8月4日-8月5日，由车云网和佐思产研联合举办、佐智汽车特别支持的2016自动驾驶汽车开发及测试技术研讨会在上海虹桥宾馆顺利举行。
随着自动驾驶从概念热议进入产品孵化阶段，国内企业开始对自动驾驶汽车关键部件和系统开发测试给予关注。车云TECH-IN会展品牌联合佐思产研举办了本次专业活动，旨在能促进行业对先锋话题的交流。
本次研讨会上，来自政府机关、主机厂、零部件供应商、高校、创业公司在内的300位参会代表，围绕“面向自动驾驶，聚焦开发测试”的主题，探讨了自动驾驶整车、传感器、软件开发和测试技术发展趋势。车云菌将现场嘉宾的核心观点汇总整理如下。
金鑫，中华人民共和国工业与信息化部安全生产司副司长 今年7月20号，国务院副总理马凯在全国安全生产电视电话会议上，明确指出要加快先进技术装备的推广应用。认真研究提高大客车、危化品运输车制造的安全技术标准和研发防碰撞等新技术。
自动驾驶汽车发生安全事故之后，责任该如何归属？ADAS是先进辅助驾驶系统，车的安全责任在驾驶员。无人驾驶汽车出厂时就告诉驾驶者不用驾驶。前装无人驾驶，应当由汽车厂承担责任。后装无人驾驶，由改装者或车主承担。
国家正在组建中国安全产业发展投资基金，汽车安全子基金也在积极组建中，通过支援智能汽车技术的方式，推动产业前进。
顾剑民，沃尔沃汽车中国区研发总监 避撞系统的工作机理非常简单，探测-评估决策-干预（警告或者自动刹车）。
探测功能已取得巨大飞跃。多传感器融合算法如何应对恶劣天气和道路状况，依然是个挑战。传感器融合后，需要更先进的威胁评估算法，同时考虑多个对象。复杂算法会增加计算量，从以前的单目标到现在多目标多威胁的评估，以至无法保证实时性，有必要进行适当简化。
干预阶段必须首先深层次地了解哪些是驾驶员感受到的具有强相关性的威胁，才能提高决策的相关可信度。除非是驾驶员近乎无法解决的冲突将要发生，否则车辆不应自主动作。
张人杰，QNX大中华区总经理 自动驾驶软件是汽车软件架构的演变，不是从1到N，而是从0到1。
在车载设备形态里面，有很多的分离的电子器件。自动驾驶演变的过程当中，电子器件可能逐渐会变成两到三种，某个一级供应商可能会供应所有的整套车载电子设备。这样可以减少车载电子设备间的通讯，降低开销。怎样把认证成本、开发成本、调试成本通过集成化的硬件来降低，是行业要研究的方向。
自动驾驶下汽车电子设备的形态不是简单分离的多电子器件集合，而是一体化的硬件架构。未来还会未来演化，会在一个统一的硬件平台之下，使用虚拟化的架构进行不同的功能域（domain）管理，进行不同的安全等级的控制。
沈海寅，智车优行CEO 智车优行有一条新的路径，叫自主驾驶。
自动驾驶的核心，就是通过掌握大数据、云计算、深度学习、自主学习的基础能力，使汽车不需要改变硬件的结构的基础上，实现升级和迭代。自动驾驶本身一定是深度学习的引擎，会对人类驾驶习惯模仿学习。
智车优行与李德义毅院士合作推出驾驶脑，认知层面使用了两套深度学习算法。一套就像下围棋时的棋面判断，是否对我有利。还有一套是当前局势该如何下子。两者匹配形成决策和认知系统。
奇点汽车想通过硬件先行，软件逐步迭代的方式，使自动驾驶功能在量产车中实时落地，每个月或者每个季度都有新的功能可以迭代，实现一条完全不同于现在传统车企ADAS迭代的方式，也不同于谷歌或者百度直接L4的思路。
吴甘沙，驭势科技（北京）有限公司CEO 从驾驶辅助到辅助驾驶，是第一次跃迁。从辅助驾驶到高度自动驾驶到无人驾驶，是第二次跃迁。
感知部分需要更好的算法，基于深度学习，感知可以识别更多复杂场景。摄像头、毫米波雷达传感器还有更多空间可挖。驭势可用摄像头装置众包采集的方式，构建实时同步的地图和定位系统。基于交通标志牌和地面标示的特征匹配，做短距离、局部区域十厘米精度的定位，获得的小体积地图可以存在云端，实时更新。
认知环节需要更好的认知算法。能够做相对比较准确的语意的分割，比如路面、车、树、天空。电线杆等等。
传统自动驾驶，由视频输入，通过深度学习，建立试验模型，分析道路上的各种目标，然后规划路径。规划路径会变成转动方向盘、踩下油门或者刹车控制的命令。端到端的深度学习做得非常好之后，可以从视频直接推出控制命令。
深度学习要解决数据来源的问题。可以通过众包方式，由上千人的网络标注信息，可以像从谷歌街景的数据库把一些道路图画扒出来，也可以从赛车游戏场景里搜集数据，预先标定一些车道线等元素，然后用算法测试比较。
对于软件的安全性、可靠性很难界定。使用数学推演得知，自动驾驶汽车要跑一百亿英里左右，才能够证明你比人开得安全。但是没有一家主机车厂，能实际跑一百亿英里。可以通过模拟和仿真，测试算法。
路川，英伟达机器学习解决方案架构师 深度学习不是一个新概念。之前之所以没有发展起来，是因为没有很强的计算性能单元去做处理，同时也缺少足够大的数据量。互联网大数据时代，两项前提条件已经具备。
目前神经网络层数越来越多，越来越深，普通的CPU或计算性能处理单元，很难去做深度学习的训练。必须要有强大的GPU性能来搭配训练。
除了硬件之外，英伟达自动驾驶车整个软件的平台叫DRIVEWORKS，由PILOTNET与DETECTNET一起构成DETECTNET可以对道路上的行人和车辆进行识别，产品中包含了神经网络，用户只要准备一个训练集，就可以调用神经网络来做训练，让算法具有自动识别的能力。PILOTNET是用来取代传统控制算法的深度神经网络，可以部署在车上学习人类驾驶行为，根据人的驾驶行为做一些修正，是一个不断进化的过程。此外DRIVEWORKS还包括了传感器矫正、传感器融合、3D重构、特征提取、高准确度目标识别、激光雷达点云处理、高精度定位、高精度地图、360环视、路径规划和可视化等算法库和模块。
赵展，广联赛讯总经理 电子的智能化带来一些简单的功能服务。增加声控、路况、导航等等功能，是入口型业务，不能称之为真正可以挣钱的地方。
互联网思维逻辑里面，往往把高频刚需做到低成本甚至免费。用户要通过设备流进来，每天使用，产生数据，才能跟用户建立清晰的管道。把通道建立起来，数据建立起来，很多商业环境就可以搭建起来。
但如果只是一个数据一个数据的孤链，满足顾客简单的娱乐需要，这些只能称之为高频，不能称之为刚需。如何把数据再利用，加速智能数据的前端的联网，使数据变现实现，才能真正产生价值。
同样一类数据可以服务于四个五个同类或不同类的公司。数据不能有效支撑一个服务的话，难以形成闭环。比如，单纯提供数据给保险公司，对方不会认为有多大的价值，如果你联合保险公司设计一个险种，实现风险共管共担，包括实现保费增加的销售，保险公司就非常乐意接受。
高振海，吉林大学 ACC概念是在传统定速巡航基础上，利用雷达视觉等主动探索与前方车辆的相对关系，包括位置、角度、速度，并根据驾驶员和一些设计好的车间隙，控制油门、制动，使得本车保持安全的车间距，在必要时要求人类监管。
现在国内和国际上3-4类的ACC标准，实际上只是仅仅满足了基本技术门槛，达不到汽车厂商自己设计调控，形成自身DNA的能力。在ACC控制上，要考虑安全前提兼顾舒适性和驾驶习性。防止加速、减速频繁的切换引起主观不适。全世界车企通过基础门槛后，都想形成个性化的控制能力。
德国宝马设计ACC时，进行了复杂的匹配。从关联系统到系统集成、各种优化、系统验证，开发了1-5级参数。但是目前中国车企仅仅开放了A级七八个参数。这七八个参数远远不能调校一个车企自身的DNA控制。
国内企业要携手打造一个中国自己的智能驾驶系统的产业链，包括传感器，或者是激光雷达、毫米波雷达，单目双目视觉，智慧大脑，以及控制器。
周彦武，北京佐思信息咨询有限责任公司研究总监 无人车或者是自动驾驶车还没有量产车。大多企业都是从现有量产的车中找一辆纯电或者混电车来改装，因为混动和纯电车最大的好处，在于有一套线控刹车系统。
做好线控刹车需要很长时间的技术积累，并且依赖大量刹车数据。做刹车系统测试的关键，在于要有赛场。国内因为投入时间和资金成本巨大，不愿在此投入。
这对于国内研究自动驾驶的厂家来说，几乎是致命。传感器、控制系统做得再好，最终都要执行器与前面的环节通讯。目前在线控刹车系统方面，基本绕不开博世。对方不放开接口或者只放开很少的接口，就会完全受制于人。而博世自己有一套完整的系统，肯定会优先推介。
剧学铭，Ibeo LiDAR-欧百拓CEO 2010年Ibeo和法国的Tier1法雷奥合作，开发面向未来量产车使用的激光雷达。预计明年年初，和法雷奥合作的Scala将走向量产市场，首先可能会在奥迪上推出，装在A8前脸位置。
不久前，德国Tier1采埃孚收购了Ibeo40%的股份，主要助力于Ibeo对新的固态激光雷达的研发。未来Ibeo可能会从单一的激光雷达软硬件供应商，进阶为对ADAS整个功能的开发。
明年Scala进入量产后，Lux系列不会淘汰。未来ADAS、自动驾驶测试，需要一款精度更高、系统更稳定的成熟方案，Lux可能会更多参与到测评系统，从现在的感知功能转为测评功能。
常规无人驾驶和自动驾驶研发的过程测评，以摄象头为例，需要对摄像头收集到的信息，进行大量的线下人工标定，工作量非常巨大，人为标定可能出现错误，时间成本很高，存在很多弊端。今年德国某一个OEM，在收集到的数据人工标定上的预算是25000万欧元，是非常庞大的数字。
随着ADAS和自动驾驶研发需求的增大，市面上需要一套更高效、更低成本、更精准的测评系统。Ibeo是激光雷达商，激光雷达最大的优点就是精确度，而且Ibeo有自己的算法，做了一套Reference System。与人工标定相比更准确、节省时间，标定后测试场景还原也更为完整。
翁炜，Velodyne LiDAR亚洲区市场总监 传统汽车行业处在生死存亡的阶段，互联网的切入让他们感到危机，决定组建联盟对抗互联网行业。同时车企发现一步一步通过ADAS进阶到全自动驾驶的实现速度太慢，所以必须现在开始从全自动开始着手。
低线数激光雷达收集的数据量不足以减轻后台GPU的运算，导致GPU存在散热困难。为了有效使用在汽车行业，需要探测距离达到200米测距，为整车做出反应赢得时间。
无人驾驶有很重要的AI部分，人乘坐汽车要觉得舒适，需要车要学习人类的驾车习惯，要通过计算机一点点学习训练。车厂在测试训练时间上没有Google的优势，因此选择数量替代时间。与Velodyne合作主要车厂从2017年下半年开始到2018年上半年，每家车厂使用600到1000台车，通过这样大规模测试收集AI信息。
未来2020年Velodyne的车用Puck3.0会固化四个部件。产品可以通过软件调整激光束的通道数量和发射角度，同时会固化马达镜片以及反射装置。产品会做成128线，中间阵列可以做到最多9乘9行，在不旋转的情况下，覆盖60度到120度的探测范围。
福特在CES上说过，Velodyne2020年款车用Lidar产品价值单价降至500美金以内，2025年承诺产品单价200美金以内。目前情况是，如果明年拿到一百万订单，Velodyne便可以给到五百美金的单价。
汤劲松，Quanergy亚洲分公司负责人、中国公司总经理 激光雷达现在目标主要是性能提升和成本控制。其中成本控制应该是业界专注传感、感知设备公司共同关注的问题。不解决成本高昂的问题，量产化无从实现。成本的降低并不能依靠牺牲性能，仅仅靠改进现有的技术无法达到，需要走一个突破性的新技术途径，而固态激光雷达是一个最好的技术方向。
激光雷达需要配合车辆环境测试，例如防磁、振动、防水等。有时候实验室指标都很好，但在实际到车上使用时，情况非常不同。比如温度，达到了设定值，但最后发现实验环境跟实际环境不一样。这就需要我们做大量的针对量产化的、产品的可靠性的测试工作。
