“滴滴韦峻青：「滴滴双子星」打造安全可靠赖的L4级自动驾驶平台”

7月1日-2日，由盖世太保汽车主办的“2021第四届世界自动驾驶论坛”在上海隆重举行。 本次论坛将聚焦自动驾驶感知、智能驾驶域控制器、芯片、计算平台、无人驾驶不同落地场景等自动驾驶关键技术进行讨论，以促进自动驾驶相关技术的更快发展和完整性。 以下是滴滴自动驾驶企业首席技术官韦峻青在本届大会上的发言。

滴滴自动驾驶企业首席技术官韦峻青

郑总从总结方面指出我们的自动驾驶还是很有前途的。 当然也指出了落地的挑战和困难。 其实为了应对这些挑战和困难，做了一点技术储备和从总软件到硬件的计划。

首先我认为自动驾驶确实是一项非常困难的工程。 我们完成了99%的工作。 可能还有99%的工作。 首先，非常困难的一点是我国的长尾问题和边缘场景。 对个别司机来说，这些场景遭遇的概率可能不高。 一年可能会遇到一次。 但是，滴滴的互联网上有百万辆车，将来自动驾驶一到来，大量的车辆就会自动化。 在这种情况下，我们团队遇到这些场景的概率变高，需要安全地解决这些场景。 这向我们提出了数据的挑战和场景的挑战

另外，我在想现在的算法能否应对这些场景。 例如，在pt公开的数据中，大家会在车辆检测方向上检测出模型的精度有多少误检测、有多少漏检。 虽然在距离较远或遮挡较多的情况下，只要有75-80%的检测精度就非常好，但对于自动驾驶车来说只能检测70%。 如何能进行更准确的评价和更安全的驾驶，这是一个非常困难的课题。

总结一下，最终从有安全保障负责人的自动驾驶到没有安全保障负责人的自动驾驶有很长的路要走。 特别是对于没有安全保障负责人的自动驾驶的量产是一个挑战性的话题。 当然，这个市场的挑战也很大，包括滴滴在内，我们一直在增加这方面的投资，希望有所突破。

今天先说两个方面。 一个是如何从人工智能的角度提高算法( improve ai )。 这是身体才能的竞争，也是做法论数据的竞争。 另一方面，从硬件的立场和系统设计的立场出发，相对降维处理自动驾驶的问题，可以加速自动驾驶的批量生产落地。

首先从ai的角度来看，自动驾驶最核心的是场景库，我们在测试中发现了很多基础性的素材。 例如，我们需要遇到有点逆行的车辆来回避。 可以通过感知算法对其进行三维重构，制作虚拟场景。 我们添加到了使用这个场景器和ai泛化功能验证自动驾驶算法的工具链中。 现在这个系统完全通过滴滴自动驾驶。 例如，假设这位工程师专门负责避开这一场景，就会有一个更详细的模拟列表，数万到10万的例子根据街道上的现实情况而泛化。

另外想和大家讨论的是didi gemini (双子平台)。 在ai提高比较线性的条件下，可以指数级地提高自动驾驶的安全性，所以在上海车展和沃尔沃文芳阁上安装了基于xc90的双子星滴滴自动驾驶系统，并在升级后的硬件系统架构上安装了滴滴自动驾驶软件 大家很快就会在上海安亭看到搭载这个平台的新车辆，作为滴滴未来一两年的主力开发自动驾驶的平台。 其中有三点布局。 硬件升级，安全层，人与车的交互。

从硬件升级的角度来看，我们希望通过新一代硬件大幅提高算法的性能。 另一个想法是，由于l3被广泛引入，高性能能源水平的价格正在下降。 在这种情况下，硬件升级比现在快很多，在未来的预测中，硬件性能也会阶段性上升，价格也会阶段性下降。

在感知能力方面，我觉得感知能力很久没有突破，一直稳定在75%的精度上，怎么办？ 然后试着进行了比较。 蓝线是公共数据集的数字。 这是hard的例子。 到了easy，比如看到激光雷达的点在增加，显然其错误率有可能从25%下降到10%，所以我认为硬件的提高会直观地带来自动驾驶感知性能的提高。 感知性能的提高还会带来预测的提高。

我们在布局的时候，首先要保证这辆车在非常近的最小检测距离内没有死角，希望砖头和球在车下都能检测出来。 另外，如果能看到远处的物体，例如300米以外的静止的卡车，我希望车能快点做出更聪明的决定

首先，升级了我们的激光雷达，搭载了128线激光雷达，其分辨率为0.1×0.1，比其大部分自动驾驶企业目前采用的激光雷达提高了约6倍的分辨率。 对我们的算法来说，如果150米外有车，以前只能看到5个像素，现在可以看到30个。 那是因为我们能分辨这辆车，同时在近距离百叶窗，所以能远离车

我们采用了800万像素的照相机。 而且，它使用了12个800万像素的色相。 首先相对于车有360度的全覆盖。 另外，在重要的立场，例如前方180使用了立场更窄的镜头。 对于特殊的场景，例如信号，为了将来能够识别人脸的方向和手势，提供了数据输入，用于预测将来这个身体的行为会是什么样的。 有了这些消息，ai才能利用这些消息帮助自动驾驶决策，提高安全性。

两点的提高，分辨率的提高非常明显，例如到100米外的信号识别精度为99.9%。 第一个原因是，在非常远的距离内，由于像素点少，所以容易和其他东西一起看到。 例如，光容易受到这些遮蔽的影响。 因为现在在同一距离看到的新闻量非常多，对yi算法来说其实非常容易，同时安全性也非常提高，冗余度也非常提高，即使它被屏蔽了，我们也知道它不是一个理由，而是被屏蔽了。

另外，由于照相机行业导入了更高性能的传感器，因此逆光、夜间条件下的性能大幅提高。 例如，3、4年前采用的工业相机在夜间看起来很模糊，但现在相机搭载了sdr技术，无论是逆光还是夜间都能非常清晰地看到这些图像。 只有看这些图像识别算法才能提高。 另外，就是计算力。 现在大家都在谈论gpu算力。 我们使用NVIDIA的平台，提供了700tops gpu计算力。 对无人驾驶出租车来说，另一个关注的焦点是cpu算力。 由于大量的数据需要用cpu来解决，我们并行执行很多算法运行了很多cpu线程，因此有2-3倍的提高。 要说如何访问这些数据，这里每秒访问40gb的传感器数据，同时使用水冷方式也为自动运行提供了最高的计算力。

这样高计算能力的平台如何批量生产呢？ 我认为未来两三年这个平台的计算力将会增长3-5倍，但价格将降至数千美元的订单。 我们也和供应商一起讨论了信息表达，认为这是完全可能的。 第一，因为l3发展迅速，加速了高计算力平台的产品化。

我们还在这里部署了很多小系统。 这里说的是传感器清洁系统。 所有的摄像机，传感雷达都有喷水处理方案，我们也在研究摄像机的持续喷气。 在其表面形成膜，使水滴不易掉落。 对水冷系统的加热和冷却也进行了非常深入的研究。

滴滴不仅在软件和ai方面有比较深入的计划和研究，还认为硬件可以参与自动驾驶的量产化和安全落地。 另外，在模拟、地图、软件和开发工具、管理工具、远程辅助基础模块开发上至少投入了一半的精力。

介绍新引入的自动驾驶安全层的概念。 我认为我们自动驾驶落地到最后非常有参考价值的是航空空系统的安全设计。 当然，功能安全的标准涵盖了这方面的副本。 从飞机上来说，例如液压/燃料/电气/发动机都有冗余，另外决定系统机长和副驾驶员也有冗余，所以非常少见，但是面对重要的危险场景，我们希望能在三个方向上进行布局，安全洞模型

1、系统异常，它对应车载领域的功能安全，第一个应对措施是硬件故障和传输故障。 2、中间重点研究的是与场景的关联被称为期待功能安全。 如果我的车被设计成能在小雨的天气下驾驶，现在突然下大雨怎么办？ 可能超出了我设计的算法。 3、如何应对自动驾驶来了之后的网络攻击。

首先，在主系统中，自动驾驶感知决策在99.99%的系统中有相应的冗余。 例如，即使一个照相机发生故障或切断，系统整体的功能也不应该受到影响。 在受到影响的情况下，我们降级为用冗余系统解决，冗余系统则使其横向停车或减速。 那个独立于主系统。 而且，下面是驱动器，包括紧急制动方向在内，实现了驱动器的冗余性，在大部分场景下都能安全地停车。 停下来后，有远程合作和远程控制的功能，帮助这辆车犯困。 这叫做远程护卫。 对于滴滴的网络，如果发生了即使远程合作也无法应对的困难，例如汽车轮胎瘪了的话，道路救助也将展开。

他说，探测系统冗余有三种方法:激光雷达、毫米波雷达和照相机。 例如，我们就是这个双子星平台组，如果前方最重要的区域有行人，12个传感器就可以看到这个行人。 例如，有多台激光雷达、多台照相机和多台毫米波雷达，同时具有完全独立于主系统的感知。 在决策方面，如果主系统确实遇到了一点挑战，比如所有的激光雷达都发生了故障，或者被覆盖，或者下了很大的雨。 在这种情况下，功能范围更强的冗余系统可以访问将车保持在相对安全的最小风险状态。 例如，在减速式停车中，它是完全独立的传感器和控制器，同时具备车的执行系统，包括许多实时故障的检测、转向在内，必须通过功能的安全分解达到最高等级的soson

除了系统级冗余外，其中还引入了远程接口。 刚才我说这车可以安全停车，停车后，自动驾驶会提供遥控中心，帮助车辆犯困。 这里有两种帮助方法。 一个是人类的遥控者评估情况。 例如，是否超车。 如果是警车的话，可以评价警察的意图，远程的人可以辅助评价。 二是低速状态下的远程驾驶，通过人工智能辅助自动驾驶的最后是道路救援。

三是人与车的互动。 这是我们在这一代车里引进了人机交互系统，首先它的功能是可以向客户提示自动驾驶车来了。 还可以告诉周围的司机，当车缓缓行驶并稍微绕过障碍物时，为什么要减速。 特别是行人在人行道上的情况下，人类司机有时会双重闪烁或做手势。 最后也可以告诉你我们的行驶状态。 这样可以降低自动驾驶融入以人类驾驶为主的车流的难度。

最后，他认为“安全是合规量产的基础”。 我们会在这里面继续布局。 我认为自动驾驶安全落地的能力包括技术、安全、运营三个主要行业。 包括在哪里部署自动驾驶比较安全，在哪里部署比较有商业价值，通过滴加运营数据就可以知道。 在自动驾驶中，那些区域的遮蔽更强，那些区域左转很多。 重叠这三张地图，选择最适合自动驾驶的区域和路线，然后选择与之匹配的混合动力补丁模式，一个顾客就不能先去看看这个区域是否适合自动驾驶，然后再呼叫车，所以滴滴混合了自动驾驶和人工接车， 他们的体验是你叫自动驾驶车也可以正常打滴滴的车。 如果这条线路有自动驾驶车服务，同时没有雨雪冰雹天气，可以派自动驾驶车反驳，如果超过这个区域，可以用人类驾驶车反驳。 目前有40辆车在测试区运行530公里以上，测试时间为每天12.5小时。

其实自动驾驶还是会对社会产生很大的正面影响，但是是非常困难的工程，需要几个方面的协助。 作为自动驾驶技术企业和滴滴出行互联网，我们也希望与一点点的汽车企业和供应商进行深入的合作。 目前，我们也与清华大学建立了联合实验室，研究有点前瞻性的话题。 最后，我们也希望法律法规早日落地，让大家在未来几年体验真正的无人化量产落地。

今天分享给大家的是这个。 谢谢你。