张立军：大家下午好，接下来我把我们在做这个工作中的思考，我们来自高校，需要考虑基本的问题，跟大家做一些探讨。我这里关注的主题主要还是安全，首先看一下安全，麦肯锡关于未来12项颠覆性技术，从移动互联网，一直到可再生能源，第六项就是关于自主驾驶的技术，在他的报告里特别强调了自主驾驶的安全对全球交通安全带来的潜在好处，同时也特别强调了自动驾驶以后能够产生的巨大经济效益，有社会效益，也有经济效益，报告出来以后，全球范围里面自动驾驶汽车的试点成为了热点。

这个图片比较清晰的给大家展示，汽车的感知，两个主要的方面，一个是利用自己的传感器进行环境的感知和认识，第二个利用V2X技术，还有云管端，进行车路协同的驾驶方式，这个是大家不断的进行技术的探索，对未来进行非常好的描绘，这张图片大家都用的比较多，在SAE里面描述了五级的自动驾驶，最左边是人类驾驶目前来讲还是最高水平的智能驾驶，最右边是机器驾驶，基于人工智能，现在非常的热，整个过程中，人承担着驾驶的作用，或者说担负的责任逐渐向机器转移，这是非常非常美好的愿望，在这个过程中从整车层面可以实现安全、环保，从乘员角度可以做他想做的事情。我曾经开玩笑，如果是大一点的车子，4个人坐在里面中国人可以打打麻将。但是现在很残酷，我也拿出了两个典型的事故，一个是特斯拉的事故，还有一个是优步的事故，在实际投入试运营，或者商业化的过程当中，它的智能水平还没有达到L3以上，已经出现了非常重大的恶性事故，我们平常也会听到关于智能驾驶汽车测试评价的数据，在这种情况下，对它的安全如何进行评价和测量，的确需要我们进行思考。

这里还有两个非常有代表性的人物，他是智能驾驶汽车的开发者，经过长期的研发以后，他表现出对智能驾驶汽车的保守和谨慎，苹果的合伙人表现出来悲观和不信任，他是一个典型用户的代表，他曾经对智能驾驶汽车非常的推崇，他买了特斯拉车以后，用了以后给出了极低的评价，而且对未来非常悲观。

这样一些事件和典型人物的看法，他要提出来一个问题，对智能汽车的安全，测评非常重要的挑战，这里面结合相关的观点我总结为三点，第一个是非常重要的差别，目前还处于研发几辆样车，在特定环境，特定用途，跟专业驾驶员在一起进行测试评价，这个距离我们汽车动辄一个车型就是几十万辆，上百万量，在全球范围里面大规模的自由应用，存在一个巨大的差别。第二个就是目前安全的保证，尽管你做了几十万公里的实验，但是你不能保证我投入市场以后它是绝对安全的。面对这两个方面的挑战，我们必须要一起去思考我们怎么样多。上午有一些答案，但是还不完整。

接下来看一下我们的基本思考，首先看一些数据，谷歌从开始研发自动驾驶汽车一直到成立新的公司以后，对自动驾驶进行测试的数据，基本上2009年年底投入实验，花了55个月，2015年整个测试里程达到100万英里，到2018年年底已经达到了1000万英里，这个期间他在2012年是在每钢内华达州获得了测试许可，他的CEO非常保守，实际在接近1000万英里测试条件下提出了保守和谨慎的态度。他为什么保守，为什么谨慎，看另外一组数据。

我这个车到底怎么安全才可以投入市场，这里有一个假设，假设按照10的六次方，100万辆车，一天只运行一个小时，运行3年的时间才可以出一次严重的事故，这样算出的数据是10的9次方，第一个数据是现在全球汽车的总量差不多是15亿辆，按照同样的一天，三年里面每天运行一小时，10的9次方的1500倍。还有一个非常重要的数据，我还是刚才的100万辆车，假设它每个小时运行的里程是20英里，对应的里程就是2×10的4次方，如果我要证明在10的9次方里面是不会产生重大事故的话，我的里程数最少要这么长。如果你考虑我们要进行统计分析，多种车型，多次实验，这个数据是不可想象的，而且要保证实验的过程中如何保证你所采取的场景能体现真实世界里面的，所包含的不是交通参与的要素，而是要包含所谓的能够体现交通安全，交通风险的要素，而且要保证他们是彼此独立的、随即的，怎么实现，这是非常基本的要去解决的问题，解决这样的问题才能解决安全的标准。

这个是把驾驶员开车的图画出来，人在开车的时候有两个特征非常重要，第一个对交通要素，交通环境是选择性注意，不是完全注意的，不是像摄像头把所有信息全部采集下来，不断的计算，在座的每一个开车人都有这种体验，不会一直盯着这个路。第二个非常重要的，人是有学习能力的，这张图如果是机器驾驶，软件驾驶就是这张图，左边这个人也参与驾驶了，我们说共驾的状态，完全由软件驾驶，如果按照语音管端的情况，我这个驾驶员可能不在车上，是在云端，是在基础设施，这个时候就带来了两个问题，首先一个问题我测的这个车是不是像虚框画的方位，甚至把基础设施放在里面，车的内涵扩大，不再仅仅由汽车制造商负责。第二个问题就是安全保障问题，我们有人做驾驶员，不管怎么样他是最终安全的保障者，或者是一个责任者。如果是机器驾驶怎么办？2018年最新公布的自主驾驶测试脱离报告，所谓脱离报告就是必须要有人介入，不介入就会产生重大事故。超过1万英里，大部分的车刚刚超过100英里，每100英里就要介入一次，大家可以想象这是多么危险的一件事情。在这种情况下机器驾驶和人类驾驶怎么保障安全的底线。

我们通常采用规模式的开发，如果我们把这样的规模式应用到智能驾驶汽车的开发，左边必须要对它所有的要求进行详细的定义，上午很多专家提到了，有一些标准正在做，右边就是如何进行验证，都是非常复杂的。

关于要求我就举一个例子，比如上面第一行主要是特殊的天气情况，我们很多车载的传感器基本上都会失效，你很难获得你想要的信息，第二行这块，这些动物你通过网联的方法也没有办法实现，因为小狗不会带着手机在路上行走，鸭子也不会告诉你它要过马路。第三行，我们现在说的云端方式，在重大灾害面前整个基础设施都会发生破坏，在这样的基础上还要把边界情况进行组合，形成可操作的规范和要求，实际是非常困难的一件事情，这个是开发要求的挑战。

我们获得的信息都有误差，比如线路规划的时候，我们经常用导航软件，过半分钟去选，出来的结果都有区别，答案并不唯一，而且都是正确的，怎么办？中间是利用视觉和毫米波雷达融合的方式进行环境感知，这个是车辆检测的情况，给出的只是正确率，我不知道是什么原因没搞定，所以你去这个网站上会看到一大堆算法，算法彼此之间的关联非常弱，你很难找到他们彼此进化的过程，跟他们的原理有关系，包括后面的运动规划，对于不确定性的系统和不决定性的结果，如何把安全边界提取出来，如何判断它的正确性，都是需要深入的思考。

不得不谈到机器学习，还有深度学习，把特征提取和分类是合在一起做还是分开做，就是现在时髦的端到端的放是。第一个你要建立学习最终的参数，你需要大量的数据，怎么保证它是典型的，它是完备的，因为你整个学习从本质上来讲是基于数据归纳的学习，我们在座的人基本上都是受过比较长时间教育的，我们在整个受教育过程中，我们刷了很多题，但是等到我们考试的时候，我们考满分的时候基本上没有，或者说很少，没考满分不耽误你上大学，但是这辆车不管是环境感知上面还是轨迹规划上面，如果没有考满分，那可能就像刚才专家讲的，它要死几十个人，导致重大的安全事故。还有一个非常重要的，包括冗余的解决方案，或者是维修，比如前面优步的车撞了，我怎么维修，什么时候维修能够结束，而且能够跟用户保证不会出现类似的问题，很难做到，还要考虑时间和成本的问题。做的过程中，考虑到安全、测试和评价需要考虑的基础性问题，很多东西我也没有答案，在这样的场合提出来跟大家一起分享。

做一个小广告，同济大学自己在校内投入两个亿建立了智能网联的实验场，170亩地，涵盖典型的场景和智能规范，所有的手段都能够实现全覆盖。感谢大家，同济大学的校训是“同心同德同舟楫，济人济事济天下”，智能网联汽车的开发需要大家共同的努力，谢谢大家。