干货|从功能驱动到需求驱动！驭势科技姜岩深度分析成长中的无人驾驶产业
2017年6月24日，机器人大讲堂017讲特邀驭势科技联合创始人、CTO姜岩讲述“从功能驱动到需求驱动，成长中的无人驾驶产业”。
姜岩，驭势科技的创始人、CTO ，毕业于北京航空航天大学，曾经就职于北京理工大学车辆研究所，长期从事无人驾驶方向的研究。
1. 功能驱动是需求驱动的必经阶段，只有功能验证才能确定需求。
功能驱动，功能驱动就是具备能力，但是具备能力造成了一个问题，即高度的同质化。现在很多无人驾驶的视频出来看起来都差不多，还有好多是十几年前做的东西又翻出来做。结果就是越来越多的项目死于demo。
其实在2015年我在离开学校之前，在国际上就说法，不能仅仅做demo，要做部署（deploy）。但是以过去功能驱动的方式去做部署是不可能的，只有以真正的需求，尤其是长期的需求为驱动的这样的工作才能跳过demo的死亡线。我为什么说长期的需求，过去也有短期的需求结果导致的结果是to vc的或者是to boss的。
虽然功能驱动的工作导致了一些浮躁的现象，但是功能驱动却是实现需求驱动的前提，因为现在很多应用场景里甲方并不知道真正的需求是什么，只有实现了功能，才能确定用来驱动的需求是哪些。
2. 需求驱动：
要实现需求功能，主要的困难是两个方面，第一是要真正的去发掘具有一个产业应用价值的需求它的场景在哪里。第二想实现这样一个需求驱动它的难度比实现功能驱动要难得多。
我今天的分享主要是针对刚才两个困难来进行的，实际上驭势科技现在正在尝试去实现需求驱动的无人驾驶，当然这一切是从功能驱动开始的。
对无人驾驶理解的变化
第一部分我先说一下我在做无人驾驶将近7、8年的时间里，对无人驾驶变化的理解。
第一阶段，很长一段时间里，无论民口还是军方比赛里无人驾驶是从机器人的角度来做的。其实最初无人驾驶技术本身就来自于机器人领域，无人驾驶车最初也被定义为轮式机器人。核心的任务就是在安全的前提下让单车最优的完成任务。最优是指时间最优，也可能是距离最短。做了这么多年比赛以后，我发现这种以机器人为导向的无人加车，它的天花板在于永远到不了真实的道路上。
2015年我跳出了比赛导向，开始尝试让无人驾驶到真实的环境下面去。实现这一步的关键是我认识到要做开放场景下的无人驾驶，你必须尊重它是一辆车这个属性。车和机器人相比，首先它有三个属性，第一是它自身要保证它的安全，这一点和机器人是一样的。
第二是还要考虑乘客，这一点可以说和无人驾驶是背道而驰。
第三对交通的影响。
无人驾驶核心的价值在于交通效率的提升。如果一辆完全从自己角度的考虑的无人驾驶车放在路上，它可能会让交通效率变得更低，这种无人驾驶是毫无价值的。
我在离开学校前做的是北京三环上的无人驾驶，当时没有打算做高速，因为觉得高速已经被人做烂了，所以当时选择了一个稍微有挑战一点的。在三个约束下确实实现了开放道路的高度的自动驾驶。但是为什么把它定义为高度的自动驾驶？因为开放道路的自动驾驶这是一个开放性的问题，完全不收敛，唯一的答案是要把驾驶员保留在环境里面。
我们在尝试做高度自动驾驶的时候面临几个困难，表现在四个方面，只要你仍然在汽车这个产业链里，首先你的核心零部件是不受控的，无论你为了实现这个功能用什么方式去控制这辆车，它的部件到目前来看没有一个是能够满足量产要求的，换句话说你可能会倒在量产这个环节。第二是产业链非常长，迭代周期很慢，对车厂来说一个简单的功能，要想上车，3年以后能够实现报警就不错了。这两个问题不是核心问题，最核心的问题是后两个，高度自动驾驶，尤其是乘用车或者私家车来说是以驾驶员为核心的，体现在安全性和舒适性提升上面，挑战这两点都不可能实现。有一套路线从二三级做到全无人驾驶，最初的二级自动驾驶还是为了安全性，到了三级的时候安全性会降低，遇到这个槛会无法推动自动驾驶更高级别的提升。
既然从辅助驾驶或者自动驾驶到无人驾驶的路困难重重，而且很漫长，我们在考虑能不能直接去实现全无人驾驶，而不要再考虑以驾驶员为核心了。在此之前我们要保留一点来自于交通的好的经验：轨道交通是最好的交通方式。可以说如果没有虚拟轨道这个概念，我是不可能实现城市开放环境下的自动驾驶的。为什么这么说？自动驾驶是人工智能的一部分，这种人工智能是要受到规则的约束的，怎么样让它可以做到高度的可预测？我认为唯一的解决办法就是各行其道。你可以想象未来的无人驾驶肯定是所有的车都是无人驾驶各行其道，但是你现在必须去处理一些有人驾驶的车或者行人这些不各行其道的交通要素，只有做到自己各行其道，同时告诉你的安全员或者开发者你要干什么，你才可能去和别人一起适应。这种思想我们一直保留到了去做无人驾驶。
这种各行其道看起来像另一件东西仓储机器人或者AGV，既然有一条路在乘用车方面是从辅助驾驶到自动驾驶，再到无人驾驶，还有另一条路也存在，就是从自动化到无人驾驶，它的差别不是自动化程度的提高，因为它从一开始就是无人的，差别在于速度的提升，环境的从封闭到开放，更重要的一点是它具备社会的属性。这就是我们要提到的最后一点，保留它交通工具属性的情况下实现无人化，交通工具是社会的一部分。我们就提出这样一个概念，社会性的自动化。
社会性自动化,帮助人的工具,而不是取代人
社会性的自动化里包含两个部分，第一部分是必须遵守刚才提到的交通工具必须满足的三要素，自身的安全、乘客的舒适和对其他交通影响最小，甚至可以提升效率。另一方面是它的使用不是在封闭的厂房下完成这样固定的工作的，它需要一定的智能在里面，能够满足开放式的交通的要求，只要满足这一要求，就有可能产生取代驾驶员之外的价值。
1. 落地场景的选择
对于无人驾驶这一类的人工智能来说目的究竟是为了取代人还是为了帮助人，我们的选择是它将会是帮助人的工具。关于落地场景的选择，我们需要满足四个方面的东西。一是我们要保留人在环的可能，虽然它是自动移动的，但是要提供和人之间的交互。第二是要选择尽可能短的产业链，产业链像汽车一样，既有国际一线的供应链巨头在里面，又要满足主机厂的开发和上市周期，可以想像是会非常慢的，但是你可以选择一个非常短的产业链尽快实现。第三，规避法规的风险和解决保险的问题。最后一点应用场景真的具备跨越演示到实现运营的动力，我提的是动力而不是能力。
2. 跨越演示到运营的动力：无人驾驶的价值体现
动力涉及到无人驾驶真正的价值体现在哪里，有两个市场，一个市场是存量市场，一个市场是增量市场。甲方对无人驾驶缺乏概念时最关心的是能带来什么好处。可能大家想到的第一个好处是去掉了驾驶员，节省司机的成本。但是以节省的司机成本为全部目的的应用全部都在存量市场上。满足节省司机成本的无人驾驶系统，对成本的要求是非常严格的。
能不能发现节省司机成本之外的价值，这个对于找到一个可以落地的场景非常非常重要。因为你可以想象一个新技术发展的曲线肯定是上来价格是比较高的，只有找到了这样一个额外的价值，让它能够推行起来，随着它的成本下降，又找到了更多的价值，无人驾驶的优势才会越来越多，如果我们上来就去盯着司机成本困难会非常的大。
3. 新兴商业综合体和城市综合体对公共和共享出行的需求
目前我们在无人驾驶部分场景的选择，已经慢慢的收敛到新兴商业综合体和城市综合体对共同和共享出行的需求。先看一个应用
这个场景很简单，当你到大型商业综合体地下车库的时候，都会遇到这样一个问题，就是找停车位。大家肯定是希望找一个离电梯近一点的停车位，发现离电梯远的有停车位你就不要，继续去电梯口找，结果找到电梯口发现没有停车位，还得再回来停到更远的地方。这样一个应用是在大型商场地下停车库里提供无人驾驶摆渡的服务，你可以停在任何一个位置上，然后叫车过来把你接到电梯口，等你购物完以后通过电梯口输入车号把你拉到停车位上，这套系统目前和商场的自动寻车服务结合在一起，只需要输入你的车牌号码，自动寻车系统的摄象头就会找到你的车在哪个车位，你上车就可以了。自动寻车可以告诉你车在哪里，但是测试的时候发现很多人在满地下车库找停车位，他知道停车位是几号但不知道在哪里，现在不用考虑这个问题了。
之所以会做这个场景，是因为从去年开始很多的主机厂都对我们提出需求，想做一些代客泊车的功能。如果每一辆私家车都有这种功能，我们还需要在商业综合体里提供这个功能干什么。从需求来说，代客泊车是刚需，可是从实现成本上看呢？可以想象一下，如果你是一个私家车，一个星期可能只会去商场一、两次，也就是说同样的功能使用率一个星期只有一、两次，但是我们在地下车库里提供这个服务却是循环往复的，不是让任何一个人拥有这辆车，而是提供这种服务。从这个角度来说，功能的投入产出比是比较好的。此外，这个项目让我们发现，其实无人驾驶并不只是在代替驾驶员这一方面产生价值。比如在商业地产中，我们就可以为商家引入线下流量，这也是单车功能不具备的。而司机成本相比于这部分价值反而是偏少的。
在技术方面，我刚才说定位是无人驾驶的核心，但是在地下车库里完全没有GPS或者其他定位方式，需要车自己在里面定位。此外，这个地下车库的车流量非常大。视频里这个仅仅是我们在上个月或上上个月做的功能演示，那个时候商场还没有开业，所以车相对较少。现在进入了第二个阶段，为期两个月的试运营，现在已经开业了，车非常非常多，我昨天刚刚从现场回来，对于我们来说是一个很大的挑战，换句话说，如果我们能够适应这种完全开放，车辆非常多的应用场景的话，在其他领域要比它简单得多。
“耕地”功能与“种树”功能
分析过应用场景的选择后，我们来看从功能驱动到需求驱动需要做的努力。先来看一下我对需求驱动的无人驾驶用到的功能的分析。分成两种，一种叫做耕地，一种叫做种树。
回答这样一个问题，无人驾驶的中心究竟是什么，它究竟是围绕着人工智能，还是围绕着驾驶员，还是围绕着车，现在很多做人工智能的公司都在做无人驾驶，看起来好象不做图像识别就不能做无人驾驶一样。可是究竟无人驾驶是中心，还是图像处理是中心。
在我们看来无人驾驶的核心是移动，其他所有的东西都是服务于移动这个根本任务的，或者换句话说和移动相关的功能是耕地功能，是基础功能，其他功能是上面种的树，地种好了，树可以有养分，树种好了，水土才可以保持，这是相辅相成的，但是核心毫无疑问是移动。而只有批量部署的无人驾驶才能创造价值，单一的功能面向私家车或者to C的功能看起来和无人驾驶无关，是另一块的东西。
我们大体分了一下要实现一套无人驾驶系统里涉及的部分，看右上角，整个无人驾驶平台是单车，它下一级的软件里涉及到了感知定位、决策控制，这四大块实际上是我们过去做无人驾驶车里离不开的东西，重点都放在这儿。在感知部分，继续往下分，会分视觉、激光、毫米波雷达，视觉后面又分传统视觉或者是深度学习。到了定位会细分到究竟是用GPS还是用几十万、几百万的惯导，定位地图匹配，是靠激光地图匹配，还是靠视觉地图。当单车具备了这些软件功能之后，你还要考虑底盘和电控采用什么方案，如果是选择乘用车，受限于供应商和工厂不量产的限制。再接下来是造型和内饰，采用什么样的处理器，是用功能机、GPU，还是自己做的高性能的运算单元。跳出这一大块，才是一个多车的系统。首先我们不说左边，左边这一块我们只用现成的东西。
后台与前端涉及到大后台数据的采集，数据的安全、可视化分析、大数据、运营和调度，这都是后端看不见的东西，有两个看见的东西，一个是Web端，中央管理的系统，用来做无人驾驶的编队和调度，这两个概念不去细想你认为这两个东西是一个东西，实际上编队和调度是完全两个东西，还有远程协助。用户端分为手机端和仿生的仪表盘，一旦划分出来之后你就可以理解为我刚才为什么说无人驾驶是一个超级跨领域的东西，你要做一套大系统，这里面所有的东西你都要去做。
简单介绍一下目前我们在这一块都做了哪些工作，还没有不包括所有的工作。这个实际上是单车的功能，在没有GPS和不用任何惯导的情况下靠自身定位去做一个地库里面拥挤、复杂、人流非常密的情况下的自动驾驶，其实大家可以隐约看到各行其道的概念。
造型和设计我们并没有用在视频里的场景，因为这辆车是我们第三代测试车，重点是外观和用户界面概念的体现，包括它从外面来看是一辆提供移动服务的移动空间。这个车整个的内部是完全没有方向盘、仪表盘各踏板的，所有的空间都用来提供乘坐和平时的生活。在外面提供了一些人机的交互方式。所有的传感器都包含在车里面。
这一点上有一点经验，我们认为的需求并不见得是客户的需求，我们认为从研发者的角度来说，传感器越看不见越好，但是到了现场有时发现客户希望传感器露出来的越多越好，这也让我们意识到车什么样子不是我们说了算的，我们不是造一辆车给客户，而是由客户告诉我们我们需要造一辆什么车。
这个用户端是手机端的APP，这是另一个环境的叫车界面。
下面是一个APP端的管理，其实在手机端也可以直接看到。在整个的地库里面可以知道快要来接你的车到哪儿了，距离你有多远，你要去那里。
刚才所有的功能都是耕地功能，都是和移动有关的功能。对于目标识别显而易见也属于耕地功能，我们可以有很多办法去解决，可以用雷达去做，也可以用深度学习的视觉去做。对于深度学习的视觉，有一个基本的网络可以做大部分场景的分割，但是到了新的场景下，可以用少量的数据可以完成这个场景下的分割和识别的任务，这种数据的积累取决于部署的场景的多少，因此我们把它划分成种树的功能，部署的场景越多这个功能就越强大。
在我们看来想实现一个落地必须走完这五步，具备了基本的能力，具备一个规模化部署的能力，这个能力是不一样的。具备的能力是单车的能力，具备规模化部署一会儿我会细分一下它需要具备哪些能力，同时你还有具备自动化部署的机会，然后才可以谈得上你开始积累有效的数据。这里特别强调数据的有效性。现在经常看到报道说XXX采集了多少的数据，这些数据有多少垃圾数据？这三步完成之后，我把发掘需求放在了这儿，为什么放在这儿？是因为很多的需求目前真的是只有到了这一步才能发现，甚至于甲方会比我们更快的发现他真正的需求是什么。在这儿之后是优化适配，完成了这一步才能说我们的东西具备了市场化的可能。
在规模化的部署里，之前说的具备能力只是在右上角的那个专业级的软硬件系统和底盘的前一步。换句话说你找一个一个开源的系统，找一个攒出来的硬件，像做作业一样就能够实现一个非专业的软硬件系统和底盘，实现单车的功能。但是要实现一个专业级的软硬件、系统和底盘，它的要求又是完全不一样的。驭势的做法是基本不用开源软件，一方面是因为许可的原因，另一方面是因为开源软件代码质量的原因。无人驾驶这样一个强调性能和安全性的系统，我们宁可自己去从头建立系统，从头建立软件功能。
在视觉集成和回归测试这方面还有安全特性和软件OTA部分，这是你要做大规模的部署必须具备的条件。部署的工具链像高精度地图的采集和建模，测试工具链，这些工具性的东西是我们准备做上量部署需要具备的。最后是有效大数据的分析。对于通过有效的数据来反哺整套系统这一点，我们还处于准备阶段。现在只能实现的是有效经验的采集。到了一个新的场景，从演示到正常状态下和所有日常的行人和日常的车辆天天泡在一起，发现了很多经验和遇到的问题来反哺，大规模数据采集我们采集了很多，但是还需要下一步的工作去提取其中的有效数据。
到了这样的部分我们已经不再为了做可行性验证而做无人驾驶。我们现在努力做的是一个规模化的部署。必须得说我们会尽最大的努力去避免事故，保证安全，不会去为快速迭代牺牲安全性。但是因为车辆的基数，真实场景的复杂度，都远远超出我们的想象，所以发生意外的可能性远远高于演示。希望大家能理解，事故和故障成长过程中必然的产物。也希望大家给予一定的宽容和耐心。