而有限的地理环境则包括商业中心、封闭园区，以及共享出行等。这也是目前自动驾驶初创团队都在考虑的方向，因为大规模的乘用车消费市场对于车规级和成本的要求都十分之高，而封闭环境、有限环境下的商业应用领域则门槛相对较低。

李宏玮表示，她在很早的时候就看过被通用公司收入麾下的Cruise团队，atv，而且也把硅谷的自动驾驶创业项目都看过一遍，于6个月前开始接触Drive.ai，做尽职调查，正是因为她看到，Drive.ai在技术上更加成熟，它的方案离商业化也更近一些。

“它（Drive.ai）选择的场景是可以标准化的，atv，在这个场景里面再优化技术难点，会是一个渐进式的过程。所有场景里面难度最大的是城市无人驾驶，而短期内我觉得能够起来更快的，会是专用市场。”

在产品方向上，Drive.ai显然也没有走一条需要跟主机厂商“陪跑”的前向开发路线，这需要跟随一辆车型3-5年的开发周期，Drive.ai提供的一个自动驾驶方案的后装套件。“理论上只要有协议接口，都能用我们的方案实现自动驾驶。”王弢说。

据了解，Drive.ai 已经在一些物流货运公司进行合作，与主机厂的合作也正在推进当中。

Drive.ai的传感器配置使用了9个高清摄像头、2个毫米波雷达、6个Velodyne VLP16激光雷达，这套成本看起来可能不便宜，但王弢告诉钛媒体，这只是出于数据收集需要做的“更全面”的考虑，当实际应用的时候，根据不同场景，还会不同程度的成本缩减空间。

“现有的配置主要是为了一个安全和稳定性的考虑。”王弢说，“多加一些传感器能够收集到更多的数据，如果这些数据用不到也没关系，但是到时候如果发现少了一些数据，再去增加传感器就会麻烦了。”

深度学习和冗余设计

据了解，Drive.ai于去年4月份拿到了美国加州的无人驾驶路测牌照，目前该公司已经投入了尼桑、奥迪和福特三个平台的车型在进行路测。

前不久，Drive.ai在官网放出了一段视频，显示这家公司的无人驾驶车辆能够胜任大部分情况下的自动驾驶，包括夜间、雨天或下冰雹等极限条件。

王弢表示，这主要是因为他们在传感器上做了很好的冗余设计。

“Drive.ai 是多个传感器融合之后建立的模型。例如雨夜的场景，摄像头可能受到的限制比较多，但是激光雷达受到的影响可能就会小一些，而毫米波雷达受到的影响可能更小。”

当然，Dirive.ai之所以能取得现有的技术成果，还在于其对所收集到的数据进行了高效利用。

王弢介绍了他们目前的数据利用有三大特点：

第一，数据收集车所配置的传感器十分丰富，会同时采集图像数据、点云数据和雷达数据等多种数据类型；

第二，有一套自动化的数据处理系统，针对所采集的大量数据，他们有一套分布式的数据库和备份机制；

第三，半自动的数据标注系统，由于在自动驾驶方案的各个子系统都应用了深度学习技术，数据标注的工作量自然很大，而Drive.ai也通过深度学习实现了半自动化的标注工作，然后对一些结果进行人工校验即可。

“据我所了解，行业内的一些团队标注一个小时的数据大概需要800个小时的时间，我们半自动化系统的标注效率可以提高十几倍。”王弢告诉钛媒体。

王弢也对行业以“测试里程论英雄”的现象发表了看法， 他认为自动驾驶的瓶颈并不在于测试里程有多少，而是有没有足够丰富的数据类型和环境信息，以及对数据的高效率保存和标注。

当然，深度学习系统的识别能力是一种强大的工具，但也面临着计算过程不被解释的“黑盒子“问题。这种模式以端到端的方式呈现出计算结果，但是输入和输出的实际决策过程，人们却看不到，也不一定能够直观理解。

这也是大部分技术厂商选择传统机器学习算法做感知的原因，因为一旦系统发生了故障或者错误，能够弄清楚原因何在。

王弢表示，针对深度学习模式的这个特点，Drive.ai采用了系统拆分的方法。