Uber们的自动驾驶技术中还有哪些存在风险的环节？感知系统一直以来都是无人驾驶最难的课题

Uber自动驾驶车祸发生的具体原因还在调查，话题也在持续发酵。前滴滴无人驾驶项目负责人、首席工程师、autowise.ai（仙途智能）创始人兼CEO黄超分析了此次事故可能的原因，从感知的难点，系统延迟，速度过高等方面进行了解读。“祸福相倚”，在Uber大干快进，整个行业风风火火推动乘用车商业化的情况下，事故的出现或许能让各大互联网公司、主机厂、Tier1等公司冷静思考技术的不足，而与乘用车并行的环卫、物流商用车，或许能够最快实现自动驾驶商业化。

周日晚间发生的Uber撞人致死事件继续发酵。

昨天，出事的亚利桑那州当地局长称，在这起事故中，Uber可能没有过错，因为从视频来看，当事人从黑暗中直接横穿车道，“在任何模式下都很难避免这种碰撞”。

虽然看上去Uber在这件事情上并没有过错，但Uber以及以Uber为代表的自动驾驶从业者们却经历了一次集体公关，公众也在疑虑：在技术没有做到100%完美的情况下，路测是否还会出现撞人事故？Uber们的自动驾驶技术中还有哪些存在风险的环节？

昨天，前滴滴无人驾驶项目负责人、首席工程师、autowise.ai（仙途智能）创始人兼CEO黄超向新智元分析了Uber以及自动驾驶技术中容易出现的高风险“bug”，以及自动驾驶产业背后深层次的“大干快上”问题。

Uber出车祸的三种可能：感知是难题、系统延迟、设计时速过高

1、感知系统一直以来都是无人驾驶最难的课题

当时，一名49岁的女子打算横穿一条双向四车道的马路，但她没有走人行横道。

这时，Uber改装的沃尔沃XC90 SUV由南向北行驶，这名女子来不及闪躲，最终发生了车祸。

事故发生在周日夜间，周围的视线较差，这也可能是车辆没有发现行人的最主要原因。

出事故的这台自动驾驶车使用了7个摄像头和1个高线束激光雷达的组合，黄超认为，这是非常典型的传感器组合方式。

Uber的传感器系统

激光雷达和摄像头一定程度上相互弥补，现在主流的技术方案也是将两者进行融合。根据目前得到的资料，这次事故发生时视线较差，因此对摄像头可能会有影响；同时，部分无人驾驶系统，在车速较快时，会采取一些偏激进策略，从而降低对环境的敏感度。

这些可能性的累加，从而导致整个感知系统对车道边行人漏检或者行为预测不准确，甚至直接忽略，进而影响决策层。

2、汽车“大脑”接收和处理信号的出现的致命延迟

值得一提的是，传感器收集外部数据后，会将这些数据发送给自动驾驶汽车的“大脑”即中央计算单元，“大脑”在汽车周围创建完整的图像。

黄超指出，数据的采集和传输是需要时间的，以常用的64线激光雷达为例，不做优化的情况下，获得每一帧数据需要100毫秒时间。加上系统计算的时间开销，以及汽车底层执行的时间开销，总体时间延迟普遍超过100毫秒，甚至达到秒级。且这个延迟与硬件状态、程序瞬时的负载也有关系，因此不排除事故是由于系统进入了高延迟阶段，对突发的情况处理不及时从而酿成车祸。

3、自动驾驶车辆设计时速过高

美国法律规定，自动驾驶汽车也应该遵循当地的限速标准。

当地警方称，事发时Uber自动驾驶车的时速达到40英里（约合64公里/时），而事发街道的限速为35英里/小时（约合56公里/时，但也有报道称当地限速45英里/时），尽管夜间车流量少，但40英里的时速在城市郊区道路中仍属于较高速度行驶。

谷歌在开始数年的时间内，无人驾驶车辆的测试速度都被限定在30英里/小时以内，因为在这个时速以下，无人驾驶车辆即使发生交通事故，相对安全。

黄超认为，在夜间尤其是某些传感器受影响时，系统更应该采取保守策略，让汽车降速。

并且，黄超强调，无人驾驶系统从感知到执行层是一个完整的pipline，整个pipeline中任何一个环节的失败或者异常，都会导致整个系统的失效。目前掌握的信息也较少，甚至不能排除是硬件故障，所以后续警方有更加完整的调查报告，可以帮助我们更好的分析事故原因

此外，沃尔沃XC90 SUV全系都标配自动紧急刹车系统，本身具备一定的障碍物识别能力，从而最大程度预防碰撞事故的发生。但从事故现场的图片来看，车辆前部右侧撞击受损严重。由于没有公布现场视频，我们无法判断汽车是否紧急制动。或者Uber在改装时，将原车的这部分功能进行了较大改动。

产业背后：乘用车商业化速度慢，资本推动自动驾驶“大干快上”

过去几年，国内外自动驾驶领域迎来了资本与技术的风口，以Uber为代表的企业在自动驾驶上可谓一路狂奔着。

就这辆改装的沃尔沃XC90 SUV而言，去年Uber已经同意购买约24000辆，以一辆XC90 SUV售价约5万美元计算，购买这些车优步就要投入近12亿美元，这在互联网造车的公司中实属罕见。

最近，Uber还曝出与丰田汽车讨论关于在丰田车中安装自动驾驶系统的可能性。

虽然Uber在自动驾驶车数量上领跑，但却很少披露“质量”状况，这也是这次Uber出车祸之后被广泛诟病的一个方面。据加州公路管理局今年2月披露的2017年度自动驾驶测试报告显示，Uber的对手Waymo在每千英里干预次数上排名第一，但Uber并没有提交相关数据。

国内的自动驾驶也在资本与技术的加持下出现火热的情况，据不完全统计，去年已经有超过十家自动驾驶创业公司拿到融资。

Uber的这次车祸也成为自动驾驶从业者们一次集体公共危机。Uber发生车祸后，nuTonomy、丰田等国外多家研发自动驾驶企业表态对测试“降速”，而针对行业“大干快上”的情况，景驰CEO韩旭在朋友圈评论：

我们做自动驾驶一定要有敬畏之心。我一直反对大干快上。这也是为什么我在各种场合跟各种咖位的专家吵了无数架：一定要坚持有冗余的多传感器融合方案。以目前的计算机视觉技术，任何狂吹自己深度学习多么牛，只用摄像头就可以低成本做自动驾驶的都是耍流氓。

韩旭的言论一方面显示了他对个别企业粗制滥造、对摄像头技术过度相信行为的担忧，另一方面也能反映出，“大干快上”的背后是资本对现阶段乘用车商业化速度的追求在加快。但现实问题是，国内自动驾驶还处于高速发展阶段，距离最终大规模载人商用还需要一段时间的技术积累。

而与乘用车并行的另一股浪潮——商用车，由于限定环境、技术难度较小，出现了自动驾驶商业化的曙光。

在商用车的物流、货运、配送等细分市场中，集结了众多玩家，也因此诞生了不少自动驾驶创业公司。如不久前从滴滴离职的前研究院院长何晓飞，创办了自动驾驶货车公司逐影科技，这一领域还存在张天雷创办的主线科技以及图森未来；而在自动驾驶物流车、环卫清洁车创业公司中，分别出现了智行者和黄超创办的autowise。

万亿细分市场：不到30万成本的自动驾驶环卫领域最先实现商业化？

以黄超为例，黄超的autowise.ai专注自动驾驶技术研发，并将自动驾驶清扫车作为首个商业化落地项目。

至于为什么选择自动驾驶清扫车作为落地项目，黄超给出了以下答案：

首先，市场方面，目前全国道路总长度已经达到数百万公里，按平均宽度10米算，总面积达到数百亿平米。普通道路清扫的最低价格通常为一年10元/平米，粗略估算，全国道路清扫的费用已经接近万亿量级。而目前的环卫公司，60%以上是人力成本。

其次，技术方面，道路清扫的线路相对固定，作业时间多为夜间或者凌晨，路况简单。清扫时的行驶速度较低，在遇到突发情况时可以采取保护其他交通参与者的策略。

最后，社会价值方面，道路清扫一直是城市环卫工作的重点，但环卫工人经常需要夜间工作，甚至节假日也要坚守岗位，同时，由于身处室外环境，不仅要面对各种极端天气，比如高温、严寒、雾霾，而且工作过程中的交通意外也时有发生。自动驾驶清扫车可以改变这一现状。

autowise.ai最新发布的无人驾驶清洁车，包括一辆6米长的中型清洁车以及一辆3米长的小型清洁车，这两种类型的车辆已开始在某大型科技园内试运行。

视频中的自动驾驶清洁车由一辆近6米的纯电动洗扫车改制而成，在凌晨两点自动出发执行清扫任务。作业过程中中，这辆清洁车能够顺利通过红绿灯、路边障碍等各种交通状况，并在清扫完成后自动行驶到垃圾倾倒处倾倒垃圾，最后回到出发点自动泊入车位。

自动驾驶清洁车作业中

自动泊车

据黄超介绍，未来，城市环卫工作大部分将由自动驾驶清洁车完成，人们每天清晨醒来的时候，整个城市已经不知不觉中焕然一新。

至于商业化的可行性，黄超表示，目前，清洁车的所有传感器总成本仅30万人民币，这是由于系统在地图和定位上采用了多激光雷达和低成本GPS/IMU的传感器融合方案，避免使用价格数十万的高精度定位设备，同时，感知方面使用了多个低线束激光雷达和摄像头融合的技术，来替代常用的64线激光雷达。

此外，目前整套系统采用one cable传感器支架方案，方便对多种车型进行改造，从而逐步走向批量生产。因此，自动驾驶清洁车最有可能实现商业化。

基于此，autowise.ai组建的自动驾驶清洁车队已开始在上海试运行。

自动驾驶乘用车技术能“降维应用”，用更多冗余的软硬件方案来提升安全性

autowise.ai去年获得红点中国独家天使投资，目前，正同时进行自动驾驶乘用车和商用车的研发。

黄超向新智元透露，autowise.ai之所以持续研发无人驾驶乘用车系统，因为乘用车需要处理更加复杂的路况，能够收集更多的数据，从而也能加速自动驾驶商用车的研发，这是一个“降维应用”的过程。

autowise的自动驾驶乘用车能够在非结构化路段平稳行驶，并在极限道路完成错车，自动通过收费闸机。

目前，autowise.ai有20多名员工，核心力量主要来自各大互联网公司和车企，包括 Google、百度、滴滴、 通用、沃尔沃等，在无人驾驶、AI、出行网络、大数据等领域拥有较强积累。

除了黄超外，团队还有原百度计算团队和数据团队架构师叶青为联合创始人兼首席架构师，叶青曾负责百度最大规模数据仓库建设和数据挖掘项目，开发百度第一代大规模机器学习框架分布式向量计算引擎。

从autowise.ai给出的乘用车路测视频来看，其自动驾驶乘用车目前已经达到了相当的水平，不仅能处理普通城市道路路况，还能处理一些有意思的非结构化道路路况。

非结构化道路会车

自动通过园区收费闸机

黄超相信，此次Uber事件会促进全球自动驾驶领域的技术持续改进。同时也会给各大互联网公司、主机厂、Tier1等公司冷静分析当前技术的不足，用更多冗余的软硬件方案，来提升自动驾驶技术的安全性。