很多場合，“智能駕駛”和“無人駕駛”被混為一談，而后者顯然更為大眾所喜聞樂見。更加專業(yè)的群眾，愿意用“L4”、“L5”來說事。“L5”的車就像變形金剛汽車人，降落到世界任何一個地方，馬上能熟練地匯入滾滾車流，這顯然仍是遙遠(yuǎn)的傳奇。于是“L4”成了圈子里所有人的寄托。當(dāng)然，每個圈子里都有所謂的鄙視鏈，比如這個圈子里：

L4的看不起L3，殊不知L3的極限能力與L4相差無幾，從L3出現(xiàn)意外狀況、到駕駛員接管前的10幾秒，需要無人狀態(tài)的fail operation（比如減速靠邊、停到安全區(qū)域），這種能力已經(jīng)非常接近L4。

在大馬路上練的L4，看不起各種特殊場景的L4。這里也有幾個誤解：

第一，如果跑來跑去只在幾條大馬路上，那幾條大馬路也與“限定場景”無異（機(jī)器學(xué)習(xí)里叫overfit）。你馬上挑出幾條新的馬路來，估計谷歌Waymo也夠嗆。

第二，很多特殊場景也是開放環(huán)境。比如大商場的停車場有社會車輛、出沒不定的行人和擁擠的十字路口，與大馬路相比，主體算法的難度是類似的，差別只是在于訓(xùn)練數(shù)據(jù)和反應(yīng)速度（這又取決于傳感器的工作距離、分辨率和計算芯片的處理速度）。

第三，很多特殊場景是需要A照司機(jī)的，這些場景需要“C照馬路小白”所不具備的駕駛技巧。

第四，很多人看好的大馬路L4，卻是在3、5年內(nèi)很難真正無人駕駛的（需要坐安全測試員），而很多特殊場景的L4，卻是在1、2年內(nèi)可以商業(yè)化的。

更要命的是，今天的L4算法（包括大馬路和特殊場景），很可能都無法到達(dá)終局。換言之，滿城盡跑無人車時，他們大概率是不同的物種，跑不同的人工智能算法。

最后一點(diǎn)似乎是故作驚人之語，這里不妨科學(xué)論證一下。

且看這張圖。

圖中X軸是需要干預(yù)或出現(xiàn)事故的平均里程數(shù)。Waymo在2017年的水平是每自動駕駛5596英里（9006公里）才有1次人的干預(yù)，遙遙領(lǐng)先于其他選手。然而再推敲下去，細(xì)思極恐。

第一，Waymo的水平離美國人類駕駛員的平均水平，差距巨大。后者是每16.5萬英里出一次普通事故，每9000萬英里才出一次致命事故。這個數(shù)據(jù)是基于加州城郊公路的30多萬英里，交通場景總體不算特別難。

第二，Waymo的提升速度在減緩。其2015年的水準(zhǔn)是1300英里一次干預(yù)，到2016年提升了近3倍，但2017年相較去年只提升了10%出頭。再看月度的數(shù)據(jù)，2017年除了年底出現(xiàn)了令人驚異的增長，其他月度還是起伏不定。年底出現(xiàn)躍升，前年也有過，也許跟假期車少有關(guān)？無論怎樣，2018年是否能有顯著增長，還不好說。

第三，Waymo的算法（以及今天幾乎所有L4的算法）都是數(shù)據(jù)驅(qū)動的，見過的大概率會，沒見過的大概率不會，所以Waymo領(lǐng)先主要是領(lǐng)先在數(shù)據(jù)積累，去年底的時候已經(jīng)有640萬公里的實測數(shù)據(jù)。然而，對Waymo來說，通過路測方法收集數(shù)據(jù)已經(jīng)變得異常昂貴：2017年的63次干預(yù)中大致有2/3是因為算法問題，而針對每個問題，要花1萬多公里的油費(fèi)和測試駕駛員人工費(fèi)用，才能獲得1個高價值數(shù)據(jù)。

離人的水平還遠(yuǎn)，數(shù)據(jù)的平均價值密度越來越稀疏、采集成本越來越高，今天的方法，要到達(dá)明天，看似不可能的任務(wù)。

有人會問，Waymo不是最近宣稱要在鳳凰城實施前排無安全員的運(yùn)營了嗎？如果是5596英里的平均事故率，Waymo是不可能大規(guī)模商業(yè)化的，他們的做事態(tài)度還是比優(yōu)步/Otto的“安全第三”靠譜，要知道，出一起人命事故，可能就失去顧客對其的信任。我想可能是幾個原因：1. 鳳凰城的路況比加州城郊公路簡單，這個從Waymo的宣傳視頻可以看出來，鳳凰城可以說氣候宜人，人煙稀少。2. 鳳凰城的區(qū)域更小，算法已經(jīng)overfit。3. 無獨(dú)有偶，Waymo也在加州申請了前排無人的測試車牌照，但有遠(yuǎn)程遙控。因此，不排除在鳳凰城也有遠(yuǎn)程遙控作為最后的冗余。

加州的亞軍獲得者，通用汽車2017年的水平是每1200英里有一次干預(yù)，考慮到是在舊金山的更復(fù)雜路況中獲得，讓人刮目相看。為此，他們還專門diss了一下Waymo，在各項指標(biāo)的復(fù)雜度上，舊金山是鳳凰城的1.6到46.6倍。但是，最近的一篇文章顯示，通用汽車在舊金山也是撿了些簡單的道路，隧道、掉頭、單車道、一些十字路口和環(huán)狀交叉路口都刻意避過了。去年說好了要去紐約，現(xiàn)在卻發(fā)現(xiàn)舊金山的很多經(jīng)驗幾乎很難用在紐約。

那么，是否今天的L4就完全沒有價值了呢？下面該怎么走才能到達(dá)明天？

對此，馭勢科技做了一系列的戰(zhàn)略規(guī)劃，現(xiàn)與大家一起探討。

首先是探索多場景融合后的算法泛化能力。用人話說就是，熟讀唐詩三百首，不會做詩也會吟。

做無人駕駛，需要廣度（大跨度的多種場景）和深度（每個場景下特定技術(shù)的深入研究）雙管齊下，其中開放道路L4也是場景的一種。所有場景的無人駕駛都實現(xiàn)了，全場景無人駕駛才會實現(xiàn)。一方面每種場景都有其獨(dú)特的算法需求，另一方面不同場景下無人駕駛系統(tǒng)大部分的功能是共用的，技術(shù)之間的泛化是可行的。

馭勢科技從去年開始嘗試多種場景的L4，包括機(jī)場滑行道、機(jī)坪和航站樓的無人駕駛（需要A照特殊訓(xùn)練的司機(jī)，與飛機(jī)會車、穿過長隧道、上下立交橋），微循環(huán)的無人駕駛（開放的嘈雜環(huán)境、非結(jié)構(gòu)化道路），大型停車場的無人駕駛（開放的狹窄環(huán)境、多層室內(nèi)的精準(zhǔn)定位）等。不同的場景著重訓(xùn)練了駕駛智能的不同能力，比如下面視頻是自動代客泊車在室內(nèi)停車場的表現(xiàn)：頻中，在某個主機(jī)廠客戶的現(xiàn)場監(jiān)督下，該車連續(xù)做遠(yuǎn)距離的自動代客泊車，每一次完成后都用紅色膠帶記錄了泊車位置，完成20次后，對記錄位置的誤差進(jìn)行測量，在沒有啟用庫位線相對定位的前提下，絕對定位誤差區(qū)間是左右7厘米、前后10厘米。考慮到其中包括了定位和控制的誤差（車上安裝的是還未量產(chǎn)化的低成本線控系統(tǒng)），而且車上沒有激光雷達(dá)，這個基于視覺的定位系統(tǒng)基本達(dá)到了室內(nèi)停車場高精度自動代客泊車的產(chǎn)品化要求。

隨后的一個重要發(fā)現(xiàn)是，在多種異質(zhì)的場景里交叉訓(xùn)練，比在一種場景里（比如熟悉的幾條大馬路）訓(xùn)練更有用。停車場的系統(tǒng)在機(jī)場和微循環(huán)的場景中經(jīng)過了大量的訓(xùn)練和驗證。

緊接著，我們做了一個大膽的嘗試，把算法轉(zhuǎn)移到1輛新的、裝備同樣軟硬件系統(tǒng)的車上，經(jīng)過短短1個星期的適配和訓(xùn)練，這輛車已然具備了相當(dāng)強(qiáng)的復(fù)雜城市環(huán)境L4能力。請看下面這個一鏡到底的視頻：

這條路覆蓋了結(jié)構(gòu)化城市道路、國道、環(huán)島、隧道、換道、城鎮(zhèn)道路，既有簡單的單向車道，也有雙向車道，既有大貨車，更有人車混行。在大約10公里的開放道路上，無論途經(jīng)隧道光線發(fā)生劇烈變化且丟失GPS信號時，還是被大貨車環(huán)繞時，或者在環(huán)島快速轉(zhuǎn)向時，甚至因為季節(jié)變化導(dǎo)致的環(huán)境變化中，視覺系統(tǒng)都全程提供了穩(wěn)定的不亞于高精度導(dǎo)航系統(tǒng)的定位結(jié)果。之所以視覺系統(tǒng)能夠作為主傳感器，源于上面在停車場、機(jī)場和微循環(huán)的積累。

必須說明，這輛車本來是做自動代客泊車的，線控的限速在40公里左右，也沒有64線激光雷達(dá)，但是它在短短1個星期所呈現(xiàn)出來的能力，遠(yuǎn)超我們的預(yù)期。目前，北京、上海等地已經(jīng)頒布開放道路測試細(xì)則，我們將與主機(jī)廠合作，基于去年的積累，積極申請牌照，繼續(xù)探索泛化能力的極限。

其次，探索新的人工智能方法。為什么人能夠在駕校學(xué)習(xí)幾十個小時、上路開了幾千公里，就能夠達(dá)到“L5”？如何讓今天的弱人工智能去適應(yīng)開放、動態(tài)、不確定的環(huán)境？如何提升人工智能對未知輸入和欺騙性輸入（或者更專業(yè)的“對抗輸入”）的魯棒性？要回答這些問題，必須在科技的前沿尋找思路。馭勢科技跟包括加州大學(xué)伯克利分校在內(nèi)的國際國內(nèi)多所頂尖大學(xué)展開了合作，短短1年中，我們對未來的道路看得更加清晰了。不妨摘錄一些加州大學(xué)伯克利分校的科研項目以饗讀者。

方向在這些標(biāo)題里面，全新場景的處理，對不確定性的容忍度，自我學(xué)習(xí)提升，和跨領(lǐng)域的遷移學(xué)習(xí)（比如不同城市，或從仿真環(huán)境向真實場景遷移）。

最后，假設(shè)有新的算法被不斷研發(fā)出來，如何證明新算法是安全的呢？

有一段軼事，2016年5月的特斯拉致命車禍，導(dǎo)致了大眾對自動駕駛的信任危機(jī)。馬斯克頗為不忿，他指出Autopilot在此次事故之前安全行駛了1.3億英里，而美國人類駕駛員的平均水平是9000萬英里，已然超越了人類。他這個論證中有兩個謬誤。一是Autopilot是輔助駕駛，還有人類駕駛員在糾正Autopilot的錯誤，所以這個1.3億英里是有水分的。第二，這個數(shù)據(jù)的統(tǒng)計置信度是不夠的，因為里程樣本實在太小了，如果把先前在中國邯鄲發(fā)生的那起致命事故算上，其安全里程一下子從1.3億降到了1.3億除以二，6500萬英里。

那么，到底需要多少里程，才能有足夠的置信度做孰優(yōu)孰劣的判斷呢。美國著名的智庫蘭德公司做了幾個數(shù)學(xué)模型，結(jié)論如下圖：

挑其中1個結(jié)論來說，如果要有95%的置信度判斷無人駕駛比人類水平（9000萬英里/致命事故）好20%，需要跑110億英里。如果說你有一個100輛車的車隊來跑，平均40公里的時速，需要連續(xù)不停跑500年。考慮到全世界最大的車隊Waymo去年也就600臺車，9年跑了400萬英里，這看起來是不可能實現(xiàn)的任務(wù)。況且，除了谷歌之外，常見的開放道路L4測試車在配全傳感器后，要好幾十萬美元，100臺車的車隊已經(jīng)是天價。

那么，只剩下1條路了，想辦法把算法裝到至少100萬臺不那么昂貴的車上，讓每臺車跑1.1萬英里，110億英里就實現(xiàn)了。

首先，這些車必須是增量的車，不可能找現(xiàn)有的車改裝，因此算法公司必須與大車廠進(jìn)行合作。

其次，這些車不可能無緣無故裝一些還在驗證的算法，必須是裝了成熟的、有用的智能駕駛功能，這樣才可能賣掉100萬臺。

第三，這個功能具備某些場景的智能駕駛能力，但在大量的場景仍然需要人來駕駛。那么，在有人駕駛狀態(tài)下，系統(tǒng)切換到“影子模式”，用來跑新型算法、對其進(jìn)行驗證。算法在“影子”中持續(xù)做模擬決策，并且把決策與人的行為進(jìn)行對比，如果兩者顯著不同，那么有兩種情況：一，如果算法有高置信度的把握人開錯了，將給予人警告（類似ADAS）；二，算法判斷人做得更好，或場景數(shù)據(jù)在感知、定位方面也具有高價值，那么這些數(shù)據(jù)將自動傳回，后臺工程師判斷是否有利于提升算法。

這里的核心問題是，車上裝什么樣有用的系統(tǒng)？而這個系統(tǒng)如何能夠跑新型L4算法？在這一點(diǎn)上馭勢的嘗試是非常令人鼓舞的，上面我們展示的兩個視頻，自動代客泊車和L4城市開發(fā)道路都是基于同一個車型和系統(tǒng)配置，能夠在兩種模式之間切換。

今天多數(shù)L4系統(tǒng)采用昂貴的傳感器和計算資源（最近百度Apollo在轉(zhuǎn)向低成本方案），而且只適配少數(shù)幾款車型（比如林肯MKZ加AutonomousStuff的線控）。我們從一開始選擇低成本思路，不使用高線數(shù)激光雷達(dá)、高端GPS和慣導(dǎo)系統(tǒng)，攻堅關(guān)鍵零部件和底層線控能力（雖然執(zhí)行器性能難稱完美），堅持機(jī)器視覺為主、其他傳感器為輔的思路，并且對算法和系統(tǒng)進(jìn)行深度優(yōu)化、使之能夠運(yùn)行在普通計算資源上。這意味著我們多數(shù)的無人駕駛SKU具備“影子模式”跑開放道路的能力。

未來的3-5年，我們期待與主機(jī)廠合作，將自動代客泊車和L3系統(tǒng)裝在至少100萬臺車上，與此同時，下一代的駕駛智能算法將橫空出世，以“影子模式”的驗證方式快速迭代。