近日，機器人大講堂特邀馭勢科技聯合創始人、CTO姜巖博士講述“從功能驅動到需求驅動，成長中的無人駕駛產業”。

姜巖博士，馭勢科技的創始人、CTO ，畢業于北京航空航天大學，曾經就職于北京理工大學車輛研究所，長期從事無人駕駛方向的研究。

1.功能驅動是需求驅動的必經階段，只有功能驗證才能確定需求。

功能驅動，功能驅動就是具備能力，但是具備能力造成了一個問題，即高度的同質化。現在很多無人駕駛的視頻出來看起來都差不多，還有好多是十幾年前做的東西又翻出來做。結果就是越來越多的項目死于demo。

其實在2015年我在離開學校之前，在國際上就說法，不能僅僅做demo，要做部署（deploy）。但是以過去功能驅動的方式去做部署是不可能的，只有以真正的需求，尤其是長期的需求為驅動的這樣的工作才能跳過demo的死亡線。我為什么說長期的需求，過去也有短期的需求結果導致的結果是to vc的或者是to boss的。

雖然功能驅動的工作導致了一些浮躁的現象，但是功能驅動卻是實現需求驅動的前提，因為現在很多應用場景里甲方并不知道真正的需求是什么，只有實現了功能，才能確定用來驅動的需求是哪些。

2.需求驅動：

要實現需求功能，主要的困難是兩個方面，第一是要真正的去發掘具有一個產業應用價值的需求它的場景在哪里。第二想實現這樣一個需求驅動它的難度比實現功能驅動要難得多。

我今天的分享主要是針對剛才兩個困難來進行的，實際上馭勢科技現在正在嘗試去實現需求驅動的無人駕駛，當然這一切是從功能驅動開始的。

01 對無人駕駛理解的變化

第一部分我先說一下我在做無人駕駛將近7、8年的時間里，對無人駕駛變化的理解。

第一階段：輪式機器人

第一階段，很長一段時間里，無論民口還是軍方比賽里無人駕駛是從機器人的角度來做的。其實最初無人駕駛技術本身就來自于機器人領域，無人駕駛車最初也被定義為輪式機器人。核心的任務就是在安全的前提下讓單車最優的完成任務。最優是指時間最優，也可能是距離最短。做了這么多年比賽以后，我發現這種以機器人為導向的無人加車，它的天花板在于永遠到不了真實的道路上。

第二階段：車（高級自動駕駛）

2015年我跳出了比賽導向，開始嘗試讓無人駕駛到真實的環境下面去。實現這一步的關鍵是我認識到要做開放場景下的無人駕駛，你必須尊重它是一輛車這個屬性。車和機器人相比，首先它有三個屬性，第一是它自身要保證它的安全，這一點和機器人是一樣的。

第二是還要考慮乘客，這一點可以說和無人駕駛是背道而馳。

第三對交通的影響。

無人駕駛核心的價值在于交通效率的提升。如果一輛完全從自己角度的考慮的無人駕駛車放在路上，它可能會讓交通效率變得更低，這種無人駕駛是毫無價值的。

我在離開學校前做的是北京三環上的無人駕駛，當時沒有打算做高速，因為覺得高速已經被人做爛了，所以當時選擇了一個稍微有挑戰一點的。在三個約束下確實實現了開放道路的高度的自動駕駛。但是為什么把它定義為高度的自動駕駛？因為開放道路的自動駕駛這是一個開放性的問題，完全不收斂，唯一的答案是要把駕駛員保留在環境里面。

我們在嘗試做高度自動駕駛的時候面臨幾個困難，表現在四個方面，只要你仍然在汽車這個產業鏈里，首先你的核心零部件是不受控的，無論你為了實現這個功能用什么方式去控制這輛車，它的部件到目前來看沒有一個是能夠滿足量產要求的，換句話說你可能會倒在量產這個環節。第二是產業鏈非常長，迭代周期很慢，對車廠來說一個簡單的功能，要想上車，3年以后能夠實現報警就不錯了。這兩個問題不是核心問題，最核心的問題是后兩個，高度自動駕駛，尤其是乘用車或者私家車來說是以駕駛員為核心的，體現在安全性和舒適性提升上面，挑戰這兩點都不可能實現。有一套路線從二三級做到全無人駕駛，最初的二級自動駕駛還是為了安全性，到了三級的時候安全性會降低，遇到這個檻會無法推動自動駕駛更高級別的提升。

第三階段：虛擬軌道交通（無人駕駛）

既然從輔助駕駛或者自動駕駛到無人駕駛的路困難重重，而且很漫長，我們在考慮能不能直接去實現全無人駕駛，而不要再考慮以駕駛員為核心了。在此之前我們要保留一點來自于交通的好的經驗：軌道交通是最好的交通方式。可以說如果沒有虛擬軌道這個概念，我是不可能實現城市開放環境下的自動駕駛的。為什么這么說？自動駕駛是人工智能的一部分，這種人工智能是要受到規則的約束的，怎么樣讓它可以做到高度的可預測？我認為唯一的解決辦法就是各行其道。你可以想象未來的無人駕駛肯定是所有的車都是無人駕駛各行其道，但是你現在必須去處理一些有人駕駛的車或者行人這些不各行其道的交通要素，只有做到自己各行其道，同時告訴你的安全員或者開發者你要干什么，你才可能去和別人一起適應。這種思想我們一直保留到了去做無人駕駛。

這種各行其道看起來像另一件東西倉儲機器人或者AGV，既然有一條路在乘用車方面是從輔助駕駛到自動駕駛，再到無人駕駛，還有另一條路也存在，就是從自動化到無人駕駛，它的差別不是自動化程度的提高，因為它從一開始就是無人的，差別在于速度的提升，環境的從封閉到開放，更重要的一點是它具備社會的屬性。這就是我們要提到的最后一點，保留它交通工具屬性的情況下實現無人化，交通工具是社會的一部分。我們就提出這樣一個概念，社會性的自動化。

02

社會性自動化,幫助人的工具,而不是取代人

社會性的自動化里包含兩個部分，第一部分是必須遵守剛才提到的交通工具必須滿足的三要素，自身的安全、乘客的舒適和對其他交通影響最小，甚至可以提升效率。另一方面是它的使用不是在封閉的廠房下完成這樣固定的工作的，它需要一定的智能在里面，能夠滿足開放式的交通的要求，只要滿足這一要求，就有可能產生取代駕駛員之外的價值。

1.落地場景的選擇

對于無人駕駛這一類的人工智能來說目的究竟是為了取代人還是為了幫助人，我們的選擇是它將會是幫助人的工具。關于落地場景的選擇，我們需要滿足四個方面的東西。一是我們要保留人在環的可能，雖然它是自動移動的，但是要提供和人之間的交互。第二是要選擇盡可能短的產業鏈，產業鏈像汽車一樣，既有國際一線的供應鏈巨頭在里面，又要滿足主機廠的開發和上市周期，可以想像是會非常慢的，但是你可以選擇一個非常短的產業鏈盡快實現。第三，規避法規的風險和解決保險的問題。最后一點應用場景真的具備跨越演示到實現運營的動力，我提的是動力而不是能力。

2.跨越演示到運營的動力：無人駕駛的價值體現

動力涉及到無人駕駛真正的價值體現在哪里，有兩個市場，一個市場是存量市場，一個市場是增量市場。甲方對無人駕駛缺乏概念時最關心的是能帶來什么好處。可能大家想到的第一個好處是去掉了駕駛員，節省司機的成本。但是以節省的司機成本為全部目的的應用全部都在存量市場上。滿足節省司機成本的無人駕駛系統，對成本的要求是非常嚴格的。

能不能發現節省司機成本之外的價值，這個對于找到一個可以落地的場景非常非常重要。因為你可以想象一個新技術發展的曲線肯定是上來價格是比較高的，只有找到了這樣一個額外的價值，讓它能夠推行起來，隨著它的成本下降，又找到了更多的價值，無人駕駛的優勢才會越來越多，如果我們上來就去盯著司機成本困難會非常的大。

3.新興商業綜合體和城市綜合體對公共和共享出行的需求

目前我們在無人駕駛部分場景的選擇，已經慢慢的收斂到新興商業綜合體和城市綜合體對共同和共享出行的需求。先看一個應用

這個場景很簡單，當你到大型商業綜合體地下車庫的時候，都會遇到這樣一個問題，就是找停車位。大家肯定是希望找一個離電梯近一點的停車位，發現離電梯遠的有停車位你就不要，繼續去電梯口找，結果找到電梯口發現沒有停車位，還得再回來停到更遠的地方。這樣一個應用是在大型商場地下停車庫里提供無人駕駛擺渡的服務，你可以停在任何一個位置上，然后叫車過來把你接到電梯口，等你購物完以后通過電梯口輸入車號把你拉到停車位上，這套系統目前和商場的自動尋車服務結合在一起，只需要輸入你的車牌號碼，自動尋車系統的攝象頭就會找到你的車在哪個車位，你上車就可以了。自動尋車可以告訴你車在哪里，但是測試的時候發現很多人在滿地下車庫找停車位，他知道停車位是幾號但不知道在哪里，現在不用考慮這個問題了。

之所以會做這個場景，是因為從去年開始很多的主機廠都對我們提出需求，想做一些代客泊車的功能。如果每一輛私家車都有這種功能，我們還需要在商業綜合體里提供這個功能干什么。從需求來說，代客泊車是剛需，可是從實現成本上看呢？可以想象一下，如果你是一個私家車，一個星期可能只會去商場一、兩次，也就是說同樣的功能使用率一個星期只有一、兩次，但是我們在地下車庫里提供這個服務卻是循環往復的，不是讓任何一個人擁有這輛車，而是提供這種服務。從這個角度來說，功能的投入產出比是比較好的。此外，這個項目讓我們發現，其實無人駕駛并不只是在代替駕駛員這一方面產生價值。比如在商業地產中，我們就可以為商家引入線下流量，這也是單車功能不具備的。而司機成本相比于這部分價值反而是偏少的。

在技術方面，我剛才說定位是無人駕駛的核心，但是在地下車庫里完全沒有GPS或者其他定位方式，需要車自己在里面定位。此外，這個地下車庫的車流量非常大。視頻里這個僅僅是我們在上個月或上上個月做的功能演示，那個時候商場還沒有開業，所以車相對較少。現在進入了第二個階段，為期兩個月的試運營，現在已經開業了，車非常非常多，我昨天剛剛從現場回來，對于我們來說是一個很大的挑戰，換句話說，如果我們能夠適應這種完全開放，車輛非常多的應用場景的話，在其他領域要比它簡單得多。

03 “耕地”功能與“種樹”功能

分析過應用場景的選擇后，我們來看從功能驅動到需求驅動需要做的努力。先來看一下我對需求驅動的無人駕駛用到的功能的分析。分成兩種，一種叫做耕地，一種叫做種樹。

回答這樣一個問題，無人駕駛的中心究竟是什么，它究竟是圍繞著人工智能，還是圍繞著駕駛員，還是圍繞著車，現在很多做人工智能的公司都在做無人駕駛，看起來好象不做圖像識別就不能做無人駕駛一樣。可是究竟無人駕駛是中心，還是圖像處理是中心。

在我們看來無人駕駛的核心是移動，其他所有的東西都是服務于移動這個根本任務的，或者換句話說和移動相關的功能是耕地功能，是基礎功能，其他功能是上面種的樹，地種好了，樹可以有養分，樹種好了，水土才可以保持，這是相輔相成的，但是核心毫無疑問是移動。而只有批量部署的無人駕駛才能創造價值，單一的功能面向私家車或者to C的功能看起來和無人駕駛無關，是另一塊的東西。

我們大體分了一下要實現一套無人駕駛系統里涉及的部分，看右上角，整個無人駕駛平臺是單車，它下一級的軟件里涉及到了感知定位、決策控制，這四大塊實際上是我們過去做無人駕駛車里離不開的東西，重點都放在這兒。在感知部分，繼續往下分，會分視覺、激光、毫米波雷達，視覺后面又分傳統視覺或者是深度學習。到了定位會細分到究竟是用GPS還是用幾十萬、幾百萬的慣導，定位地圖匹配，是靠激光地圖匹配，還是靠視覺地圖。當單車具備了這些軟件功能之后，你還要考慮底盤和電控采用什么方案，如果是選擇乘用車，受限于供應商和工廠不量產的限制。再接下來是造型和內飾，采用什么樣的處理器，是用功能機、GPU，還是自己做的高性能的運算單元。跳出這一大塊，才是一個多車的系統。首先我們不說左邊，左邊這一塊我們只用現成的東西。

后臺與前端涉及到大后臺數據的采集，數據的安全、可視化分析、大數據、運營和調度，這都是后端看不見的東西，有兩個看見的東西，一個是Web端，中央管理的系統，用來做無人駕駛的編隊和調度，這兩個概念不去細想你認為這兩個東西是一個東西，實際上編隊和調度是完全兩個東西，還有遠程協助。用戶端分為手機端和仿生的儀表盤，一旦劃分出來之后你就可以理解為我剛才為什么說無人駕駛是一個超級跨領域的東西，你要做一套大系統，這里面所有的東西你都要去做。

簡單介紹一下目前我們在這一塊都做了哪些工作，還沒有不包括所有的工作。這個實際上是單車的功能，在沒有GPS和不用任何慣導的情況下靠自身定位去做一個地庫里面擁擠、復雜、人流非常密的情況下的自動駕駛，其實大家可以隱約看到各行其道的概念。

造型和設計我們并沒有用在視頻里的場景，因為這輛車是我們第三代測試車，重點是外觀和用戶界面概念的體現，包括它從外面來看是一輛提供移動服務的移動空間。這個車整個的內部是完全沒有方向盤、儀表盤各踏板的，所有的空間都用來提供乘坐和平時的生活。在外面提供了一些人機的交互方式。所有的傳感器都包含在車里面。

這一點上有一點經驗，我們認為的需求并不見得是客戶的需求，我們認為從研發者的角度來說，傳感器越看不見越好，但是到了現場有時發現客戶希望傳感器露出來的越多越好，這也讓我們意識到車什么樣子不是我們說了算的，我們不是造一輛車給客戶，而是由客戶告訴我們我們需要造一輛什么車。

這個用戶端是手機端的APP，這是另一個環境的叫車界面。

下面是一個APP端的管理，其實在手機端也可以直接看到。在整個的地庫里面可以知道快要來接你的車到哪兒了，距離你有多遠，你要去那里。

剛才所有的功能都是耕地功能，都是和移動有關的功能。對于目標識別顯而易見也屬于耕地功能，我們可以有很多辦法去解決，可以用雷達去做，也可以用深度學習的視覺去做。對于深度學習的視覺，有一個基本的網絡可以做大部分場景的分割，但是到了新的場景下，可以用少量的數據可以完成這個場景下的分割和識別的任務，這種數據的積累取決于部署的場景的多少，因此我們把它劃分成種樹的功能，部署的場景越多這個功能就越強大。

在我們看來想實現一個落地必須走完這五步，具備了基本的能力，具備一個規模化部署的能力，這個能力是不一樣的。具備的能力是單車的能力，具備規模化部署一會兒我會細分一下它需要具備哪些能力，同時你還有具備自動化部署的機會，然后才可以談得上你開始積累有效的數據。這里特別強調數據的有效性。現在經常看到報道說XXX采集了多少的數據，這些數據有多少垃圾數據？這三步完成之后，我把發掘需求放在了這兒，為什么放在這兒？是因為很多的需求目前真的是只有到了這一步才能發現，甚至于甲方會比我們更快的發現他真正的需求是什么。在這兒之后是優化適配，完成了這一步才能說我們的東西具備了市場化的可能。

在規模化的部署里，之前說的具備能力只是在右上角的那個專業級的軟硬件系統和底盤的前一步。換句話說你找一個一個開源的系統，找一個攢出來的硬件，像做作業一樣就能夠實現一個非專業的軟硬件系統和底盤，實現單車的功能。但是要實現一個專業級的軟硬件、系統和底盤，它的要求又是完全不一樣的。馭勢的做法是基本不用開源軟件，一方面是因為許可的原因，另一方面是因為開源軟件代碼質量的原因。無人駕駛這樣一個強調性能和安全性的系統，我們寧可自己去從頭建立系統，從頭建立軟件功能。

在視覺集成和回歸測試這方面還有安全特性和軟件OTA部分，這是你要做大規模的部署必須具備的條件。部署的工具鏈像高精度地圖的采集和建模，測試工具鏈，這些工具性的東西是我們準備做上量部署需要具備的。最后是有效大數據的分析。對于通過有效的數據來反哺整套系統這一點，我們還處于準備階段。現在只能實現的是有效經驗的采集。到了一個新的場景，從演示到正常狀態下和所有日常的行人和日常的車輛天天泡在一起，發現了很多經驗和遇到的問題來反哺，大規模數據采集我們采集了很多，但是還需要下一步的工作去提取其中的有效數據。

到了這樣的部分我們已經不再為了做可行性驗證而做無人駕駛。我們現在努力做的是一個規模化的部署。必須得說我們會盡最大的努力去避免事故，保證安全，不會去為快速迭代犧牲安全性。但是因為車輛的基數，真實場景的復雜度，都遠遠超出我們的想象，所以發生意外的可能性遠遠高于演示。希望大家能理解，事故和故障成長過程中必然的產物。也希望大家給予一定的寬容和耐心。