6月20-21日，在中國電動汽車百人會主辦的2018全球智能汽車前沿峰會上，美團無人駕駛首席科學家夏華夏發(fā)表主題演講。以下為演講全文，未經(jīng)本人審閱。

自動駕駛在技術上，學術上已經(jīng)做了三十多年，最早包括美國、歐洲他們80年代就在做，1984年就有一個可以在園區(qū)里跑的車，到90年代德國可以在高速路上跑的卡車，但是工業(yè)界做的話應該從Google，Google2007年、2008年把斯坦福的一個教授招過來，開始做無人駕駛，從工業(yè)界也有了十多年。但是其實自動駕駛經(jīng)過這么幾十年的發(fā)展之后，離技術的成熟還有很遠很遠的距離，為什么這么說呢？

我們看一個表格，這個數(shù)據(jù)是根據(jù)去年加州交通部發(fā)布的在加州的自動駕駛公司路測的情況，挑了一些有代表性的公司，大家可以關注最后一列，在最后一列是說每行駛多少英里需要一次人工的干預，如果不干預這個車肯定要出事故，甚至可能要致命，現(xiàn)在做得最好的Google的Waymo，大概每八九千公里干預一次，這個數(shù)字看起來挺高，但是其實離人類駕駛的水平還是很遠很遠。最后兩行的小表，人類駕駛如果看平均，這也是美國的數(shù)字，看平均多少英里會出一次事故，大概是16萬英里才出一次事故，如果是致命的事故，發(fā)生生命危險的大概將近一億，就是9000萬英里才出一次事故，比現(xiàn)在Waymo也好，還是其他的公司也好，還多很多很多。這其實說明我們在整個的無人駕駛技術還有很長的路才能達到跟人差不多可以匹配。

即使達到跟人一樣的水平，我們是不是就敢讓車來替代所有的駕駛員？其實也還不是那么好，其實需要一個執(zhí)行度空間，我們需要讓無人駕駛汽車安全行駛多少公里以后我們人才真正相信它比我們人開得好，美國的蘭德公司在2016年做了一個數(shù)據(jù)模型分析，如果按照95%的執(zhí)行度覺得自動駕駛要比人類，比如20%的事故率還要好的話，大概如果按照致命的速度，最上面那條藍線是說如果按照發(fā)生生命事故的里程數(shù)需要自動駕駛汽車行駛110億英里，我們才能相信自動駕駛比人開得要好。

這意味著什么？如果有一個車隊100輛車，24小時不停地開，40公里的時速，也不需要加油，100輛車需要開500多年，才能達到110億英里這個數(shù)字。

這就表明我們離證明這個車可以上路還有很多路要做。但是蘭德公司覺得這個可能是有點太令人悲觀了，所以第二年2017年又出了新的報告，他說自動駕駛汽車不用等到特別成熟就可以上市，如果自動駕駛汽車跟人開得差不多，這時候上市，最終也可以降低在交通過程中發(fā)生的致命的死亡數(shù)字。

做了一個數(shù)學分析的曲線，比如2020年我們認為自動駕駛開得跟人差不多，這個時候上市，一開始傷亡數(shù)字可能并沒有減少，但是幾年之后就可以減少。他做了一個這樣的報告，這個可能主要是給行業(yè)里的從業(yè)者一點信心，一點希望。但是說實話，我們是不是敢讓無人駕駛汽車真的在跟人差不多的出事故的概率下就上路？

其實是令人懷疑的，因為我們對機器出致命錯誤的這種容忍程度是遠低于對人類出致命事故的容忍程度。最近有很多無人駕駛相關的致命事故，包括3月份在美國出的Uber的事故，包括特斯拉最近幾次事故，其實對這個行業(yè)是有比較大的影響，對行業(yè)的信心，尤其是對各個地方的政策制定者政府，如果我們真的說國內的無人駕駛汽車在國內出了致命事故，我相信對在座很多從業(yè)的同事來說是一個非常大的影響。所以其實我們還是需要機器比人要明顯開得好才能比較廣泛地推開。

要做到這個大概有哪幾種做法呢？我列舉了三種可能的做法，業(yè)界不同的公司拆用不同的做法。

第一個是大量長期的研發(fā)投入，一開始先不做大規(guī)模真正的運營，我去做大量研發(fā)的投入，比如上個月Waymo發(fā)布了一個消息，說他們要買大概62000輛車做路測、做研發(fā)。同一天通用也發(fā)布說他們從軟銀募到了20多億美元的投資，這都是非常多的錢，以Google的數(shù)字為例，如果是6萬多輛車改成無人駕駛，我查了一下，原車4萬美金，加上各種傳感器，我們知道Waymo在內部自研很多激光雷達，把激光雷達的成本降到1/10左右，但是即便如此，我最最保守的估計，一輛車也得十萬美金，如果六萬多輛車，大概60多億的硬件成本。如果做研發(fā)的話，現(xiàn)在還不成熟，這個車不能到路上開，每輛車得配一個安全員，最低的工資一年四萬美金，這么多車又是二十多億安全員的投資。這個問題就是需要非常非常多的錢。對于錢不是那么多的公司，美團沒那么多錢有沒有其他的做法？

還有一些公司他們會說我們是不是有可能用仿真平臺。昨天博世的蔣總也分享了博世做的看起來非常好的仿真平臺，現(xiàn)在有一些相對看起來比較成熟的仿真工具，但是我覺得這些仿真工具在自動駕駛的初期現(xiàn)在是可以去幫助我們驗算一些簡單的算法，但是長期來說仿真平臺的研發(fā)本身就是一個非常非常有挑戰(zhàn)的工作。

真正到了自動駕駛技術研發(fā)的后期，我們要去測試、要去找到那些各種非常少見的對機器來說比較難判斷的Case，如果要模擬這些Case許多我們仿真平臺非常好地模擬周邊環(huán)境，包括車、包括人，包括人對車的一些交互，比如一個人在前面行走，如果他跟車的司機有目光的交互，對于我們人來說是比較容易理解的，但是如果他戴著耳機，沒有看到車，行為又是另外一個行為，不同人的性仿真平臺能不能比較好地模擬，以及很多小孩、老人的行為跟成年人不一樣，還有很多動物的行為，跟人更不一樣了。

比如在自動駕駛領域其實有一個特別難的模擬的動物就是澳大利亞的袋鼠，因為袋鼠的行為軌跡，速度非?？?，但是行為軌跡跳來跳去，又非常不規(guī)范，我們的仿真平臺能不能把非常復雜的環(huán)境真正把它非常逼真地仿真下來，這個不亞于算法的研發(fā)難度。我覺得它的難度就是全測的仿真非常非常難做。

花錢又不行，純仿真不上真實機器又不行，有沒有第三種方法？我覺得第三種方法可以嘗試有車去跑，但是這些車盡量把它跟實際的應用場景結合起來，因為它是在實際的應用場景里邊跑，本身我們的花銷可以跟應用帶來一些收入，相互有一些抵消，所以我們可以去尋找哪些合適的可以落地的自動駕駛應用場景。

如果我們去分析這個運行場景的話，我們發(fā)現(xiàn)大家可以有幾個維度，第一個維度是說它是乘用車還是非乘用車，它是載人還是不載人的，這個其實差別非常非常大，現(xiàn)在很多的自動駕駛公司，其實我們在做載人的這種無人駕駛，因為一旦載人，我們的車就要做得很大，因為內部要保護乘客的安全，車必須重量足夠大，跟別人撞上，或者撞上別的小車的話，自己車的慣性比較大，你會發(fā)現(xiàn)新能源汽車越做越大，越做越硬，另外對很多控制要求非常強，因為它要保證車里的乘客坐著是舒適的，我不暈車，不會走著走著突然給我來一個急剎車，或者拐彎的時候是非常舒適、非常平穩(wěn)的，現(xiàn)在控制也是非常難做的事情。

還有一個維度，我們是在高速的情況下還是低速的情況下？一般說高速、低速，大概我們一般說40公里以上，40公里到100多公里就是高速，40公里以下我們就認為是低速的，高速和低速有很大的差別，高速的時候，我的剎車距離會非常長，而且我每秒鐘行駛的路程很長，所以導致允許我做出響應、做出判斷的時間也會非常短，以及我需要探測到周圍的環(huán)境，我要探測的距離也要非常長。這是在高速的場景下的挑戰(zhàn)。還有一個就是我的車是重量脊的還是輕量級的，因為越重相對來說對周圍環(huán)境的危險就越大。

再有一個，是在特定道路下還是在開放道路下的場景運行的？在特定道路下，我們有很多可以去針對特定道路優(yōu)化的，因為特定道路所有的場景、所有的路口、所有的紅綠燈其實我都比較清楚，所以就相對來說好做一些，但是如果開放道路，我們很難去預測我們可能遇到什么場景。

當我們把這幾個維度如果畫一個高維空間的話，假設有這四個維度，高維空間里面就可以分成16個格子，這16個格子有些在場景上并不是很有價值，有一些比較適合于先來落地，比如說我舉了幾個例子，有幾個場景下就比較容易在現(xiàn)在這種，比如兩年以內的技術，我認為是比較成熟，適合在這些場景落地的。如果是低速的乘用車，乘用車一般都是重量級的，因為我要保護車內的乘客，但是他在特定道路下，低速的，比如說我們現(xiàn)在有一些企業(yè)會在一些園區(qū)內做一些低速的游覽車，這個就比較容易落地，包括還有像昨天比亞迪的同事分享，他們在做這種有軌道的這種特定道路的車輛，特定道路也是比較容易實現(xiàn)的。

第二個場景就是它是非乘用車高速，但是它是特定道路，比如說一些干線的物流車，像干線物流主要在高速上，所以道路相對來說比城市的道路場景會簡單很多，但是這個有一個風險，因為它的高速和重量，一旦發(fā)生事故的話，對周圍的環(huán)境也會有比較大的風險，這個我們也會看怎么去處理。

如果是低速的非乘用車在特定道路下運行，比如說我是在城市的灑水車，很大，盛了水在各種道路上跑，因為它速度很慢，而且可以揀人少的時候去跑，比如清晨和晚上的時候跑，相對來說會簡單一些。還有非乘用的低速的、輕量級的開放道路，比如末端物流車，因為它是低速的、輕量的，所以我們可以讓他嘗試在開放道路。

最后一個是在開放道路，我可以在幾乎所有的城市道路里邊去跑，這也是今天想給大家分享的我們現(xiàn)在在做的一個工作，美團做小車的無人配送。美團無人配送做的是在開放道路的末端物流，主要要解決什么呢？就是當用戶點了外賣之后，我的車可以從我的商戶那邊把我的外賣，比如一個盒飯取過來，在城區(qū)里行駛幾公里，現(xiàn)在大概是三公里以內的距離，行駛之后把它送到用戶手上，用戶可能在一個寫字樓，也有可能在一個小區(qū)，送過去。因為它是距離很短，三公里，所以基本上，我們現(xiàn)在看到只要速度能達到20公里的時速，對我們的車來說就是夠用的。而且我們的車輛可以比較小，只要能裝幾個盒飯那么大小就可以。所以在這種情況下就非常非常容易去落地。

我們總結一個詞叫“小輕慢物”，因為只要裝盒飯，所以可能這個車的寬度大概在50公分，大的寬的可能在1米左右，就可以裝很多的盒飯。輕是指這個車的重量，因為我不需要做很大保護車內的乘客，里面裝盒飯，我的目的只是把盒飯從一個地方運到另一個地方，所以車的重量大概幾十公斤到幾百公斤重量就可以，所以相對來說對周圍的環(huán)境、周圍的人和車的危害也會比較小。慢，因為對于我們來說，剛才講，如果在城區(qū)的道路上，我們認為20公里就足夠了，對美團外賣來說，我們的目標是希望在半個小時內把餐從商戶送到用戶手上，如果是20公里基本上就足夠路上各種突發(fā)情況和場景。但是走到園區(qū)里面大概就會更慢，比如說5公里。還有一個就是物，我不是送人的，我是送盒飯的，而且盒飯的尺寸基本上是比較標準的，相對來說比較容易處理。有一分鐘左右的視頻給大家看一下。

為什么我們覺得無人配送場景對于自動駕駛來說非常非常有用，我們覺得可以幫助自動技術的迭代，我們在路上跑，其實技術跟無人車的技術是完全一樣的，但是因為它是小輕慢物，所以可以快速落地，美團外賣覆蓋全國3000左右縣市，基本上從全國最北的、最南的，包括最高的拉薩那邊都有我們的業(yè)務。所以我們可以找到各種各樣的場景、各種各樣的道路去讓我們的自動駕駛技術得到測試。

再有就是我們現(xiàn)在有足夠大的容量，比如現(xiàn)在大概每天2000萬訂單，每天是60萬騎手，我們對這個業(yè)務的判斷是未來五年左右可以達到每年一億單，如果還是用人配送，就需要300萬騎手，我們的目標是希望這里面哪怕有一半的量，我們也可以用機器來解決，就需要有相當150人的運力，如果車的話，是百萬量級的車，如果真的是一百萬輛車每天來回跑，我們發(fā)現(xiàn)只要一兩個月就可以跑到剛才說的110億英里的路程。而且我們有足夠完備的運營體系，比如我們在各個城市有一萬地面銷售學，有近百萬騎手，可以幫助無人車在各個地方做運營，比如你車壞了，車需要充電，需要地面人員的時候可以隨時到。

一方面無人駕駛技術離成熟還有很遠很遠的距離，但是技術是需要快速落地、快速迭代，讓算法和數(shù)據(jù)及時得到積累。所以需要一個快速落地的應用場景。我們認為外賣配送是一個非常好的自動駕駛應用落地場景，對于美團無人配送來說，我們歡迎各種合作伙伴跟我們一起在這個場景里邊去打磨無人駕駛技術。

最后一頁就是我用三個“最”來總結，一個是中國是最大的飲食市場，美團外賣是全球最大的即時配送平臺，我們大概占全球外賣市場的一半，美團外賣配送是最好的自動駕駛落地場景，我們希望各個合作伙伴，包括無人駕駛的，可以跟我們一起合作，謝謝大家。

返回第一電動網(wǎng)首頁 >