大家都知道自动驾驶也是分级的，我们今天讲到的更高级就是L3到L5级一直到全功能的实现，这时，系统将会进行人类驾驶员和机器之间的的责任转移。
我们正在建造一种生态系统，像这样类型的生态系统，把自动驾驶当做一种服务，作为一种从A点到B点的出行服务，不用真正驾驶这辆汽车，而是汽车按照乘客的要求来行驶。这是非常重要的要求和需求，出行作为一种服务是非常具有吸引力的想法，很多计算和数据需要用来支持这个服务，同时它也是非常良好的商业案例，跟现在的这种人类驾驶员的成本竞争，现在整体成本包括重型车驾驶员的成本都是非常高的，这样的技术让出行成本不断下降，对于市场的竞争性发挥了巨大的作用。
在进入市场前，我们应该有能力将自动驾驶汽车满足各种功能和安全的保证下销售到世界上的任何地方。而面临的挑战就是让这样的技术符合市场期待，城市中有不同的驾驶条件，比如说气象条件、道路条件，这是第一部分。
第二部分，需要有弹性的，有韧性的市场，包括市场的冗余程度。安全的技术能够保证安全驾驶，人工智能技术能够让我们的汽车有更好的自动化的驾驶水平
还有一点，我认为也是最有挑战的一方面，就是系统的认证或者系统的自检，尽可能的减少驾驶当中出现的问题。这是在我演讲中主要围绕的三个话题。
首先讲到智能化的功能体现。我觉得在座各位可能都知道自动驾驶到底是怎么样的一种系统，包括雷达，还有各种各样的技术都是融合在一起的，这相当于汽车的眼睛，我们使用专业的算法来获得这种感知能力，来了解驾驶过程中的障碍物，与其他车辆的相对位置。接下来的一步，作为人类驾驶员来说，我们真正的了解其他驾驶员是如何驾驶汽车的。然后形成你自己的驾驶方案，目的地和停车点，这是自动驾驶中都要考虑的。
细节我就不讲了，但是我想要关注两个内容。其中一个就是我们的感受能力、感知能力。我们知道会有不同的传感器，不仅是雷达，还有传感器，还有摄像头，每一个都有自己的特点。因此，我们要使用这种系统的冗余程度，应该将系统里的传感器集合在一起，最后形成一种信息。比如说一种视觉信息，还有就是雷达的影像，包括与前车的距离，与其他车之间的相对位置，毫无疑问，你也可以使用人工智能来检测周边的障碍物或者是物体，算法就是基于这种信息来运算的，最终分析并且检测到一些大的空间或者是一些主要的障碍物。
每个人都提到了人工智能这样的概念，并且要使用人工智能这种技术，为什么呢?这么多年以来，影像通过神经网络来进行分类，这方面人工智能就发挥了很大的作用，他的这种检测能力要比人类更高，这是非常重要的，使用神经网络应该是作为整个安全驾驶功能的一个重要方面来尽可能检测不同影像、不同道路驾驶过程中的一些障碍物。最后也会产生一些挑战，因为这样的一种神经网络有一点像是一个黑盒子，你不知道这个黑盒子里到底会有什么。
接下来进入到动态的规划，这非常的复杂。你可以看到非常多的动态点或者影像，这个汽车从加速到减速，到转向，到刹车，有各种各样的可能性会出现，要做出决策。还有一些情况下用模型来描述这种问题，比如说有一些路线，我不想跟另外一个车撞在一起，没有AI的情况下，我们也可以做出这样的模型，但是你要想使用AI到底是不是有必要?因为这是一个黑匣子的问题。比如说动态的规划中，我们可以使用基于常态的AI计算。然后要做一个有弹性的系统，让他真正能够不断的发展、不断的进步。人和人工智能之间的差别还是很大的，有的时候AI的观测技术是很有挑战的，如何能够展示出轻微形象上的不同?之前的一些技术、功能对于我们来讲哪一个才是更加好的方法?这种问题对系统来说难度确实不小，因为这种类型的测试人类有的时候做都有困难。
接下来是关于神经网络的功能。你在训练这种网络的时候，我们有不同的物体，比如说自行车、汽车或者是其他的一些障碍，你要每天训练AI或者神经网络，那么这个神经网络就要去决定他是属于哪一个类型的物体，这当中也是有挑战性的。就像人类看上去不像车，也不像自行车的物体，神经网络就必须要做一个决定它到底是什么，最终需要一个答案，但这个答案有时候并非是正确的，怎么办呢?其中一个方案是就按照得出的结果来判断，但是在实际操作中根据当时的环境再做一些微调。我们会有不同的检测方法，最后是否能找到一个基于未知现象不错的检测方法，不仅影响到神经网络的计算结果，同时也关乎到神经网络的可靠性和安全性。
你需要不断地训练网络，需要更多的行人数据，这就是刚才讲到的算法冗余程度，有两个不同算法的结果是不一样的，你可能要判断一下哪一个运算结果是更加可靠的。
接下来回到一个问题，如何验证我们的系统，我们开发出这套系统，也知道他已经准备好了，可以放到现实当中使用，但是有一个核实或者核准的问题。现在人类驾驶跟自动驾驶之间有差别，我们希望能够尽量避免道路事故的发生，但是人类驾驶员有的时候会分心、喝酒或者疲劳驾驶，所以会出现事故，对于机器来说不会出现这些问题，但是机器有他自己的一些弱点，也会出现一些很难应对的挑战。
另外一方面，确实今天90%的车辆事故是由人类驾驶员造成的，这个数据是来自于德国的，我相信很多国家也是一样的，在德国平均614公里会出现一个事故，所以这里面的挑战就是我们不可能仅仅用一些模拟或者一些上路测试就保证自动驾驶的技术，因为这是一件非常复杂的工作，我们三年前开始了一个项目，但是不仅自己要努力，还有很多德国重要的汽车行业利益相关方需要参与其中。
问题的一方面，到底多安全对我们来说是足够安全?到底多安全是我们系统所必要达到的安全程度?另外一方面，我们也开始通过一些系统性能来进行验证，来达到这样的安全水平。
对于比较大的一些技术，我们的要求甚至可能会更高，这就是为什么引入这些技术有很多种不同的方法，其中的一种我们认为比之前技术更好的技术，可以来解决同样的方案。今天不光是我们，还是其他的自动驾驶团队都在关注，但是与此同时我们要考虑到其他的方法，尽可能的减少在交通事故当中死亡的人数，这个是我们最主要的风险项。
环境也是很重要的影响因素，是白天还是夜晚，光照情况如何?所以把所有的这些都集中在一个模型上，我们希望从中可以产生出一个更加广域的解决方案，包括车速、车道的限制，因此有上百万、上亿的不同的测试情境，换句话说可能会预示到真实世界当中没有办法解决的问题。
另外一方面，我们的问题就是如何找到一些关键的情境?我们的项目探讨了很多算法的问题，希望能够找到一些关键的集群，特殊的一些情境，系统可能会遇到一些问题很难寻找到边界，所以我们应该关注到关键的部分，而不是所有情况。所以这个用例和之前展示的真实世界的用例都可以帮助我们关注于更有相关性的场景，可以在模拟中更具有专注性。
所以接下来我们就要考虑到什么时候来做这个场景测试?什么时候算通过?什么时候算失败?这里有一些比较软性的规则，比如说我们是否会干扰正常的交通秩序?还有一些硬性的，是否会发生碰撞?是否会发生车祸?可能在一些情况中，因为其他的车由人手动操作的，所以会遇到一些额外的挑战，除此之外可能遇到一些情况没有办法刹车，但是在所有的情况下，我们相信所有的这些情境结合到一起，它们仍然是具有很高的相关性，不同的标准都会集成在这个方法当中。
这里的限制在哪里呢?很显然这种基于情境的方法是有一个缺点的，这是一个单一视角，我们只会从车辆的角度来进行检测，市场上有多少的品牌，多少不同的车辆的颜色，包括号牌的颜色和不同的背景，比如说会是墙壁还是树木等等?所有这些可能的情境都给我们的车辆识别系统带来了很大的挑战，所以我们应该在更大的数据量上进行验证，即便在车辆上市之后还要继续这样的工作，我们必须做很多的测试工作，但是一个重点就是让这个系统可以运行在测试的过程当中发现问题，即便在车辆上市之后也会不断的发现问题，并且反馈给系统一些关键的更新，以此让系统准备好下一步的调整，所以我们并不只是做了一个系统，让他接下来十年、二十年这个车辆的整个生命周期都按照这个系统版本运行，我们的在未来要不断的更新，保证更好的安全性。
我们的目标很简单，希望自动驾驶比人类驾驶要好，大家要遵循地方政府做出的规章，并且把这样的一些目标跟我们的工具、方法结合到一起。相信未来我们所有人还有更多的工作要做，相信我们可以携手应对这些挑战。
