陈黎明：自动驾驶汽车量产前面临的3大挑战

本 刊

2020年8月13—15日，“2020中国汽车论坛”在上海隆重召开。在8月15日上午举办的“智能网联汽车创新发展与产业生态的升级”分论坛上，博世底盘控制系统中国区总裁陈黎明发表了主题演讲，重点阐述了自动驾驶汽车实现量产前面临的3大挑战，以及安全的自动驾驶汽车应该具备的3个要素。以下为其演讲实录。

图1 博世底盘控制系统中国区总裁陈黎明

各位来宾，上午好！

我来自博世底盘控制系统，负责主/被动安全，以及高级驾驶辅助系统(ADAS)和自动驾驶。下面和大家分享一下博世关于自动驾驶汽车实现量产之前的一些思考。

自动驾驶汽车已经走过的路

为什么我们在讲量产？因为大家在道路上已经看到一些自动驾驶汽车，特别是一些低级自动驾驶或高级辅助自动驾驶(系统)，以及一些L3、L4级DEMO(展示/示范)的汽车。

博世从1993年就开始做封闭道路的DEMO，同时也在做高级辅助自动驾驶系统的研发；2013年，博世(自动驾驶汽车)在美国和德国进行公开道路测试，(其他)公司自动驾驶(汽车)研发及测试雨后春笋般展开；2014—2018年，业界L1/L2级辅助驾驶和部分自动驾驶(系统/汽车)迎来大规模量产，接近L3级体验的功能成为趋势，期间博世2017年首先推出了集成式巡航控制，在高速上能够同时进行车辆的横向和纵向控制；现在，L4级自动驾驶出租车等开始在局部范围试验运营。

自动驾驶汽车还存在“长尾问题”

为什么这么长时间才能研发出真正可以上路的产品？实际上这是目前谈的比较多的“长尾问题”(见本文结尾补注)。从2019年初开始，很多企业特别是高科技企业将L4、L5的量产不断往后延迟，最重要的问题是有很多“长尾问题”没有办法解决，从而无法证明自动驾驶是安全的。也就是说，从研发到量产阶段还有许多挑战在里面。

自动驾驶汽车量产面临的3大挑战

我个人认为自动驾驶目前面临3方面的挑战：技术挑战；商业化挑战；工业化挑战。

(1)技术挑战。大家都比较清楚，这些年很多科技企业都在传感器、定位系统、决策、芯片、算力等方面做了非常多的研究。面临的感知、决策、控制科技难题也在一个一个地解决。我个人对战胜科技方面的挑战是非常有信心的。今后只要投入资源，这些问题都是可以解决的。

(2)商业化挑战。对此，很多人都在探讨。目前大家一致认为，城市自动出租车和货运自动化运输，会相对早一点实现商业化。同时，商业化本身又取决于自动驾驶车辆本身的成本，这牵涉到元器件成本、车辆平台成本。而要降低成本、实现商业化，就需要大规模量产。这便又涉及到工业化。

(3)工业化挑战。何谓真正的工业化？我们认为，能够满足所有法律法规的要求，能够大批量生产，能够把价格降下来，能够让终端用户尽早地享受到真正的自动驾驶。今天很多嘉宾提到了自动驾驶的安全问题。自动驾驶汽车面临的最大考验是：如何实现安全的自动驾驶？这是大家一直探讨的问题。

刚才王博先生(国汽(北京)智能网联汽车研究有限公司总经理，编者注)也提到了一些自动驾驶汽车发生的交通事故；当然，这在研发过程中也是正常的，一开始不可能没有事故；但事故能不能完全消除？如何避免事故或把事故率降到最低，甚至降到比人的失误还低，这是我们面临的课题和挑战。

怎么才能证明自动驾驶汽车是安全的？

目前有2方面来衡量自动驾驶的水平及安全达到什么程度。比如，美国加州车辆管理局(DMV)《2019年自动驾驶汽车脱离报告》中有关自动驾驶脱离的“率”，开多少公里、英里才脱离一次。美国兰德公司试图从驾驶里程层面对自动驾驶水平进行解释。根据2015年美国驾驶总里程数4.8万亿km中发生的事故来统计，基本上人的驾驶水平平均200万km发生一起受伤事故，1.47亿km发生一起死亡事故。这是什么概念？驾驶1.47万亿km相当于绕地球超过3 600圈，按时间来算也得200多年。那么，怎么才能证明自动驾驶汽车是安全的？博世有3个方面的考虑：

图2 陈黎明指出，自动驾驶汽车在量产前面临3大挑战

1.应满足现在或将来法律法规的要求

今天很多嘉宾都谈到了功能安全、预期安全、制动安全、转向安全，特别是在失效的时候怎么保证安全。根据所有安全要求，按照传统汽车开发验证释放的流程，有大家比较熟悉的V-model，根据行业法规要求，根据企业要求，制定出系统要求、零部件要求，一步步验证，验证过程总体还是在实验室和封闭的特定实验场所里进行。

自动驾驶牵涉的场景非常多，不可能再按照传统的方式继续进行，所以必须考虑在道路上实际测试，特别是用数据驱动的验证方式对自动驾驶安全进行验证。就是V模型和数据驱动的闭环进行结合，实现安全验证。

还有，要用系统分析方法，比如用故障树分析方法系统分析所有的失效模式，尽最大可能定义失效模式，同时找出相应的解决方案。这样应该能够比较好地验证安全问题，给大家提供更加安全的产品。

2.具有处理极端复杂场景的能力

就是现在讲到的长尾问题，常见的标准问题大家都已经处理了。业界也有一句笑话，要看自动驾驶车企表现怎样就看你和城管的关系怎样，能不能提前把道路上不规整的东西清理掉，使得自动驾驶更好地感知周围的环境。这说明驾驶环境的复杂性，刚才周令坤先生(德勒汽车行业领导合伙人，编者注)也提到了，没有一个驾驶场景是一样的。同时在开发过程中不可能覆盖所有的驾驶场景，必须在汽车生命周期内提供不断学习和提高的能力。

对此，博世有3方面考虑：

(1)充分利用人工智能和车路协同。

不是简单的人工智能，而是把人工智能和概率方法结合在一起，打造可解释的人工智能。顺便提一句，博世在2020年2月发布了《AI道德准则》(详见本文后注1)，希望做一个可解释、高鲁棒性的、安全的AI算法和产品。

因为车的视觉和人的视觉都是有限的，智能路端可以提供更广的视野和看不到的信息，帮助我们解决“长尾问题”(详见本文后注2)。

(2)数据驱动的循环迭代，在量产以后有不断学习的能力，我们的方案是要把单车遇到的问题上传到云里，进行统一离线的学习和训练，再把新的数据和模型给到车，最主要的是要保证可追溯性，每一辆车的状态都是可追溯的。每一个车变成不可控、不可知是非常可怕的一件事，通过这种方式可以避免某一个单车发展成不可控，能够很好地解决迭代学习的问题。

(3)我们知道驾驶的状况是千变万化的，不可能在研发过程中，即使在后续的学习过程中都覆盖所有的驾驶场景。当算法和系统不能处理复杂或者失效的状态时，就需要有冗余的系统来进行处理，以确保保证驾驶安全，包括车内人的安全和道路使用者的安全。

3.能够可持续的复制

从0到1或者从无到有，属于实验室产品，包括目前的DEMO(展示车)还属于0到1的阶段。1到N，或者从100辆到10万辆、100万辆则是工业化的过程。如何实现工业化？因为自动驾驶汽车不可能只有一家车厂生产，也不可能只有一个车型。每家车厂、每个车型的定位不一样、功能不一样，传感器的配置也可能不一样，所以，要求软件架构要有兼容性和可扩展性。

首先必须要打造能够赋能的工具，这2天都有嘉宾谈到软硬件分离。要做到软硬件分离，必须要有非常好的软件基础，这个基础就是中间件。博世有非常好的产品——VRTE和AOS，可以更好地支持应用层软件跟硬件之间的有机结合，而且可以扩展。同时也需要有一个非常好的整车电子电器架构，使得在不同的传感器配置和车型上都可以复制可扩展。最后还有渐进的扩展，一步步扩大应用范围。

总结一下，安全的自动驾驶系统需要提供规则一致、可预测、安全的行为，这是我们对自动驾驶汽车的基本要求。如果道路上还有其他动物抑或发生危险的情景，自动驾驶系统要尽最大可能避免事故的发生，如果不可避免则一定要把伤害降低到最低。

谢谢大家！