智加科技研發副總裁、蘇州智加副總經理王磊
本次峰會上，智加科技研發副總裁、蘇州智加副總經理王磊發表了題為《AI賦能物流，安全“預見”未來》的主題演講。
智加成立於2016年，是最早獲得美國加州路測牌照的企業之一。目前在硅谷、北京、蘇州都設有研發中心。今年4月、5月，智加分別聯手一汽解放和蘇寧進行了港口和倉到倉的自動駕駛演示。
以下是演講全文，新智駕在不改變原意的情況下進行了編輯：
提到物流，人們最容易想到的是每年的電商狂歡節。其實，電商和零售只是物流服務的一部分，公路物流乾線連接中國的經濟核心城市，因此，物流在國民經濟中具有舉足輕重的地位。
2017年中國GDP總量超過12萬億美金，物流佔比約15%，這是非常可觀的數字。具體到高速幹線貨運物流，中國有超過700萬輛的高速貨運重卡和超過1200萬的重卡司機，是一個數萬億的市場。但該領域在發展中存在如下方面的問題和痛點。
- 安全性。高速重卡容易發生比較嚴重的交通事故，造成難以承受的損失和災難；
- 人力資源的短缺。高速長途貨運司機是一個高技能職業，准入門檻較高，同時成長期需要很長時間。更糟糕的是，幾乎沒有年輕人願意加入此行業，使得卡車司機越來越短缺。
- 成本。人力資源的短缺造成人力成本的高漲，此外油耗成本也成為各個企業所需要承擔的痛點。有數據顯示，22%消耗在人力成本上，28%是在油耗方面。
針對上述痛點，智加科技的願景是發展最安全的自動駕駛商業化運營運輸車隊，從而改善和解決安全性等問題。
安全方面，據悉，物流企業中發生的重大交通事故超過50%是由司機的疲勞駕駛引起。相比於人類駕駛員，自動駕駛系統可以更好更全面地感知周圍環境，並做出理性的規劃和判斷，從而能夠把重大安全事故的發生率降低90%。
人力資源和成本方面，自動駕駛技術可以使交通運輸更加便利，從而降低對人力資源的要求。同時自動駕駛系統可模擬學習優秀駕駛員的駕駛行為來降低油耗。此外，自動駕駛可提高物流設備和車隊運轉效率，降本增效。總體來看，我們希望可以將總的運輸成本降低25%。
對於大幅度提高駕駛安全和降低運輸成本的目標，到底什麼樣的企業才能實現？
智加成立於2016年，目前中國總部設在蘇州高鐵新城，在硅谷、北京、蘇州都設有運營或者研發中心。作為一家帶有硅谷基因的科技公司，超過80%的研發人員是來自於中美頂級高校，比如清華、北大、交大、哈佛、斯坦福、CMU和UIUC等。同時現在有越來越多的優秀人才加入，例如西安交通大學自動駕駛車隊隊長崔迪瀟加入到公司的蘇州研發中心。
具體到業務場景上，公司關注超級高速公路運輸，屬於一種倉對倉的運營模式，從貨物的集散地出發，到達高速公路，經過高速公路上的中途和長途運輸以及高速公路之間的切換，下高速，最終達到目的地的貨物集散地。只有滿足L4級自動駕駛技術要求，才能實現該業務場景。
智加業務場景主要聚焦在固定路線的端到端運輸，我們是做全局的規劃和局部路徑的優化。除了支持常規的車道線保持和跟車功能外，還要實現主動避障、超車換道和車流交匯等。
首先，回顧下智加的技術發展歷程：
- 2016年11月，開始了封閉環境的自動駕駛測試；
- 2017年3月，成為最早拿到美國加州公開道路測試牌照的中國自動駕駛創業公司；
- 2017年6月，完成硅谷市場下的自動駕駛出租車試運營測試；
- 2018年1月，完成往返硅谷與拉斯維加斯兩千公里自動駕駛測試，平均時長100公里，最高時速130公里，並在暴雨中完成了高速公路試乘；
- 2018年2月，完成在一汽解放重卡車型的自動駕駛封閉測試；
- 2018年4月，在青島實現無人重卡作業，同時落戶於蘇州相城區；
- 2018年5月，攜手蘇寧完成了L4級“倉對倉”場景的的自動駕駛作業。
智加L4級自動駕駛技術
接下來分享公司團隊在技術方面所做的探索以及取得的進展。
自動駕駛技術要解決的核心問題就是安全。安全也是商業邏輯所能夠成立的基本前提。智加科技整個技術架構是圍繞安全展開的，並提供全方位的安全冗餘。
在我看來，冗餘是不允許有單點失效，而是利用多種先進可靠技術和方案來解決同一問題，必須擁有足夠強硬的雙重保障甚至多重保障。
感知方面，公司的路線是多傳感器融合，包括視覺、激光雷達和毫米波雷達等。L4級自動駕駛技術極具挑戰性，如果過分地強調或依賴單一感知方案，很難覆蓋到所有場景。因此，我們把深度學習和傳統計算機視覺技術相融合，保證算法是安全高效的。
定位方面，團隊採取多源信息融合方案，包括基於Global座標系的全局定位+基於車輛座標系的局部定位等。同時把全局定位和局部定位相結合，在全局定位信息相對缺失的情況下，能夠以車輛本身為核心，按照周邊的局部環境進行相對定位。可以使車輛既能勝任中低速的城市環境，也能夠在全局的定位特徵相對缺失的高速環境裡面安全行駛。
規劃方面，主要對路面上參與者們的行為進行預測，以此來優化行駛路線和運動軌跡。同時對於每一條優化路徑，會實時進行上千次的安全模擬，檢驗在最極端情況下的碰撞概率，保證最終路徑的安全性。
控制方面，我們同上遊的合作伙伴一起保證車輛本身的功能安全，同時基於大數據對車輛的動力學特徵進行建模。除了傳統的基於反饋的控制之外，還對車輛的運動行為進行預測。
在保證每個功能模塊的安全冗餘以外，整體技術架構上的思路是通過交叉驗證來提高安全性，包括基於高精度地圖的先驗知識+基於實時感知的後驗信息。
接下來分享技術方面的案例。
上圖所展示的是比較綜合性的場景，包括家庭轎車、重卡、行人、騎自行車人等。針對複雜場景，單一的感知器或感知方案是非常難得到全面的語義理解和3D建模。智加的思路是綜合利用來自視覺的語義信息、激光雷達的準確的距離和方位信息、以及來自於毫米波雷達的速度信息等，進行後向和前向的融合，從而獲得近距、中距、遠距，360度全方位的覆蓋，同時能夠實現對類別屬性、深度、方位和姿態等進行準確的檢測和追蹤。
左側展示的是視覺前視圖，可以看到感知融合後的3D bounding box等信息。右側是激光點雲俯視圖，可看到物體的方位、姿態和距離等信息。
上圖中的下圖片展示的是車道線檢測建模，對於高速公路上的高曲率匝道，除了前後向的高低之外，還包括左右向的內傾，單一的感知器很難得到準確的空間信息。我們綜合利用多傳感器信息，對車道線和路沿進行準確的3D建模，可以讓重卡在極具挑戰性的路況下安全行駛。
深度學習方面，我認為深度學習不應該只能模擬人類的行為，還應該更進一步，在一些對人類來講具有挑戰性的場景中能夠施展本領。
左側圖展示的是發生交通事故之後的場景，地面上有很多雜亂物體，對於異常物體的實時檢測一直是自動駕駛急需突破的問題。智加的深度學習模型可檢測出地面上的樹枝和輪胎，從而能夠準確做出規劃控制。
中間圖展示的是車道線檢測，可以看到車道線本身非常模糊，並伴有特殊的光照條件和路面特質，人眼也很難看清裡面的車道線。但智加的模型仍然能夠非常準確地進行車道線檢測和語義理解。
深度學習依賴於數據，需要大量的數據進行訓練和測試，但數據的獲取本身是一件具有挑戰性的事情。智加的深度學習模型不但能夠從數據中學習，還可生成數據。
高精地圖和融合定位方面，公司是基於視覺和激光雷達等信息建立高精度地圖，屬於分層結構，包含點雲、拓撲、導航和語義等信息。
左上圖疊加的是視覺信息，包含採樣點的三維位置和車道語義等；左下圖是激光點雲地圖，包括多幀點雲的疊加優化和特徵採集；右圖是定位的舉例，開往高速路的匝道，之前要經過高架橋底，是GPS多路徑的問題，會造成GPS漂移。根據GPS信息，車道線映射與原圖像是不吻合的。智加利用視覺等定位信息的輔助，解決該問題。
交叉驗證方面，左側圖是高精地圖中簡單的運行時示例，右側圖是基於實時感知所得到的車道線。該場景是存在急轉彎現象。但地圖和實時感知的交叉驗證可以讓自動駕駛車輛從容通過該彎道。
右側圖是在高速上變道的規劃控制，中間的一條線是我們規劃的路徑，包含實時模擬安全驗證的部分信息，可以保證路徑的優化與安全。
除了技術之外，智加在產業落地方面也取得了不小的成績，聯合蘇寧進行了世界上首例倉對倉駕駛場景的實驗；與一汽解放達成戰略合作，共同推動新一代J7重卡平臺的智能化進程；和上汽集團就自動駕駛展開合作。
閱讀更多 中國無人駕駛網 的文章
