今年以來，滴滴開始不斷展現對自動駕駛技術的「耐心」與「決心」，在技術、資金、應用三大關鍵層面進展頗豐。
技術方面，其首次出現在加州車管所（DMV）今年2月發布的《2019年自動駕駛接管報告》中，雖然排名第八位，但已經超過蘋果、寶馬、豐田等傳統巨頭；
資金方面，滴滴自動駕駛於今年5月宣布完成軟銀願景基金領投的5億美元融資，為當時國內自動駕駛領域單筆最高融資；
落地應用方面，今年6月底，滴滴正式面向上海普通市民推出自動駕駛載人示範應用項目。在上海宣布自動駕駛測試道路新增裡程後，滴滴自動駕駛又獲得相應測試牌照，成為首家獲得上海三個測試區牌照的企業。而近期滴滴與比亞迪共同打造的定製網約車D1，未來目標更是直指自動駕駛。
在12月10日由億歐EqualOcean主辦的「WIM2020-科技出行全球競賽篇章」論壇中，滴滴自動駕駛COO孟醒更是透露，自今年6月底在上海嘉定上線RoboTaxi體驗服務後，已有數萬市民報名參加，為滴滴自動駕駛技術的迭代提供意見。
與眾多自動駕駛初創公司和科技巨頭不同，滴滴天然擁有出行基因，豐富的運營經驗使滴滴更容易在該賽道上實現「彎道超車」。深知自身優勢所在，滴滴曾提出用「DNA」（Data、Network、AI）打造自動駕駛出行服務。
以「DNA」為基底
基於自身在出行行業的積累，滴滴很形象地用「DNA」（Data、Network、AI）代指自身在自動駕駛領域的天然基因。
其中，「D」（Data）指的是數據，「N」（Network）是出行生態網絡，「A」（AI）則是滴滴的人工智慧能力。
在自動駕駛技術的發展過程中，數據（Data）無疑是其迭代升級的基礎。孟醒直言：「數據量的多少決定了自動駕駛能力以及安全程度的高低。」
目前，業界的主流做法是通過自動駕駛車路測收集真實世界數據，並輔以仿真創造案例的方式去訓練自動駕駛系統。但在滴滴看來，與自動駕駛大量長尾場景及其複雜度相比，有限的自動駕駛車輛和仿真裡程並不足以支撐全自動駕駛技術的實現。
「需要足夠多的數據處理可能多次碰到的場景，再把它範圍化處理衍生出來的情況。」孟醒表示。
作為出行平臺，滴滴此前推出了「桔視」，這項原本為提升司機服務水平而生的車載設備，在自動駕駛大環境下散發著新的光和熱。
「桔視」不僅擁有完整的視覺積累，還配有傳感器和衛星定位系統，能夠在真實世界中捕捉大量長尾場景，將收集到的視覺信息上傳到雲端。「『桔視』覆蓋了超過的滴滴網約車訂單，每年能上傳近1千億公裡行駛數據，」孟醒透露，「收集的數據量能比原本的數據範圍多近5-6個數量級。」
除此以外，滴滴在過往運營過程中已經建立了比較完善的出行網絡（Network），包括用戶網絡和車隊網絡。
其中，用戶網絡由滴滴超5.5億的用戶和每年超百億次的訂單組成。得益於此，滴滴對用戶習慣、打車時間、訂單集中度等偏好，有著更加深刻的理解，也能夠將這部分經驗過渡到RoboTaxi的運營上。
更重要的是，基於這種用戶運營經驗，滴滴能夠將RoboTaxi無縫融入進現有運營網絡中，實現人機「混合派單」——RoboTaxi和有人網約車司機同步在線聽單和接單，如果行程起終點和天氣適合RoboTaxi接單，滴滴就會派單給RoboTaxi，積累運營經驗，反之則會派單給網約車司機。
與自動駕駛初創公司和科技巨頭相比，滴滴這種「混合派單」的優勢在於擁有足夠多的用戶基數，有利於自動駕駛冷啟動和運營推廣，進而快速進行自動駕駛技術和運營迭代。
在車輛端，滴滴已經積累了包括車輛購買、租賃、維修、保養、充電、加油、處置等車隊運營能力。於滴滴而言，想要完善自動駕駛車輛的運營，只需將有人車輛網絡的養護服務能力，嫁接到自動駕駛車輛網絡上即可。
這些數據收集能力和豐富的運營經驗，也只有滴滴這種出行巨頭具備。將數據（Data）和出行網絡（Network）連接在一起的橋梁，則是AI能力。
滴滴認為，只有全場景、全模塊自主研發才能使技術快速迭代，讓車輛更快接近全自動駕駛場景。其自動駕駛體系分為在線模塊和支持模塊，前者是自主聯網，包括感知、預測、規劃、控制，後者則特指信息安全、高精度地圖、開發工具、車路協同等交互能力。
在孟醒看來，技術並不能單一存在，只有將技術全環節連接起來，並串聯在數據體系和生態網絡中，才能實現自動駕駛。這也是滴滴如此強調「DNA」的重要原因。
守住安全基準線
成立八年來，滴滴一直將「美好出行」作為自身使命。當與出行聯繫緊密的自動駕駛浪潮來臨之時，滴滴沒有理由不跟進。
「每個人的生命都很重要，這是我們做自動駕駛的初心。」孟醒如是表示。
世衛組織（WHO）數據顯示，全球每24秒就有人因交通事故喪命，每年因交通事故喪命的人數達135萬人。「本質上，人類並不是很擅長開車這樣的工作，」滴滴聯合創始人兼CTO張博認為，「現在世界上最先進的傳感器能360度感知300米範圍內的各種物體，但人類感知能力卻是有限的，光線弱的時候可能只能看到前方幾十米的物體，且人類感知能力會隨著醉酒、疲勞、分心等狀態而波動。」
理論上講，當機器取代人類成為駕駛員時，交通事故的發生頻率能夠有效降低。但前提是，機器需要足夠智能，而智能化的關鍵就在於深度學習。
在自動駕駛的感知和決策控制環節中，深度學習起著關鍵作用。在當下傳感器可靠度並不完美的情況下，深度學習能夠通過對自動駕駛車輛行駛道路的特徵分析和駕駛員行為反應的學習，不斷完善系統。
想要提高深度學習模型訓練精確度，就需要大量數據進行輔助。「數據是AI引擎最寶貴的燃料。」滴滴自動駕駛公司CTO韋峻青曾表示。
作為出行平臺，滴滴每天能夠收集106T軌跡數據，處理4875TB數據，路徑規劃次數超過400億次。正是基於這些龐大的數據量，滴滴自動駕駛系統才能夠不斷在訓練中實現迭代升級，而以這些真實世界的數據作支撐，滴滴自動駕駛系統得以生成經營地圖、安全地圖和技術地圖。
三張地圖不僅能夠幫助滴滴提升區域洞察度，還能加速自動駕駛的應用部署。
商業模式上，滴滴之所以能夠對不同路線進行自動駕駛車輛和有人駕駛車輛的精準派單，其背後的關鍵在於「經營地圖」。這張地圖堪稱是滴滴的自動駕駛戰術地圖。通過八年累積的經營數據，滴滴能夠知曉每一條路線上的需求量，以此為根據進行人機「混合派單」。
「比如看區域內覆蓋的路線有多少是集中度比較高的路線，看能不能用TOP10的路線覆蓋50%甚至80%的訂單，」孟醒解釋道，「也會關注閉環訂單（起終點在同一區域的訂單）數量，像機場、火車站這種地方閉環訂單就很少，乘客終點一般都離開自動駕駛區域了。」
安全方面，滴滴自動駕駛同樣有大數據作支撐。基於歷史上的事故發生頻率、事故嚴重性等因素，滴滴會為給每條路進行安全評分，生成「安全地圖」。通過這張地圖，滴滴自動駕駛能夠感知每條路線的安全性大小，及每個時間段人類司機可能出現交通事故的概率，以此做為規避。
此外，滴滴還能夠生成「技術地圖」。在滴滴看來，道路是否限速、自行車道和車輛是否有隔離帶等因素，都會影響技術感知和規劃能力。滴滴能根據相關條件對每條道路進行打分，使自動駕駛系統知曉每條路線的技術實現難度。
充分整合三張地圖後，滴滴將對每條路線的經營、安全、技術情況了如指掌，更精準找出最適合自動駕駛運營和服務的路段，提升ROI。
結語
RoboTaxi的實現繞不開運營，而滴滴恰恰是國內道路運營數據最多、經驗最豐富的出行平臺。
於滴滴而言，出行基因既是其過往時間對自身能力的證明，也是在自動駕駛中得天獨厚的優勢。隨著RoboTaxi技術的不斷進步與落地應用，這種能力將進一步凸顯。
如今，滴滴在上海嘉定汽車城附近運營著數十輛RoboTaxi，覆蓋了會展中心、酒店、公司總部、工廠、學校、商業區等多類場景。在近半年的運營過程中，孟醒發現，視力不好的殘障人士對自動駕駛尤其感興趣，這種提前設定出行路線、車輛到達後無需溝通的模式對這類特殊人群十分友好。
這與滴滴的使命不謀而合。「滴滴一下，美好出行」，從有人到無人，滴滴一直在為此努力。