4 月的广州，终于来了一场久违的大雨洗礼。
在驱车前往小马智行位于南沙的总部时，我的耳边依旧回想那句话，毕业于首届清华姚班的楼天城，在大学军训期间说：“让我休息下，我要去机房做几道题。”他借着辆单车，做完题又趁着夜色赶了回来。
这类「极客」精神也映衬着整个 Pony 事业部，这是让我最好奇与着迷的。
面对外界「Robotaxi 的终局质疑论」以及当前面向 C 端「L2+」「城市自动驾驶」等商业论据，在多次追问后团队仍旧浅浅而谈。
面对 Robotaxi 质疑论，Pony AI 团队只回答一句“给 100 年前的人说你以后出行可以在天上飞，我觉得所有人都会说你肯定疯了。”
面对当前的最热的商业逻辑，Pony 团队这样评价楼天城：“他的目标是是实现 Robotaxi 的最后一步，这个圆才会完整，其它都不是他追求的。”
独到儒雅的办公环境，泛泛而来的文艺气息，Pony 团队如坐落在深林，如「孤独」的前行者，也如一个极客主义者的城市「摆渡人」。
雨又接着下了….
一、「正题」：小马智行 Robotaxi 上路案例分析
为了更直白和大家呈现场景，我们综合实际小马智行 的 Robotaxi 场景，结合每个视频和大家做解读。而此次更具对比性的是，我们这次不体验打车流程，而是直接上车，由安全员设置导航。
场景是「南沙中心」「大雨」「高峰期」，具有很多随机事件。
Now,Let's witness it ！
视频上传成功
基础场景一：「开启自动驾驶」
此次由于没有线上打车的导航预设，所以在车内安全员会设定好目的地，线路为动态寻路，并且是支持在内部道路场景、静态直接开启自动驾驶。
基础场景二：「雨天道路标线不清晰」
而此次我们刚好遇到一个大雨天的高峰场景，雨水光线的折射肉眼基本不能识别标线，特别在一些凹凸路面，车道线内有积水，而得益于高精地图以及多传感器融合，这些基础场景表现都比较稳定。
基础场景三：「识别红绿灯」/「识别黄灯切换」
目前小马智行在 Robotaxi 上搭载了一颗自研的红绿灯识别摄像头，覆盖范围为 180 米，而摄像头不只是考虑像素级，它还可以根据部分恶劣环境、不同红绿灯样式结合曝光、FOV、防水能力、防震等指标进行场景调整识别。
而我们在另一个场景下能够识别到黄灯，并且系统会做提前刹车动作。
基础场景四：「无跟车左转场景」
作为另一个基本的左转场景，Robotaxi 的整体表现也比较顺利，遇到隔壁车道慢车贴进时，也会做缓刹动作。值得一提的是，小马智行的团队会根据用户体验后的不同场景结合舒适性考量，做调整。
基础场景五：「识别慢车超车」
我们在途中遇到前车打转向灯变道，此时 Robotaxi 也随即打灯变道超越慢车。
视频上传成功
基础场景六：「基础物体识别能力」
在这个场景下，我们看到有行人、电瓶车、小车、大车等系统对于路面信息的识别。另外界面中还能够对临近车辆做行为轨迹预测。
视频上传成功
场景七：「通过复杂十字路口」
我们通过一个较为复杂的十字路口，无人车的系统也会出现犹豫，随后它顺利回到车道线上。
场景八：「连续跟车场景」
在连续跟车刹车场景下，无人车通过多场景的优化后，车内乘客的舒适性基本贴合日常乘坐体验。
场景九：「加塞场景」
在加塞场景下，我们遇到前车连续变换两个车道的场景，系统依旧能够识别，完成降速。
场景十：「过减速带提前减速」
让我们意外的是，在通过减速带前无人车可以提前识别，并减速通过。
视频上传成功
场景十一：「通过 S 型无标线路段」
我们通过一段道路维修路段，是一条 S 型的不规则道路，并且路面未有任何标线，而系统也能够顺利识别通过。
这个特殊场景，是基于小马智行车辆团队自主识别场景变化，然后上传到云端，云端会将不同的车端信息综合做分析，在分发到不同的车辆做实时更新。
所以只要有单一车辆通过新的道路场景或事维修道路，整个系统也会做更新。
场景十二：「遇前车慢速加塞」
我们也遇到常见的前车犹豫慢速加塞的场景，系统在识别车辆后采用缓慢刹车的动作，整个过程较为线性。
场景九：「红绿灯左转遇障碍物」
这个场景值得讲的是在普通左转道路中，突然出现一个电瓶车的场景，和前几个场景体验的一样，系统没有「突然识别」的急刹动作，反而是先降速预测电瓶车行走路线，随后提速正常行驶。
视频上传成功
场景十：「自主进入非主干道」/「通过抬杆」
而在我们导航中，最后的路段有一个进入非主干道以及抬杆的场景，而系统能够根据导航的识别自动进入辅道，并且在抬杆后可以等待后通过。
场景十一：「识别障碍车避让」
我们在辅路中也遇到一台停在路边的车辆，此时系统识别后重新规划路线，完成超车。
Pony 坚持 Robotaxi 的核心目的在哪？
二、「前提」：无人化与规模化
而无人驾驶的技术发展中，无人化和规模化是不容分割的关系，无人化是考验不同场外场景的处理能力，规模化则是一个前提。
之前具争议的 Robotaxi 的终局质疑论，是由于有 99% 的场景目前无人车可以解决，但是剩下的 1%的场景，需要付出过去超过 10 倍以上的代表才能完成。
这百分之一就包括「长尾场景」。
在我们上述的基础场景中，我们看到自动驾驶在换道超车、通过红绿灯、右转、加塞场景等，都有稳定的表现。
而长尾场景更为复杂，发生概率虽然比较低，但情况复杂。例如横穿车道上的行人、在左转车道上有直行车辆、故障以及违章车辆违停等场景，特别是中国的复杂工况下存在着很大的不确定性。
如何在无人化与规模化的基础上解决呢？
这需要通过无人车在「不同地区专门捕捉复杂场景」，利用不同场景数据组合达成综合性能力。
而如果车辆再去一个陌生地方的时候遇到的 corner case 下，则能够在之前去过的地方找一个类似的场景出来，然后仿真系统可以达到迅速迭代的能力。
这就引出 Pony ai 非常需要重要的论点，「corner case 是具备泛化能力的」！
三、「技术关键」：数据的泛化
与传统的数据采集与训练方式不同。
目前主流的方式是根据驾驶者的不同行为与习惯，去匹配机器的处理机制做对比校正，由此达到一个训练的结果。
而小马智行采用的是利用「仿真系统」将收集的场景储存进系统里，通过仿真将关键信息提取再泛化到不同的场景中去。
以此类推，「不断优化机器处理长尾场景的能力」。
如我们看到 的 S 型维修路面，作为一个突发行性事件，也不在高精地图迭代范围内，无人车第一次看到一个自主识别变化场景，然后上传到云端，将不同传输而来的信息综合在一起做泛化。
而更为典型的例子是我们遇到的中国本土不同加塞场景，例如不同是不同速度、不同角度、不同行为、不同距离、不同车辆等，而这些数据的提取后也可以利用仿真系统将其泛化。
所以仿真系统并不是围绕「一个事件」或者「多个事件」做训练，而是通过综合性的场景仿真，通过推演、分裂出新的数据，最后对车辆新的自发行为优化做校正，以此循环。
而讲到这里，我们还忽略了一个前提。
什么数据才能进入仿真的圈子里呢？
四、自动驾驶的两大伪命题
「伪命题一：低成本的数据采集」
数据的采集不只是需要精度高，还需要基于多维度的场景下。
目前主流的观点开始变化，利用低成本的方式采集的数据意义其实并不大。
算法、自动驾驶的技术迭代意味着对场景数据的要求会更高。
而缺乏维度的数据很难重构场景，也就意味着缺乏参考以及训练的意义。
而多维度信息的采集也意味着采集成本的提高。
这两个成本则建立在采集车辆的硬件成本以及软件算力成本。
「伪命题二：高算力处理场景更强。」
软件算力的成本核心是你能如何以 minimu 最低的算力处理好哪些场景，处理能力则是建立在你的软硬件融合、采集的维度信息等。
而目前大部分车企都宣布 1000TOPS 的即将上车，而算力的分配还暂未有实质性的应用。
优化算法处理更多复杂场景显然未来的核心竞争力。
自动驾驶最终考验是如何做数据分析、处理，以及对数据的理解力。
而不是利用高算力成本，因为高算力并不意味着处理场景能力更强。
三、 楼天城：一件事情在做到之前终究是一个概率
楼天城在接受采访时提到，“ AlphaGo 跟李世石下棋之前我还是给了一个大概 50% 的概率，严格来讲也可以认为我不看好 AlphaGo，其实科技发展很多实时候是一个尝试和概率，而不是我们一定要做这个概率的事情。”
这个概率事件在楼天城身上不是一场博弈，而是一次科技发展的挑战与尝试，不是做这件事情本身。
楼天城的逆向思维是无人驾驶是必然条件，只有将无人驾驶的「圆」闭合，就能实现任意场景、商业模式的自动驾驶，这其中不止是 Robotaxi。
楼天城提到目前高峰上下班、雨天等恶劣场景，其实感知、决策、融合、控制是共同配合完成一个安全、舒适性的体验。而不是像过去一样集中在某个模块中，例如过去的感知挑战，如今不同的模块会对复杂场景做分担，这也是自动驾驶能力提升的根本。
构建一个安全可靠、高效的模式，对复杂场景的处理能力，提高泛化能力，小马智行始终认为，只有技术的更新，才能推动整个软硬件的迭代能力。
小马智行联合创始人兼 CEO 彭军拿出「上半场」成绩，包括 5 个城市布局、 850 平方公里路测、500 万公里的总里程以及 200 辆测试车。
而下半场的开始是推出 PonyPilot+ 以及扩大 300 平方公里的覆盖范围。
而在大家高谈下半场的期许与成就时，楼天城则表现得轻描淡写：上半场最重要的结果就是进入下半场，这是上半场最重要的成就。
最难的 Robotaxi 的无人化和规模化，小马智行始终认为，必须拿下。
而对于楼天城而言这场「概率事件」不是你争我夺、互争高下的过程，而是一场他还未完成的一场挑战赛。
{{detailStore.integral}}
积分赞赏人员
添加咨询车型
新出行
{{data.limitTimeActivitySearchKeyword}}