2020年6月22日-23日，由南京经济技术开发区与盖世汽车联合主办的“2020第三届全球自动驾驶论坛”隆重召开。本次论坛重点围绕与自动驾驶规模化商用有关的核心技术、法律法规、技术评测、商业模式等话题展开探讨，下面是奇瑞资深总工程师高继勇在本次论坛上的发言：
奇瑞资深总工程师 高继勇
感谢主办方的邀请，很荣幸跟大家分享L2.5私家车和L4运营车Robotaxi两方面自动驾驶的一些落地情况。先介绍一下奇瑞汽车智能车中心，我们整车、汽车电子架构、线束、电源、车联网、车身控制等整车方面的技术研发和量产都在奇瑞汽车智能车中心开展。另外公司内部还有一个雄师科技公司，也取得了很多成就。
今天主要分四方面介绍：这些年自动驾驶发展技术路线分析，私家车自动驾驶技术路线，如何从运营车辆Robotaxi扩展到私家车的L4，最后是简单总结。
近期自动驾驶发展技术路线分析
大家都知道，自动驾驶有感知、规划、决策三个关键技术。
J-3016对于自动驾驶分级，很多争论集中在L2和L3上。因为有些人把TJA+ICA叫做L2，国际一些豪华品牌很多年前就有这个功能，可是当时没有宣传L2。L2有Hands on Or Feet Off功能，同时控制纵向和横向，就是说L2确实有TJA- ICA这方面的功能，但是脱手的时间是有限制的。如果TJA- ICA是L2，那么特斯拉的Autopilot 或者通用汽车的SuperCruise是不是应该叫L2.5或L2+？这里没有明确定义，有争论，为了区分，这里我称其为L2.5。
从传感器的配置到域控制器，在L2.5或L2+上都需要，而且传感器要大量增加。另外功能从L2.5或L2+是一个功能巨大的增加，实际上L3在私家车里争论更大。J3016只是给你一个参考and talking point，不讨论具体设计。我曾经参加过一些标准的制定，好的标准希望不要告诉你怎么设计，不要阻碍技术的发展，让大家尽情发挥，这就是一个好的标准制定策略。
很多人认为现在AI技术不支持L4，现在L2.5自动驾驶的AI都是supervised learning，其中AI是三大天王之一，去年图灵奖获得者Prof. Yoshua Bengio认为需要有unsupervised learning才有可能实现真正L4私家车的量产。
L2.5确实是需要增加域控制器，而且现在L2.5还做不到深度融合，主要是因为雷达的数据不够，雷达数据量不满足深度融合需求。另外也很难做到0假阴性false negative 和0假阳性false positive的问题。有些自动驾驶方案也许有两个控制器，一个专门来做定位，有些主机厂量产车当中，另一个域控制器专门做了localization（定位）。
现在电子架构都是分离式的，也很难支持深度融合算法。CAN FD和CAN SL的带宽问题，带宽也就是2M或5M，或者最多10M，无法支持深度融合数据的数据量。另外有一个arbitration feature问题，feature也不支持，确实同步需要的Global Timing，在融合当中无法把时间进行同步，各种传感器时间到了域控制器无法进行同步。另外常常用的传输数据，有的时候Time trigger vs Event trigger，在数据融合当中一定是要Time trigger，一定要有Global Timing，传感器是同步的，融合的信号是一个时空概念的传感器信号，而不是融合几秒前的雷达和当前的摄像头数据融合，
现在出的一些事故，包括特斯拉在台湾撞到一个车，如果现在能够做到深度融合，有可能这些事故大量减少，甚至可以消除。
另外做了很多不同技术，像AVB/TSN这些以太网技术，它们时间的同步才能好做数据的融合。
这是时间轴上国际主机厂自动驾驶量产，Global OEM这些年L2.5量产的一些情况，特斯拉是第一家，2015年9月份OTA之后，Model S实现了L2.5，Autopilot1.0，GM 是在2017年10月份CT6，大概有5000美元的配置，要的话，CT6上可以有。Audi A8在欧洲也有量产,2018年4月份在西班牙上市，最近也说有反复。Robotaxi不是私家车，但是有很多公司在研发，在进行某个区域、某个城市的运营。
解释一下L3的私家车量产非常难，难在哪儿？L3有很多种，现在讲的L3大多集中在TJP在私家车上，但是下一个HWP更难，最难的L3实际上在Urban L3，如果在Urban的L3，城市道路面临很多问题，如很多道路没有车道线，往哪里开？这时候就要虚拟出车道线，或者基于道路语义的Free Space找出车道线，利用AI的Path planning 虚拟出自动驾驶的车道线。第二个场景，这些红绿灯哪个是你的,这个图中有些红绿灯只是针对自行车和电车，所以定位要准确，红绿灯在中国一线城市还好，在二三线城市，有时候红绿灯被风刮的，常年不修理，特别是L3很难识别，这个图红绿灯非常多了，需要搞清楚哪个的功能和作用。所以私家车的L3是非常难的技术，特别是我讲的Urban L3。
有时候道路识别标识，比如在美国很多School Day限速，有时候School Day only，很多放假情况不限速，传感器识别的话，不知道School Day，今天可能突然放假不是school day，下雨、下雪了，School Closing，自动驾驶如果识别这些情况？这些都带来识别和认知问题。
下图，有些红绿灯只管bicycle，不管车，有些红绿灯只管电动电车。其实这些东西造成Urban L3要很长时间实现不了，Urban L3私家车难度甚至远大于运营车的Robotaxi，设计量产时候有很多原因和corner cases。
当然私家车L3确实也有量产，在巨大的争议当中研发和量产。 争议中是指有些公司不做L3，像通用、福特、沃尔沃等都是不做私家车量产的L3，直接量产L2.5或L2+，到Robotaxi。然后这些公司比如戴姆勒今年L3，另外几家日本汽车公司也是要做L3量产，BMW iNEXT也是明年L3。
后融合这种方案无法真正取得“0”false negative。另外L3 redundancy要求也是一个问题，成本对于私家车来说很难接受。
下面的L2.5是指有了L3的功能，但是L2的责任，确实是一个比较好的方向，因为强大的功能给了客户的体验，降低了成本，不需要做很多备份的设计，也不需要激光雷达来实现真正能够感知“0”false negative和false positive，脱离了J3016条条框框限制和法规的限制，给客户更多的体验，司机在这里还是驾驶的责任方。这条路可能更适合中国自主品牌私家车的自动驾驶。
二、私家车自动驾驶技术路线有哪些种？
大概就三种，当然细分的话不止于三种。
路线1特斯拉：介绍特斯拉的这些材料都是特斯拉conference公开的材料，没有任何知识产权的问题。路线2 比如通用汽车采用的基于MobilEye的方案，主要是Vision技术来自于MobilEye的技术。路线3：依托一些国际供应商做系统供应商的，也是类似5R1V。
特斯拉的特点，传感器购买，硬件自己设计，软件几乎全部拥有，加上shadow mode，没有DMS，通过不同OTA来实现功能不断更新，体现了我们常说的软件定义汽车的内涵。
特斯拉路线，上面是他们自己的一些芯片和硬件，FSD的控制器+芯片。如图，AI，shadow mode，把数据传回到平台，实现仿真AI训练。右边图中说明90%的数据，特斯拉是当初garbage扔掉的，因为无法应用到真正的数据进行AI训练或仿真，这些数据不可靠。
左图是借用来自MobilEye公司的一张图，特斯拉没有应用LIDAR和SD MAP，但是有MAP。通过Vision-based approach，得到道路上Users，几何，包括道路的语义Semantics，包括Edges和Boundaries，包括道路的Users，object有静态、有动态的，可以识别后加上一个bounding box来达到Detection。
自动驾驶AI研发是一种端对端AI的研发和应用，一种是云端，一种是车端，从云到车端有很多技术。实际上现在从公开的会议上材料会发现不仅仅在感知层面而且在决策方面也有很多AI应用。这里强调一下，实际上transfer learning也是很重要的，迁移学习也很重要，因为很多地方数据样本不够，只能通过transfer learning来解决样本缺失、数据不够的问题。这张图解释了一种端对端的deployment和研发过程一直在进行当中的active and continue learning。
这是今年2月底，特斯拉发布的AI应用和研发，图中在写code的时候，1.0都是人工写的，2.0是AI或者机器写的，后面逐步会发现2.0code越来越多，也就是机器和AI写得更多，AI写的代码更可靠。这些都是公开发表的材料。举个实例，在人工在写code时，什么是泊着的车辆？这些车是泊在这里的，AI识别后，，加上bounding box，比如一个车上的20个PIXEL 3秒钟不动，我认为车是停着的，但是这种写代码是否正确呢？ 需要大量测试验证或者更改。 还有一种方案就是可以用AI写，大量数据label和训练完以后，AI就可以自己写出来什么是泊好的静止车辆。这也是特斯拉公开发表的一些材料，就是通过AI编写了很多代码，因为它更可靠。到目前特斯拉有100万辆车，跑了超过30亿英里的数据，每一辆车都发回数据进行训练和学习，都在进行data labelling。
上边的这张图，在识别当中可以找到40-50个任务，比如有识别Roadmark、moving object、静态的，还有头顶上的一些标识，另外还有红绿灯等，特斯拉总共找了48个TASK来进行同时训练，这些数据又有同步性和关联性，所以最后形成一个AI HYDRAT net，这都是公开发表的材料，每一个任务都有一个Neural network去训练和识别。
再举一个例子，比如特斯拉前面五个摄像头任务，经过一个融合的layer，到了鸟眼View的new network来进行训练。
特斯拉有很多先进的技术和理念，我个人也是特斯拉的粉丝，接近十年了，当时看到美国很多人在排队购特斯拉的车，就逐步关注，也做了很多深入研究。
第二个方案是依托MobilEye，MobilEye在计算机视觉方面确实做得非常好，进入中国市场有很多年，而且中国道路数据做了很多年标注，中国很多公司帮着它做，所以对中国的场景也做的非常好。MobilEye的产品主要ASIC芯片，AI算法，包括REM的理念、RSS，另外也做Robotaxi。
第三个方案，国际上主流供应商也在做，以雷达为主，只有一个摄像头，这种方案相对比较成熟，成本可控，在L2上进行叠加，实现私家车量产确实也是一个选择，各有利弊。
毕竟是在私家车上，整车上电子架构非常重要。这个材料有很多技术路线，如在域控制器当中，因为大家都涉及到域控制器，主要作用是数据融合，可以做更好的诊断，从，OTA，功能安全和网络安全来考量，确实集成式的，能够带来很多优点。
这个域控制器是否也可以集成了APA、远程泊车、AVP等，也是一个问号，不同技术路线有不同的方向。
最近炒的比较热SOA EEA和信号级的EEA之间，到底是否能支持L2.5？实际上L2.5现在大家还是做得域控制器的电子架构，采用signal-based Architecture 可以完成L2.5的自动驾驶量产。 另外SOA实际上量产也很多年了，下面的这张图是2013年有一个conference介绍宝马2008年量产和大众采用SOA架构时的情况。为什么说SOA又老又新的呢？因为这些年大家没找到更合适的电子架构，SOA在未来方向确实展现很多优点。
下一个话题就是Robotaxi
一种Robotaxi就是限制了场景、限定了区域，限制了速度，可能不是私家车，比 Urban L3私家车更容易做。
Robotaxi的发展在国外也就是我们常常说的MaaS（Mobility as a service），就是无人出租。2018年7月份，Waymo有几千辆在美国凤凰城试运行，2018年12月份已经开始商业运营了，都是一些批准的客户，到了去年年底WAYMO共计有几千辆Robotaxi运行，在国外公司也做很多Robotaxi。
MobilEye今年也宣布和大众，上汽，NIO等都有着合作。据CNBC报道到去年年底Waymo有10万人次在凤凰城等搭乘其Robotaxi、Waymo 在底特律郊外也有一些测试车辆，没有实现商业运行，但有很多车也在测试。
从一些部分区域开始研发Robotaxi技术原因：
一是绕开了法规，自动驾驶法规很多国家不允许上路，法规在国家层面改起来非常难，但是先地方政府开始更改地方法规允许上路，法规方面容易克服。
二是算法，现在数据、AI都无法支持私家车的L4量产，但是Robotaxi可以限制速度、限制场景，包括传感器、道路识别等非常难做的地方可以避开，限制速度很重要，速度带来的是传感器性能不需要这么严，另外速度对整车量产非常重要，电子架构是否支持速度开到120km/h和130km/h，速度如果往下延伸的话，限制整车行进速度，对整车研发有影响。
私家车量产要求非常严，排放等都非常难，包括风阻，车顶上放那么一个大的激光传感器风阻都不适合，所以私家车太难。从传感器来讲，也可以避免一些不满足车规级激光雷达，反正不是私家的，坏了以后运营公司可以修，客户不用承担成本，技术压力和临时性戳死要求传感器车规级可以避免。
另外是成本太高，真正L4有了这个软件，无法进入私家车市场。但是Robotaxi市场非常大，MobilEye预测大概到2030年有1600亿美元的市场价值，实际上是非常有价值的。另外可以转移到其他车辆上，实现外卖、物流、城市清扫，实际上效益也是非常可观的。另外可以扩大公司形象，增加品牌效应，是一个城市的品牌象征，实际上给公司带来巨大的价值。很多Robotaxi公司的市场价值都是大过主机厂，像Waymo、VW曾经想投资120亿美元只占10%，按这个估值是1200多亿美元了，单单Robotaxi市场价值是非常大的。
这个是WAYMO Robotaxi 技术方案，Waymo的设计用了很多激光雷达，它自己做的，有300米、120米、45米激光雷达。车顶上面摄像头也是清洗功能，和法雷奥做的清洗方案稍微有点不一样，也做了RTK，还有高精度的IMU。
通用汽车的Robotaxi用的平台是Nvidia Drive Pegasus，有40个传感器。
前几年MobilEye进入到了Robotaxi，Prof Amon Shashua宣称“ALL IN”，就是投资和资源都来做Robotaxi，技术方案主要是用12 个cameras和2个EYEQ5。开始也是一个很小的范围，逐步扩散，高精地图是在特拉维夫开始做，从11平方公里的地方往外扩展，有很多公司确实都在做，我只是举几个例子。
总结：
1，自动驾驶无论L2、L2.5，还有L4难点还是应用层软件，不是硬件，也不是我们常说的基础软件，这些都能克服，硬件也存在着算力的巨大挑战，但是从算法上，特别是应用层面，还是很大的问题。
2，L2.5或L2+、L2.99等之类的叫法，是适合中国自主品牌的自主驾驶路线，由于成本原因和客户体验等好处。
3，Robotaxi可以从非L4 privately owned vehicle开始，它可以是一个proliferator，有了proliferator就可以做proliferation，就可以从有限的区域扩展到很多区域，逐步实现私家车L4的自动驾驶量产(Tesla 把ROBOTAXI和私家车结合成了一体)。
4，Robotaxi是非常大的一个Maas market，就是从市场价值、市场规模和公司价值来看。
5，我认为Scalable电子架构应该是L2.5/3私家车量产的一个基础，一定要Scalable，否则换一款车就要重新开发很多东西。
6，Autonomous drive在新四化汽车中是其中一个关键，在所有主机厂当中赢得竞争的关键技术和关键的应用。
我的分享就这些，谢谢大家！
敬请关注盖世汽车“2020第三届全球自动驾驶论坛”直播专题！
https://auto.gasgoo.com/NewsTopic/251.html