<mark id="oztn4"></mark>
0
編者按：入圈16年的倪凱是典型的限定場景自動駕駛、落地為先的擁護者。從學生時代接觸自動駕駛、到為科技巨頭、新造車企業“賣力”，最后自建公司，倪凱闖蕩自動駕駛的經歷及創業公司禾多背后，是當下一批瞄準限定場景自動駕駛的新興選手的縮影。
自動駕駛開局十余年，資本寒冬到來的特殊時期，雷鋒網新智駕對話這位資深玩家，聽到了其關于自動駕駛技術演進及快速實現商業化落地的思考。
倪凱學生時代的自動駕駛，深度學習未成熟，美國國防部先進研究項目局DARPA無人駕駛汽車陸地挑戰賽還是一年之后的事情，從清華自動化本科畢業的倪凱轉到計算機系讀研，跟隨何克忠教授進行無人車THMR-V的研發。
很幸運的是，靠著現在看來很簡陋的傳感器、傳統的視覺識別技術，THMR-V跑起來了。這是倪凱初次接觸自動駕駛。
十年后，深度學習走進中國，倪凱進入百度深度學習研究院擔任高級科學家，主導百度無人車和無人機項目。然而百度早期的自動駕駛，只有L4，沒有L3，這在倪凱看來“做的東西離落地太遠了”。這也是其離開百度自動駕駛的一大原因。
之后，倪凱進入新造車勢力樂視組建自動駕駛團隊，深入接觸到了汽車工業，更注重自動駕駛上車、落地。這為后期倪凱創建禾多、展開“自動駕駛落地的路線”埋下伏筆。
在其看來，汽車工業發展至今，形成了嚴密的制作工程及體系。這是對人類安全負責，自動駕駛公司也要遵循這一點。雖然不是汽車的直接生產者，但自動駕駛解決方案最終一步是“上車”。自動駕駛公司必須要懂汽車、了解汽車行業所需，才能保證自動駕駛產品是安全的、能用的、好用的。
倪凱將全棧式自動駕駛技術分拆為兩大模塊：人工智能算法和汽車工程。人工智能算法之于自動駕駛公司已成標配，汽車工程則是新興自動駕駛公司的短板，但這是倪凱創建禾多之初非常重視的部分。
自動駕駛行業中的玩家根據自己的資源選擇合適的路線，這是倪凱在決定公司商業路線及技術路徑方面的邏輯。
行業內有這樣的聲音傳出：“自動駕駛老大哥”Waymo路徑誤導了乘用車自動駕駛行業，特斯拉的路徑才是大勢所趨。
倪凱對此不以為意。在其看來，谷歌和特斯拉選擇了一條更適合自己的自動駕駛路線。前者背后有資金和技術支持，有實力嘗鮮投資自動駕駛出租車，無需考慮短期回報；特斯拉考慮的是，在其出售的車型上搭載自動駕駛功能（目前僅搭載了L1、L2級輔助駕駛），采用漸進式路線，從而被市場接受。
自動駕駛進入中場戰事，各家在這條產業鏈上的角色已基本確定。按照倪凱的話來說，選擇做robotaxi（機器人出租車、自動駕駛出租車）還是自動駕駛解決方案商，和團隊基因有很大的關系。作為一家沒有大公司背書的自動駕駛公司，禾多選擇了一條盡快實現自動駕駛落地的路線，在支撐公司活下去的同時，向更高級別的自動駕駛推進。
倪凱對此作了進一步解釋，作為初創企業，比如禾多科技，在中國路況復雜的環境中直接進軍自動駕駛出租車，至少需要耗費10年。最直觀的問題是，初創公司在資金上“耗不起”，更深層次在于技術層面，若自動駕駛長期處于樣車階段，不能實現真正的落地應用，沒有真實數據的積累，無法促使算法進步。所以從限定場景的自動駕駛做起，逐步完成數據和技術的積累，是禾多敲定的漸進式自動駕駛路線。當下，多數低速自動駕駛玩家同樣出于上述考慮。
倪凱是“場景為王”這一觀點的擁護者，禾多自動駕駛商業落地的路線也在圍繞“場景為王”基調展開。
“只有L5級（高級別）自動駕駛才不受場景限制，而實現L5級自動駕駛，至少需要20年的時間。且在不同的場景下，實現自動駕駛的難度和時間也不同，比如城市道路，就比港口或者高速公路都更復雜?！边@是倪凱的判斷，其認為實現城市L4級自動駕駛還需要10年，未來五年內，代客泊車、高速、港口等限定場景下的自動駕駛會率先實現。而禾多則選擇率先聚焦代客泊車、高速公路兩大場景。
在高速公路場景下，禾多研發了L3.5級別的自動駕駛量產解決方案HoloPilot。這個L3.5的設定背后，是禾多對落地的追求在起作用。
在倪凱看來，在L3級自動駕駛階段，其標準是人類在緊急情況下接管車輛，但其并未對接管頻率、系統本身的冗余、緊急情況下的處理能力等進行具體規范。若駕駛位車主被頻繁要求接管駕駛任務，說明自動駕駛系統并不安全，且用戶體驗不友好。L4級自動駕駛帶來的是更好的用戶體驗，但由于技術及成本的制約，其距離大規模產品化很遙遠，且并非汽車消費者剛需。
所以在高速公路場景下，禾多選擇研發接近L4級自動駕駛的系統，并在產品中降維到L3級自動駕駛使用。這套被定義為L3.5級的解決方案，在高速場景下擁有自動駕駛能力，且具備緊急情況處理的模塊，并降低系統請求接管的頻率。在保證用戶體驗接近L4級自動駕駛時，保證安全性，并實現自動駕駛的快速落地。
禾多另一條限定場景落地路線布局在智能代客泊車。同多數泊車輔助功能不同，禾多智能代客泊車屬于L4級別的自動駕駛系統，能夠實現車輛從尋找車位到泊車入位、泊出至指定地點全過程的自動駕駛，無需人工干預。
雷鋒網新智駕了解到，去年12月，禾多科技正式發布了智能代客泊車系統HoloParking。因單純依靠車端，很難同時實現系統安全可靠和過車規的需求，HoloParking通過車端、停車場端和高精地圖端“三端合一”的系統架構，來同時滿足落地的各項需求。目前可以支持夜晚、雨雪、地下、露天等多種氣候和停車場類型，已具備真實運營的基礎。
未來三到五年內，禾多將專注于代客泊車和高速公路。目前高速公路自動駕駛方案HoloPilot將開始大規模穩定測試，代客泊車系統HoloParking將通過實際運營來繼續打磨產品。禾多計劃在2020年，HoloParking至少覆蓋到20個城市，每個城市至少20個停車場。
“我們有不少同行做了同樣的選擇，相信代客泊車和高速公路兩大場景能實現快速落地”。倪凱強調，容易落地的場景不會因為其“容易”而顯得不重要。在其看來，自動駕駛研發是一個循序漸進的過程，需要大量的真實運營數據作為算法進步的基礎，通過盡快落地，從而盡快拿到大量的有效數據，提升算法。
業內往往將禾多等提供自動駕駛解決方案的初創公司定義為一級供應商。在倪凱看來，這非常正常，因為公眾需要以一個已知的商業模式作為比較，來理解新生的公司。
“這類初創公司類似于傳統的一級供應商，其在服務主機廠方面相同，但在其他方面，又有明顯不同。”
倪凱談及自動駕駛一級供應商未來轉型之路：作為整車零部件及技術供應商是禾多商業落地的第一步，這也符合當下汽車產業鏈的需求；更重要的層面是，通過當下汽車產業鏈的需求完成真正意義上的技術積累，形成壁壘，進而使其自動駕駛服務成為未來交通運營中不可或缺的角色。這是倪凱規劃中的禾多未來圖像。
“這和幾年前主要由國家科研基金支持自動駕駛的日子已不可同日而語?！笔旰笤倩仡櫰鋵W生時代的自動駕駛，倪凱進行了如下分析：
從商業上看，整個汽車行業，甚至是整個出行行業對自動駕駛技術都傾注了大量的資源；技術層面，自動駕駛行業越來越關注新興技術，激光雷達和深度學習成為自動駕駛從高校走向工業界的主要助推力；同時，自動駕駛行業也越來越關注工程化，無論是高線束的激光雷達抑或深度學習，在實際商業化過程中仍然有眾多工程問題需要解決。
回歸理性——這是倪凱對自動駕駛十年成長史做出的四字總結，并著重提到2018年。這一年許多自動駕駛公司立下的小目標都未能如期實現，市場逐漸冷靜下來，國外自動駕駛幾起事故也在提醒行業入局者，自動駕駛一定要把安全放在首位。
“這是好事，自動駕駛行業發展更加健康。”
“市場回歸理性，投資人也更加審慎了”2018年下半年，資本市場開始變冷，倪凱并沒有感到惶恐，反而帶著自信?！百Y本寒冬，禾多并不性感的自動駕駛落地路線正在得到資本的青睞。”去年10月份，禾多完成了A輪融資，拿到了由紅杉資本領投、泛海投資跟投的數千萬美元投資。
談及十年間自動駕駛技術的演進，自動駕駛場景上的復雜性決定了深度學習相比于傳統機器學習方法有得天獨厚的優勢，隨著車聯網的普及和大數據技術的發展，深度學習被行業定義為未來解決自動駕駛落地的關鍵武器之一。
然而，深度學習依賴的大數據和計算量及其近似黑盒的難解釋性，使得深度學習在自動駕駛實際應用場景中經常處于“看起來很美”的階段。這也是禾多在場景選擇上非常慎重的原因，因為只有在合適的場景才能有效發揮目前深度學習的作用。
雷鋒網新智駕了解到，近幾年，資本、商業、汽車行業對自動駕駛給予了很大的關注。但公眾也觀察到：自動駕駛是重資本的產業，其進度發展比預期計劃要慢，尤其是復雜工況下的研發難度，超出業內人士的認知。在倪凱看來，自動駕駛泡沫是存在的，但市場經濟的本質決定其會自動調節，自動駕駛市場參與者能否相應的調整預期，調配資源是關鍵。
本文由雷鋒網新智駕、騰訊新聞聯合出品，作者 于勝越，未經授權，不得轉載。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
