2020年8月13日-15日，“2020中国汽车论坛”在上海隆重召开。该论坛是由中国汽车工业协会(CAAM)主办，世界汽车组织(OICA)、世界经济论坛(WEF)唯一支持的行业顶级论坛。本届论坛以“新变局 新挑战 新思路——引领中国汽车新征程”为主题，紧扣时代脉搏, 求索突破之道，紧密围绕“十四五”规划，把控宏观产业形势，解析全球汽车产业发展动态。其中，在8月15日上午举办的“智能网联汽车创新发展与产业生态的升级”分论坛上，滴滴自动驾驶公司COO孟醒发表了主题演讲，以下为演讲实录：

  滴滴自动驾驶公司COO孟醒

  孟醒：各位上午好，很荣幸跟大家分享一下滴滴自动驾驶在过去四年尤其在最近两个月时间里所做的一些进展和工作。

  大家都知道滴滴是出行平台，出行是我们的根本，出行也是我们的基因，我们觉得自动驾驶里面出行的基因很重要，因为我们要最后提供服务。无论是他是用多么复杂的技术或者多么智能的能力，最终要保证的出行的体验、安全和效率。在这三者之间安全是最重要的，安全又是我们做出行的基因。

  在道路交通全球一年会发生的致死事故到130万左右的规模，非常可怕的数字。每天不做任何危险的事情，只是在道路上坐车、开车，每年就会有一百多万同胞因为这件事情丢掉自己的生命。这件事情一定是可解的，可解的上限标准是另外一个数据，就是航空。航空总的量比我们每天交通的出行低很多，但是航空可以理解为它可能总的运输数量，低1-2个数量级，但是致死数量相差若干个数量级，差别是非常大的。

  我们认为期望心中达到的目标，当实现自动驾驶的时候这是我们的上限，接近航空的上线。每个人的生命都很重要，这是我们做自动驾驶的初心。

  做这件事本质上是一个选择，同时也是一个被选择的过程，就是我们需要一定的能力和基因才能实现我们想要的目标。我们觉得比较关键的有三个方向：一是人工智能的技术。二是人工智能技术背后的燃料即数据。三是边界，我们能做到多大，是我们的网络。三个加在一起，能支撑我们把这件事情做成的关键。

  滴滴做自动驾驶，任何认真做L4自动驾驶的团队和公司，要做完整的自动驾驶全栈的架构。我们要搭建整个以AI为中心的自动驾驶全栈架构，这里面包括线上的全栈模块，感知、定位、预测所有部分，包括支持模块，包括仿真系统，高精度地图，甚至背后还有资质等等，都需要具备。这里面的架构并不特殊，特殊的的是每个模块自主的开发和能够自己做。今天自动驾驶能力再好，都不够好，没有一家公司可以把今天自动驾驶的能力放到我们的路上就能跑起来全栈的运营服务。我们需要一个更快速迭代的能力，才能不断的逼近我的目标。逼近的前提是软件的部分每一个模块上下联动优化，软硬件一起优化，所有事情一起去做。

  刚刚陈总讲的有长尾数据的问题，我们解决很多东西就是前80、90%的场景数据解决差不多了。解决差不多了研制过早，我们切实在体验上能够在模型车上，在迭代上比较安全的处置路面上遇到的主要问题，把安全从车上拿掉，把测试员不需要在车里安装测试员的场景之下，我们需要解决的是最后1%，0.5%的长尾问题。长尾问题出现的概率很低。我们一个人一辈子开车的总里程也许是百万公里，或者百万公里级别，这个数字跟绝大多数自动驾驶公司测试的里程，相仿。很多的长尾场景是千万公里或者亿公里未出现，这种场景出现不只一次，可能出现一千次的数据结构，才有足够多的数据能够拿回算法体系优化迭代，处理这个场景。起码亿级规模远比这个更高的数据体系才是合理的。

  大家说，我路测的数量不够，因为自动驾驶测试车有限，我们用仿真系统，仿真能把我们的测试里程再提高1-2个数量级，就是乘10-100倍，可能拿到亿级的级别，亿级别依然不够，仿真系统里产生很多的场景往往跟真实世界中的这些场景的分布是不尽然相同的。尤其在我们解决概率问题的时候，它的分布跟它出现的频率同样重要。到最后，我们滴滴解决方案，除了用自己的测试车搜集数据，我们还用局势的设备。这个设备已经安装在滴滴的网约车里面，到今年年底安装一百万台，我们覆盖超过两百个城市。一百万台的概念，搜集一千万公里的数据，绝大多数想象中的长尾的场景，而且分布在各个地方的长尾场景的真实的数据一年之内会大规模的搜集起来，基本上会便利，而且不只是一遍，可能是上千遍，可能是上万遍。这些场景进入我们的系统，自动抽取三维的信息，放到我们的仿真系统里测试模拟，使我们的算法处理这些问题。如果列在表上是非常长的一个线条。相对我们路侧数据，我们整合两部分的数据一起迭代，这是我认为解决长尾问题的一个非常关键的点。

  有了长尾数据之后，接下来选择在什么地方进行运营?这是很重要的。当自动驾驶L4级别，区域一下子不能开到全场景，从一个区域受限范围内，受限的天气情况，受限路况情况逐步开放，然后变大。一开始开放什么地方，能够使得技术能够满足条件的同时，又有也足够商业场景的区域。的

  有三张地图组合在一起，第一张地图，经营地图，滴滴八年累计的经营数据，我们知道哪里有订单，哪里没有，哪里可以形成闭环订单，哪行屏风高峰有差别。我们先看经营价值。第二张地图，看安全，滴滴历史上过去八年时间里，人类在哪些路段发生安全事故，多么严重安全事故，汇集到地图，给每个路段打分，分以红色绿色标识。三是技术能力和路况的状况和结构化的状态进行一个匹配，比如说车道是不是清楚，行车道和自行车道是不是分离开。类似这样的信息也会对道路进行打分。这三个加在一起形成我们的战术地图，我们希望最开始开放的区域能不能用更少的路况覆盖更多的订单，满足更多乘客的需求，在有限的能力范围内做一个更好的商业闭环的模式，这是一个非常重要的区间，这也是我们在利用数据所核心需要解决的问题。

  有了区域之后，即便这个区域能有支撑我们的形态，大家车辆数还不够。毕竟跟网约车不太一样，自动驾驶车是新的车型，不是私家车大家已经有这样么辆车，只要拉在线上进行运营就可以了。而是有新的车的形态部署到这个范围之内，这个形态部署的成本非常高，所以也是一样，从小的车队逐步变成一个更大更大的车队的过程。

  有限车队和有限区域之内满足人类的出行需求是很难的。我会用什么样的方式呢?我把机器和人类的车放在一个平台上进行运营。这样借助于我已经有的非常大规模的人类运营网络和机器的融合，我们可以服务更多的乘客，机器或者自动驾驶的车只占非常少的一部分，逐步逐步服务更多的人。这样的情况下，如果乘客的起点和终点都在我们的测试服务范围之内，那么我们就可以去把这样的请求发送给我们的乘客或者发送给我们自动驾驶车，如果不在这个范围内，或者天气情况不好，或者自动驾驶车不是空余状态，无法给正常的人类驾驶的出租车或者人类驾驶的网约车，形成混合派单。乘客的角度没有区别，自动驾驶的角度来讲，我没有压力，不需要接所有单，不需要做所有的事情，这样的混合模式是能够突破这件事情的一个非常关键的点。

  刚刚讲了三块，我们的D即data，A即AI、N即Network，三个加起来就是我们的DNA。以自动驾驶的出行服务我们认为会需要不光是意愿和能力，也需要DNA，DNA恰恰就是我们所拥有擅长的部分。

  刚刚讲的是理论，实际的角度来讲，在于6月27日的时候，在上海嘉定，在区域里面我们正式上线了我们自动驾驶的载人示范，现在乘客可以通过滴滴报名，体验我们自动驾驶的体验。区域在嘉定市几十平方公里的范围内，报名人数已经很多了，我们逐步接待我们的热情的乘客。各位有兴趣可以来这边体验，就在上海的汽车会展中心，是我们的起始点。这里面实现了混合派单，乘客可以通过滴滴选择自动驾驶或者普通的网约车的服务。

  这是一个视频，可以给大家看一下6月27日上线的状况。在历史上自动驾驶实时进行直播上线还是比较少有的行为，因为还是对大的挑战，尤其那一天经历非常大的暴雨，上海下雨不稀奇，但是那一天暴雨非常大。在各种各样的场景下测试我们的车，很多时候都不是我们正常的运营环境，我们很感兴趣了解我们的极限在哪里，我们的运营监管中心除了车上的安全以外，有背后护航的中心。

  我们其实在为了车能够上路，提供了很多的安全保护，除了车上的智能，车上有安全员，路上有车路协同的设备，上海嘉定已经部署几公里的设备体验可以有。

  右侧有安全检测指挥中心，可以看到所有路上的信息和车上运营的情况，右侧是我们能看到实际的状况，就是从上帝视角看到在这个路口上所有车的交互以及它整体的感知。我们现在已经从路侧的感知和车上的感知融合在一起，为车做一个更好的决策提供帮助。

  最后跟大家分享两个案例，为什么在这个阶段上自动驾驶体验，给更多的乘客做体验。其实我们也是抱着好奇心做这件事，我们认为它能够推动迭代我们的技术进展，有七八乘客的体验的信息放到我们技术迭代的周期里面，它会让我们的自动驾驶能力更接近于上线服务真实的服务所需要的真实的能力。

  上线之后有些超出我们预期的场景，左边的场景是001号乘客，我们上线第一天来报名参加，他是迪士尼公园跳舞的小姐姐，一个舞者。她对世界抱着非常大的好奇心，他在迪士尼就是给来迪士尼的游客带来欢乐，她也需要获取新鲜事物，她乘坐我们的车给我们非常大鼓励。原来想象中的东西，通话中的东西变成现实，甚至做的不够好的地方，比如说急刹车，认为是我们为了做安全刻意做的事情，他抱着对世界的美好给了我们很多的鼓励。而相比鼓励，我们更希望的是批评和建议，右边的老大爷60多岁了，第二天上线开了两个多小时的车跑到我们这边来体验，他做过很多家的自动驾驶车，给了我们的意见，说我们这个不好，那个不好，正是因为的意见和体验让我们真实的得到客户的反馈，才能迭代我们需求。鼓励和批评共存才能让我们更快的提高。

  我们讲到航空级别的安全是我们希望的目标，其实最近来体验的就是空乘人员在疫情期间做了很多的工作，也是第一手了解我们到我们在前线上所得到的安全的需求。它也坐了我们的车，也有非常我的意识，我们真实从第一线做的最安全的行业里面了解他们的信息，给了我们很多的指导和看到很多的体会。正是这些普通的乘客和他们不同身份，不同背景所发生的故事，在我们的自动驾驶的场景里面使得我们鼓励我们进步，借这个机会跟同行从业者一起推动这件事情的进步。

  谢谢大家!