車和家首談L4自動駕駛，要在2025年商業化運營Robo-taxi

車和家的自動駕駛計劃，在首款SUV上就埋下了伏筆。

6月28日，在2018智能汽車跨界融合高峰論壇上，車和家自動駕駛總監郎咸朋首次對外介紹了公司的無人駕駛戰略和共享出行戰略。

車和家共享出行的最終目標是打造專門為共享出行定製的無人駕駛Robo-taxi，其自動駕駛水平可以達到SAE L4。首批量產車計劃於2025年投入商業化運營，每天為用戶提供1億公里的出行服務。

一個企業戰略目標

今年1月起，車和家選擇自建團隊，專門負責自動駕駛共享出行解決方案的設計、研發和產品化。曾經在百度L3事業部任職的郎咸朋加入車和家，擔任自動駕駛部門的負責人，現在核心團隊搭建已經基本完成，演算法、數據、服務相關的負責人已經就位。

在眾多車企公布的自動駕駛時間表中，車和家的目標看起來是一個相對具體的計劃——打造用於移動出行的Robo-taxi（SAE L4），到2025年量產並投入商業化運營，每天為用戶提供1億公里的出行服務。和很多企業試水自動駕駛研發的做法不同，車和家把無人駕駛Robo-taxi上升到了公司的戰略目標。

郎咸朋向車雲菌指出，到2025年，車和家拿出來的不會是試運營的「半成品」，而是可以正式投入商業化運營的量產車。雖然在過渡階段可能會有安全員跟車，但是終極目標一定是沒有駕駛員的無人駕駛出租。Robo-taxi在公司內部被視為一個商業化目標。今年3月車和家牽手的滴滴，會在這場商業計劃中扮演重要的角色。

構成車和家自動駕駛系統的四大平台

屆時，車和家提供的自動駕駛系統將由完整的車載系統平台、人工智慧平台、數據模擬平台和車隊管理平台構成。所有無人駕駛計程車上的數據都會通過網路回傳到數據模擬平台，人工智慧平台將會用於演算法的集成優化，隨著車隊規模的擴大，將有一個車隊管理平台來統一管理。

「不是單純研發，就是要落地」。郎咸朋評價這個目標時表示，「其實還是很激進的」。

「軟硬一體」才是最快的方式

相比很多早早制定2025年計劃的企業，研發主力剛剛就位的車和家，面臨著一個不小的挑戰——在比別人更短的時間裡做出一款自證實力的產品。在回答這個問題時，郎咸朋選擇了「軟硬一體」，並且在他看來，這才是最快的方式。

行業里從來不缺自動駕駛原型車。郎咸朋告訴車雲菌，快速搭建一輛原型車很容易，科技公司普遍採用的做法是購買線控改裝車，先做軟體演算法，然後再移植到正式的車上去。但是基於不同車輛定製的演算法，並不具備普適性，移植到另一輛完全不同的車上時，研發人員很容易在硬體適配階段耽誤大量時間。

郎咸朋向我們舉了一個簡單地例子：一輛百公里加速度3s的車，在設計自動駕駛決策規劃演算法時，可以在某個場景選擇超車，但是當一輛性能欠佳的車處於同一位置，卻只能跟車行駛。車的性能不同，軟體演算法也會隨之調整。先找Demo車做軟體演算法，然後再移植的方式， 在郎咸朋看來，並不是一種特別好的研發理念。

Robo-taxi的整套系統架構

車和家採用的「軟硬一體」自動駕駛研發思路在於——一開始就要明確這是一輛什麼樣的自動駕駛車，整輛車從設計之初，底盤、執行器和電源冗餘設計，以及車內空間設計等等，都在為最終目的服務。感測器位置、類型、計算平台的選擇以及演算法，都跟車輛硬體平行開發，並不存在先後關係。雖然時間緊、任務重，車和家選擇的做法是從零開始，正向開發一輛自動駕駛車。

當然為了搶佔2025年的時間節點，車和家在效率最大化方面也考慮了一些富用方案。據郎咸朋透露，公司即將上市的首款SUV將會搭載自動駕駛L2.5系統，功能上類似特斯拉的Autopilot，由車和家投資的易航智能科技有限公司主要負責研發工作。

這款車將會在Robo-taxi的研發過程中，承擔起非常重要的駕駛行為數據採集工作。在這款車上市之前，郎咸朋團隊會完成數據平台的搭建，確保明年新車上市時可以做到數據準確回傳，OTA功能也會在這輛車上率先使用。

同時，團隊將基於首款SUV框架改制第一批自動駕駛車。這批Demo車的主要作用就是將數據服務、存儲、分發、製作等技術走通，並且完成一些演算法通用部分的準備，等到2019年上半年推出面向網約車的Robo-taxi之後，再把上述通用基礎能力移植到定製好的Robo-taxi上，同時在正式車上進行後續的演算法開發。

接下來的工作也已經有了具體的進度表：2019年左右Robo-taxi樣車完成之後，車和家會在2020年完成車輛設計整體定型，通過1-2年的時間進行演算法完善，2023年-2025年開始大批量規模化量產。雖然時間很短，但是郎咸朋認為，「只要前面軟體和硬體節奏能跟上，還是很有希望的」。

類人的決策

自動駕駛擁有龐大的產業鏈，每個角色都在其中各司其職。在時間和人力有限的情況下，車和家為自己選擇的核心能力，是規劃決策演算法。

L2、L3自動駕駛主要是感知和執行方面的技術，對L4自動駕駛而言，這兩部的技術已接近成熟，而決策規劃的難題依然懸而未決。和可以人類介入的L2、L3自動駕駛相比，L4自動駕駛車全權由系統控制，對決策規劃能力也提出了更高的要求。

在此先做一個簡單地背景介紹。現階段的規劃決策演算法需要大量的駕駛行為數據進行訓練，研究方向有兩個，一個是完全基於規則（Rule-based），一個是基於深度學習（Learning-based）。前者把車輛在某種場景下的決策用數學公式設計好，哪些情況可以超車，哪些結果選擇跟車。基於規則的好處是確定性，但是世界複雜多變，很難做到窮舉所有場景，構建出公式來進行描述。

基於深度學習的方法，是指通過給系統「喂」足夠多的數據，對系統正確或錯誤的做法設立獎懲機制並加之判斷，久而久之，演算法就能在面對不同情況時給出最優解。這種方法的缺點在於，系統通過學習獲得一個參數下的不錯表現，但是當發生安全問題後，原因不可解釋，問題也無法解決。

由於駕駛環境的複雜性，僅用上述方法的某一種，很難兼顧所有的駕駛場景，並確保安全性。

在談到車和家的演算法研發思路時，郎咸朋給提出車和家在將來決策規劃研發中，會採用類人的思路做決策研發，讓自動駕駛開車時像人一樣思考，既能做到確保安全優先，容忍不確定性，還要能不斷自我進化，兼顧長短期目標，並且保正及時作出判斷。

其中在確保安全優先方面，車和家的想法是，對安全性相關的部分制定規則，比如車不能開到馬路牙子上去，不能左轉進入逆行車道……工程師把這些跟安全性相關的部分用數學公式表示，制定出一些強制的規則。與安全無關的駕駛舒適性內容，再採用基於深度學習的方法來實現。這樣的做法，可以保證安全相關的部分更加可控、直觀，與舒適相關的部分更加靈活。

同時，在一些決策演算法的設計上，郎咸朋希望有更加周到的考慮。工程師會兼顧長期目標和短期目標，來進行決策制定。一個例子就是在高速公路跟車時，選擇向左變道超車，還是向右側變道，就取決於車輛是否要從不遠處的匝道駛離高速。當擁有更加全局的信息時，決策才會更聰明。

郎咸朋告訴我們，對於最核心的決策規劃部分，車和家的總體計劃是減少深度學習演算法的比重，在研發過程中，儘可能地把一些現在不可描述的東西，逐漸形成規則。這一切的出發點，都是因為自動駕駛汽車是一個以安全為基礎的產品。

數據，數據，數據

談到至關重要的數據時，郎咸朋提到了自己關於自動駕駛產品化的思考。

無論是車和家利用首款SUV做的數據準備，還是決策規劃演算法的訓練需要，大量真實的人類駕駛數據是自動駕駛產品落地的關鍵，也是每一家企業想牢牢握在手中的寶貴資源。郎咸朋在強調數據的重要性時指出，「沒有數據，所有的計劃都是紙上談兵」。

車和家的整套數據流程

他對數據的重要性的認識，來源於一段以往的研發經歷。郎咸朋曾經使用過一個改良後的開源演算法代碼框架，在訓練數據量較少的情況下，識別率只有80%-85%，但是在海量數據的訓練下，實現了97%-99%的識別準確率，同等數據量的前提下，追平甚至超越了一些研究領域創新演算法的表現。

科研和產品，也有相通之處。在科研領域，如果有十公里的數據，就可以寫出一篇學術論文，一百公里的數據，已經是非常豐富的論文材料，很少能看到基於上千公里數據的學術研究。「科研所需的數據量，和做自動駕駛產品所需的數據量相比，完全不是一個級別」，郎咸朋說。

這也讓他明白了數據在產品化過程的重要性。科技公司很難找到不同的人在真實場景中大量駕駛測試，為自己積累數據。雖然僱傭測試人員有機會在數據量上獲得大量積累，但是也難以避免數據同質化的情況——不同的人開車，一定會有不同的駕駛習慣和方式，更不要說地域覆蓋廣度的問題了。

而車企擁有著最多的數據資源，在回收數據方面也能很好地兼顧多樣性。並且車和家會有數據表達、採集、生產的一整套流程，確保數據在自動駕駛演算法訓練中更好地發揮價值。首款SUV上市後，後台就會開始獲得車輛回傳的駕駛數據和環境數據，據郎咸朋估計，到2021年預計會有百億公里數據的回傳，應該足夠用來支撐自動駕駛的演算法研發工作。

車雲小結

郎咸朋在演講結束時表示，車和家的自動駕駛團隊的工作才剛剛開始，後面7-8年的時間，希望能很嚴肅地把這件事完成。

某種程度上，車和家自動駕駛項目的順利推進，很大程度上取決於首款SUV的市場表現。根據計劃，車和家的首款SUV將是一輛續航里程 700公里+的增程式電動車，在今年下半年發布，2019年正式上市。待到新車上市和數據量的回傳，希望車和家自動駕駛的研發，會迎來一個更快的發展階段。

本文來自車雲，創業家系授權發布，略經編輯修改，版權歸作者所有，內容僅代表作者獨立觀點。[ 下載創業家APP，讀懂中國最賺錢的7000種生意 ]

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！