7月1日—2日，由盖世汽车主办的“2021第四届全球自动驾驶论坛” 于上海隆重召开。本次论坛主要聚焦自动驾驶关键技术，如自动驾驶感知、智能驾驶域控制器、芯片、计算平台、无人驾驶不同的落地场景等话题展开讨论，以促进自动驾驶相关技术进一步发展、完善。下面是滴滴自动驾驶公司首席技术官 韦峻青在本次大会上的发言。
滴滴自动驾驶公司首席技术官韦峻青
非常感谢周总和盖世汽车的邀请，今天很高兴有机会跟大家分享一下滴滴自动驾驶最近的进展以及思考。
刚才郑总从总揽方面指出了我们自动驾驶还是很有希望的，当然也指出了落地的挑战和困难，其实滴滴为了应对这些挑战和困难，做了一些技术的储备，以及从总软件到硬件的规划。
首先我们认为自动驾驶确实是一个非常非常难的工程。我们已经完成了99%的工作，可能还有99%的工作要做。首先非常难的点是我国长尾问题或者边缘场景，对于单个司机来说，这些场景可能遇到几率并不高，可能一年就遇到一次，但是滴滴的网络有百万辆车，将来自动驾驶到来的时候，大量车辆会是自动化的，在这个情况下，我们的车队遇到这些场景的概率就很高了，而且我们需要对这些场景进行安全的处理，这就为我们就提出了一个数据的挑战以及场景的挑战。
另外我们在想，现在的算法能不能应对这些场景？比如说PT公开的数据，大家在车辆检测方向上检测模型精度有多少误检，有多少漏检。大家可以看到距离比较远或者遮挡比较多的情况下能做到75-80%检测精度就已经非常不错了，对于自动驾驶车来说，只有70%能检测到它，那怎么能做到更准确的判断和更安全的驾驶，这是一个非常难的挑战。
总结下来，最终从有安全员的自动驾驶到无安全员的自动驾驶，之间还有很长的路要走，尤其对无安全员自动驾驶的量产，这是一个有挑战性的话题，当然这个市场挑战也很大，包括滴滴在内我们都在持续加大这方面的投入，希望有所突破。
今天主要讲两个方面，一方面是从人工智能角度怎么提升算法（Improve AI），这是一个人才的竞争，也是方法论数据的竞争。另一方面是怎么从硬件角度以及系统设计角度把自动驾驶的问题相对降维来解决，能够加速自动驾驶量产落地。
首先从AI角度看，自动驾驶最核心的是场景库，我们在测试中发现很多基础的素材。比如说我们遇到一些逆行的车辆需要躲避，通过感知的算法可以把它三维重构成一个虚拟场景，我们用这个场景编辑器和基于AI泛化功能加入到验证自动驾驶算法的工具链里面，现在这套体系在滴滴自动驾驶完全打通。比如说这个工程师专门针对躲避这一个场景，它会有更详细的仿真列表，有几万到10万的案例都是基于路上实际情况进行泛化。
另外我想跟大家探讨的是DIDI Gemini（双子星平台）。在AI提升比较线性的条件下，能够指数性提升自动驾驶安全性，所以滴滴在上海车展跟沃尔沃一起发布了基于XC90的双子星滴滴自动驾驶系统，包含升级的硬件系统架构以及在上面搭载滴滴自动驾驶软件，大家很快会在上海安亭看到搭载这套平台的新车辆，也会作为滴滴未来一两年主力研发自动驾驶的平台。其中有三点布局：硬件升级，安全层，人车交互。
从硬件升级的角度，我们希望通过新一代硬件大幅提升算法的表现。另外一个想法是因为L3广泛的部署，高性能量级价格在下降，在这个情况下，我们觉得硬件升级比我们现在速度快很多，对未来预测硬件性能也会有量级上的上升，成本会有量级的下降。
从感知能力上来讲，我们觉得感知能力很久没有突破了，就一直稳定在75%的准确率，怎么办呢？我们同时比较了一下，蓝色线是公开数据集的数字，这是Hard的案例，如果变成Easy，比如说看到激光雷达点更多，那明显它的错误率就可能从25%降到10%，所以我们觉得硬件提升很直观可以带来自动驾驶感知性能的提升。感知性能提升又会带来预测的提升。
我们在布局的时候希望这个车首先可以在非常近的最小探测距离保证没有盲区，即使是一个砖头或者一个球在车下面也可以检测到。另外我们希望能看到很远的物体，比如说两三百米外静止的卡车，这样可以让车很早作出更聪明的决策
最主要是升级我们的激光雷达，配备128线激光雷达，它的分辨率是0.1×0.1，比其大部分自动驾驶公司目前所使用的激光雷达提升了大概6倍分辨率，对我们算法来讲，如果在150米外有一个车，之前我们只能看到5个像素点，现在能看到30个，那我们是能够分辨这个车，并且在近距离进行了补盲，所以可以看到离车非常非常近的物体。
我们使用了800万象素的摄像头，而且我们用了12个800万象素色相，首先有对车360度全覆盖，另外在非常重要的角度，比如说前向180还用了更窄角度的镜头，对于特殊的场景，比如说红绿灯，将来对于人类脸的朝向和手势都能进行识别，这样为我们将来预测这个人的行为是什么样提供了数据输入。只有有了这些信息，AI才能够利用这些信息辅助自动驾驶决策，提升它的安全性。
两点提升，分辨率提升是非常明显的，比如说在100米外之前对红绿灯的识别准确率是99.9%，主要原因是，有时候在非常远的距离，看到像素点比较少所以很容易跟其他的东西，比如说光线受这些遮挡的影响。现在在同样距离可以看到的信息量多很多，所以对于YI算法来说其实是容易了很多，并且安全性也提升了很多，冗余性也提升了很多，哪怕它被遮挡，我们也知道它被遮挡，而不是因为其他的原因。
另外在相机领域，因为我们引入了更高性能的传感器，所以逆光、夜间条件下的性能都会提升很多。比如说三四年前使用的工业级相机夜间看得是很模糊的，现在相机有了SDR技术，不管是逆光，还是夜间都能够非常清晰看到这些图像。只有看到这些图像感知算法才能够得到提升。另外就是算力，现在大家都在讲GPU算力，我们用了英伟达的平台，提供了700TOPS GPU算力。对于无人驾驶出租车来说，另外一点关注的是CPU算力，因为大量数据需要CPU处理，我们有很多算法并行了很多CPU线程在跑，所以会有2-3倍的提升。怎么把这些数据都接入，这里有每秒40Gb传感器数据接入，并且用水冷方案，这也为自动驾驶提供了最高可行的算力。
这么高算力的平台怎么量产呢？我们认为在未来两三年这套平台算力会提升3-5倍，但是价格会下降到小几千美元量级，我们也和供应商一起探讨沟通认为这个是完全可行的，主要因为L3快速的发展，加速了高算力平台产品化。
我们还在这里部署了很多小的系统，这里讲的是传感器清洁系统，所有摄像机、传感雷达都有喷水解决方案用于清洁，我们也在研究对于摄像头持续性的一直喷气，使其表面形成一层膜，这样水滴不容易落上去，还有对水冷系统的加热及冷却，我们都做了非常深入的研究。
滴滴除了在软件和AI方面有了比较深入的规划和研究，我们也觉得硬件能够加入自动驾驶量产化和安全的落地。另外对于仿真、对于地图、对于软件和开发工具、管理工具、远程协助基础模块开发，至少有一半精力投入在这里。
下面跟大家介绍一下新引入的自动驾驶安全层概念。我们觉得自动驾驶到最后落地非常值得参考的就是航空系统的安全设计。当然已经有一些功能安全的标准覆盖了这方面的内容。从飞机来讲，比如说液压/燃油/电气/引擎都是有冗余的，同时决策系统机长和副驾驶也是有冗余的，所以我们建立了安全漏洞模型，希望面对非常少见，但是又重要的危险场景，我们能够在三个方向上有布局。
1、系统异常，它对应的是车载行业的功能安全，主要应对的是硬件故障和传播故障。2、中间着重研究的是跟场景相关叫做预期功能安全，如果我的车设计在小雨天气可以驾驶，现在忽然下了大雨怎么办？它有超出我设计算法的情况。3、怎么应对在自动驾驶到来之后的网络攻击。
首先在主系统里面，自动驾驶感知决策能处理99.99%系统里面有相应的冗余，比如说一个摄像头故障或者遮挡，整个系统功能不应该受到影响，如果受到影响我们就会降级，降级到用冗余系统来处理，冗余系统让它靠边停车或者减速，它是独立于主系统的。再往下是在执行机构上，包括紧急刹车方向上做到了执行器的冗余，这样保证在绝大部分场景，可以安全的把车停下来。在停下来之后有远程协助和远程控制的功能帮助这个车脱困，这个我们叫远程护航。对于滴滴的网络，如果说出现了远程协助也没法解决的困难，比如说车的轮胎爆了，那么我们也会部署道路救援。
感知系统冗余，刚才我们讲了我们有激光雷达，毫米波雷达和摄像头三种方式。举个例子，我们在这一套双子星平台上，前向最重要的区域如果有一个行人，我们有12个传感器可以看到这个行人，包括多个激光雷达，多个摄像头，多个毫米波雷达，并且有一套完全独立于主系统的感知。在决策方面，如果主系统确实遇到了一些挑战，比如说所有激光雷达都失效了，或者被覆盖或者下了很大的雨，这种情况下，功能范围更强的冗余系统会接入相对安全的把车带到一个最小的风险状态，比如说减速式停车，它是完全独立的传感器和控制器，并且配备车的执行系统，有很多实时故障的检测，包括转向，通过功能安全拆解都要达到最高级SOD标准。
除了系统级的冗余，在里面我们也部署了跟远程的接口，刚才说了这个车可以安全的停下来，停下来之后自动驾驶会提供远程操作中心，帮助车辆脱困。这里有两种帮助方式，一种是人类远程操纵者判断情形，比如说要不要超车？如果是警车，我们可以判断警察的意图，远程人类辅助判断。第二种是低速状态下的远程驾驶，通过人工智能来帮助自动驾驶；最后是道路救援。
第三个是人车交互。这是我们在这一代车里面部署人机交互的系统，首先它的功能是可以提示用户，自动驾驶车来了。它还可以告诉周围的驾驶员，比如说车在缓慢行驶绕过一些障碍物的时候，可以告诉他们，为什么我们要减速？尤其对于行人在人行道，有时候人类司机会闪双闪或者打手势。最后我们也可以告诉大家我们的行驶状态，通过这个可以降低自动驾驶融入人类驾驶为主车流的难度。
最后我们滴滴认为“安全是合规量产的基石”，我们会持续在这里面布局，我们觉得自动驾驶安全落地的能力包括三个主要的领域：技术，安全，运营。它包含了在什么地方部署自动驾驶是安全的，在什么地方部署是有商业价值的，通过滴滴运营数据可以了解到。对于自动驾驶来说，哪些区域遮挡更厉害，哪些区域左转比较多，把这三张地图叠加在一起，选择最适合自动驾驶的区域和路线，配合它的混合派单模式，一个客户不可能先去看这个区域适不适合自动驾驶再叫车，所以滴滴把自动驾驶和人工接驾混合派单。他们的体验就是如果你叫一个自动驾驶车，也可以正常打滴滴的车，如果这路线有自动驾驶车服务，并且没有雨雪冰雹天气就可以派一个自动驾驶车接驳，如果超出这个区域就会用人类驾驶车接驳。我们现在有40辆车在测试区域运行超过530公里，测试时间每天12.5小时。
其实自动驾驶还是一个对社会有很大正面影响，但非常难的工程，所以需要几方面的配合。作为自动驾驶技术公司和滴滴出行网络，我们也希望和一些车企和供应商深度合作，目前我们也和清华大学成立了联合实验室，在研究一些前瞻性的话题，最后我们也希望有法律法规尽快的落地，这样能够保证大家在未来几年体验到真正无人化量产的落地。
今天跟大家分享的就是这些，谢谢。