陳黎明：自動駕駛汽車量產前面臨的3大挑戰

本 刊

2020年8月13—15日，“2020中國汽車論壇”在上海隆重召開。在8月15日上午舉辦的“智能網聯汽車創新發展與產業生態的升級”分論壇上，博世底盤控制系統中國區總裁陳黎明發表了主題演講，重點闡述了自動駕駛汽車實現量產前面臨的3大挑戰，以及安全的自動駕駛汽車應該具備的3個要素。以下為其演講實錄。

圖1 博世底盤控制系統中國區總裁陳黎明

各位來賓，上午好！

我來自博世底盤控制系統，負責主/被動安全，以及高級駕駛輔助系統(ADAS)和自動駕駛。下面和大家分享一下博世關于自動駕駛汽車實現量產之前的一些思考。

自動駕駛汽車已經走過的路

為什么我們在講量產？因為大家在道路上已經看到一些自動駕駛汽車，特別是一些低級自動駕駛或高級輔助自動駕駛(系統)，以及一些L3、L4級DEMO(展示/示范)的汽車。

博世從1993年就開始做封閉道路的DEMO，同時也在做高級輔助自動駕駛系統的研發；2013年，博世(自動駕駛汽車)在美國和德國進行公開道路測試，(其他)公司自動駕駛(汽車)研發及測試雨后春筍般展開；2014—2018年，業界L1/L2級輔助駕駛和部分自動駕駛(系統/汽車)迎來大規模量產，接近L3級體驗的功能成為趨勢，期間博世2017年首先推出了集成式巡航控制，在高速上能夠同時進行車輛的橫向和縱向控制；現在，L4級自動駕駛出租車等開始在局部范圍試驗運營。

自動駕駛汽車還存在“長尾問題”

為什么這么長時間才能研發出真正可以上路的產品？實際上這是目前談的比較多的“長尾問題”(見本文結尾補注)。從2019年初開始，很多企業特別是高科技企業將L4、L5的量產不斷往后延遲，最重要的問題是有很多“長尾問題”沒有辦法解決，從而無法證明自動駕駛是安全的。也就是說，從研發到量產階段還有許多挑戰在里面。

自動駕駛汽車量產面臨的3大挑戰

我個人認為自動駕駛目前面臨3方面的挑戰：技術挑戰；商業化挑戰；工業化挑戰。

(1)技術挑戰。大家都比較清楚，這些年很多科技企業都在傳感器、定位系統、決策、芯片、算力等方面做了非常多的研究。面臨的感知、決策、控制科技難題也在一個一個地解決。我個人對戰勝科技方面的挑戰是非常有信心的。今后只要投入資源，這些問題都是可以解決的。

(2)商業化挑戰。對此，很多人都在探討。目前大家一致認為，城市自動出租車和貨運自動化運輸，會相對早一點實現商業化。同時，商業化本身又取決于自動駕駛車輛本身的成本，這牽涉到元器件成本、車輛平臺成本。而要降低成本、實現商業化，就需要大規模量產。這便又涉及到工業化。

(3)工業化挑戰。何謂真正的工業化？我們認為，能夠滿足所有法律法規的要求，能夠大批量生產，能夠把價格降下來，能夠讓終端用戶盡早地享受到真正的自動駕駛。今天很多嘉賓提到了自動駕駛的安全問題。自動駕駛汽車面臨的最大考驗是：如何實現安全的自動駕駛？這是大家一直探討的問題。

剛才王博先生(國汽(北京)智能網聯汽車研究有限公司總經理，編者注)也提到了一些自動駕駛汽車發生的交通事故；當然，這在研發過程中也是正常的，一開始不可能沒有事故；但事故能不能完全消除？如何避免事故或把事故率降到最低，甚至降到比人的失誤還低，這是我們面臨的課題和挑戰。

怎么才能證明自動駕駛汽車是安全的？

目前有2方面來衡量自動駕駛的水平及安全達到什么程度。比如，美國加州車輛管理局(DMV)《2019年自動駕駛汽車脫離報告》中有關自動駕駛脫離的“率”，開多少公里、英里才脫離一次。美國蘭德公司試圖從駕駛里程層面對自動駕駛水平進行解釋。根據2015年美國駕駛總里程數4.8萬億km中發生的事故來統計，基本上人的駕駛水平平均200萬km發生一起受傷事故，1.47億km發生一起死亡事故。這是什么概念？駕駛1.47萬億km相當于繞地球超過3 600圈，按時間來算也得200多年。那么，怎么才能證明自動駕駛汽車是安全的？博世有3個方面的考慮：

圖2 陳黎明指出，自動駕駛汽車在量產前面臨3大挑戰

1.應滿足現在或將來法律法規的要求

今天很多嘉賓都談到了功能安全、預期安全、制動安全、轉向安全，特別是在失效的時候怎么保證安全。根據所有安全要求，按照傳統汽車開發驗證釋放的流程，有大家比較熟悉的V-model，根據行業法規要求，根據企業要求，制定出系統要求、零部件要求，一步步驗證，驗證過程總體還是在實驗室和封閉的特定實驗場所里進行。

自動駕駛牽涉的場景非常多，不可能再按照傳統的方式繼續進行，所以必須考慮在道路上實際測試，特別是用數據驅動的驗證方式對自動駕駛安全進行驗證。就是V模型和數據驅動的閉環進行結合，實現安全驗證。

還有，要用系統分析方法，比如用故障樹分析方法系統分析所有的失效模式，盡最大可能定義失效模式，同時找出相應的解決方案。這樣應該能夠比較好地驗證安全問題，給大家提供更加安全的產品。

2.具有處理極端復雜場景的能力

就是現在講到的長尾問題，常見的標準問題大家都已經處理了。業界也有一句笑話，要看自動駕駛車企表現怎樣就看你和城管的關系怎樣，能不能提前把道路上不規整的東西清理掉，使得自動駕駛更好地感知周圍的環境。這說明駕駛環境的復雜性，剛才周令坤先生(德勒汽車行業領導合伙人，編者注)也提到了，沒有一個駕駛場景是一樣的。同時在開發過程中不可能覆蓋所有的駕駛場景，必須在汽車生命周期內提供不斷學習和提高的能力。

對此，博世有3方面考慮：

(1)充分利用人工智能和車路協同。

不是簡單的人工智能，而是把人工智能和概率方法結合在一起，打造可解釋的人工智能。順便提一句，博世在2020年2月發布了《AI道德準則》(詳見本文后注1)，希望做一個可解釋、高魯棒性的、安全的AI算法和產品。

因為車的視覺和人的視覺都是有限的，智能路端可以提供更廣的視野和看不到的信息，幫助我們解決“長尾問題”(詳見本文后注2)。

(2)數據驅動的循環迭代，在量產以后有不斷學習的能力，我們的方案是要把單車遇到的問題上傳到云里，進行統一離線的學習和訓練，再把新的數據和模型給到車，最主要的是要保證可追溯性，每一輛車的狀態都是可追溯的。每一個車變成不可控、不可知是非常可怕的一件事，通過這種方式可以避免某一個單車發展成不可控，能夠很好地解決迭代學習的問題。

(3)我們知道駕駛的狀況是千變萬化的，不可能在研發過程中，即使在后續的學習過程中都覆蓋所有的駕駛場景。當算法和系統不能處理復雜或者失效的狀態時，就需要有冗余的系統來進行處理，以確保保證駕駛安全，包括車內人的安全和道路使用者的安全。

3.能夠可持續的復制

從0到1或者從無到有，屬于實驗室產品，包括目前的DEMO(展示車)還屬于0到1的階段。1到N，或者從100輛到10萬輛、100萬輛則是工業化的過程。如何實現工業化？因為自動駕駛汽車不可能只有一家車廠生產，也不可能只有一個車型。每家車廠、每個車型的定位不一樣、功能不一樣，傳感器的配置也可能不一樣，所以，要求軟件架構要有兼容性和可擴展性。

首先必須要打造能夠賦能的工具，這2天都有嘉賓談到軟硬件分離。要做到軟硬件分離，必須要有非常好的軟件基礎，這個基礎就是中間件。博世有非常好的產品——VRTE和AOS，可以更好地支持應用層軟件跟硬件之間的有機結合，而且可以擴展。同時也需要有一個非常好的整車電子電器架構，使得在不同的傳感器配置和車型上都可以復制可擴展。最后還有漸進的擴展，一步步擴大應用范圍。

總結一下，安全的自動駕駛系統需要提供規則一致、可預測、安全的行為，這是我們對自動駕駛汽車的基本要求。如果道路上還有其他動物抑或發生危險的情景，自動駕駛系統要盡最大可能避免事故的發生，如果不可避免則一定要把傷害降低到最低。

謝謝大家！