随着国家11部委联合出台了《智能汽车创新发展战略》，“车-云-路”协同方案正式成为了智能驾驶的“中国路径”。可以预见的是，重数据与强融合的发展方式，将成为“中国路径”的核心策略。
近日邀请了觉非科技CEO李东旻，就智能驾驶“中国路径”的演绎与发展进行了分享。以下为李东旻的演讲实录，新智驾进行了不改变原意的编辑：
智能驾驶产业的中国路径，尤其是“车、云、路协同模式”的落地，可以说有非常广阔的发展前景。
以下我会从4个方面来跟大家分享觉非科技的一些实践经验。
首先，整个智能出行时代本身就有巨大的变革，如同 PC时代的网站爆发，智能出行时代正在崛起。智慧出行时代大大拓展了数据源边界。
无论是车端数据，亦或是道路数据，都呈现指数级增长，本质上智能出行带来的是 LBS(基于位置的服务)数据的大爆发。
自动驾驶行业发展出的三种不同切入路径
随着这些数据的变化，过去全球范围内演进出了有三条不同的自动驾驶路径。
第一个路径是以单车算力提升为核心的，也称之为硬件模式，或者单车智能模式，同时又可以根据传感器数量称之为5+1模式。所谓5+1就是五个硬件+一套软件，这是L4级别无人驾驶的标配。从GPU到毫米波雷达、激光雷达、摄像头、到综合惯导设备。一套软件就是自动驾驶标准化的三段论：感知、决策和控制这三套系统。
而以单车智能为主的，都是以硅谷为主导。它的推进方式是颠覆性的，并且这条路径只关注L4以及L5的无人驾驶。
另一条路径是以主机厂和一级供应商为代表的供应链主导的模式。它的核心是以销售整车和设备为目标，整体采用渐进式的方式赋予汽车智能。
然而不管是“颠覆式”还是“渐进式”的发展路径，汽车产业的底层结构都没有发生质的变化。
第三个模式是网联智能的模式。这种模式对于这种基础设施建设的要求非常高，但其实是最适合中国的技术路径，也是最有可能实现智能出行规模化落地的方案。
那么这三条路径分别演进出来的产品形态是什么样子的?
这里我们不用L1或者L2这种技术化的表达语言，而是从市场落地的角度，来把现有的智能驾驶产品进行坐标系表达。以乘用车和商用车作为横轴，纵轴用高速和低速来区分。
在纵轴上，可以从坐标系里看到，目前在商用车的高速场景里，以商用物流车辆加装ADAS为主，商业模式是以销售终端为主。还有快速公交线路甚至更高级别的智能驾驶技术，整体也是以整车售卖为主。 乘用车方面落地的产品数量相对较少，目前真正落地的是AVP产品。在高速场景里基本是特斯拉的Auto pilot一枝独秀。
可以看到，基于单车智能的模式，在落地方面已经到达了增长瓶颈。后续的每一点进展都需要消耗不成比例的计算资源和其他资源，这个称之为第一增长曲线已经接近结束了。 目前行业的机会在于第二增长曲线，也就是不依赖于硬件算力提升为代表的“车、云、路协同”方案正在逐渐兴起。
此前，以硬件和传感器为主的技术路径，虽然过去也落地了一些产品，但也发生了非常多的问题。经典的案例就是Uber自动驾驶撞人致死的案例。新闻报道里也有其自动驾驶系统决策的日志。
Uber的目标识别的模块在不停的跳跃，在“其他”和“车辆”类别之间摇摆不定。可以看到系统识别的稳定性和可靠性是非常差的。因此很不幸，在最后的1.2秒钟，受害者还没有被真正识别为一个行人，最终酿成惨剧。
可以看到，这种基于硬件和传感器实时感知的自动驾驶路径，它的可解释性、可靠性是有待考量的。我们必须追问，训练一个机器要训练到什么样的程度和水平，才能够把性命托付给一个机器?
同时，这种无人驾驶酷炫外衣的背后，后备箱里面的这些风景其实并不是那么美观。通常一辆无人驾驶的车辆后备箱里，需要3千瓦以上的电源支撑才能让这些强算力的硬件正常运转起来。
仅靠单车算力这种依赖电力消耗的模式，很有可能完全不足以支撑未来的商业化。除了后备箱，车辆旁边可能还有一个计算机背景的护送员，护送员通常薪酬比较高，远远高过一个专车司机的薪水高。
基于后深度学习的觉非科技方案
因此从技术路径来看，从单车智能模式发展到目前水平、产品化落地的情况来看，我们还有哪些其他方向可以去做?我们需要弥补在逻辑推理里面假设不成立带来的问题，而这其实就是深度学习算法，这是在自动驾驶里面我们今天面临的一些不足。
清华大学人工智能研究院的院长张钹院士提出，整个自动驾驶的落地需要进入后深度学习时代。什么是后深度学习?就是说通过“车、云、路协同”的方式，将经验类的，具有较好稳定性、可靠性的数据以及边缘推理算法，再加实时感知数据联合在一起，进行驱动，发展成解释性比较强，可依赖的人工智能技术。
此前基于深度学习的人工智能的技术，可以轻而易举通过人工构造的方式加以改变。比如一个阿尔卑斯山的照片加上了一些人工构造的底噪，最后机器算法就会识别为一条狗。可以想象，一个基于实时感知的车辆，不管是激光雷达还是摄像头，如果把路边的一个限速牌识别成岔路口，这会带来多么危险的后果。
所以从觉非科技的角度来看，不能完全甚至绝大部分依赖实时感知的传感器，需要发展出来基于后深度学习时代的内容，把一些稳定性比较高的数据跟实时传感器相融合实现更可靠的自动驾驶。
我们做过一个演示。后深度学习加上高精地图，能够让一辆普通的车辆实现什么样颠覆式变化?
一辆非常普通的车辆，没有做过任何改装，唯一的改变是在车辆后视镜的下面架了一个手机，然后手机通过USB线连接到了后视镜里面汽车的CAN总线上。通过这根USB线，实现了手机控制这辆普通汽车的所有感知过程。 这是需要用户花4万到5万才能实现的高级辅助驾驶功能，包括沿车道行驶、高速公路并道等。
从技术角度而言，这是怎么实现的?我们在手机里面存储了数据和感知算法，尤其是融合感知算法。脱离硬件本身，手机里面存储的数据具备了一个零到无穷远的超视距感知能力。我们把实时感知数据加上车道线的高精度地图数据，同时把车辆本身的运行数据(惯导设备、GPS信号)实时状态相融合，能够就实现一个鲁棒性和安全性都非常之高的解决方案。
就像给这辆车绘制了一个看不见的铁轨，让车沿着非常安全稳定的铁轨行使，不受恶意攻击的影响。
觉非在这条路径上面跟合作伙伴宇通客车一起合作了两项方案。
第一个方案是AR交互系统，部署在一个L4级别的无人驾驶的小巴上。在车内22寸的液晶屏上面，乘客能够清晰地看到车辆是在怎么感知周围环境的。 不论是公交车、行人、自行车还是其他的移动物体，都可以准确的在界面上显示出来;同时也会向乘客展示车辆的行进方向、路径规划、目标物体的测距。
第二个方案是跟宇通合作的是比较创新的工作模式，面向快速公交车辆实现全场景的融合感知。全场景融合感知，就是在不论刮风下雨还是重度雾霾等异常恶劣天气情况下，快速公交车都能够实现360度无死角的进行感知。
我们也会用到很多传感器，基于这套感知硬件，我们把自己核心的技术比如道路的语义分割、图像与激光点云融合在一起，形成一个典型的多传感器融合技术。
多传感器融合能力可以通过摄像头对物体进行识别，也可以通过激光雷达对物体进行测距，但不依赖于某一个传感器硬件。这是我们和宇通，在实践车和路之间协同的融合感知方案。
很多朋友会说，未来中国车云路协同落地的时间点可能很慢。其实国内在政策层面已经制定了C-V2X的落地白皮书。到2025年，一半的新车将会具备C-V2X功能。现在每年2000多万新车销售，其中至少一半的车有这个功能，具备巨大的市场潜力。通过我们的路径来改造车，能够实现比较好的车云路协同。
觉非科技的车云路协同
觉非的整体车云路协同软硬件一体化架构，是经过实践总结出来的结果。这个架构最上层的部分是基础设施。核心层面包括定位、通讯、路侧设施三个基础设施。
那么车路云之间怎么协同?
目前国内在5g网络层面已经达到标准化，接下来要做的就是如何实现协议上车的过程。值得一提的是，C-V2X协议和5g协议所用的频段都是5000赫兹以内，也就是说车上装载了5g接收芯片以后，自然就拥有了接收C-V2X协议的能力，也是连接路侧单元的能力。
从定位维度来看，中国过去成规模体系的定位系统，除了卫星、北斗卫星以外就是路侧的差分定位基站。目前国内主要有两个差分定位基站的提供方。老牌的是千寻，在全国布了2000多套基站。而新发展起来的就是中国移动，现在中国移动可能已经成为了国内第一大差分定位基站运营商，并且预计在2020年新建25万个5G差分定位基站。
这些基础设施架构、硬件架构，对于中国的车云路协同的落地是一个非常大的利好。 相当于从基础设施层面解决了很多依赖性比较高，可靠性比较强的基础设施。 这是基础层。
从软件层和硬件层来看，对于车上传感器、天线、制动等硬件部分都是交给主机厂。而在软件和云端部分，尤其是软件感知、定位和规划这三个部分，实际上这才是“车、云、路协同模式”能够发挥真正价值的地方。觉非科技沿用的技术路线是可靠性比较高的高精地图作为容器，把上层的多传感器融合放在容器里面，统一计算实现可靠性更高的决策引擎。
觉非科技的定位，是面向整个智能出行产业打造一个数据引擎， 形成“双轮驱动”的模式。一方面针对运营场景端，通过高精度数字化能力进行赋能。另一方面，针对智能终端，通过车端传感器数据、路端传感器数据与高精地图数据进行有效的时空同步与融合，把知识驱动与数据驱动结合起来，提供可靠、精准的智能化解决方案，能够有效保证自动驾驶车辆的安全性。
我们的数据引擎进入市场以后，解决了自动驾驶产业的很多痛点。比如感知在不完全依赖于激光雷达的前提下，做到激光雷达和摄像头在亚毫秒之间的同步，弥补了单车智能模式的一些天然不足。
总结下来，觉非科技有4个技术上的优势，分别是数字化的道路引擎、多元数据归一化引擎，跨平台、跨终端的道路推理引擎，以及通过云端跟车端之间建立起来大数据分发引擎。
接下来给大家分享我们跟中国移动实现的车和基础设施之间的差分定位效果。
当车辆在往道路中间并道时，行驶到车道中心。在高精度地图上，可以看到车辆也在进行非常准确的行驶。车本身没有加装超过1万元以上的激光雷达和感知设备，唯一装的是中国移动地面差分定位基站的接收器，通过接收器上面运行的觉非提供的数据引擎算法，让这辆车实现了厘米级别的高精度定位。
除了车路之间的协同，《智能汽车发展战略》里也提到构建先进的基础设施，然后重点推进大数据云控基础平台的建设。 为什么云控平台这么重要?
云控平台就是从云端形成数据全集，然后通过云来连接路上行驶的车辆。可以理解为，这些车辆是一个边缘端运行的设备。边缘端设备和云控数据平台之间的互动形成融合模式，能够面向多个智能终端、多个出行场景，提供全局的解决方案。
未来传统车辆也会真正变成边缘端设备。 车辆通过云控平台连接以后，可以实现车辆实时在网，永不掉线。现在每台手机都有工信部联网准入认证，相信不久的将来，随着云控平台的落地和5g网络的连接，每一辆车也都会一个准入环节。
总结一下，我认为，从技术到量产落地需要具备的充要条件有四点。
第一点，在产业上一定要有需求，有痛点。过去很多的自动驾驶方案提供的大多是锦上添花的功能。消费者看乘用车的时候，最终还是要看安全。
第二点，在经济上面，不管是技术、硬件还是软件，方案一定要可规模化部署。一台车和五台车实现自动驾驶可以通过改装方案。但实际上这种方式真正能带来规模化吗?并不能，它还涉及到很多供应链的供货问题、原有生产线改造的问题，这是从供应链的角度来思考的。任何自动驾驶的技术在落地时一定要实现不同硬件的兼容。
第三点，在竞争层面，对于很多创业型公司来说，需要建立自己的竞争优势。互联网时代一直在讲闭环的迭代。闭环的迭代就是发布的技术、产品要能够通过客户用户，将反馈和数据收集回来。
自动驾驶对于传统主机厂模式的意义，是在于用软件来定义硬件。因此这里面如何去建立闭环迭代，是需要精心设计和思考的。 有哪些合作能带来数据闭环?因此除了数据闭环之外，还要考虑的是怎么建立产业联盟。
最后一点是技术层面，一定要提供高可靠性的解决方案。笃定某一条路径和一个硬件，实际上是一个风险非常高的选择。尽管这可能给某家公司在短期里带来一些硬件收入。 但从终局角度而言，如果无人驾驶成为规模化和普遍化，人、车、路协同成为现实之后，市场的商业逻辑还是不是靠硬件的方式来驱动?
因此从经济、产业、竞争和技术四个层面， 是实现技术到产品量产过程中需要思考的四个方面。
