點，從這一點上，硬件轉向軟件開發如何與之相對應。
第三個方面：多傳感器融合算法。最核心的就是我們所說的狹義的感知。對於現階段量產最關鍵的還是多源融合能力，因爲我們現在傳感器很多，如何把這些信息有效的結合起來？第個是算法能力邊界，這可能又回到了剛纔說的廣泛運行的概念上，如果我們不能做廣泛運行，不能明確知道算法能力的邊界，簡簡單單跑幾條街道，相對來說還是比較容易的。基於一個已有的硬件探索算法極限，是關係安全的長尾問題。第三個是新型硬件的適配，包括4G的毫米波雷達，激光雷達，包括相機陣列。新的傳感器不僅僅是做加法，它可能會進入下一個階段。
除了狹義的感知以外，更重要的是廣義的感知。包括地圖亦感知，如果你把車輛的位置信息和姿態信息也認爲是感知信息的話，那定位也是感知。
再一個就是預測，尤其自動駕駛從停車場、城區進軍整個城市以後，這種提前量也是衡量一個駕駛員是新司機還是老司機的核心的事情。
所以我認爲自動駕駛的一切HACK，本質上都是廣義的感知能力不足。
後面簡單展示幾個視頻，剛纔也提到整個嵌入式平臺的重要，我們花了很多力氣在車規級線路平臺上佈局自動駕駛的算法。（視頻播放）這樣一套系統能夠在非常有競爭力的性價比方案上實現主機廠需要的自動駕駛功能。
第二個就是基於因子圖的緊耦合定位方案。我們和Frank Dellaert合作，他剛獲得世界級機器人頂會RSS頒發的首屆時間檢驗獎。
第三個視頻是我們關於整個泊車場景下的衆包建圖和動態更新。行業裡面一個特點，就是泊車上的地圖並不如高速公路或者城區道路的地圖商業化做得那麼快，在這樣大的市場背景下，有非常好的衆包建圖能力在泊車場景上是優先於其他的場景。通過這樣的建圖，也能夠實現我們停車場相對來說環境比較擁擠、比較複雜的地圖更新的工作。
除此之外，我們現在跟清華大學在視覺感知領域也有非常深的合作，現在做的其中一個項目是我們用多孔徑的相機陣列做下一代智能視覺雷達的工作，因爲大家知道我們現在相機雖然在迭代，像素從100萬到200萬到800萬，這樣的迭代時間都是相對比較長的，我們希望通過多孔徑相機陣列的工作，能夠真正的將現有的相機技術進一步升級，讓相機陣列能夠傳回非常穩定、高清的信息，進一步的增強我們整個的車輛的自動駕駛系統安全性。
最後一部分說一說我們在做的一些算法驗證上的工作。我們自己的整個驗證平臺，我們稱之爲holoX，是我們自主研發的自動駕駛仿真驗證平臺，很多朋友會問我，爲什麼不買一個商業的仿真軟件？原因很簡單：第一個是商業仿真軟件比較慢；第二個，大家可以從下面列的功能裡面可以看到，仿真只是我們想做的這個平臺裡面非常小的一部分功能，具體包括高精度地圖、可視化、場景庫、隨機交通流，所有的功能並不能被仿真平臺所替代，所以我們必須要打造自有知識產權，或者快速迭代的holoX平臺。
最核心的還是場景庫驗證這一塊，我們基於不同的維度，包括天氣、道路、交通參與者，駕駛行爲，甚至包括我們的一些硬件的狀態去建立我們整個的自動駕駛，仿真和測試的場景庫，能夠真正和路測數據匹配，一起共同服務一個高緯度（參數丨圖片）的，覆蓋儘可能多的場景。
除了剛纔說的這種仿真、場景庫以外，我們也通過不斷的全國範圍內的大規模的真實路測去積累這樣的數據，當然我認爲本質上這樣的數據，在車輛的搭載能夠進行百萬輛級別的交付，這纔是最後進入到真正的無人駕駛所必須的門檻，但是通過這樣的門檻中，我相信每一步的自動駕駛的功能都是通過每一個階段的自動駕駛的驗證能夠慢慢實現的。可能我們測一個ACC需要幾十萬公里，測一個更高級別功能需要幾百萬公里、甚至幾千萬公里這樣的數據。
最後就是數據閉環。數據閉環的思考主要有兩塊：
第一個閉環是禾多現在主要以自己爲主來做的，就是整個雲端的模型到自動駕駛的模型更新、雲端模型訓練。
第二個閉環是右邊的閉環，更多的是和行業合作伙伴一起來做的，更多的是包括衆包地圖、數據融合，這塊可能又會從停車場地圖開始，慢慢的延展到更多的場景，實現未來的全場景高精度地圖，相對及時、實時、低成本的更新。
謝謝大家，這是我今天的演講。