基础设施涉及到的问题，包括高精度定位覆盖，这在中国的一些大城市已经可以达到厘米级覆盖，它要发展起来我觉得大约还需要1年的时间就够了；高精度地图的覆盖，可能还需要3年左右；还有V to X通讯的覆盖，未来它的终极解决方案应该是基于5G，而5G大概是在2019-2020年开始商业化部署。

　　第三，技术还不够成熟。

　　在开放城市环境下，实现无人驾驶需要5-10年。谷歌已经做到驾驶五千英里才需要一次人干预，就是说一年才需要一次人干预，但是离商业化还有很长的距离。而L2、L3级的自动驾驶要实现大规模普及，要需要三年的时间。

　　第四，成本偏高。

　　无人驾驶我们常说，成本最贵的部分就是激光雷达，它的成本从今天的7.5万美金降到几百美金可能是需要三到五年的时间。那么，我们做的低速无人驾驶电动车的价格，要降到10万-20万的区间，可能就需要三年。

　　10万-20万的价格是什么意义？就是说今天的一辆车，再加上一个司机一年的工资。降到这个区间就意味着，它的大规模商业化已经可以出发了。还有就是CV-X高精度定位等服务成为免费的服务大概也要用到3+年的时间。

　　第五，社会接受度也是一个有待去验证的问题。

　　如果要商业化，那么，你一定要去选择这个时间表上合适的这些点。

　　我们要实现自动驾驶商业化，其实要回答两个问题：第一个就是，为什么通用场景的无人驾驶还差一些火候？另外一个就是，自动驾驶商业化应该通过一个什么样的方法落地。

　　驭势科技和商业地产跨界合作

　　通用场景无人驾驶的挑战

　　通用场景的无人驾驶，现在面临技术上的三个挑战。

　　第一个就如何去处理真实的复杂场景。传统上很多做自动驾驶的企业，都会在一个比较理想的环境里面去做一些测试。但是真正要部署，会面对如何处理这个真实场景复杂程度的问题。

　　在真实场景中的无人驾驶，要学会判断态势；要评估道路、其他参与方的动机或是行为，用强化学习（reinforcement learning）来模仿“老司机”，在与环境的互动中寻找更好的方法。但这还有待验证。

　　第二，人工智能的鲁棒性。鲁棒性一方面是通过代码来实现，另一方面是通过数据。代码可以通过许多覆盖的测试来实现，但是数据很难做覆盖测试，关键是数据会影响它的行为，atv，因为数据上面跑了很多随机算法和机器学习。有了随机算法和机器学习，它的行为就变得不确定了。

　　关于这个我可以说一下，现在大数据驱动的机器学习非常火，但其中给还有一些“命门”存在。一个是训练集的偏差，一个是开放动态环境里的所有状态无法穷举，还有就是大数据驱动机器学习尤其是深度学习的“黑盒子”问题。

　　我们未来希望能够把今天的各种各样的机器学习的算法都融合起来，不仅需要深度学习，还需要强化学习，不断地去适应环境；然后，我们还需要逻辑的推理，将迁移学习引进来，还要掌握基于贝叶斯的因果推理。未来无人驾驶的智能，还需要很多不需要大数据的能力。

　　第三就是，如何为智能驾驶系统给出一个可预期的置信度。

　　去年特斯拉5月出了一场车祸，可他们给自己辩解，这个车开了1.3亿英里才一次事故，美国的平均水平是9千万英里，这都比平均水平好的多得多，还有什么可质疑的？但是学过统计学的都知道，这是不成立的，为什么？数据样本太少，不具备统计的显著性，如果第二天再出一次事故，就变成1.3亿除以2，成了6500万英里，所以一定要有足够的数据才能证明是否安全。要多少数据呢？兰德公司做的一个数学模型，大概要开100亿英里，才能够有95%的置信度。

　　我如果没办法在实际的道路上开那么久，我得想办法在虚拟的环境当中开那么多。虚拟环境其实就需要仿真器。我们最早的仿真器可以去测试我们的规划、角色，但是它不足以去验证我们计算机视觉的算法。现在我们也在跟一些公司和科研机构在合作，希望能够基于大数据快速建模，以及有照片级的真实度，能够去测试计算机视觉的算法。通过这样的一种模拟仿真器，就能够更好地去进行百亿英里的训练，而且这个训练当中，你可以把强化学习升成性对抗网络放进去，打造智能驾驶的AlphaGo。

　　无人驾驶商业化落地的战略