时  间：2018年4月25日下午

地  点：中国国际展览中心（静安庄）展馆现场活动一区（5号馆）

主  题：2018北京国际车展亚太智能网联汽车产业创新高峰论坛

主持人：大成上海办公室高级合伙人陈立彤

陈立彤：大家下午好！

主持人陈立彤

2018年北京国际车展亚太智能网联汽车产业创新高峰论坛，下午的会议正式开始。我是下午的主持人陈立彤，谢谢大家！

上午的会议非常精彩，我听了一上午，感觉全程无尿点，结果就是憋的非常难受，希望下午继续延展这样好的态势。由于时间原因，讲话顺序做一个调整。

第一个发言是低速无人驾驶汽车商业化，演讲人是驭势科技合伙人、首席生态创新官邱巍。

驭势科技合伙人、首席生态创新官邱巍

邱巍：大家好！

我来自于驭势科技，驭势科技是做无人驾驶产品技术解决方案的，这个视频是刚刚做的无人驾驶车，纯无人驾驶车，没有方向盘，主要面向园区、景区，这意味着未来的汽车不再是纯汽车的概念，而我们需要汽车的行业和各个垂直行业共同创造面向他们领域的一些车。

我今天讲的主持人说叫低速的无人驾驶，这是开了一个口。我们认为无人驾驶是一场长征，真正满大街跑的取代人类司机的驾驶一定需要时间，最大的门槛就是安全，背后意味着整个法律法规、民众接受程度。

从当前来看，最能够快速商业化落地的就应该在一些特定场景中低速的无人驾驶，是一个起点，但不是终点，终点需要时间的历练。这是第一个观点，无人驾驶是长征。

这么长的路怎么走？我们一步到位满大街跑，还是需要一些技术场景的落地？我们认为它一定是技术和场景的共振才能走向未来。场景的共振尤其重要，因为未来所看到的城市基础设施、道路基础结构一定不是今天所看到的。就像从腿儿的时代到马车时代（马路），到汽车时代（公路），到今天高铁时代整个结构发生了变化，所以今天到路上直接跑L4，未来的道路一定是这样子。

当前我们认为关注的重点：首先要深入产业，嵌入每一个无人驾驶产业，积累技术，靠技术修正技术，最后达到技术、场景闭环。就和驾驶员一样，坡起，慢慢各方面训练完了上路走向高速公路。

接下来有两段视频，展示的是今天如何从场景化的应用、驾驶技能训练走向星辰大海，走向广阔的无人驾驶。这是我们在自主待客泊车方面的实践，主要解决的问题是当我们开车去某个商场，你不需要把车直接停到地库，只要把车放在门口，这个车行驶最后一公里找到它的车位。接下来的视频当中会展示出反复提20次，20次它停车的精度。每一次停完车，工程师和客户在监督之下会测量它停车的位置，右下角显示的是每一次停车、倒车所呈现的轨迹，黑色框里就是最后的停车位。这个车大家如果仔细观察的话，它完全没有激光雷达，纯通过视觉加上部分超声波雷达完成了最后一公里的自动驾驶以及到停车位的停车功能。您看到所有的精度、保障都是通过视觉定位的方式去解决。这是测量的精度，基本上控制在10cm之内，应该说是相当高。这10cm意味着什么呢？它能够把今天停车位的空间节省1/3，这1/3对停车场来讲能够带来更多的价值，它会产生更多新的商业模式。

这只是我们在所有多场景当中的其中一个，我们也在其他的类似于像机场、物流行业训练司机的技能，这种技能不仅仅是今天人类C牌照的技能，甚至是A牌照的，它还要拖很多拖斗，它真正从一个新手小白司机成长成一个靠谱的司机，成长成一个老司机，成长成为一个懂业务的司机，这是司机的成长。做了这么多多场景的司机能力培训以后，我们脑洞大开做了一次大胆的尝试，把前面建立的驾驶能力快速的移植到了一辆乘用车上，然后让乘用车去路上跑，这段视频展示的就是我们在某个地区，在公开道路上跑的一段视频。接下来的录像当中您能看到，它经过了国道、主干道、隧道、双向车刀、人车混行，甚至有周边大卡车环绕遮挡信号等复杂的环境，很幸运的是它在过程当中能够很轻松自如的应付下来，这点也验证了我们一开始的逻辑推导，司机通过多场景的训练，他能把能力快速的泛化到全场景。

我想着重再提一下这个车上传感器的配置。我们并没有像今天很多企业采用64线激光雷达，我们仅仅用了32线激光雷达，只是采用了视觉和GPS做了融合定位，完成了所有的。这就意味这它离商业化更近了一步，因为今天假如给一个特别昂贵的激光雷达，那么它离产业化落地是存在着很大的时间距离。

刚才有一段，是有一个行人他违章跨过了护栏，穿过了马路，我们的车也能轻松的应对。

这两段视频实际上是对我们长期战略上思考的验证，我们得出四点：

第一，今天仅仅在大马路上跑L4无法商业化，而且大概率上是达不了终局。无人驾驶带来的不是改良而是变革，未来场景和今天一定是不一样的，在今天的场景训练未来的应用不一定能达到终点。我们从谷歌的表现来看，它今天在凤凰城去跑，5600公里需要人来进行一次干预这是2016年的数据，2017年1000多公里要人干预，这个在大陆上跑成本相当高，它的进展也慢慢泛化，谷歌在这个技术当中应该是属于领头羊，以激光雷达为主导的，有1000辆车，八年的技术积累。

第二，在很多特殊场景中训练L4，首先它可以快速的商业化，成本是靠外部来去承担。它呈现出来的技术泛化能力远超于我们的想象，在多场景训练上他能迅速的一周内切换到公开复杂的道路。

第三，全场景的去跑毕竟还存在很多动态的、开放的各种各样的问题，这也对我们未来的研发提出了挑战，如何应对开放的、动态的、不确定的环境？我们弄一些新的算法，这需要业界跟我们学界共同去努力。

第四，这些算法出来以后如何能够得到验证？这种验证一定是需要布置到百万量级的车上，行驶上亿公里，这时候就需要和车场配合，如何用同一套系统既承载着当前化的应用，像刚才的自主泊车，同时人在开的时候系统要能够提供给新型的算法，这个我们叫做影子模式。

这是今天得出来的四点观察：第一，未来的终局不一定是今天所能看到的；第二，场景化当中训练的L4不仅可以商业化，同时它的技术泛化能力体现出了超强的优势；第三，面向未来我们还需要不断的探索新型的算法去应对公开道路的不确定性、动态性；第四，验证的方法要和车场合作，要以影子模式的形式，只有真正的经过百万辆级的车，上百亿公里的验证，才能够保证未来可以取代人类驾驶，创造更多的价值。

谢谢！