11月11-13日，“2020世界智能网联汽车大会(WICV2020)”在北京隆重召开，本次大会由北京市人民政府、工业和信息化部、公安部、交通运输部、中国科学技术协会共同主办。旨在打造全球智能网联汽车领域内规模最大、级别最高、影响力最大的世界级平台，持续引领全球汽车产业发展趋势，全面开启智能网联汽车产业发展的新征程。下面是滴滴自动驾驶公司首席运营官孟醒在本次论坛上的发言：

  滴滴自动驾驶公司首席运营官 孟醒

  各位早上好!很荣幸跟大家一起分享滴滴在车路协同上的一些部署和研发上的思考和进展。滴滴在车路协同上相对来讲是比较新的人，我们是一个小学生，或者我们是一个正在学习的，我们本身不是处于做硬件，或者做车这样的出身，我们从网约车用户角度出发，车路协同把技术体系扩张的过程中必要走的路径。

  在硬件上走的相对时间很短，我们有一个优势，我们的数据非常多，在做自动驾驶系统上的时候，我们非常注重把数据规模化的利用，用机器学习的方式，更数据趋同方式把体系搭建起来，看车路协同的时候怎么部署。

  车路协同价值各位领导，各位同事已经分享了很多，我们认为毫无疑问对我们整个实现自动驾驶，甚至辅助驾驶都是非常重要的节点。做L4以上的全自动驾驶，我们分成几类，有眼睛，嘴巴的功能，大脑功能，手的功能控制。对应车里面是比较好理解的，在传感器部分是眼睛，网络传输是嘴，ICU计算平台是脑子，线控的部分是动手实操，车路协同介入车的执行和判断对应所有的功能，我们认为车路协同所起始的基调。

  对于车路协同的眼睛，是信息展示，绝大车路协同部署的时候出现第一步，把道路监控的视频，出现的场景展示出来，无论是云控的大屏上，在车上可以告知，这是我们的眼睛，不做任何的分析和判断，任何的指示，这是告诉你，告诉的是司机或者云控中心的指挥人。云上的感知和车上的感知做到一起，有信息信号灯，有一些危险预警，道路异常，仅仅是告诉你独立车上的感知这有一个事情，放到车上感知，放到一起以后，车上如果看到知道同一个东西，如果没有看到叠加车里的信息一起做感知和判断。

  从这开始有一个结果，能做到协同感知这一点的前提是，做两端的感知，车路协同路侧的感知和车上的感知，两者都得做，只做路侧的感知无法做融合了协同。有自动驾驶车，我们做一些感知，这个融合的工作大家会忽视，每个端有自己的算法，这两个算法首先并不一致，有的传感器不一定一致，精度，传输速率出现差异问题，如果融合在一起做一套系统，两者都要做，还需要做大量的工作，到这对我们的工作提出很大的挑战，两者出现各种不同的时候，放在同一个框架下，做到同步。

  达到这一步达到嘴的作用，不光看到还可以告知。我们知道信息，融合信息以后，怎么形成新的建议和思路，知道前面有问题的时候，是不是建议自动驾驶车走一条新的道路，路径引导，短的是选道的建议，在地图上做重新的规划这样的工作。这是需要经过大脑思考的，更需要借助两侧，这部分的计算在车上，一部分是路上，两者分担，也可能融合，计算这件事情考虑延时，效率，需要深度的配合，对我们整个系统提出更高的要求。最后是控制，理论上做到控制，路侧的能力非常强大，能够把控制权交付给系统，我们相信系统具备完整的安全度和路面所有情况的感知程度，如果路侧形成对于车的控制，路侧对于车的认知和能力，至少达到和车相似或者差不多的程度，在这个过程中是梯子的关系，小部分介入控制和大部分介入控制是一个过程，这些可能形成控制的部分，每往前走一步，对系统整合融合的要求越来越高，系统需要稳定性，可靠性会提升更多。

  举个例子，在我们上海部署的过程中出现了一个真实的情况，我们在上海智能网联示范区有一段路经过拱桥，这个拱桥在一头看不到拱桥的另外一侧，那一侧路比较窄，在这一侧上桥的时候看到桥尾的情况，我们看到的是信息展示的部分，在桥尾的部分，有整个车路协同设备，可以看到遇到一些车的情况，信息传到云控平台，或者车的信息上。在眼睛的部分告诉我们盲区展示，我们知道这是我们看不到的地方，我们知道这有一个盲区，有一个车，我们识别是什么样的车，是临时的车，还是停了一个小时的车，对它的行为进行判断。

  基于这样的判断，如果是一个卡死的车，做一个路线规划的建议，建议车绕开，如果是临时的停车，司机处理一些情况，停止的时间比较短，我们做的路径建议不一样，不一定绕开它，是缓慢的推进，做一些ACC的工作。最后这个车发现路径建议绕开的过程非常的复杂，中间有很多的行人，一些路人穿梭，没有完成路径的建议，前面还有一些路障，可以实现远程驾驶，从远程控制这个车实际的行为，这是实际的案例，真实在我们上海部署，我们经常在这个桥的过程中遇到那一侧看不到，能够提前的避开，做示范的过程中简化很多的路径。

  我们反过来讲，更关键的一点是基于刚才所需要的一些眼睛、手，大脑，我们如何部署?这个话题比较实际，我们的部署在车路协同有部署的地方大家所处可见，有这种杆，还是专门为车路协同部署的建构杆，里面有摄像头，有各种各样的设备，有RSU，有传输的设备，有的部署了激光雷达，还有GPS的信息，有的杆是新建的，有的杆是借用现有的红绿灯，我们需要考虑很多的东西。

  杆到底放多少设备，成本有没有控制，密度是什么，杆多高，计算单元的计算量有多少，背后就是成本的问题，我们部署了车路协同体系之后，到底对我们的回收有多大的价值，我相信更好的设备，更高的性能一定会有更好的回报，回报和投入比，在今天这一刻开始需要考虑的问题，过去车路协同考虑标准，部署把商业因素考虑到，它的标准什么，我们认为应该有对应的标准，在上海3-4公里的道路上我们部署的时候考量了很多的因素。

  可以看到性能到距离，第二条虚线的时候是我们部署的位置，随着距离的增加性能逐渐的下降，看的越来越远，点数越来越，这是正常的结果。我们可以用单点的方向连续覆盖，下降一定程度，我们可以在性能上画一条线，我们做第二个，第三个，是不是每个地方都可以做，取决于建设的难度，市融的要求，每个节点上能不能拉得更长，这是一种部署的方法。我们从另外一侧放置车路协同的设备，从远处往另外一个方向射过来，超出边界范围性能下降，一边下降可以被另外一侧车路协同设备弥补过来，在中间形成很好的覆盖。

  如果把两者功能叠加，连续和冗余叠加，双向冗余的形态达到非常好的效果，这是最理想的情况。部署刚才讲到会有很多的妥协，这些妥协是不是值得做这件事。我们还考虑路是一样的，背后的逻辑，一段路价值是一样的，部署应该是平均的，所以我们用一套方式规划，但是路到底是不是一样的?我们认为路可能不是一样的，车路协同对于每段路，以50米为单位的路计算，增益的价值各不相同，可能根车辆算法有关系，更大程度上和路况，和路的复杂程度，线速都有关系。

  100米间隔像左侧，我们可以节省成本，中间交叉的低点相对比较低，性能决定分辨率，决定最高车路协同的能力，是否做到真正完全路侧控制车，还是辅助，还是中间两者之间的节点。如果50-70米的部署，是很密的状态，如果做到这个，性能高一个层次，成本会更高，建设的难度会增加，能力也增加，这两者背后都有对应妥协的理由。

  最后妥协回来看哪几个东西，我们看的是性能和成本之间的分布，在一段路上有很多不同的角度，几个关键的节点是设备，要不要激光雷达，要不要全套传感器还是部分，还是一些部分全部，一些部分全部，密度是多少，多少公路一个，多少米一个，单向还是双向，位置放在什么样的位置，还是每个中间路段上有，都是功能的形成，实践过程中有一个例子，这是我们上海实际部署的场景，从上海会展中心开始一直到下边的，我们部署13个车路协同的设备，13段路口布设，这段路在正常人的眼里和导航里面就是一段路，很难看出那一段重要，滴滴大数据平台我们看到这样的东西，从经济维度分开这段路，哪些路段有人打车，我们会分开经济价值，如果部署更贵的设备，应该从这段路带来的经济价值考量，有更多的车，也可能人，由于车多带来的安全问题。

  这段路哪些地方容易出事故，智能网联在哪些地方出事故是可以拉出来的，第一步告诉你出事故，第二步是出了什么事故，是因为追尾，还是盲区，这些事故有可能是因为什么样的原因造成的，这个很重要。最后部署出来的场景是这样的，左下角是设备，有的地方用了摄像头+通讯设备，ICU+边缘计算，有的地方是激光雷达，这段路我们也在验证过程中，初步得到比较好的结果，每段需要提升的水平是不一样的，我们补齐，通过不同的密度和手段拉齐同一个高度，现在在这段路上整个运营状态，可以进一步拉起一个位置上，初步验证理论和方式的节点，可以基于需求，基于数据驱动的需求验证做车路协同的部署。

  具体实践，我们在上海部署的车路协同设备，长相并没有什么不同，上面的东西每个杆上略有不同，右边实现感知融合，我们做车，也做路侧，这两者放在一起的时候，让车上很好的感知，让左上角红绿灯倒数，感知，盲区路标识别，人机交互屏上展现出来，给人看，车不展现的时候有这些信息，做决策的时候利用这些信息的使用。更好的设备让稳定性和可靠性信号增加，这部分的信息使用的权重，随着能力的增加也会变得越来越高。

  除了车上用外，云控中心也会用这部分信息，这是上海云控指挥中心有一整个信息，全部基于车路协同的信息，是动态的状态，我们部署激光雷达的路口看到的，右下角是摄像头融合出来的图，两者做上识别投影，可以看到路侧的状况。不光有车的情况，还有交通态势的分析，这个路段不光有多少网联车，大车，小车，货车，自行车，甚至有多少滴滴其他网联车，或者滴滴其他的网约车在那个路口，都可以进行统计，以车道线为单位进行统计。从上个路口往这个路口接近的时候，可以知道这条路的车很堵，我们就绕开，这些决策可以提前做，平均时速，堵车状况很好的分辨出来，这些信息可以交给我们的监管机构，更好做红绿灯这些调控等工作。

  最后，车路协同我们在讲车路协同的时候，车路协同不是独立存在的一件事，它本身是一个很大的体系，包括路侧的传感器，包括边缘计算，包括云端的控制中心。除了这个以外，包括车本身，自动驾驶系统是要和车路协同非常融合，才能把这个搭起来，背后支撑的有一个元素是大数据，脱离大数据很难构建起来，需要通过大数据判断什么地方装什么样的设备，同时把数据传输回来，到车上，形成更好的体验，谢谢大家。