地平线李星宇：自动驾驶商业化是在技术、成本和需求之间寻找交集

【编者按】目前看来， 自动驾驶 很可能会是AI首先落地的领域之一，昨天，地平线联合汽车·创新港共同推出了主题为“自动驾驶 商业化 之路”的微讲座，地平线智能驾驶商务总监李星宇讲到了自动驾驶的技术难点和商业化面临的问题。

本文转载自HorizonRobotics，作者李星宇；亿欧编辑，供行业内人士参考。

---

大家晚上好！非常感谢汽车·创新港的组织，能够有机会跟大家一起分享和讨论自动驾驶商业化这样一个非常热门的主题。

最近有朋友在问我，如何在六个月的时间内创造一家10亿美金级别的独角兽公司，我的回答是：你对投资人说，你在用 人工智能 做自动驾驶的开发（笑……），这样的例子有Argo AI，有Otto，有Zoox，自动驾驶的火热可见一斑。

应该说在科技史上很少有这样一个领域，这样的一个时刻： 全球前14大的技术公司里面有12家已经宣布开发自动驾驶相关的技术。在汽车领域全球前14家的车厂已经有13家宣布要进军自动驾驶的领域。

在整个产业链上我们看到各个维度的玩家都在合纵连横，抱团取胜。我记得mobileye的创始人曾经说过一句话，“打造一辆自动驾驶的汽车，跟登月工程一样难。” 单独一家公司去开发这样的技术，其实是非常吃力的，所以这也是为什么在整个汽车生态上，上下游的玩家都在不停地结盟的原因。

应该说自动驾驶的本质就是“去人力化”， 而“去人力化”将会改变运输行业的一切 。其实在历史上我们发现，每一次某一项革新使得“人力”这个因素被排除掉之后，成本的急剧下降将会打开一片全新的天地，在这一方面可能互联网是最好的一个例子。在过去信息的传输还需要靠人工去传输的时候，很多很多业务其实是根本不可能展开的，很多的商业生态也是不存在成立基础的，比如说像电商。

在整个技术发展史上，我们见到过非常多这样的例子，我们见证过纺织行业的惊人成就。在农业时代的时候，你要做一身衣服，大概要耗掉一个人半年的时间。但是当纺织行业的机械化完成之后，我们平均购买衣物的数量上升了两个数量级，同样我们还见证了工业流水线的惊人成就。

从本质上来讲，我认为自动驾驶的商业化，其实是在一个技术、成本和需求三者之间寻找交集的一个过程。

接下来我想跟大家分享一下自动驾驶技术发展的一个现状，这是一个非常大的主题，包罗万象。所以在这里我今天选择最为核心的那些问题。

问的最多的一个问题就是可行性，应该说从现在的技术水平来看的话，这其实不是一个行还是不行的问题，而是什么时候实现，以什么样的成本实现的问题。就目前而言，能够达到商用的水准，大概在L3的自动驾驶这样一个水准，但是L3级别的量产车也需要等到3、4年以后才能够真的上市，这是大部分车厂的看法。

在自动驾驶技术的核心问题方面，最大的问题就在于如何验证自动驾驶技术的可靠性，而不是实现自动驾驶技术本身。

其实现在如果你要做一辆自动驾驶的样车并不是一个非常困难的问题，但是如何能够验证它的可靠性，其实是一个非常有挑战性的问题。 到目前为止其实并没有一个明确的答案来回答如何去做这样一个事情。我愿意分享一些我们认为比较好的方法，首先是特斯拉的一个验证方法，特斯拉在它去年年底宣布推出Autopilot2.0的时候，使用了一种新的验证方法叫做“影子模式”，就是shadow mode，它的本质含义就在于说，它其实在车辆行驶过程中启用了自动驾驶的功能，但是并不实际控制车辆本身。所以它其实是在对比自己的输出结果跟人类驾驶员的输出结果，通过这样的方式在大规模商业化运行的时候，能以极高的效率在各种各样的工况下验证自己的系统是否是可靠的。它的验证的效率和规模远超OEM自身凭一己之力进行验证的规模。我们看到谷歌在过去的7、8年的时间内，大概实际测试了300万英里左右，但是特斯拉在启用了Autopilot1.0的功能之后，其实也就不到一年的时间都已经测试了接近2亿英里。

自动驾驶还有一些其他方面的问题，包括在商业化的过程中面临的自动驾驶车辆跟人工驾驶车辆的混淆的问题等等，会维持非常长的时间，也会由此导致非常复杂的一些问题。 还有包括本地化的问题，因为各个国家的驾驶环境高度的差异化，所以需要对技术进行本地化的改造，但这些问题归结到一起，根本上来讲是一个如何达到高可靠性的问题。所以在这里我想谈一个现在汽车业界讨论的非常活跃的话题，就是自主式感知和 协同式感知 的技术。

应该说在自动驾驶技术的三要素，就是感知、决策、控制，里面“感知”占有最重要的地位，因为你的感知结果越准确，后面的决策实现难度就越小。

如何把感知这件事情做得更加精确？自主式感知是我们所用的最常用的方式，协同式感知从去年开始整个业界关注度非常高，应该说，协同式感知，也就是大家比较熟知的V2X，有非常长的历史，大概在十年前就有这样的技术在开发。但是V2X真正提到部署的议事日程，应该说也是近一两年的事情。

V2X对于整个自动驾驶重要意义在于哪里呢？V2X其实代表了一种精准的感知，自主式感知需要通过深度学习的技术进行传感器的非结构化数据的语义理解，相对于这样的技术，V2X的可靠性天然就会更高。所以这种自主式感知和协同式感知的技术组合可以整个大大提高系统的鲁棒性。

但是V2X的一个难点在于，它其实是需要对整个的交通生态进行革新，这里面包含两点，第一个是对车辆本身的革新，第二个对是道路基础设施的革新。对车辆的革新在于它需要部署V2V的系统，一个好消息是，美国在去年的时候已经颁布了法规，规定3.5吨以下的车今后全部要安装V2V的感知手段，这是一个巨大的进步，解决了一个V2V最大的难题，就是普及率的问题。

对于路侧系统，就是V2I，相对来说难度非常大，是因为V2I的改造对于资金上的需求非常大。所以这里面就会出现一个鸡生蛋还是蛋生鸡的问题，一方面如果有了V2I的系统，可以大大提升自动驾驶的可靠性，另外一方面V2I的投资非常的巨大，又需要等到自动驾驶成熟以后才敢下定决心去投资。

如何破解这个难题？其实回到过去的历史来看，类似的问题在每一种革命性的交通工具诞生的时候都存在过。比如火车，火车跟铁道是一个相辅相成的关系，我们其实可以看到你一定要先把火车的技术开发好，然后才有大规模铁路基础设施的建设。同样的事情也发生在飞机诞生的时候，最开始飞机诞生的时候只能在农田里面起降，机场其实是在飞机的成熟度提升到一定的量级以后才出现的。

从自主式感知技术和协同式感知技术的发展来看，哪一个最先行呢？一定是自主式感知，后面是协同式感知。其实究其根源在于协同式感知所需要的配套设施的投入特别大，它一定要在一个技术充分验证的情况下才能投入。 比如在本世纪20年代的时候，那个时候在空中运输工具方面飞艇和飞机是一个竞争的关系，在那个时候人们并不确定到底是飞艇赢还是飞机赢，这个时候如果冒然地部署大规模的基础设施，其实是一个非常大的商业风险。后面的结果大家已经看到了，随着齐柏林飞艇（Zeppelin）的火灾事故，最终飞艇退出了竞争，飞机才确定了其主导地位，机场建设才陆续跟上。类似的故事还有电灯和电网的关系，你需要先发明电灯泡才能够有大规模电网方面的部署。

可以这么讲，V2X就是公路上隐形的铁轨。但V2X的部署时间表其实现在还高度不确定，我们倾向于认为，5G的部署是V2X真正能够到位的时间节点，5G本身是直接兼容V2X的。

接下来简单谈一下自动驾驶成本的分析，现在在自动驾驶的主要成本构成里面，应该可以分为计算平台和传感组件两个大的部分，控制部分其实是非自动驾驶车辆已经有的。在计算平台方面，可以看到现在由于自动驾驶需要深度学习这样的人工智能的技术，所以运算量非常大，基本上都需要像DrivePX2这样非常强力的计算平台去支持，所以在这块的成本单价至少在7万（元人民币）以上。

在传感部件方面，刚才的那张图里面大家其实也可以看到，激光雷达是最主要的成本来源。即使是四线的激光雷达都要接近小10万（元人民币）这样的价格。

好消息在于，随着整个资本业界对于自动驾驶领域的持续投入，我们看到在传感组件方面的 成本下降 的趋势非常的明显， 前不久谷歌子公司Waymo已经宣布他们自行研发的激光雷达装置成本已经下降了90%，到7500美元，类似的案例还有最近博世投资的TetraVue，它的3D固态激光雷达，据估计成本也会小于200美元。其实在激光雷达这个领域有大量的初创公司在推进固态雷达的开发，应该说这是一个确定无疑的趋势。

我跟很多汽车业界的人进行过沟通，在成本下降这一个趋势方面几乎所有人都持有一个非常乐观的态度，我们即使以较为保守的估计来看，在今后六年的时间内，整个自动驾驶模块的总成本也可以下降到1万美元以下，而且这是高配的自动驾驶模块。

自动驾驶领域非常重要的一个因素，就是 政府政策 的推进情况。 应该说在这个领域中美国政府的推进步伐远远超过其他国家。在去年的秋季，美国交通运输部颁布了联邦自动驾驶汽车政策，这个是有标志意义的政策，里面提到重要的三点是：安全评估、州政策样板和监管工具，在安全评估方面提出了自动驾驶汽车的设计、测试和应用的15点措施，州政策样板用来协调联邦政府和州政府在监管方面的措施，监管工具的话就是确保新技术应用的安全性。表明政策制定者应该促进挽救生命的各项技术在自动驾驶车辆上的应用。

到目前为止在全美已经有超过16个州引入自动驾驶的路测的立法，九个州的16部法案已经正式生效，所以这是一个非常大的进步。

德国政府在这方面做得也不错，去年的时候德国政府已经批准了相关的法案，一个很大的突破是把驾驶员的定义扩大到能够完全控制车辆的自动驾驶系统。

在国际方面，去年3月份的时候，《维也纳交通公约》修正案通过，在这个修正案里面，驾驶员可以把对车辆的控制权交给自动驾驶系统，这个意味着包括美国在内的72个签约国都可以允许自动驾驶的汽车上路测试了。

总体来看，各国的实践方向有三个，第一个是责任认定，明确了车厂，也就是自动驾驶的提供方是事故的责任方，沃尔沃已经做出了明确的承诺。第二个是监管措施，现在德国政府明确要求对自动驾驶车辆要加装汽车黑匣子，用于事后的责任认定和事故分析。第三个就是隐私保护，这个是有非常大的争议和分歧的地方，这里面有两层隐私保护，一层是对车厂，一层是对消费者，相对来说，世界各国对于消费者的隐私保护都会比较苛刻，全面的保护消费者的隐私。

在车厂的隐私数据保护方面各方其实有相当大的分歧。比如加州的立法要求在自动驾驶路测的所有数据都要上传到州政府，包括在自动驾驶过程中人为干预的次数，这个其实给车厂带来了一定的压力。很多车厂会因为担心测试结果不太好，而又可能会被公之于众对整个品牌形象的影响，会选择那些比较容易的测试场景，其实这个反过来是阻碍了自动驾驶技术本身的开发。

在中国，在这一块面临的挑战要更大，在现在公安部、交通部、工信部在自动驾驶方面都有一定的参与度，公安部管车，交通部管路，工信部管产业政策和通信。但是现在三家推进的协调方面还有很多的挑战。

还有一个关键的困难就是高精地图和定位，地图和定位不可避免的会涉及到测绘。 但是根据现在的《测绘法》，对于地图本身的绘制需要国务院会同军队系统的批准才能进行。更有挑战性的问题在于我们的GPS信息是一定要加偏转的。加偏转以后，在定位的时候再进行解偏转，也就是说加扰和解扰的一个过程，但是现在的问题在于，你在解扰的时候其实并不能绝对精确复原加扰之前的结果，它会有一个几米的随机误差。

我们在行业内部也跟很多人士在这个问题上有过沟通，大家都在积极寻找一个整体解决方案，有一个比较共同的提议就在于，需要有一方能够主动领导一项完整的自动驾驶测试，通过这样一个测试项目，能够把相关的利益链上的参与者都集合起来。比如说图商能够跟测绘局一起去提供高精度地图，在定位（解扰）的时候的时候需要把随机漂移的误差，限定在可以满足自动驾驶技术要求的范围内（厘米级）。

自动驾驶的商业化应用，我们可以把应用领域划分为货运和客运这两大块，相对来说货运领域的情况非常的明朗。 在去年10月的时候，UBER已经完成了一次 卡车 运输啤酒的测试，其他的公司比如梅赛德斯奔驰也已经在15年进行了测试，并且拿到了内华达州的一个路测的许可，计划2020年推出自动驾驶卡车，其他公司还包括沃尔沃、斯堪尼亚等等。特斯拉其实也有计划在今年推出自动驾驶的卡车，命名为Tesla Semi，就是一个混合模式的车。这一块也有大量的初创公司，无论是国外的（英霸克）还是国内的（图森）都在自动驾驶卡车这块发力。

具体应用方面，总结下来，可以看到在运营主体方面：

有矿山和港口的运营公司，矿业卡车巨头卡特彼勒跟澳洲的必和必拓合作进行了矿区的自动驾驶测试。

有物流的公司，比如像德邦物流和顺丰都已经高调宣布要引入自动驾驶的技术。

在电商的物流应用方面是天然的需求。亚马逊和京东都有雄心勃勃的投资计划。

在出行服务运营商方面，Uber等都有计划涉及货运领域。

一个非常有趣的现象就在于，货运市场的运营商其实比设备商还要急，Uber撸起袖子自己干，证明这个领域的商业驱动力非常足。可以看上图中一些具体的数字，比如在市场容量方面，中国有1500万台货运车辆，有3000万的货运司机，年产值达到3万亿（人民币）。在美国有350万卡车司机，占全美工作人口的2%，有7000亿美元的产值。

在部署成本方面，其实货运市场的部署成本也会相对比较低廉一点，根本原因在于货运市场的工况主要是在高速公路上行驶，属于L3典型的工况。 港口和矿区的情况更加简单，所以这种简单工况，对于感知的需求相对来说也不会那么苛刻。所以像Otto现在的整个自动驾驶的组件成本就是3万美元，他认为在短期内可以下降到1万美元。

还有一个商业化方面的普及的优势：卡车的尺寸够大，所以可以很方便进行后期的改装，这个比乘用车要容易很多。

在商业驱动力方面主要是人力成本的压力，上图给出了很多的数字，可以看到非常明显，自动驾驶的实施成本比起人力成本要低很多。

很多人担心自动驾驶卡车在上下匝道的时候如何去处理，这个还真的需要人工接管，但是依然有非常大的意义，因为在高速公路的这段过程里面是可以自动驾驶的。 比如像在中国，一般来说卡车上要配两个司机，在这样的模式下其实只需要一个司机就够了。

一个比较重要的发展趋势在于编队行驶， 就是有一辆有人驾驶的头车带领后面几辆 无人驾驶 的卡车，在这样一个模式下，首先是提高自动驾驶的可靠性，因为毕竟头车是人类司机，其次这种编队行驶可以降低风阻，节省燃料。还有就是这样一个模式可以扩大自动驾驶的适用工况。

在 客运领域 ，相对来说挑战会大得很，一方面是因为在客运领域进行一个成本的分析，其实要比货运要复杂得多。还有一方面就是客运市场对于可靠性的要求也比货运领域要高得多。

但是趋势还是比较明显的，就是共享出行的一个整体趋势。 各方面的成本评估都表明，成本下降至少能够达到70%。 我在跟汽车租赁公司沟通的时候，他们提到一个数字，即使不谈到拼车，仅仅是个人租赁汽车也可以使整个汽车的使用效率提升3.4倍，最高可以提升13倍。如果加上共享拼车的因素，一个数量级的提升是完全可以期待的。

对于成本的评估，其实是受到多方面因素的制约，你需要评估各个国家地区的差异，比如说在上海需要评估停车成本、车位成本、车牌成本，还有出行的时间成本等等。在政府层面，需要评估城市的交通效率，这个是政府非常关键的一个考核指标，还有包括土地利用率，因为停车场减少，道路不用新修那么多的时候，土地可以节省更多。在现在上海一亩地超过1亿的低价情况下是非常有吸引力的，还包括一些其他的因素，包括基础设施建设方面的因素。

所以总体来看，客运市场在开放道路上的运营还是一个比较长期的目标，近期比较可行的还是园区低速驾驶的运营。 我跟许多车厂有过沟通，大家不约而同在低速自动驾驶车这块发力，这里有诸多的优势：在园区这个封闭区域内很容易测试所有的驾驶场景，所以可以在较为低节的自动驾驶技术上实现一个很好的可靠性，对于出现的一些事故也比较容易控制。

在普及顺序方面，我们相信首先是园区的运营商会去部署自动驾驶应用，接下来是像Lyft或者是滴滴、UBER这样的运营商，最后才是个人。根本原因在于个人对于风险成本的承受能力和评估能力都远远弱于公司。还有很重要一点在于，对于一个运营商来说，一辆L3级别的自动驾驶车很可能会发挥L4的作用，因为可以巧妙规划运营范围，从而减少不确定因素。但是对于个人来说，自动驾驶车到底要开到哪里是完全不确定的。

谈了很多自动驾驶的商业化潜力，还要谈一个自动驾驶的不利因素，很多人也会问自动驾驶会不会导致大规模的失业？上面的统计图里，在美国各个州最流行的职业是什么，绝大部分的州都是卡车司机。 而美国的卡车司机的平均年龄是55岁，如果自动驾驶替代掉卡车司机以后，他们如何再就业，的确是一个非常大的难题。美国交通部部长赵小兰近期明确就这个问题表达了顾虑。

应该说这个过程的发生几乎是不可避免的，好处在于说自动驾驶本身也会带来一些新的就业，而且是更好的就业机会。对于个人来讲，适应变化是每个人一生的功课，所以这样的事情不可回避。如果我们从历史上来看的话，在1840年的时候，统计表明大概70%的人都是农民，而现在只有2%。在同一个时代从事服务业的只有20%，而现在是75%。所以其实可以看到，这种产业本身的迭代导致的这种工作比例的变化，是不可避免的，但是也没有哪个社会能够阻挡这种变化。

在最后，抛开自动驾驶商业化的主题，我希望有一天，我们因为自动驾驶，每一个母亲都可以直接买到荷兰产的奶粉，直接品尝到最新鲜的德国的啤酒，或者是肯尼亚生产的顶级咖啡，中间不会有任何的人为因素干扰，因为运输的过程全程自动化。

我也希望因为自动驾驶，我们可以去非洲看动物迁徙，或者去秘鲁看印加古城，我们旅行的次数会增加10倍，就像我们在纺织业里看到的那个故事。

我们也希望因为自动驾驶，每年可以不再因为车祸失去120万的生命。

伟大的目标在初期让人觉得很遥远，但只要坚持往这个方向推进，总有到达的那一天。就像很多人说过的那样，我们往往会高估三年内的变化，但是往往也会低估十年内的变化。

对于自动驾驶，我们可以确信的一件事情就是，整个自动驾驶产业正在加速成熟，因为产业链条上的各个玩家都在协同进化，如果十年后回头看，我们很可能会惊讶于我们现在所取得的成就之大，谢谢大家！