作者:千古
编辑:马克出品:红星Head:城市图片欢迎来到“晚上9: 30”节目，一个非正式的在线讨论。下面是一些分享的内容。顾:关于自动驾驶运营，现在所有公司都在做，但是每个公司都有自己的特点。毋庸置疑，运营是自动驾驶最终落地的一个关键点。但是运营过程中会有很多挑战，因为无人驾驶技术还有很多不确定性。如果无人驾驶+充电这两个因素都实现不了，很多情况下的一些体验可能就不是特别有价值了。对于Robotaxi，我认为它需要两个载体，一个是业务环境，一个是硬件环境。如果我们把Robotaxi看成一个软件公司，第一，它可能要找一个车厂做硬件，第二，它要找一个商业环境来运营，这样才能加入Robotaxi的业务。目前市场上有好几个学校。第一种是高举高打，把它作为实际业务来推进；二是把故事讲清楚给投资人看，说明自己要做什么；第三种是旅游公司，自己运营，有自己的战略布局。对于国外市场，Waymo还是有一些科技理想的。他希望科技能改变人类的生活。Cruise被通用收购后，和国内公司有些类似。首先可以提高公司估值，其次有利于他以后的旅游业务。去:我觉得运营很重要，但是我有个疑问，运营的边界是什么？比如车队测试的管理，除了车队、司机、安全员的管理之外，还会涉及到什么？顾:每个公司的边界肯定是不一样的，运营肯定有测试和PR的属性。刚开始大家都只是在测试，但是随着逐渐深入，遇到的事情越来越多，现在很多企业都会拓宽运营管理的范围。我个人理解，运营说到底就是为自动驾驶建立一套规则和奇数区域。要找对区域，找对用户，这样技术难度和成本才能大大降低。比如哪条路可以盈利，遇到的环境比较简单，运营在这里作用很大。通过运营认识到市场的复杂性，然后配合产品，再给算法更多的投入，就可以降低算法的难度。Go:我来说说自动驾驶卡车的运营。作为行业从业者，大家肯定都希望早点落地。卡车和乘用车不一样，更偏向于商用，现在很多新车型都配备了L1~L2的一些功能，但主要是针对一些高端车型，一些定制市场，还有一些政策驱动。但是有一个问题。卡车加了智能硬件之后特别贵。比如去年智能卡车全险在线费率大概是4.2万。这个数字其实不是很大，但是以后肯定会增加。L4的企业现在有两条路线。一种是在一些高频需求的地方，比如港口、矿区。一方面，他们可以规避政策的一些风险，提前做测试，甚至把后装的车投入使用。另一方面，他们也可以适当卖一些车，获得一些收益。这是一条路线。第二条路线是把你的计划降级到L3或者L2，以辅助驾驶的名义做一些相对合规的干线测试运营。这种情况下，车可以拿到官方的号牌，也可以产生一定的收益。我认为主要有两个挑战。首先是对通行权和准入权的挑战。货车的真实需求在干线公路上，而干线公路的真实物流需求往往是长期的，会涉及高速公路、跨区域、跨省市。目前从政策上来看，我认为要实现这样的协同是非常困难的。个人认为最后的突破口还是在于工信部的接入。如果打开这个端口，可能会解决很多问题。第二大挑战仍然是技术。真的能把人带下去，慢慢收敛方案，完成一系列认证，完成量产吗？我觉得这才是核心。其实物流公司对L4公司还是挺开放的，尤其是在合作层面。无论是在美国还是在中国，自动驾驶卡车与不同类型的物流公司建立合作的速度非常快。在不影响自身业务的情况下，让一些智能卡车加入目前的车队，做一些运输或者测试。他们还是很欢迎的，因为他们也有创新的需求，给你的成本不会比传统货车高，所以我觉得物流公司还是比较开放的。但由于运输能力和技术的限制，货主不会大规模外包给你。今天:我来总结一下。我刚才说的主要是三个方面。一个是技术。就像Robotaxi一样，只有去掉人，才能实现降本增效。第二是车，应该量产，这样可以降低成本，量产也可以提高车辆的运行稳定性。第三是通行权。客车其实更像一个局域网，只是货运走干线物流的难度更大。为什么货车很难实现？我认为有几个原因。第一个是政府的动力，政府没有很强的动力去做这件事。第二个原因是不同地方政府之间的协调是个大问题。比如考驾照不能互认。在一个地方测试后，需要在其他城市重新测试。比如长三角2019年就签了互认协议，江浙沪关系比较紧密，但是这个互认协议到现在还没有真正落下来。我个人认为，牌照互认之所以无法实施，最大的问题是涉及的利益太多。目前牌照的好处还是很大的，尤其是一些考试机构，很赚钱。去:是的，我同意。Robotaxi可以从几条路开到全世界，这来自于各个城市对创新政策的竞争。比如，一个城市越开放，另一个城市就越开放。他们有招商引资的需求，所以动力强，竞争激烈。
对于货车来说，现在这种做法根本就没有联网。比如北京想做，河北不想做，但是高速运输或者干线物流运输必须联网。主要是因为没有太多的地方利益来推动这个领域，最终还得靠国家来推动。今日:是的，现阶段我观察到的情况是，物流公司没有涉足智能板块。他们还在观察，因为他们本来做的就是成本生意，他们特别注重每一分钱。而且物流的毛利率极低。在毛利这么低的行业，做这种技术创新是很难的。至少在现阶段，没有理由说服他们。来，我从用户的角度来看这个问题。用户真正希望我们的自动驾驶车辆是什么样的驾驶行为，能给用户提供什么样的驾驶体验？车辆应该如何驾驶？比如遇到黄灯，什么时候该停，什么时候该过？这些都是运营商要看清楚的。举个策略的例子，最简单的就是交通法规。大家都知道自动驾驶车辆要遵守交通法规，但是交通法规本身的描述不是特别清楚。比如左转和直行车辆的相互作用，我不能说我的感知范围内有直行车辆，所以我一直问他，一直不离开。这是不现实的，因为我们需要考虑流量效率，如何最有效的把用户送到目的地。这才是用户需要的。所以我们需要找到特征，比如信号灯的信息，比如我和交互车辆之间的相对位置、相对速度和相对角度等。，然后通过数据挖掘确定这些特征的一些参数，然后在此基础上给出驱动策略。面对长尾场景时，我们会先用奇约束，但不能等所有长尾问题都解决了再大规模做运算。这里有两个辅助手段。第一个是5G在云端驾驶。在出现危险场景后，我们可以在云端使用安全官来控制一些罕见的长尾场景。第二种方式是交通法规。现在虽然线上的一些算法模型无法解释，但是我们可以用最后一层交通法规来确定我最终做出的驾驶行为不是违反交通法规。最终还是要有法律法规的加持。比如L4的车只要遵守交通法规，这个责任就不能由L4的车来承担。顾:但是这里也有一个问题，就是现在中国的交通法规是保护弱者的，这个事情和自动驾驶是有矛盾的。而且国内各个城市的一些执法力度差别很大，这也是一个非常大的问题。我认为我们仍然需要研究数据模型的可解释性。我们必须制定一个数据驱动的评估标准和评估方法。单靠路测其实很难解决长尾问题。最后，我们不得不依靠模拟和在线测试。走:通过数据模型训练后，必须在模拟中运行，测试这个模型的效果。但是模拟中也有一个问题。实际上，模拟系统中障碍物之间的交互并没有做好。我觉得计算机之所以能发展的很好，是因为编译器的存在，它能瞬间告诉你是对是错。但是现在仿真还不能作为编译器，其准确性也制约了这个行业的发展。理论上，模拟应该是加速自动驾驶技术研发的一个非常重要的点。通常我们都是先把算法算出来，然后放到车上，然后安全员给个反馈，但是这个环节太长了。仿真对于自动驾驶来说绝对是一把利剑，但现在的问题是业界的仿真系统都不是特别好。而且我认为一个数据驱动的训练模型，如果你想验证，一个星期也验证不了，这就大大降低了数据驱动的东西的研发效率。最初，数据驱动旨在使迭代RD更加高效，但它受到不完善的测试和验证方法的限制。大家之前的思维是，业务决定奇，奇决定算法，算法最终决定硬件的成本。但现在由于技术的限制，可能无法完全按照商业思路推进。目前仿真系统存在两个问题:一方面是一些障碍物的交互，确实无法完全复制现实世界中每个交互对象的意图；另一方面是与路考的差距。L4整车的硬件仿真可能相对困难，现在很多公司都在同时开发几款不同的车型，难度更大。今天:国内还是有很多第三方想这么做的。他们想收集各种路测的数据，包括从政府那里收集所有的拐角案例和事件，搭建一个大的平台进行仿真，但似乎都失败了。一个重要原因是不同的接口和模型无法统一和标准化。感觉那些人不理解这个东西，因为根本就不搭边。来:还有一种方式，就是车辆与道路的协调。往前走:现阶段，V2X在运营上并不是很有效。尤其是信号灯，从结果来看，达不到车辆自动驾驶所需的水平，有些信号灯还经常延时。目前市场上有一些项目，但都是偏政府，偏Demo。我还发现，自动驾驶算法模型的泛化过程主要取决于当地的动态交通参与者。静态下可能相对容易，一点时间就能解决。关键在于动态的参与者，各地情况不一。此外，当我们对动态障碍做出决策时，我们有时会使用动态和静态信息。所以，如果静态拓扑发生了变化，当我们再次进行概化时，与动态障碍物的交互结果可能会完全不同。最近好像成立了很多新公司，但是我觉得这些公司很多还是在走老套路。写完代码，他们先造一辆工程车，然后测试，想办法做一个演示给投资人看。事实上，经过一轮洗礼，投资人已经不感冒了。但是我觉得行业发展到今天，可能新公司也不一定要走这条路，因为现在大家都逐渐靠量产了。现在，最好的模式是把业务清单倒着拿，去寻找潜在的可能性，去匹配主机厂的需求，或者往零部件方向走。
我觉得还有机会。-结束-
