肖峰

北京峰云视觉技术有限公司CEO

斯坦福大学博士

以下是肖峰的演讲实录：

刚才我们听了两个演讲，我需要中文和大家进行演讲。今天的题目是自动驾驶中间的传感技术，主要就是一个综述。刚才介绍了，我们峰云视觉主要是做3D成像有关的工作，包括硬件和后面的算法，应用在消费，VRAR有应用，但是像工业自动化和汽车里面也探讨这方面的应用。

去年人工智能是科技界的热点，尤其像自动驾驶，基本上每天都有很多新闻发布，为什么这么多公司现在感兴趣呢，对自动驾驶。简单可以看一下，2016年，汽车全球销售了8500万辆，产值2万多亿美元，可以看到，苹果市值还比不上汽车的市值，苹果现在要扩张，谷歌也要扩张，汽车市场是它看到的最大的一块饼。自动驾驶，原来美国国家高速公路安全局有一个老的规定，分成四级，在去年9月份采取了国际汽车工程师协会推出的标准，大家觉得从汽车厂商的角度，从定义和测试的角度更加方便，分成了5级。0级，没有自动驾驶，平常我们看到大家买的行车记录仪，它会给你一些碰撞距离的警告，这个属于0级，自动控制不参与车的控制。1级一个简单的说法，手还是要放到上面，像自动跟车，计算机会给一些辅助，两个人开始共同参与对汽车的控制。第2级，手就可以拿开了，就是在大部分情况下，你手可以拿开，但是如果汽车告诉你马上停止的话，就马上停止，这个属于手不靠近它，但是必须放在上面，每周一些州还是强制的，手必须一直放在方向盘上。第3级，就是你的眼睛可以拿开，这个时候我们发现和2级有一些相似，主要的差异就是对2级自动驾驶，一旦出现危险情况马上就要控制，但是对第3级，可能不同的车厂不一样，可能会告诉你5秒10秒的时候，你再反应是没有问题的。线上线下最领先的公司，特斯拉是最领先的，我们看到很多公司发了很多新闻，说在哪一年要做到第5级的自动驾驶，其实大家现在的水平都是属于最多是2到3的阶段。第4级，简单讲就是开车的时候，你可以在车上睡觉了，基本上汽车不需要驾驶员参与，但是对于自动驾驶这块，它可能限制到一些区域，比如说政府规定某些城市某些道路是可以进行无人驾驶的，或者在特定的情况下。我们注意到，对于目前做的所有自动驾驶的测试，都是在光线很好的，在公共的道路上测试的，现在像雨雪天气，夜晚，听说只有福特在进行雪地上的测试。最高一级第5级，不需要驾驶人，就是真正的无人车，它的挑战就是，只要人能开车到的地方，这个车应该都能到，这就是一个总结。

下面从自动驾驶的技术该度分三大块，第一块就是传感Sensing，第二就是Mapping，第三就是Driving  Policy。现在讲传感，就拿几种在自动驾驶上的传感技术，它分为四大类，这是一个简单的概念，大家可以看到，雷达是毫米波雷达，还有普通的相机，还有专门为了夜视准备的红外和热成像的传感器。还有最普及的就是超声波的传感器，基本上中国每个车上有很多，现在最热闹的就是激光雷达，还有惯性测量，或者GPS，这里就不讨论了。

这四个主要传感技术分类怎么看呢，它们都属于检测和测距的范围，差别就是相机属于Passive，不主动发射能量，分成夜视和普通的。这就带来一个问题，特斯拉它是2016年有一个非常著名的实验，一个大卡车，特斯拉就开到大卡车里了，大卡车的侧面是白色的，跟天上的白云分不开的，这就是非主动的传感技术，因为没有（英文）背景，它区分不开大卡车的背面和白云。其他三种技术，像雷达、超声和激光雷达，属于自己要主动发光源的。现在毫米波雷达是三种，24G主要是自动跟车用的，现在技术投入比较大的就是77G和79G，毫米波雷达和其他雷达最大的优势，唯一一个全天侯的，晚上和白天，下雨下学这种恶劣天下都可以全天侯，而其他的技术都是有这方面的限制。激光雷达像谷歌的7万美元的雷达，很贵的，大家希望从7万美元，两年之内成本减少到100美元左右，这样就可以大量的应用。

这里做了一个概念性的比较，对相机来讲它有一个很大的因素，它可以识别路上的行车速度。天气好的话，距离可以看到1公里，成本也很低，但是它主要的缺点，我们刚才讲了，对晚上，对雨雪天气有好的适应，还有计算量大，成本很低，现在汽车上用的相机，模组一个是30美元左右，我们知道特斯拉比第二代的系统，用了8个相机，我们可以算一算它的成本，这是一些主要的供应商。毫米波雷达距离可以到250米，最大的优势就是唯一一个可以在恶劣条件下全天侯工作的技术，计算量比较小，速度的测量也是非常好。主要的缺点就是很贵，毫米波分辨率很低，路上的lane，线和线之间的间隔看不出来，成本77G是主流的，300美元左右的样子。激光雷达，包括谷歌的公司，我们发现很多新公司都用激光雷达做，做出的原形最快，距离是最好的，Mapping也是很好的，目前就是很贵，而且非常大，在雨雪天气有很大的问题，成本也很高，现在是8000美元，今年可能出250美元，每年可能出现小于100美元的。

自动驾驶最后是要看场景，除了技术之外应用到什么场景，我们列了三个场景，第一个就是非常理想的天气，现在很多车测试的时候，天气很好，光线很好，这个时候我们发现相机是最好的，除了刚才讲的，如果一个大卡车没有任何纹理这是一个问题，其他的情况下相机是最好的。距离，包括空间分辨率非常好。雷达和毫米波雷达差不多，也是200多米的样子，分辨率会低一点，超声是很小的范围，在这个情况下大家表现的还行。

下一个阶段，还是没有雨雪，但是光照降下来了，我们发现激光雷达和毫米波雷达不受影响，最受影响的就是相机，但是相机有夜视，这个成本比较高。这个是最有挑战性的，最后真正做到第5级的自动驾驶，肯定在恶劣的条件下，下雨，下雪，恶劣的条件下，这是躲不过去了，性能基本上没有改变的就是毫米波雷达，视觉和激光雷达都受到了很大的影响。

刚才讲了几种情况，现在做自动驾驶不同的公司，分两个主要的阵营，一个是以Mobileye为代表的，还有特斯拉。谷歌和百度，Uber，他们觉得雷达应该是自动驾驶的核心，我们发现很多初创公司不用问都是用激光雷达。这是两个阵营的比较，但是有点不公平，我们只写了激光雷达，从各个角度来讲，从距离，近距离的检测，分辨率，天气条件，雨雪，读路标，成本，各个角度来讲，如果用相机和激光雷达在一起基本上没有短板了，而且成本还可以接受。像特斯拉比较成熟产品，跑了很长时间，对他们来讲这是很务实的方式。如果是激光雷达，首先雨雪天气的时候成本很高，激光雷达可能也会加毫米波雷达这块。

后面细分一下，特斯拉的自动驾驶，目前认为特斯拉是自动驾驶最领先的公司，到现在为止它已经有1.3亿公里的数据搜集了，谷歌最新的数据是300万，它已经是1.3亿公里的搜集了，1的毫米波雷达，8个相继，12个Ultrasonic，特斯拉说我已经可以做到第5级了，只是政府那还没有开放，一旦车子应用以后事故率下降了40%，而且去年5月份发生了第一期特斯拉在自动驾驶方面死亡的事件，它的解释是1.3亿英里的里程1个死亡事故，平常的车是9400万英里，比个还要好，主要是相机分不清卡车上的图和天气的分辨。这是原始的图像光流，深度，把两个整合起来，对应整个图形分类，开始把车道画出来，这是它细节的东西。这是谷歌自己打造的车，这个车没有方向盘、刹车、油门，最显眼的就是64线的雷达，7万美元的样子，它也有毫米波雷达。谷歌自己二三十台车，到今年5月底只有30我万英里，中间14次事故，谷歌的解释是有13次是对方的事故，都是别人的错误，还有1次是因为他们驾驶员干预了。像谷歌的自动驾驶汽车，它需要非常高精度的地图，这也是谷歌的强项，需要到英寸级别的路线地图，而且它智能时候不像特斯拉，我从哪里到哪里，路线必须规划好，这是它最大的局限，它不能自由的驾驶。

最后这一页就是一个简单的市场预测，特斯拉8个相机，前面3个，一个正常角，还有广角的，对相机来说成长是最快的，差不多2019年至少每一辆车上有一个以上的相机。谢谢大家。

提问：现在传统的汽车厂商做无人驾驶，据我所知通讯界也有车辆通讯的标准化的研究，请问您对车辆通讯工作在未来自动驾驶有什么样的看法？

肖峰：车联网我不是很熟，我主要是对相机比较熟。

李德毅：相机核心作用是什么，比如对交通牌的话，这个是给人看的，你认为像机不可或缺的是什么？

肖峰：李老师讲的非常好，如果我们在平地起一个空城，这个自己自动驾驶车才能开，包括像车联和雷达，但是在混合的情况下，在过渡的阶段，相机还是不可替代的，所以它成本很低。刚才讲了不可替代性，有一个问题，只要有人参与，相机就缺不了，现在大家讲雷达和毫米波雷达一个最大的问题，为什么从3到4很难，平常我们路上载一些装置，警察让你提一下，雷感的雷达就直接开过去了，像谷歌原来地上有一个沙袋，它觉得很大，它主动就偏移了，只要牵扯到有人，路人或者对面的车里有人，我觉得相机是不可代替的。

提问：您觉得相机在光照，我们在使用的时候经常会遇到，比如阳光强的时候。

肖峰：这个包括红外传感，强感，但是这个比较贵。普通的传感器做的相机也可以做到星光级的，有方案，比较贵。

提问：在什么量级？

肖峰：可能是在一千多人民币。

邓伟文/主持人：谢谢肖博士。

（本报告根据速记整理）

CAAI原创 丨 作者肖峰
未经授权严禁转载及翻译
如需转载合作请向学会或本人申请转发
请注明转自中国人工智能学会