2017年10月27日, 由清華大學蘇州研究院指導, 清新汽車, 清研車聯聯合主辦的 '自動駕駛快速產業化的密碼' 主題沙龍在蘇州舉辦. 清華大學蘇州汽車研究院院長成波圍繞 '中國智能網聯汽車產業發展機遇' 為主題做了發言.
會上, 智能網聯汽車是選擇漸進式發展還是跨越式發展?成波表示, 傳統車企和互聯網企業對此各自選擇了不同的發展路徑. 而針對現有企業爭論, L3階段到底要不要?他表示: '原來主機廠都是堅持要循序漸進, 沃爾沃前段時間發布說跨過L3, 從L2直接到L4. 不過我感覺這個很難跨過去, 從L2到L4這個鴻溝還是非常大. ' 另外, 他還透露我國正在組建國家級智能網聯汽車創新發展平台.
以下為成波院長演講實錄:
清華大學蘇州汽車研究院院長 成波
將智能網聯汽車產業技術發展的聲量放大
今天我們是第一次以沙龍的形式一塊兒來分享一些話題. 因為我們在智能網聯汽車研究上做了很多年, 國內, 國際上也是做了一些前瞻性技術研究, 包括場景方面也有一些建樹. 不過感覺這些東西還是需要大家聯合起來做, 不管是做技術, 包括做產業等, 還是需要大家一塊參與. 我們實際上跟汽車工程學會有一次大型的年會, 不過感覺一年一次年度會議還不夠, 所以我們有一個設想, 希望能夠通過這種沙龍比較寬鬆, 比較靈活的方式, 包括技術的研究人員, 包括教育的人才, 包括投資者各方一塊兒來探討, 這是智輪行沙龍成立的一個基本初衷.
智輪行沙龍以全國巡迴的方式, 組織月度技術專題沙龍. 期間, 還將發布行業研究報告, 由清華大學蘇州汽車研究院通過研究並與清新汽車團隊完成. 另外, 通過行業熱點事件討論, 搭建圍繞汽車, 交通, 互聯網, 通信等多領域的交流平台. 在此, 清華大學蘇州汽車研究院也聘用清新汽車總編劉雄為產業研究總監, 加快與研究院內部產業研究團隊深度互動, 通過清新汽車的媒體優勢, 將智能網聯汽車產業技術發展的聲量放大, 促進產業正向發展.
關於智能網聯汽車概念介紹
今天我們討論這個話題, 屬於智能網聯汽車.
原來我們說智能汽車, 更多的還是自動駕駛, 它是通過車載的感測器來感知, 決策然後控制. 網聯的定義裡面不需要智能, 你只要聯網就可以了, 兩個合起來就是智能網聯汽車, 這是一個概念的出處.
美國的SAE汽車工程學會對智能化的程度做了一個定義, 從L1到L5. 第一級是單功能的預測, 前面有障礙, 來幫助你緊急刹車, 或者幫助你打方向盤規避, 或者給你預警. 第二級是整合, 第三級一部分實現車輛自動駕駛, 第四級是一般的結構化道路上都可以不需要人來駕駛.
去年的技術路線圖裡面, 把它這個定義分成三級, 一等就是通過網聯對汽車駕駛進行輔助, 比如提供資訊, 說前面彎路的時候人看不見, 來提供資訊. 第二是對它進行感知, 第三是決策與控制, 這個就構成了我們對智能網聯的一些基本概念.
還有一些概念, 一個是大家知道的智能汽車, 智能交通, 還有車聯網, 智能網聯汽車就是在中間, 它們都相關, 又有各自比較精準的定義.
智能網聯汽車發展需要跨界融合
另一個就是智能汽車它是跨界融合的, 光有汽車行業做不好智能網聯汽車, 另外汽車沒有交通的環境, 做得再好也沒用. 智能網聯汽車車輛本身需要感知, 決策, 控制, 要能自主導航, 要能跟人進行交互, 這是它本身的功能. 不過它產業本身和生態環境都需要大家的融合, 這裡面有定位, 地圖, 有V2X, 車和車要進行聯絡, 車和人要進行聯絡, 車和基礎設施要進行聯絡, 還有資訊通訊, 汽車共用服務, 大數據, 當然還有其他的一些, 構成整個產業的生態.
另外, 一旦出行就有事故, 就有責任, 無人駕駛的車撞人了怎麼辦?誰來承擔責任?無人駕駛的車能不能上路, 這個路權誰來定義?尤其是現在不成熟的產品, 誰敢把它放到路上去?所以這裡面有法律的問題, 有規範的問題, 標準的問題, 保險的問題, 還有道德的問題.
什麼道德問題?大家可能都聽說無人駕駛車是由工程師編程序控制的, 這個程序遇到危險以後是選擇撞誰?是撞牆還是撞人?對於乘車人和外面的人, 這個設計是利他還是利己?這裡面就涉及到一個道德問題.
通過看這個整個生態更詳細的圖譜, 發現涉及到上遊的軟硬體問題, 處理器, 儲存器, 還有駕駛的硬體, 軟體, 商業應用, 包括技術的解決方案, 也包括傳統整車製造, 整個生態中, 我們的汽車製造企業只佔那麼一角.
現在做預期, 在這裡面未來盈利最大的可能是移動服務的提供商, 在整個價值鏈裡面可能是佔位最高的. 還有平台的服務商和終端軟體的設備. 而對於其他的硬體, 在這裡面不佔優勢.
漸進式發展VS跨越式發展? 傳統車企與互聯網企業選擇各不同
對於智能網聯汽車到底應該怎麼去發展?這一直是有爭論, 或者大家在選擇一些不同的方向與路徑, 也是必然的, 因為都在探索. 智能網聯汽車未來是一個什麼畫像, 實際上現在也沒畫太清楚, 剛剛說分五級, 分六級, 這也都是我們一個理想的狀態.
從現在參與到整個行業裡面的, 一個是傳統的汽車廠, 包括它的零部件供應商. 還有一些新興的互聯網, ICT還有一些服務的企業. 在發展的時候有兩種不同的路徑, 對於傳統的主機廠肯定是漸進式的, 因為它轉型的包袱太重, 他不可能把現在所有的車都扔掉, 一步跨到無人駕駛, 這是不可能的. 另外它的一些供應商必須一塊兒走, 一個是商業上的利益共用機制, 另外一個主機廠的核心技術不在零部件供應商手上.
另外互聯網企業, 選擇的則是直接從高度的自動駕駛這兒來做, 因為製造不是他的強項. 所以這是兩個不同的路徑.
L3級恐很難跨越
我們說多少級, 實際上現在認真弄下來, 不需要分那麼多級, 高度自動駕駛和完全自動駕駛可以做成一個等級, 1和2實際上也可以做成一個等級, 3也許是一個過渡, 實際上分3級就夠了. 因為到第3級以後, 前面1級, 2級駕駛員是100%的責任, 無論用不用駕駛輔助系統, 出了事故責任都是人的. 到了3, 車的控制權可以發生轉移, 我這個指令或者說系統要求, 系統可以接管汽車的駕駛. 也就是說在這段時間發生的事故, 可能這個責任要重新劃分.
另外對系統技術的要求, 更多的是它的可靠性問題, Fail safe就是系統出故障了要保證它安全, 首先要把車停下來, 靠邊停下或者緊急刹車. 到車輛責任完全由系統來控制, 這段時間, 這個時空他是完全負責的. 在這個時候出現故障以後, 車還得人駕駛, 還得行駛, 行駛速度可能下來. 飛機現在到空中都是無人駕駛, 它一定要求系統是多套的, 這個對於整個系統的可靠性提出了遠遠超出我們現在想象的要求.
現在也有企業在爭論, L3階段要不要?原來主機廠都是堅持要循序漸進, 沃爾沃前段時間發布說L3他們跨過去了, 從L2直接到L4, 是有這些說法. 不過我感覺這個很難跨過去, 從2到4這個鴻溝是非常大.
'單車智能 ' 與 '網聯智能' 兩種技術路線的博弈
對於智能網聯汽車, 怎麼個造法?也是有不同的路線. 特斯拉現在的智能化水平實際上是2的水平, 它現在基本不依賴基礎設施, 更多的是用它車載的感測器來實現自動駕駛. Google一開始就是依託於高精度地圖, 它到一個城市就要用三維的雷射雷達把所有的模型造好, 這個車實際上是跑在數字地圖上, 它才能夠對照並進行精準定位, 來對車進行控制. 現在普遍接受的是穀歌這種多一些, 歐洲, 北美都在大量的採用道路數據. 像特斯拉做這種可能也有它的理由, 真要等著基礎設施完善, 車不知道什麼時候才能上路, 需要在有限的條件下首先讓車能跑起來, 這還是兩條不同的技術路線選擇.
新的平台技術現下比較單薄
我們現在說智能網聯汽車是一個顛覆性產品, 所謂的顛覆不光是從使用, 實際上我們在整車的架構方面, 一些核心技術上, 也出現了一些新的需要突破, 這裡列了十個, 我們說傳統車上沒有的, 作為支撐現在智能網聯汽車平台性的技術, 不是單一的技術. 感知, 決策, 電子電器架構原來是有的, 不過在智能駕駛情況下, 電子電器架構要重新定義. 還有車載的終端, 現在我們都是單向的, 只是播放資訊, 以後它是雙向交互, 以後語音的交互, 還有一些視覺的交互, 它會有很多, 包括資訊的交互.
還有車載的計算平台, 現在我們都是用微型的計算ECU來, 未來在車載需要大量進行數據的處理, 進行判斷, 所以這個計算平台一定要有. 高精度的地圖, 大數據, 雲控, 還有資訊安全, 人工智慧, 這些都是未來不可或缺的. 而這裡面現在的積累從全球來講, 還是比較單薄的.
人工智慧至關重要
在這裡面提到人工智慧, 之所以智能汽車這麼快發展, 尤其最近開始加速, 人工智慧在這裡面發揮了比較大的作用. 從人工智慧來講, 目前我們能看得到有些出色表現的, 比如AlphaGo把冠軍棋手全打敗了, 它在計算上, 在局部遊戲這方面做到極致. 到下一步感知智能, 一個是聽, 一個是看, 現在從數據上來講, 性能上來講都超過或者趕上人, 而且未來肯定會比人更強. 認知這塊它就要理解, 現在在車用上還沒有, 在一些醫療上有用. 第二輪人工智慧爆發的時候是60年代時候, 也是醫療專家系統, 它的識別精度就比人要高得多.
除了在感知這塊, 在行為決策, 直接控制這塊它也能發揮作用. 不過目前來講, 還是在感知這塊現在有比較明確的一些結果. 而對於增強學習和遷移學習這塊, 現在英偉達做樣車在進行嘗試, 它在高速公路上跑了10公裡, 還是處於特別初級的階段.
我們回過頭簡單說一下自動駕駛, 它基本的任務我們認為一個是環境感知, 一個是駕駛的決策, 一個是車輛的控制, 車輛控制這塊實際上傳統的車裡面基本上已經解決了. 一個是感知, 一個是決策, 這是需要新增的. 感知這裡面它有環境的識別, 有情景的理解, 決策就有行為決策還有路徑規劃, 這是細分來講.
在這裡面做這個事情也有兩類方法, 一類是我們說傳統的, 它是基於規則的, 把一些複雜的道路環境識別把它分成一個一個獨立的問題, 然後一個一個去解決, 這是我們解決複雜問題的一個基本邏輯. 就是把這個複雜問題給它分解, 簡單化. 不過我記得幾十年前就有提出來, 複雜的問題並不一定要通過這種結果的方式去解決, 不過那時候他提的理論實用性不強. 現在我們說端到端的進行機器深度學習, 它可能沒有嚴密的邏輯或者說數學邏輯, 所謂端到端就是我有一個輸入圖象, 我既可以識別這個道路上的這些障礙物, 同時我還可以直接延伸到來產生我操作的一些指令, 這就是端到端.
這裡兩種方法它各有優劣, 我們說現在端到端這塊的識別, 精度確實非常高, 不過它有一些致命的弱點, 一個是它的可解釋性太差, 就是這個黑匣子, 這個結果到底是合理不合理?說不清楚, 為什麼是這個結果, 它也說不清楚, 是因為什麼產生, 產生的理由, 依據也搞不明白. 這個最大的問題就是對於我們汽車製造商, 出了問題以後我要迅速的把這個問題找到而且要替換它. 如果我們整個控制系統以後是學習的, 說出了問題了, 這個故障你怎麼去找?那是沒法找的, 所以這個可解釋性就成了未來品質追溯的一個重大的難關.
另外還帶來一個問題, 以後是線上學習, 說我車賣你的時候是一個樣, 你每天開的那個地方, 你常年開上海這個街道和常年開蘇州街道學出來的結果就不一樣, 你在北京練出來的車, 到紐約不一定跑的好. 美國車肯定訓練完了到中國寸步難行, 類似這些東西帶來很大的不確定性.
它的好處就是對於演算法, 對於複雜度非常高, 人不用寫代碼了, 你有個基本的架構我來進行一些適應性的訓練, 這個是受到大家追捧的.
這是說到環境感知, 我們再分解一下, 跟大家再科普的專業一點, 環境感知實際上可以分成三個層次, 一個層次是識別, 路上有車還是有人, 有樹. 第二個是情景的理解, 有這些東西了, 它是一個什麼東西, 前面那個車是在我正前方還是要右轉, 還是要迴轉, 這個情景的理解需要. 第三個對於其他物體的預測, 行人也好, 車輛也好, 只有這個問題解決了, 我們說感知感覺, 知是感知, 知覺, 認知. 然後這些解決了以後才是決策, 才是控制, 才到車輛. 現在我們大部分工作在這塊.
這是資訊獲取, 現在百度通過一些競賽, 說號誌識別準確率已經達到3個9, 行人檢測已經超過95%了, 還有其他的一些指標, 包括車輛識別可能精度也是非常高, 這個比我們傳統做環境識別的演算法都要高得多, 未來他們在挑戰行人的識別率也要達到幾個9.
語義理解, 這是情景理解力的一部分, 因為車是在路上跑的, 哪些地方是我能跑的, 一個是在路上, 另外一個是沒有障礙物, 現在沒有, 將來我到的時候也沒有, 這是預測. 還有邊上站的一些人他的行為要進行預測, 通過不同顏色來進行區分, 再進行聚集以後它可以把這個區域輪廓畫出來, 為決策提供非常便利的條件. 這些通過深度學習都可以解決.
對於行為決策更難一些, 這是傳統的, 這是美國SAE弄的一個分層的結構, 每一個實際上還要細分, 所以這個東西要解決還是挺難的.
端到端這個時間不長, 1989年還是在校園裡, 後面的也是最近幾年, 隨著人工智慧的一些演算法提升以後. 現在就是英偉達在做實車的測試, 其他的到控制端的還少.
現已啟動建立國家級智能汽車創新發展平台
簡單介紹一下未來我們存在的一些機會, 因為我們剛剛說的一些技術路線的選擇, 因為一個產品要推出社會, 尤其要和人發生交互, 它整個生態鏈包括社會體系必須具備. 各個國家的政府高度重視, 而且都是把它列為國家戰略, 國外對於一個產品它很難都列為國家戰略, 從上個世紀九十年代開始, 圍繞著交通, 把智能交通和智能汽車, 持續這二三十年一直在做, 美國, 德國, 日本基本上都是按一個節奏在走. 東京2020冬奧會就要推出自動駕駛服務車輛, 我們國家現在定的目標是在2022的冬季奧運會也會有自動駕駛車輛.
中國現在提出目標了, L3以下的到2020年裝車率是50%, 這個是非常高的, 能不能實現這個真是不好說, 現在也就3年了. 2025到80%, 2030是新車標配, 而且汽車聯網要100%, 這還是可以預期的, 我們先不管說實現路徑怎麼樣, 作為一個國家, 尤其中國政府是說話算數的, 所以大家有的是機會.
目前我感覺機遇還是有的, 圍繞現在定義的概念, 自動駕駛沒有大規模的應用, 這塊留給了我們一定的時間. 第二個, 現在的發展都是國家引領, 產業協同這麼一個國家戰略, 凡是說抱團打群架的, 中國一定是強的, 因為政府的號召力強, 政府還有錢, 所以這塊只要方向不錯, 我們說核心技術可以等一等再攻破, 就跟高鐵一樣, 我先把路給你跑上, 把車給你跑起來. 後面還有一些, 一個是我們汽車市場多, 任何車廠都可以到我們這兒來賣. 第二個我們場景複雜, 場景複雜有一個什麼好處?我這兒訓練的車到別的地方都不能跑. 你像歐洲, 美國訓練出來的到中國跑不了. 第三個, 我們現在做統一的平台, 尤其資訊安全這是未來一個名正言順的壁壘, 所有的車到中國跑必須入網, 數據必須交出來, 必須按我們的規矩來, 所以這些我感覺是有機會的. 另外中國現在的智慧城市還是下一步經濟發展的重點.
最新的一個動態, 現在發改委正在發力, 工信部在技術創新這塊推動比較大, 發改委現在是要在產業這方面, 現在已經在啟動要建立國家級的智能汽車創新發展平台.
另外車廠也在動起來, 這個我感覺是有機會的.
未來將是服務來引領創新
有幾個趨勢, 跟大家分享, 討論, 一個是駕駛逐步的去人化, 從上個世紀我們說智能汽車, 智能交通, 就是通過智能化讓人少參與汽車的駕駛, 或者不參與汽車的駕駛. 因為汽車發生事故, 10%是車本身的故障產生的, 歐美這些車可能5%都不到, 道路環境大概30%, 有的地方可能多一點. 人的原因是90%, 所以讓人儘可能的少開車或者不開車, 這是解決交通安全事故的重點, 現在一年交通事故傷亡120萬到130萬, 這個是巨大的.
另外提高效率, 只要不是人開車, 就沒有脾氣, 車就會按統一的路徑來走. 低成本.
第二個肯定是逐步走向共用, 中國這麼大的人口基數, 我們按照國外的人均汽車擁有量那絕對是走不通的, 出行的需要又是一個剛需, 所以通過共用, 現在共用在國內推動的還是比較快. 所以共用以後, 品牌的價值會降低, 客戶是買服務不是買品牌, 另外出行因為方便了, 大家出行也沒有任何顧慮, 估計短途的, 長途的都會增加.
第三個, 移到服務, 我們都認為這裡面有它轉型的障礙, 在現有的土壤上要成長出一批新的主機廠來替代. 未來應該是由服務來引領創新, 而不是技術來驅動創新. 電動汽車可能會找到它更好的發展機會.