3密碼、76模塊只是RoboTaxi的「起點」,滴滴要對自動駕駛「產品...

滴滴做自動駕駛非常明確。

8 月8 日，CCF-GAIR 2020智能駕駛專場上，滴滴自動駕駛公司COO孟醒提到，滴滴做的是針對L4級自動駕駛的RoboTaxi。L4延伸出來是L5，這是其未來的方向。

滴滴的核心基因是出行公司，出行是滴滴的基因。出行的重點是安全，當滴滴考慮做自動駕駛時，主要圍繞的就是安全。

以下是孟醒的演講全文，雷鋒網新智駕進行了不改變原意的編輯：

各位下午好，很高興來到CCF-GAIR 2020現場跟大家分享滴滴自動駕駛在過去一段時間所取得的進展，以及我們對未來的展望。

在開始分享之前，我先明確一個觀點：自動駕駛是一件很難、很大的事情。很多公司都從技術方向努力，但從實踐來講，自動駕駛除了需要戰略、方向、意願，還需要基因。某種程度上你會帶著天生的基因以及思考的維度，使得你做自動駕駛的角度與別人不同。

滴滴的核心基因是我出行公司，出行是我們的基因。

出行的重點是安全，當我們考慮做自動駕駛時，我們的初心就是圍繞安全開始的。

滴滴自動駕駛初心

有數據表明，全球每年因交通事故死亡的人數很多，約100多萬人。其中，道路交通事故是5-14歲兒童和15-29歲年輕人的首位死因，這不光影響未來年輕人，還影響很多祖國未來花朵的成長。滴滴自動駕駛的初心就是改變這種現象的發生，哪怕只起到一點點改變也是我們非常希望做的事。

從全球的交通數據來看，每年因全球航空事故的死亡人數是562，航空運輸量比交通運輸量小很多，我們有沒有可能把135萬變成562，當然，我們希望這個數字是0。這是我們做這件事的初心，不是技術，不是體驗，而是安全。

滴滴自動駕駛工作流程

保證滴滴自動駕駛安全的三點是ADN：核心是AI能力，燃料是數據，邊界是出行生態網絡。

分別介紹這三個方向滴滴的工作。

1、人工智慧駕駛

第一，核心的人工智慧技術。滴滴自動駕駛非常明確，是針對L4級別的RoboTaxi。當然，L4延伸出來是L5，這是未來。有人認為未來會實現，有人認為不會實現，有人認為某個時間點會實現。此外，L4級自動駕駛以上的能力是我們現在的方向。

值得注意的是，其全棧能力都是自主研發，從車上的感知、預測、規劃、控制，到車下的仿真、功能安全、信息安全、基礎架構、系統集成等一系列都是我們自己做。而且這件事我們做了4年。

當然，上圖是一個框架，框架定了，並不代表你能做得好。因為在框架的背後有兩件比較重要的事情。

我相信今天所有人看到的L4級自動駕駛車，其能力還未達到車在沒有安全員的情況下，完全放出去跑1-5年，這件事今天大家都達不到。不過，這是大家目前努力的目標。

與此同時，能達到上述目標的核心是迭代的速度如何更快。當然，更快的背後有兩件事：

一是—見多識廣，就是更多的長尾場景。80%的場景我們今天都能解決，難的是最後的20%、2%、0.2%這些場景，只有見過這些場景才能訓練、迭代最終解決。

二是—千錘百鍊，就是在這些場景下要跑更多的裡程、做更多的測試。

其中，長尾場景是很難解決的一件事，原因是今天大家的車很少。目前自動駕駛的測試數據絕大多數來自於自動駕駛測試車，但自動駕駛測試車尤其是L4的測試車還不是量產的車型，絕大多數測試車是把軟體、硬體、計算平臺裝在車上測試。多數都是有幾十輛或者幾百輛，沒有一家公司有幾千輛L4級自動駕駛測試車。

就算擁有幾百輛測試車，每年能跑的裡程也是非常有限的。對應長尾場景，今天累計裡程能跑到幾十萬、幾百萬，多的甚至上千萬的裡程。

但是，有很多場景上千萬公裡才出現一次，有些裡程上億公裡才會出現一次。而且你要解決這樣的場景，你要見過同樣場景100次、1000次，甚至10000次，才有足夠多的數據解決該場景。

如此，怎麼辦？

對滴滴而言，我們不光有自動駕駛測試車收集這樣的場景，我們還有桔視。

桔視是我們為司機師傅提供的安全保護設備，主要提供車前行車記錄、行程中車內錄像、判責及申訴取證等功能，50%的滴滴訂單都有桔視設備的保護，一年下來大概有1000億公裡的數據。

值得注意的是，桔視涵蓋的場景非常廣，包括城市、鄉村、城鄉結合部等，此外晚上也有「奇奇怪怪」的場景，包括雞飛狗跳，老年代步車逆行。

值得注意的是，長尾場景不光體現在數據複雜度上，還包括交通參與者動作的複雜性。

例如，我們在上海測試到的場景，有一個大車擋住對面來的大車，而且是跨線過來的。你不知道他會變得更違規過來還是回到自己的線上，這個過程中，預測的難度是很高的。

這樣的預測跑多了以後，我們才知道對應的車該如何對應處理，同時比較好地跟別人進行交互。同時，保證我們對這樣的車如何做得預測更準確。

除了我們的自動駕駛車輛外，我們還有桔視，它大概有5-6個數量級以上的額外數據讓我們看到更多的場景，然後提取出來變成我們可預見的長尾場景，最後在仿真場景裡測試，以此不斷提升我們的算法。

幾十輛、幾百輛的自動駕駛測試車是非常有限的，因此我們擴展測試裡程就是增加仿真，仿真可以提升10-100倍左右。

仿真產生出來的新場景，往往其分布跟真實世界場景的分布不盡一致，很多時候是我們創造出來的，雖然它對我們的算法提供新的挑戰，但它對我們解決現實中的問題有一定的偏離。

桔視好處是我們有上千億級公裡數據的自動駕駛輔助，1000億公裡不是每公裡都有用，但它能幾乎覆蓋所有的長尾場景，而且遠遠不止複製一遍。

2、數據

滴滴自動駕駛燃料數據分為兩種：一部分是與技術迭代相關的數據，另一部分是與運營相關的數據。

滴滴作為網約車平臺，因為其原生形態會自動產生很多數據，包括路程行徑軌跡、用戶需求、未來預測、軌跡數據、用戶行為等。

L4級自動駕駛車與網約車不同，網約車可以從一個城市開往另一個城市，L4級自動駕駛車是從一個區域開始，會受到地理、天氣情況，以及交通參與者的限制。

這些限制我們會逐步打開，可能以線上OTA方式打開，也可能是大版本迭代打開。不管怎樣開放這個過程，它都是一步步展開的，不會以城市為單位逐步打開。

反過來想，我們如何在起始範圍或者小範圍內達到服務客戶的目的？

舉例來看，如果開放區域太小，像機場等場景，可能訂單是很多的。如果不在你自動駕駛的區域範圍內那就無法服務乘客，如此體驗很差，乘客不會用你的服務。

怎麼做？

滴滴平臺每天會產生大量的運營數據，8年的累計不僅有數據還有經驗。

其一是經營地圖。我們把所有數據放在地圖看，哪些路的收益最大，哪些地段有訂單，哪些地段沒有訂單。

最重要的是，我們可以確定有沒有閉環，以及會有多少訂單。

其二是安全地圖。我們會考慮哪些路段上人類司機開車發生重大事故、刮蹭事故、小事故，同時我們會對每個路段進行打分，然後用可視化的方式進行標註。

其三是技術地圖。根據現在技術定義和路段本身的限速、車道清晰程度、自行車道和汽車道等打分。

可以看出，上述圖片裡的三張地圖代表的含量信息不一樣，但都是結果化信息。

更重要的是，我們把三張圖放在一起形成滴滴戰術地圖，以此循序漸進推進自動駕駛。

這是一個很有意思的例子，我們把它做出來並形成了一套打法或者產品化的思路。雖然它具備時效性，但我們會基於大數據平臺會實時更新，最終這些數據可能以秒為單位迭代。

其實，這套方法論非常普適，在中國普適，在全國不同地方都非常普適。

傳統來講，如果我們需要在小範圍內開一片區域運營。首先，我們需要調研用戶出行習慣，看有沒有用戶在哪裡打車，需求是什麼。同時，驗證技術的可行性，這可能又需要一段時間，判斷會不會遇到現在技術不能解決的問題。然後，我們在這個區域裡用自動駕駛採圖、打磨、迭代。整個流程大概需要半年時間。

現在來講，我們只需要把三圖合一形成戰術地圖，從需求角度、技術角度、安全角度搭建這套體系大概10秒鐘時間，最終量化判斷結果。

本質來看，我們在做自動駕駛本身的產品定義。

大家都在討論L4、L5級自動駕駛，但它們依然是宏大的概念，也有各自其定義。重要的是如何限定各自範圍、區域，並進行迭代和擴張。

其實，任何一家創業公司都面臨這樣的選擇。這個命題不難，但執行起來很難，因為你沒有數據。

這個過程在移動網際網路時代是依靠產品經理實現，但在自動駕駛場景裡主要是量化和數據實現。

3、網絡

運營網絡是我們自動駕駛行駛的邊界。

在滴滴平臺上有很多產品，包括計程車、快車、豪華車等，絕大多數經常打車的同學非常熟悉。

自動駕駛車是我們額外的品類，這件事有什麼意義？

當你只有自動駕駛車輛，沒有其他品類車輛的時候，幾十輛車、幾百輛自動駕駛車在限定的區域裡是無法很好地服務用戶的。

對用戶而言，早期就是嘗鮮，但只有限定範圍和少量車，就無法提供很好的體驗。

滴滴是採取混合派單的方式解決上述問題。

在滴滴平臺上，我們把自動駕駛車和大量有司機駕駛的網約車放在一起，當區域、路況、天氣符合自動駕駛條件時，我們把單派給自動駕駛車輛，否則就派給網約車司機。

其實，司機在相當長一段時間是非常重要的元素，他們是我們運輸的主力，同事也解決了自動駕駛長時間無法解決的問題。

實際上，自動駕駛車輛和有司機駕駛的網約車是相輔相成的。他們可以在兩種情況下無縫連接，逐步快速迭代自動駕駛網絡的生成。

因為自動駕駛車隊不可能一步到位完成所有事情。

除了運營網絡外，還有兩個網絡很重要：乘客和車隊運營。

乘客運營網絡方面，滴滴有超過5億用戶，一年有超過100億次的運送人次。我們有非常多服務經驗，這個經驗是無價的。你服務第一個客戶時有很新鮮的體驗感，當你服務100個用戶時，他們提出的意見、需求各不相同，這時候你對產品的需求不斷變高。當你服務到10萬、100萬、1000萬時，你的認知是不斷迭代的。其實，滴滴網約車的形成也是是經過每年百億次的打磨做成的。

車隊運營網絡方面，對應的客戶是龐大體系的車隊。這些車絕大多數不是滴滴自己持有的，但很多車是我們服務的，包括集中採買、車輛使用、車輛養護、充電、加油、維修、後續處置等，滴滴有相當長時間的經驗，服務超過100萬輛車的車隊。

在自動駕駛時代，上述提到的都是我們L4級自動駕駛技術以外的能力。當RoboTaxi真正落地商業化時，

這些能力變得尤為重要。

自動駕駛怎麼能保證安全？

上述提到的運營能力體現在哪些上面？與我們一般認知有什麼區別？

在運營場景下，滴滴自動駕駛涉及安全的場景是這麼做的：

提到自動駕駛安全，一般人們會想到車上是否有安全員、安全員身份是否核查，以及車輛、車輛狀態、行程等是否都有檢測。

除此之外，實際上我們會做整套體系，這是一個龐大的體系，還包括車輛檢查、接單限制、安全員、功能確認、測試等，這是安全體系裡都會涉及的部分，大概76個模塊。

76個流程就是為了做好滴滴自動駕駛安全這件事。不過，這只是是幾十輛、幾百輛自動駕駛車輛的安全管理體系。還不包括未來運營更多車輛、硬體設施、軟體開發的安全流程。

這只是一個例子，背後其實還有很多這樣的例子在運營體系裡。

做好技術是一方面，做好技術所帶來的應用場景是另一方面，這裡面有很多細節，非常難的。

DNA在自動駕駛中有大作用

回顧剛剛分享的三點：AI能力、大數據和網絡，這三者結合是我們滴滴自動駕駛的DNA。

滴滴做網約車自動駕駛場景非常合適，因為滴滴自動駕駛有天然的基因優勢。上述三者結合，自動駕駛這件事我們可以看得到希望，並能把它做出來。

6月27日我們在上海把基因、能力、運營能力、經驗組合在一起，在上海嘉定區域啟動載人示範，普通乘客可以直接報名體驗滴滴自動駕駛車。包括比較複雜的真實場景，跟一個城市覆蓋絕大多數的室內場景相似，包括地鐵站、購物中心、會展中心、大公司辦公場景以及居住區域。上線當天有了萬人報名，現在超過數萬人報名。

車路協同趨勢下自動駕駛產品形態演進

除了車上的運營以外，我們真正運營還包括安全護航中心。

因為車上不能解決所有的場景，比如遇到交警指揮，你不知道自動駕駛車是否懂得交警的口語、手勢等。我們設置的安全護航中心類似火箭發射指揮中心的中控平臺，它會檢測車輛的運營情況和報警情況，如果發現問題，它會調取車輛的實際運營狀態，並且給予提示和參與意見，讓車更好地處理長尾場景中不能處理的場景。此外，安全護航中心還能看路上的情況。

更重要的是，滴滴擁有自己的車路協同團隊。

做自動駕駛時做車路協同，對車路協同本身的開發很重要。如果只做車路協同不做自動駕駛，往往車路協同的解決方案不是為使用方考慮的。如果你兩方都做，就算不是自己鋪基建，那也是從需求方的角度整體考慮這件事。

目前，滴滴有完整的解決方案，我們在上海鋪設了這樣的方案。從路的角度來看，可以看到我們的盲區、紅綠燈等車內看不到的場景，通過我們車路協同的設備就能直接進入車裡，進行感知協同。

最後，分享兩個小故事：

滴滴自動駕駛上線以來，00001號體驗乘客是在上海迪斯尼跳舞的舞者，她認為自動駕駛對她們是一種美好的體驗。

她給我們特別大的鼓勵，但比起鼓勵，我們更珍惜的是對我們的打擊和鞭策。

還有一位60多歲退休的大學教授，他坐過很多自動駕駛車。當天，他開了2個多小時的車過來體驗滴滴自動駕駛車，同時提了很多意見。正式這些意見讓我們走出舒適區，進入無人區，不斷擴大邊界。所以鼓勵和鞭策對我們來說都很重要，都是我們往前走的動力。 

雷鋒網 雷鋒網(公眾號：雷鋒網)

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。