*智加科技研发副总裁、苏州智加副总经理王磊

雷锋网新智驾按：10 月 26 日至 27 日，2018 全球智能驾驶峰会在苏州召开，本次峰会由苏州市相城区人民政府主办，苏州高铁新城管理委员会、雷锋网新智驾和数域承办，邀请到来自主机厂、科技公司、资本机构和产业研究机构等领域的多位专家，共同打造了一场智能汽车和自动驾驶领域的顶级峰会。

本次峰会上，智加科技研发副总裁、苏州智加副总经理王磊发表了题为《AI赋能物流，安全“预见”未来》的主题演讲。

智加成立于2016年，是最早获得美国加州路测牌照的企业之一。目前在硅谷、北京、苏州都设有研发中心。今年4月、5月，智加分别联手一汽和苏宁进行了港口和仓到仓的自动驾驶演示。

以下是演讲全文，雷锋网(公众号：雷锋网)在不改变原意的情况下进行了编辑：

提到物流，人们最容易想到的是每年的电商狂欢节。其实，电商和零售只是物流服务的一部分，公路物流干线连接中国的经济核心城市，因此，物流在国民经济中具有举足轻重的地位。

2017年中国GDP总量超过12万亿美金，物流占比约15%，这是非常可观的数字。具体到高速干线货运物流，中国有超过700万辆的高速货运重卡和超过1200万的重卡司机，是一个数万亿的市场。但该领域在发展中存在如下方面的问题和痛点。

安全性。高速重卡容易发生比较严重的交通事故，造成难以承受的损失和灾难；

人力资源的短缺。高速长途货运司机是一个高技能职业，准入门槛较高，同时成长期需要很长时间。更糟糕的是，几乎没有年轻人愿意加入此行业，使得卡车司机越来越短缺。

成本。人力资源的短缺造成人力成本的高涨，此外油耗成本也成为各个企业所需要承担的痛点。有数据显示，22%消耗在人力成本上，28%是在油耗方面。

针对上述痛点，智加科技的愿景是发展最安全的自动驾驶商业化运营运输车队，从而改善和解决安全性等问题。

安全方面，据悉，物流企业中发生的重大交通事故超过50%是由司机的疲劳驾驶引起。相比于人类驾驶员，自动驾驶系统可以更好更全面地感知周围环境，并做出理性的规划和判断，从而能够把重大安全事故的发生率降低90%。

人力资源和成本方面，自动驾驶技术可以使交通运输更加便利，从而降低对人力资源的要求。同时自动驾驶系统可模拟学习优秀驾驶员的驾驶行为来降低油耗。此外，自动驾驶可提高物流设备和车队运转效率，降本增效。总体来看，我们希望可以将总的运输成本降低25%。

对于大幅度提高驾驶安全和降低运输成本的目标，到底什么样的企业才能实现？

智加成立于2016年，目前中国总部设在苏州高铁新城，在硅谷、北京、苏州都设有运营或者研发中心。作为一家带有硅谷基因的科技公司，超过80%的研发人员是来自于中美顶级高校，比如清华、北大、交大、哈佛、斯坦福、CMU和UIUC等。同时现在有越来越多的优秀人才加入，例如西安交通大学自动驾驶车队队长崔迪潇加入到公司的苏州研发中心。

具体到业务场景上，公司关注超级高速公路运输，属于一种仓对仓的运营模式，从货物的集散地出发，到达高速公路，经过高速公路上的中途和长途运输以及高速公路之间的切换，下高速，最终达到目的地的货物集散地。只有满足L4级自动驾驶技术要求，才能实现该业务场景。

智加业务场景主要聚焦在固定路线的端到端运输，我们是做全局的规划和局部路径的优化。除了支持常规的车道线保持和跟车功能外，还要实现主动避障、超车换道和车流交汇等。

首先，回顾下智加的技术发展历程：

2016年11月，开始了封闭环境的自动驾驶测试；

2017年3月，成为最早拿到美国加州公开道路测试牌照的中国自动驾驶创业公司；

2017年6月，完成硅谷市场下的自动驾驶出租车试运营测试；

2018年1月，完成往返硅谷与拉斯维加斯两千公里自动驾驶测试，平均时长100公里，最高时速130公里，并在暴雨中完成了高速公路试乘；

2018年2月，完成在一汽解放重卡车型的自动驾驶封闭测试；

2018年4月，在青岛实现无人重卡作业，同时落户于苏州相城区；

2018年5月，携手苏宁完成了L4级“仓对仓”场景的的自动驾驶作业。

智加L4级自动驾驶技术

接下来分享公司团队在技术方面所做的探索以及取得的进展。

自动驾驶技术要解决的核心问题就是安全。安全也是商业逻辑所能够成立的基本前提。智加科技整个技术架构是围绕安全展开的，并提供全方位的安全冗余。

在我看来，冗余是不允许有单点失效，而是利用多种先进可靠技术和方案来解决同一问题，必须拥有足够强硬的双重保障甚至多重保障。

感知方面，公司的路线是多传感器融合，包括视觉、激光雷达和毫米波雷达等。L4级自动驾驶技术极具挑战性，如果过分地强调或依赖单一感知方案，很难覆盖到所有场景。因此，我们把深度学习和传统计算机视觉技术相融合，保证算法是安全高效的。

定位方面，团队采取多源信息融合方案，包括基于Global坐标系的全局定位+基于车辆坐标系的局部定位等。同时把全局定位和局部定位相结合，在全局定位信息相对缺失的情况下，能够以车辆本身为核心，按照周边的局部环境进行相对定位。可以使车辆既能胜任中低速的城市环境，也能够在全局的定位特征相对缺失的高速环境里面安全行驶。

规划方面，主要对路面上参与者们的行为进行预测，以此来优化行驶路线和运动轨迹。同时对于每一条优化路径，会实时进行上千次的安全模拟，检验在最极端情况下的碰撞概率，保证最终路径的安全性。

控制方面，我们同上游的合作伙伴一起保证车辆本身的功能安全，同时基于大数据对车辆的动力学特征进行建模。除了传统的基于反馈的控制之外，还对车辆的运动行为进行预测。

在保证每个功能模块的安全冗余以外，整体技术架构上的思路是通过交叉验证来提高安全性，包括基于高精度地图的先验知识+基于实时感知的后验信息。

接下来分享技术方面的案例。

上图所展示的是比较综合性的场景，包括家庭轿车、重卡、行人、骑自行车人等。针对复杂场景，单一的感知器或感知方案是非常难得到全面的语义理解和3D建模。智加的思路是综合利用来自视觉的语义信息、激光雷达的准确的距离和方位信息、以及来自于毫米波雷达的速度信息等，进行后向和前向的融合，从而获得近距、中距、远距，360度全方位的覆盖，同时能够实现对类别属性、深度、方位和姿态等进行准确的检测和追踪。

左侧展示的是视觉前视图，可以看到感知融合后的3D bounding box等信息。右侧是激光点云俯视图，可看到物体的方位、姿态和距离等信息。

上图中的下图片展示的是车道线检测建模，对于高速公路上的高曲率匝道，除了前后向的高低之外，还包括左右向的内倾，单一的感知器很难得到准确的空间信息。我们综合利用多传感器信息，对车道线和路沿进行准确的3D建模，可以让重卡在极具挑战性的路况下安全行驶。

深度学习方面，我认为深度学习不应该只能模拟人类的行为，还应该更进一步，在一些对人类来讲具有挑战性的场景中能够施展本领。

左侧图展示的是发生交通事故之后的场景，地面上有很多杂乱物体，对于异常物体的实时检测一直是自动驾驶急需突破的问题。智加的深度学习模型可检测出地面上的树枝和轮胎，从而能够准确做出规划控制。

中间图展示的是车道线检测，可以看到车道线本身非常模糊，并伴有特殊的光照条件和路面特质，人眼也很难看清里面的车道线。但智加的模型仍然能够非常准确地进行车道线检测和语义理解。

深度学习依赖于数据，需要大量的数据进行训练和测试，但数据的获取本身是一件具有挑战性的事情。智加的深度学习模型不但能够从数据中学习，还可生成数据。

高精地图和融合定位方面，公司是基于视觉和激光雷达等信息建立高精度地图，属于分层结构，包含点云、拓扑、导航和语义等信息。

左上图叠加的是视觉信息，包含采样点的三维位置和车道语义等；左下图是激光点云地图，包括多帧点云的叠加优化和特征采集；右图是定位的举例，开往高速路的匝道，之前要经过高架桥底，是GPS多路径的问题，会造成GPS漂移。根据GPS信息，车道线映射与原图像是不吻合的。智加利用视觉等定位信息的辅助，解决该问题。

交叉验证方面，左侧图是高精地图中简单的运行时示例，右侧图是基于实时感知所得到的车道线。该场景是存在急转弯现象。但地图和实时感知的交叉验证可以让自动驾驶车辆从容通过该弯道。

右侧图是在高速上变道的规划控制，中间的一条线是我们规划的路径，包含实时模拟安全验证的部分信息，可以保证路径的优化与安全。

除了技术之外，智加在产业落地方面也取得了不小的成绩，联合苏宁进行了世界上首例仓对仓驾驶场景的实验；与一汽解放达成战略合作，共同推动新一代J7重卡平台的智能化进程；和上汽集团就自动驾驶展开合作。