今年 2 月，长期隐身的自动驾驶汽车技术研发公司 Drive.ai 悄然上线，发表了一段长约 4 分钟的影片。影片中，一辆测试汽车在雨夜中穿行美国加州山景城（Mountain View）的街道，全程驾驶员的双手都没有碰到方向盘，没有任何干预动作。
我们找到 Drive.ai 的联合创始人王弢，和他聊了聊 Drive.ai 背后的设计理念和核心技术。
Drive.ai 想为商业车队提供包括感测器组合、控制系统和车内外互动界面在内的后装套件，达到特定路线（如外卖、计程车等）的 L4 级别自动驾驶（即在任何情况下都不需要人工干预）。
感知方面，Drive.ai 后装套件中的感应器包括多个镜头、雷达和激光雷达，这样的组合可以在某一感测器出现错误或故障的情况下提供支援，譬如镜头和雷达可以在雨雪雾等极端天气中，为精准性下降的激光雷达提供环境感知。值得一提的是，大部分自动驾驶技术提供商采用高精确度地图来弥补感测器缺陷、为自动驾驶提供资料支援路线规划，而 Drive.ai 则想避免使用维护和营运成本很高，且临时变数不可控的高精确度地图，目前使用的是自己收集资料生成、不包含 3D 空间内物体资讯的 2D 地图，未来会和第三方地图供应商合作。
决策方面，不同于一些起步较早、技术路线基于传统机器人学习的自动驾驶技术提供商，Drive.ai 使用的是基于非规则学习的深度学习网络模型，这有 3 项优势。其一，场景泛化。规则学习虽然可以快速建立起应对八、九成场景的决策系统，面对新的和罕见情况却很难可靠应对；非规则学习的泛化能力，让它更即时理解资料并解决此类长尾问题。其二，复杂决策。大量算例支援下的非规则学习，有复杂决策方面的优势，这已在 AlphaGo 等深度学习程式中体现。未来会有很长一段时间，路上会有自动驾驶车辆和人工驾驶车辆共存，而自动驾驶所需的复杂决策（是否超车、变换车道等）与围棋相似──观察对方的动作，进行自己下一步动作，合理获得路权。其三，硬件需求。自动驾驶过程中，感测器每小时会采集几十 GB 的资料流，储存和计算都是很大的挑战。利用非规则学习而非现成的知识程式库进行决策，对计算芯片的效能要求相对较低，在计算能力相当于个人电脑的车载装置上，即可完成核心资料处理。
非规则学习的核心、也是进展困难，是大量标注的资料，以及大量的实验试错。Drive.ai 的资料源包括采集车收集的真实资料，和模拟器生成的各种场景（包含极端情况）的模拟资料。对这些场景中出现的物体（如车辆、行人、自行车等）进行标注，是个技术瓶颈──每小时车程收集的资料需要 800 个小时的人工标注，而王弢告诉 36Kr，Drive.ai 利用自己的标注系统进行半自动辨识和标注，比其他公司快 20 倍，能在短时间内撷取到更多有用的资料。在实验方面，Drive.ai 的团队同样有较多积累。譬如在使用大规模显卡（CPU＋GPU）集群进行大规模神经网络训练方面，Drive.ai 就拥有市面上最快的大规模并列计算软硬件基础架构。之前 Google 曾使用千余台机器完成当时世界最大的深度学习神经网络，Drive.ai 彼时在史丹佛的团队用 16 台机器、十分之一的成本就可重建。
非规则学习的问题在于算法不可解释：“端到端”的训练中，策略规划有不透通的区域，原理和机制并不明确。针对这个问题，Drive.ai 采用当下学界主流的生成式对抗网络（GANs），将完整的端到端系统拆分开来，在涵盖大多数场景的标准化测试机上，对决策机制的不同部分进行验证和测试。
在达到自动驾驶功能之外，Drive.ai 认为自动驾驶车辆与其他通勤者的沟通同样重要，因此设计了包括 LED 显示屏幕和音响系统，向行人和自行车示意自己的行为。这些人车互动（human-robot interaction，HRI）部分的设计还在持续开发中。
▲ Drive.ai 在车顶装载了一个 LED 察看屏幕，用于向行人和其他驾驶者传递文字资讯和 emoji 表情。
已经获得美国加州无人驾驶路测执照的 Drive.ai，现处于路测阶段。虽然 demo 中表现很好，但从样车测试到产品落地还有一段路要走。落地中常见的成本过高和场景拓展性低等问题，Drive.ai 应该能较好应对──Drive.ai 的套件在成本上控制严格，感测器以低价镜头和雷达为主，高价的激光雷达使用较少，并规避了运维成本高的高精确地图；此外，非规则学习算法也提升了 L4 技术可运用场景的可拓展性。
公司还未正式进入商业化营运，但今年会进行和一些第三方运输服务提供商的试营运（约数十至百辆车），在固定路线上进行 L4 级别的自动驾驶，期间会进行人为监督。这些预设行驶路线上的乘客和货物的运输，将初步证明其技术的可靠性。同时，Drive.ai 也向一些车厂提供 L2~L3 级别的技术，达到初步商业化。目前暂时不方便透露更多合作对象的资讯。
▲ Drive.ai 团队。
麦肯锡和彭博新能源经济资讯联合发布报告称，2030 年进阶别自动驾驶汽车（L3 和 L4）将达到整体销量的 50%，其中 L4 级别的市场规模达到 5,500 万辆至 6,000 万辆。鉴于自动驾驶的发展方向将是 toB 主导──营运商统一管理自动驾驶汽车，提供去人力化的端到端运输解决方案──这五千多万辆车，就是面向商用车队的 Drive.ai 的下游市场。
这个市场上选手云集，想要向商用车和乘用车提供 L4 级别自动驾驶技术 Drive.ai 的竞争对手，既有拥有造车经验的传统整车厂，又有财力人力和技术皆储备雄厚的科技巨头，还有其他初创公司。这 5,500 至 6,000 万辆车中，去掉 Google、特斯拉、百度、沃尔沃、BMW 等自主研发的车，剩余的有多少会搭载 Drive.ai 的解决方案，取决于 Drive.ai 能否比通用收购的 Cruise Automation、福特收购的 Argo AI、专注出租车的 nuTonomy、专注物流商用车的 Otto 和图森等自动驾驶技术提供商，更早推出低成本且安全可靠的整体解决方案。
公司共有大约 50 名员工，其中以技术人员为主。Drive.ai 的核心团队来自史丹佛大学人工智能实验室，对自然语言处理、电脑视觉和自动驾驶等领域的深度学习有丰富经验。董事会还包括通用汽车前高层 Steve Girsky。
Drive.ai 近期计划开始新一轮融资，暂不方便透露融资额，预计在数亿人民币，主要用于技术开发和车队拓展。去年 5 月，公司获得来自 Northern Light Venture Capital、Oriza Ventures 和 InnoSpring Seed Fund 的 1,200 万美元投资。
（本文由 36Kr 授权转载；首图来源：Drive.ai）
延伸阅读：
- 这家神秘的创业公司，选在“雨夜”挑战自动驾驶
