3密碼、76模塊只是RoboTaxi的“起點”，滴滴要對自動駕駛“產品”定義 | CCF-GAIR 2020

滴滴的自動駕駛很明確。

8月8日，在CCF-GAIR 2020智能駕駛專場上，滴滴自動駕駛公司的首席運營官孟星提到滴滴在做L4自動駕駛的RoboTaxi。L4延伸到L5，這是它未來的方向。

滴滴的核心基因是出行公司，出行是滴滴的基因。旅行的重點是安全。滴滴在考慮自動駕駛時，主要以安全為主。

以下為孟星演講全文。雷鋒新智經編輯不改初衷:

各位下午好。很高興來到CCF-GAIR 2020，與大家分享滴滴自動駕駛過去取得的進步，以及我們對未來的展望。

在我開始分享之前，我先明確一點，自動駕駛是一件非常難也非常大的事情。很多公司都在從技術方向努力，但在實際操作中，自動駕駛不僅需要策略、方向和意志，還需要基因。某種程度上，你會帶著你天生的基因和思維維度，讓你自動駕駛的角度和別人不一樣。

滴滴的核心基因是我的出行公司，出行是我們的基因。

旅行的重點是安全。當我們考慮自動駕駛時，我們的初心是圍繞安全開始的。

滴滴自動駕駛初心

據統計，世界上每年死于交通事故的人很多，約100萬人。其中，道路交通事故是5-14歲兒童和15-29歲青少年的第一死因，不僅影響著未來的青少年，也影響著祖國許多未來花朵的成長。滴滴自動駕駛的初心是改變這種現象的發生，哪怕只是一點點改變，這也是我們非常希望做的事情。

全球交通數據顯示，每年全球航空事故造成的死亡人數為562人，航空運輸量遠小于運輸量。我們有沒有可能把135萬變成562？當然，我們希望這個數字是0。這是我們做這個的初心，不是技術，不是體驗，是安全。

滴滴自動駕駛工作流程

保障滴滴自動駕駛安全的三點是ADN:核心是AI能力，燃料是數據，邊界是出行生態網絡。

分別介紹一下滴滴在這三個方向的工作。

1.人工智能駕駛

第一，核心人工智能技術。滴滴自動駕駛很明確，針對的是L4 RoboTaxi。當然L4延伸到L5，就是未來。有人認為未來會實現，有人認為不會實現，有人認為會在某個時候實現。另外，L4級別以上的自動駕駛能力是我們目前的方向。

值得注意的是，其全棧能力是自主研發的，從車上的感知、預測、規劃、控制，到車下的仿真、功能安全、信息安全、基礎設施、系統集成。我們已經做了四年了。

當然，上圖是一個框架。框架固定了，不代表你就能做好。因為框架背后還有兩個更重要的東西。

我相信今天大家看到的L4級自動駕駛汽車還沒有達到它的容量。沒有安全員，汽車1-5年完全放開，今天大家都達不到。但是，這是大家目前努力的目標。

同時，實現上述目標的核心是如何更快的迭代。當然，后面還有兩件事更快:

一個是——見多識廣，也就是長尾場景比較多。我們今天可以解決80%的場景，但難的是這些場景最后的20%、2%、0.2%。只有看到這些場景，才能訓練迭代。

第二個是——磨煉，就是你要在這些場景下跑更多的里程，做更多的測試。

其中，長尾場景是一個很難解決的事情，因為現在的車很少。目前自動駕駛的測試數據大部分來自自動駕駛測試車，但是自動駕駛測試車尤其是L4測試車并不是量產車型，大部分測試車都配備了軟件、硬件和計算平臺進行測試。大部分都是幾十幾百輛，沒有一家公司有幾千輛L4級的自動駕駛測試車。

即使有幾百輛測試車，你每年能跑的里程也是非常有限的。與長尾場景相對應的是，今天的累計里程可以跑到幾十萬、幾百萬，甚至幾千萬……英里數。

但是有很多場景是一千萬公里才出現一次，有的場景是一億公里才出現一次。而你要解決這樣一個場景，你要把同一個場景看100遍，1000遍，甚至10000遍，才有足夠的數據去解決這個場景。

那么，我們該怎么辦呢？

對于滴滴來說，我們不僅有自動駕駛測試車采集這樣的場景，還有橙視。

橙視是我們為司機師傅提供的安全防護設備。主要提供車輛前方行駛記錄、行程中車內錄像、責任判定、投訴取證等功能。滴滴50%的訂單有橙視設備保護，一年大概有1000億公里的數據。

值得注意的是，橙色電視覆蓋的場景非常廣泛，包括城市、鄉村、城鄉結合部等。除此之外，晚上還有“奇”景，雞飛狗跳，老年代步車逆行。

值得注意的是，長尾場景不僅僅體現在數據的復雜性上，還包括流量參與者行動的復雜性。

比如我們在上海測試的場景中，有一輛大車擋住對面駛來的大車，它越線了。你不知道他是會變得更違法還是回到自己的線上。在這個過程中，是很難預測的。

這樣的預測跑多了之后，我們就知道怎么處理相應的車了，同時也更好的和別人互動。同時，確保我們能夠對如何制造這樣的汽車做出更準確的預測。

除了我們的自動駕駛車輛，我們還有orange vision，它有大約5-6個數量級的額外數據供我們看到更多的場景，然后提取到我們可預測的長尾場景中，最后在模擬場景中測試，不斷改進我們的算法。

幾十上百輛的自駕測試車輛非常有限，所以我們通過增加模擬來延長測試里程，大約可以提高10-100倍。

仿真生成的新場景分布往往與真實場景分布不一致，往往是我們自己創造的。雖然它對我們的算法提出了新的挑戰，但在解決實際問題時偏離了我們。

orange vision的優勢在于我們有數千億公里的自動駕駛輔助。1000億公里不是每一公里都有用，但幾乎可以覆蓋所有長尾場景，而且遠不止復制一次。

2.數據

滴滴自動駕駛燃油數據分為兩種:一種是技術迭代相關的數據，一種是運營相關的數據。

滴滴作為一個網約車平臺，由于其原始形態，會自動產生大量數據，包括行程軌跡、用戶需求、未來預測、軌跡數據、用戶行為等等。

L4級自動駕駛汽車不同于網約車，可以從一個城市開到另一個城市。L4級自動駕駛汽車從一個地區出發，會受到地理、天氣條件、交通參與者的限制。

我們會逐步開放這些限制，可能是以線上OTA的形式開放，也可能是大版本迭代開放。這個過程不管怎么開，都是一步一步來，不會在城市里一步一步開。

另一方面，如何在最初的范圍或者小范圍內達到服務客戶的目的？

比如開放面積太小，像機場等場景，訂單可能會很多。如果不在自動駕駛的區域，就無法服務乘客，所以體驗差，乘客也不會使用你的服務。

怎么會？

滴滴平臺每天都會產生大量的運營數據，8年的積累不僅有數據還有經驗。

一個是管理地圖。我們把所有的數據都放到地圖上，看哪些路收入最大，哪些地段有訂單，哪些地段沒有訂單。

最重要的是，我們可以確定是否存在閉環，會有多少訂單。

二是安全地圖。我們會考慮人類駕駛員發生重大事故、刮蹭事故和輕微事故的路段，同時會對每個路段進行評分，然后用可視化的方式標注出來。

第三是技術圖。根據目前的技術定義和路段本身的限速，車道、自行車道、汽車道等的清晰度。

可以看出，上圖中的三張地圖代表了不同的內容信息……n，但都是結果信息。

更重要的是，我們把三張地圖放在一起，形成一張滴滴戰術地圖，從而逐步推廣自動駕駛。

這是一個很有意思的例子，我們做出來，形成了一套玩法或者產品化的思路。雖然有時效性，但我們會基于大數據平臺實時更新，最終這些數據可能會秒級迭代。

其實這個方法論是很通用的，中國通用，全國不同地區通用。

傳統上如果我們需要在小范圍內行動。首先需要調查用戶的出行習慣，看看有沒有打車的用戶，他們的需求是什么。同時，可能需要一段時間來驗證技術的可行性，判斷是否會遇到目前技術無法解決的問題。然后，我們用自動駕駛在這方面進行收集、打磨、迭代。整個過程大約需要半年時間。

現在，我們只需要將三張地圖組合成一張戰術地圖，從需求、技術、安全的角度出發，用10秒左右的時間構建這個系統，最后量化判斷結果。

本質上，我們正在定義自動駕駛本身的產品。

大家都在說L4和L5自動駕駛，但還是宏大的概念，有自己的定義。重要的是如何定義各自的范圍和區域，并進行迭代和擴展。

其實任何創業公司都面臨著這樣的選擇。這個命題不難，難的是因為你沒有數據。

這個過程在移動互聯網時代是由產品經理來實現的，但在自動駕駛場景下主要是通過量化和數據來實現。

3.網絡

運營網絡是我們自動駕駛的邊界。

滴滴平臺上有很多產品，包括出租車、快車、豪車等。大部分經常打車的同學都很熟悉。

自動駕駛汽車是我們的額外類別。這有什么意義？

當你只有自動駕駛車輛，沒有其他類型的車輛時，幾十輛車，幾百輛自動駕駛車，都無法在有限的區域內很好地服務用戶。

對于用戶來說，是嘗鮮，但只有有限的范圍和少量的車，并不能提供很好的體驗。

滴滴采用混合調度的方式解決上述問題。

在滴滴平臺上，我們把自動駕駛汽車和大量由司機駕駛的網約車放在一起。當地區、路況、天氣滿足自動駕駛的條件時，我們把訂單發給自動駕駛汽車，否則發給網約車司機。

事實上，長期以來，驅動程序一直是一個非常重要的元素。他們是我們交通的主力軍，同事們也解決了自動駕駛長期無法解決的問題。

實際上，自動駕駛車輛和司機駕駛的網約車是相輔相成的。他們可以在兩種情況下無縫連接，一步一步迭代自動駕駛網絡的生成。

因為自駕團隊不可能一步到位。

除了運營網絡，還有兩個重要的網絡:客運和車隊運營。

在客運運營網絡方面，滴滴擁有超過5億的用戶，一年超過100億的交付量。我們有很多服務經驗，這是無價的。當你服務你的第一個顧客時，你會有一種非常新鮮的體驗。當你服務100個用戶的時候，他們的觀點和需求是不一樣的，你對產品的需求也越來越高。當你服務10萬，100萬，1000萬的時候，你的認知是迭代的。滴滴專車的形成其實也是經過每年幾百億的打磨才做成的。

車隊運營網絡方面，對應的客戶是龐大的車隊。這些車絕大多數不是滴滴的，但是很多車是我們服務的，包括集中購買、車輛使用、車輛維護、充電、加油、保養、后續處置等。滴滴有著悠久的經驗，服務于超過100萬輛汽車的車隊。

在自動駕駛時代，上面提到的能力都是我們L4自動駕駛技術無法企及的。當RoboTaxi真正商業化的時候，

這些能力變得尤為重要。

自動駕駛如何保證安全？

上面提到的運營能力有哪些？和我們一般的認知有什么區別？

在運營場景中，滴滴自動駕駛的安全相關場景如下:

說到自動駕駛安全，人們通常會想到車上是否有安全員，安全員的身份是不是……hecked，以及車輛、車輛狀態、行程是否全部檢測。

另外，其實我們會做一個整體的系統，是一個龐大的系統，包括驗車、限令、安全員、功能確認、測試等。，這些都涉及到安全系統，大約76個模塊。

76個流程是為了做好滴滴自動駕駛的安全工作。然而，這只是幾十輛、幾百輛自動駕駛車輛的安全管理系統。不包括以后運營更多車輛、硬件設施、軟件開發的安全流程。

這只是一個例子，在操作系統中其實背后還有很多這樣的例子。

做好技術是一回事，做好技術帶來的應用場景又是另一回事。這里面有很多細節，難度很大。

DNA在自動駕駛中起著重要的作用。

回顧剛剛分享的三點:AI能力、大數據、網絡，這三者的結合就是我們自動駕駛的DNA。

滴滴非常適合做網約車的自動駕駛場景，因為滴滴自動駕駛有天然的基因優勢。以上三者的結合，讓我們看到了自動駕駛的希望，讓它成為現實。

6月27日，我們結合自己的基因、能力、運營能力和在上海的經驗，在上海嘉定區開展了載人演示，普通乘客可以直接報名體驗滴滴自動駕駛。包括更復雜的真實場景，類似于一個城市的大部分室內場景，包括地鐵站，購物中心，會展中心，大公司的辦公場景，居民區。上線當天就有1萬人報名，現在已經有超過數萬人報名。

車路協同趨勢下的自駕產品形態演變

除了在車上的操作，我們真正的操作還包括安保押運中心。滴滴的自動駕駛很明確。

8月8日，在CCF-GAIR 2020智能駕駛專場上，滴滴自動駕駛公司的首席運營官孟星提到滴滴在做L4自動駕駛的RoboTaxi。L4延伸到L5，這是它未來的方向。

滴滴的核心基因是出行公司，出行是滴滴的基因。旅行的重點是安全。滴滴在考慮自動駕駛時，主要以安全為主。

以下為孟星演講全文。雷鋒新智經編輯不改初衷:

各位下午好。很高興來到CCF-GAIR 2020，與大家分享滴滴自動駕駛過去取得的進步，以及我們對未來的展望。

在我開始分享之前，我先明確一點，自動駕駛是一件非常難也非常大的事情。很多公司都在從技術方向努力，但在實際操作中，自動駕駛不僅需要策略、方向和意志，還需要基因。某種程度上，你會帶著你天生的基因和思維維度，讓你自動駕駛的角度和別人不一樣。

滴滴的核心基因是我的出行公司，出行是我們的基因。

旅行的重點是安全。當我們考慮自動駕駛時，我們的初心是圍繞安全開始的。

滴滴自動駕駛初心

據統計，世界上每年死于交通事故的人很多，約100萬人。其中，道路交通事故是5-14歲兒童和15-29歲青少年的第一死因，不僅影響著未來的青少年，也影響著祖國許多未來花朵的成長。滴滴自動駕駛的初心是改變這種現象的發生，哪怕只是一點點改變，這也是我們非常希望做的事情。

全球交通數據顯示，每年全球航空事故造成的死亡人數為562人，航空運輸量遠小于運輸量。我們有沒有可能把135萬變成562？當然，我們希望這個數字是0。這是我們做這個的初心，不是技術，不是體驗，是安全。

滴滴自動駕駛工作流程

保障滴滴自動駕駛安全的三點是ADN:核心是AI能力，燃料是數據，邊界是出行生態網絡。

分別介紹一下滴滴在這三個方向的工作。

1.人工智能駕駛

第一，核心人工智能技術。滴滴自動駕駛很明確，針對的是L4 RoboTaxi。當然L4延伸到L5，就是未來。有些人認為未來會實現，有些人認為會……有些人認為它會在某個時候實現。另外，L4級別以上的自動駕駛能力是我們目前的方向。

值得注意的是，其全棧能力是自主研發的，從車上的感知、預測、規劃、控制，到車下的仿真、功能安全、信息安全、基礎設施、系統集成。我們已經做了四年了。

當然，上圖是一個框架。框架固定了，不代表你就能做好。因為框架背后還有兩個更重要的東西。

我相信今天大家看到的L4級自動駕駛汽車還沒有達到它的容量。沒有安全員，汽車1-5年完全放開，今天大家都達不到。但是，這是大家目前努力的目標。

同時，實現上述目標的核心是如何更快的迭代。當然，后面還有兩件事更快:

一個是——見多識廣，也就是長尾場景比較多。我們今天可以解決80%的場景，但難的是這些場景最后的20%、2%、0.2%。只有看到這些場景，才能訓練迭代。

第二個是——磨煉，就是你要在這些場景下跑更多的里程，做更多的測試。

其中，長尾場景是一個很難解決的事情，因為現在的車很少。目前自動駕駛的測試數據大部分來自自動駕駛測試車，但是自動駕駛測試車尤其是L4測試車并不是量產車型，大部分測試車都配備了軟件、硬件和計算平臺進行測試。大部分都是幾十幾百輛，沒有一家公司有幾千輛L4級的自動駕駛測試車。

即使有幾百輛測試車，你每年能跑的里程也是非常有限的。對應長尾場景，今天的累計里程可以跑到幾十萬，幾百萬，甚至幾千萬英里。

但是有很多場景是一千萬公里才出現一次，有的場景是一億公里才出現一次。而你要解決這樣一個場景，你要把同一個場景看100遍，1000遍，甚至10000遍，才有足夠的數據去解決這個場景。

那么，我們該怎么辦呢？

對于滴滴來說，我們不僅有自動駕駛測試車采集這樣的場景，還有橙視。

橙視是我們為司機師傅提供的安全防護設備。主要提供車輛前方行駛記錄、行程中車內錄像、責任判定、投訴取證等功能。滴滴50%的訂單有橙視設備保護，一年大概有1000億公里的數據。

值得注意的是，橙色電視覆蓋的場景非常廣泛，包括城市、鄉村、城鄉結合部等。除此之外，晚上還有“奇”景，雞飛狗跳，老年代步車逆行。

值得注意的是，長尾場景不僅僅體現在數據的復雜性上，還包括流量參與者行動的復雜性。

比如我們在上海測試的場景中，有一輛大車擋住對面駛來的大車，它越線了。你不知道他是會變得更違法還是回到自己的線上。在這個過程中，是很難預測的。

這樣的預測跑多了之后，我們就知道怎么處理相應的車了，同時也更好的和別人互動。同時，確保我們能夠對如何制造這樣的汽車做出更準確的預測。

除了我們的自動駕駛車輛，我們還有orange vision，它有大約5-6個數量級的額外數據供我們看到更多的場景，然后提取到我們可預測的長尾場景中，最后在模擬場景中測試，不斷改進我們的算法。

幾十上百輛的自駕測試車輛非常有限，所以我們通過增加模擬來延長測試里程，大約可以提高10-100倍。

仿真生成的新場景分布往往與真實場景分布不一致，往往是我們自己創造的。雖然它對我們的算法提出了新的挑戰，但在解決實際問題時偏離了我們。

orange vision的優勢在于我們有數千億公里的自動駕駛輔助。1000億公里不是每一公里都有用，但幾乎可以覆蓋所有長尾場景，而且遠不止復制一次。

2.數據

滴滴自動駕駛燃油數據分為i……o兩種:一種是技術迭代相關的數據，一種是運營相關的數據。

滴滴作為一個網約車平臺，由于其原始形態，會自動產生大量數據，包括行程軌跡、用戶需求、未來預測、軌跡數據、用戶行為等等。

L4級自動駕駛汽車不同于網約車，可以從一個城市開到另一個城市。L4級自動駕駛汽車從一個地區出發，會受到地理、天氣條件、交通參與者的限制。

我們會逐步開放這些限制，可能是以線上OTA的形式開放，也可能是大版本迭代開放。這個過程不管怎么開，都是一步一步來，不會在城市里一步一步開。

另一方面，如何在最初的范圍或者小范圍內達到服務客戶的目的？

比如開放面積太小，像機場等場景，訂單可能會很多。如果不在自動駕駛的區域，就無法服務乘客，所以體驗差，乘客也不會使用你的服務。

怎么會？

滴滴平臺每天都會產生大量的運營數據，8年的積累不僅有數據還有經驗。

一個是管理地圖。我們把所有的數據都放到地圖上，看哪些路收入最大，哪些地段有訂單，哪些地段沒有訂單。

最重要的是，我們可以確定是否存在閉環，會有多少訂單。

二是安全地圖。我們會考慮人類駕駛員發生重大事故、刮蹭事故和輕微事故的路段，同時會對每個路段進行評分，然后用可視化的方式標注出來。

第三是技術圖。根據目前的技術定義和路段本身的限速，車道、自行車道、汽車道等的清晰度。

可以看出，上圖中的三張地圖代表了不同的內容信息，但都是結果信息。

更重要的是，我們把三張地圖放在一起，形成一張滴滴戰術地圖，從而逐步推廣自動駕駛。

這是一個很有意思的例子，我們做出來，形成了一套玩法或者產品化的思路。雖然有時效性，但我們會基于大數據平臺實時更新，最終這些數據可能會秒級迭代。

其實這個方法論是很通用的，中國通用，全國不同地區通用。

傳統上如果我們需要在小范圍內行動。首先需要調查用戶的出行習慣，看看有沒有打車的用戶，他們的需求是什么。同時，可能需要一段時間來驗證技術的可行性，判斷是否會遇到目前技術無法解決的問題。然后，我們用自動駕駛在這方面進行收集、打磨、迭代。整個過程大約需要半年時間。

現在，我們只需要將三張地圖組合成一張戰術地圖，從需求、技術、安全的角度出發，用10秒左右的時間構建這個系統，最后量化判斷結果。

本質上，我們正在定義自動駕駛本身的產品。

大家都在說L4和L5自動駕駛，但還是宏大的概念，有自己的定義。重要的是如何定義各自的范圍和區域，并進行迭代和擴展。

其實任何創業公司都面臨著這樣的選擇。這個命題不難，難的是因為你沒有數據。

這個過程在移動互聯網時代是由產品經理來實現的，但在自動駕駛場景下主要是通過量化和數據來實現。

3.網絡

運營網絡是我們自動駕駛的邊界。

滴滴平臺上有很多產品，包括出租車、快車、豪車等。大部分經常打車的同學都很熟悉。

自動駕駛汽車是我們的額外類別。這有什么意義？

當你只有自動駕駛車輛，沒有其他類型的車輛時，幾十輛車，幾百輛自動駕駛車，都無法在有限的區域內很好地服務用戶。

對于用戶來說，是嘗鮮，但只有有限的范圍和少量的車，并不能提供很好的體驗。

滴滴采用混合調度的方式解決上述問題。

在滴滴平臺上，我們把自動駕駛汽車和大量由司機駕駛的網約車放在一起。當地區、路況、天氣滿足自動駕駛的條件時，我們把訂單發給自動駕駛汽車，否則發給網約車司機。

在fa……很長一段時間以來，驅動程序一直是一個非常重要的元素。他們是我們交通的主力軍，同事們也解決了自動駕駛長期無法解決的問題。

實際上，自動駕駛車輛和司機駕駛的網約車是相輔相成的。他們可以在兩種情況下無縫連接，一步一步迭代自動駕駛網絡的生成。

因為自駕團隊不可能一步到位。

除了運營網絡，還有兩個重要的網絡:客運和車隊運營。

在客運運營網絡方面，滴滴擁有超過5億的用戶，一年超過100億的交付量。我們有很多服務經驗，這是無價的。當你服務你的第一個顧客時，你會有一種非常新鮮的體驗。當你服務100個用戶的時候，他們的觀點和需求是不一樣的，你對產品的需求也越來越高。當你服務10萬，100萬，1000萬的時候，你的認知是迭代的。滴滴專車的形成其實也是經過每年幾百億的打磨才做成的。

車隊運營網絡方面，對應的客戶是龐大的車隊。這些車絕大多數不是滴滴的，但是很多車是我們服務的，包括集中購買、車輛使用、車輛維護、充電、加油、保養、后續處置等。滴滴有著悠久的經驗，服務于超過100萬輛汽車的車隊。

在自動駕駛時代，上面提到的能力都是我們L4自動駕駛技術無法企及的。當RoboTaxi真正商業化的時候，

這些能力變得尤為重要。

自動駕駛如何保證安全？

上面提到的運營能力有哪些？和我們一般的認知有什么區別？

在運營場景中，滴滴自動駕駛的安全相關場景如下:

提到自動駕駛安全，人們通常會想到車上是否有安全員，安全員的身份是否經過檢查，車輛、車輛狀態、行程是否都經過檢測。

另外，其實我們會做一個整體的系統，是一個龐大的系統，包括驗車、限令、安全員、功能確認、測試等。，這些都涉及到安全系統，大約76個模塊。

76個流程是為了做好滴滴自動駕駛的安全工作。然而，這只是幾十輛、幾百輛自動駕駛車輛的安全管理系統。不包括以后運營更多車輛、硬件設施、軟件開發的安全流程。

這只是一個例子，在操作系統中其實背后還有很多這樣的例子。

做好技術是一回事，做好技術帶來的應用場景又是另一回事。這里面有很多細節，難度很大。

DNA在自動駕駛中起著重要的作用。

回顧剛剛分享的三點:AI能力、大數據、網絡，這三者的結合就是我們自動駕駛的DNA。

滴滴非常適合做網約車的自動駕駛場景，因為滴滴自動駕駛有天然的基因優勢。以上三者的結合，讓我們看到了自動駕駛的希望，讓它成為現實。

6月27日，我們結合自己的基因、能力、運營能力和在上海的經驗，在上海嘉定區開展了載人演示，普通乘客可以直接報名體驗滴滴自動駕駛。包括更復雜的真實場景，類似于一個城市的大部分室內場景，包括地鐵站，購物中心，會展中心，大公司的辦公場景，居民區。上線當天就有1萬人報名，現在已經有超過數萬人報名。

車路協同趨勢下的自駕產品形態演變

除了在車上的操作，我們真正的操作還包括安保押運中心。因為汽車不能解決所有的場景，比如交警指揮，你不知道自動駕駛汽車是否知道交警的口語和手勢。我們設置的安保護送中心類似于火箭發射指揮中心的中控平臺。它將檢測車輛的運行和報警。如果發現問題，它會調取車輛的實際運行狀態，給出提示和參與意見，讓車輛更好地處理長尾場景中無法處理的場景。另外，安保押運中心還可以看到路上的情況。

更重要的是……，滴滴有自己的車路協調團隊。

做自動駕駛的時候做好車路協調，對于車路協調本身的發展非常重要。如果只做車路協調不做自動駕駛，車路協調的解決方案往往是用戶不考慮的。如果兩邊都做，即使不自己鋪設基礎設施，也還是從需求端。

目前滴滴有完整的解決方案，我們在上海也鋪設了這樣的解決方案。從道路的角度，可以看到我們的盲點、紅綠燈等在車上看不到的場景，可以通過我們的車路協調設備直接進入車內進行感知協調。

最后分享兩個小故事:

滴滴自動駕駛上線以來，00001體驗乘客是在上海迪士尼跳舞的舞者。她認為自動駕駛對他們來說是一種美妙的體驗。

她給了我們很大的鼓勵，但我們比鼓勵更珍惜的是對我們的打擊和鞭策。

還有一個60多歲的退休大學教授，坐過很多次自動駕駛汽車。當天，他開了兩個多小時的車體驗滴滴的自動駕駛汽車，發表了很多評論。官方認為，這些意見讓我們走出舒適區，進入無人區，不斷擴大邊界。所以，鼓勵和鼓舞對我們來說很重要，是我們前進的動力。

雷鋒網雷鋒網(微信官方賬號:雷鋒網)

雷鋒的原創文章。未經授權，禁止轉載。詳見轉載說明。因為汽車不能解決所有的場景，比如交警指揮，你不知道自動駕駛汽車是否知道交警的口語和手勢。我們設置的安保護送中心類似于火箭發射指揮中心的中控平臺。它將檢測車輛的運行和報警。如果發現問題，它會調取車輛的實際運行狀態，給出提示和參與意見，讓車輛更好地處理長尾場景中無法處理的場景。另外，安保押運中心還可以看到路上的情況。

更重要的是，滴滴有自己的車路協調團隊。

做自動駕駛的時候做好車路協調，對于車路協調本身的發展非常重要。如果只做車路協調不做自動駕駛，車路協調的解決方案往往是用戶不考慮的。如果兩邊都做，即使不自己鋪設基礎設施，也還是從需求端。

目前滴滴有完整的解決方案，我們在上海也鋪設了這樣的解決方案。從道路的角度，可以看到我們的盲點、紅綠燈等在車上看不到的場景，可以通過我們的車路協調設備直接進入車內進行感知協調。

最后分享兩個小故事:

滴滴自動駕駛上線以來，00001體驗乘客是在上海迪士尼跳舞的舞者。她認為自動駕駛對他們來說是一種美妙的體驗。

她給了我們很大的鼓勵，但我們比鼓勵更珍惜的是對我們的打擊和鞭策。

還有一個60多歲的退休大學教授，坐過很多次自動駕駛汽車。當天，他開了兩個多小時的車體驗滴滴的自動駕駛汽車，發表了很多評論。官方認為，這些意見讓我們走出舒適區，進入無人區，不斷擴大邊界。所以，鼓勵和鼓舞對我們來說很重要，是我們前進的動力。

雷鋒網雷鋒網(微信官方賬號:雷鋒網)

雷鋒的原創文章。未經授權，禁止轉載。詳見轉載說明。

標簽：發現

汽車資訊熱門資訊