周光：“时空同步”方案能极大提高汽车感知精度

6月20-21日，由中国电动汽车百人会主办的2018全球智能汽车前沿峰会在深圳举办。本次论坛邀请行业内的专家讨论智能汽车的发展进程与发展路线，研究当前智能汽车核心技术进展与未来发展，并就智能汽车中的5G通信技术与智能汽车测试技术与测试方法、智能汽车的法律法规与标准等核心问题展开研讨。

星行科技（Roadstar）联合创始人、首席科学家周光在现场发表了演讲。他首先对中美的无人驾驶运营的状态进行了介绍，接着对于Roadstar公司的技术细节进行阐释。

据了解，Roadstar的两大核心技术HeteroSync和DeepFusion，即基于周光之前在百度的经验以及创业的尝试做出来的，包含了在时间、空间上对LiDAR，对毫米波雷达实现像素级的精度，以及针对这个数据集开发的算法。“Roadstar有一个时空的同步，在目前所有的创业公司中，我们是唯一一家采用这套方案的，这套方案可以极大提高感知的精度，大约提高10个点以上的感知精度。”他表示。

周光总结了无人驾驶发展的四个阶段。最早的阶段是2007年—2015年，是当时所有公司以及目前国内多数公司采用的方案。2016年—2019年，是目前跟Roadstar现在所采用类似的方案。2020年—2024年，先实现目前车辆的无人驾驶，到2025年实现移动空间的概念。

以下为演讲实录：

大家早上好！今天给大家带来的主题是“用多传感器融合技术，打造有中国特色的无人驾驶解决方案”，我是星行科技的联合创始人及首席科学家，我之前是在百度美国团队负责传感器标定、时间同步和感知深度学习算法，之前我们是大疆全球开发者大赛的冠军。

首先跟大家讲一讲无人驾驶到今天分为两个不同的派系，第一种是以科技公司为主导的无人驾驶，以及第二种以OEM以及车厂为主导的无人驾驶，两种不同的公司有着不同的技术路线，车厂出于成本的考虑，还是主导以摄像头等的L3技术，代表的厂商有丰田、日产、戴姆勒，另一套是科技公司的，最早L4的无人驾驶公司来自于美国，Google吸收了斯坦福的开发团队，之后5年时间内，在2014年的时候百度、优步等公司开始在无人驾驶上进行研发，之后出现了更多的参与者，到2017年、2016年底的时候滴滴、腾讯等国内公司已经开始进入无人驾驶领域。这是目前中美的无人驾驶运营的状态，美国有Uber，日本有SB Drive，这是我们的合作伙伴。

这是我们发布的一个平台，这个是全国产的传感器，整个传感器会通过我们的平台做数据的预处理，由一根总线输出到无人驾驶的电脑里面，电脑会对整个系统做感知和决策的处理，最终实现无人驾驶控制。

这是目前的两代系统，左边的是第一代系统，以百度为方案，采用高线束的64线，价格非常昂贵，另一个是目前主流的方案，这个方案有一个非常明显的优势，就是一个传感器的冗余性，传感器同时损坏的概率相当低。

之前那套方案有天然的优势，对接固态激光雷达，固态激光雷达由于每个盒子非常狭窄，要实现无人驾驶必须实现多个固态激光雷达的连接，单一的技术并不能连接到激光雷达的这个方案里。

这是Roadstar的两个技术，这个技术包括了Heterosyne技术，是基于之前在百度的经验以及创业的尝试做出来的，这包含了在时间、空间上对LiDAR，对毫米波雷达实现像素级的精度，以及针对这个数据集开发的算法。

这是无人驾驶，除了这两个蓝色的部分，其他的模块我相信90%的公司都会拥有，整体来说包含了传感器模块、感知模块、定位以及决策模块。感知模块包含了红绿灯、物体识别以及行为预测，在定位地图方面也需要定位技术。Roadstar有一个时空的同步，在目前所有的创业公司中，我们是唯一一家采用这套方案的，这套方案可以极大提高感知的精度。

大家可以看到这是我们一个视频的效果。

（播放短片）

这是一个环视系统，这套系统也是谷歌采用的一套方案，上面的彩色点是激光雷达投影到摄像头中的实时数据，一共有5颗激光雷达投射到里面，这不是单颗激光雷达可以达到的效果，所有的激光点都是像素级的，即使是在高速运动下也能达到。这套系统最好的特征就是可以提高10个点以上的感知精度。我们的感知在业界也是第一，单一传感器能接近90%，融合以后能够达到接近99%的检测精度。

之后跟大家放一段我们全感知的视频，可以看到在整个场景中是没有任何物体丢失。

这里给大家介绍一下无人驾驶的感知技术，目前以百度为代表的公司采用的这个方案，单独的传感器做单独的事，激光雷达进行物体识别，比如人、车的识别，摄像头进行红绿灯识别，毫米波雷达进行停车识别，会做一些算法，这套算法第一次单独做感知没有信息的流失，是最优的方案。

神经网络的架构大概是这样的，可以看到，通过神经网络进行物体识别等。

这是一个像素级别的分割，比如车道线识别，相信很多做ADAS的会强调这块。

这个是我们KITTI，我们是是业界第一，而且在我们之上有两家算法，是非实时的算法，大概在最顶级的电脑上耗时2秒，我们是30毫秒，而且区分度大概在万分之三的精度，我们是唯一一家能实时在车上跑而且达到这样的结果，这只是单一传感器的结果，在内部我们接近了99%的精度。

这是刚才我们强调的感知系统。可以看到这是对物体的识别，在左上角有物体的ID，同一个物体会有同一个ID，右下角是车速，这个车是50公里/小时，旁边的车也是50公里/小时。这套感知系统已经做到了在80米以内的物体识别，整个视频大概有3倍的加速，有了物体的三维空间识别才能做到决策以及完美控制。可以看到这段路的交通场景非常复杂，有特别多的车、人，甚至有逆行的场景。

刚才讲了这么多多传感器的融合。在低维空间里线性不可切，在高维空间是线性可切的。可以看到高维空间的投影是用简单的平面切割的，这和传统的所谓的PCA不太一样，因为PCA对应的是10年、20年、50年计算机的性能以及算法在没有足够好的情况之下用这套方案。这是大家都非常直观的可以看到，右边是能区分开的。

这是我们基于开发的一个定位算法，我相信多数的公司会采用右边这套算法，我们公司采用的是纯三维的地图，可以看到左边的这个地图场景是三维的，树、房屋是三维的数据，包含了基于摄像头的图片数据，右边的数据是平面的数据，平面的数据有一个缺点，首先说没法解决多层停车场的定位，没法解决一些场景的定位。

这是我们定位能力的一个展示，这是一个多层的停车场，通过右上角的摄像头可以看到，这是一个绝对的室内，车辆在里面能够实现厘米级的定位，绿色的是车辆实时感知到的点，蓝色的背景是地图的解读。大家可以看到这是网点拼接的，我们去年就已经在停车场以及隧道等类似的场景中实现。

这是我们的Roadmap，我们公司成立在2017年5月，在9月份就实现了在硅谷的商用，到11月份在硅谷就已经达到了数亿小时的无人工接管，到今天3月份我们实现了在深圳的一个无人驾驶以及在硅谷数天的接管，我们MPI的数据大概是1000公里左右实现无人接管，在国内深圳也能实现数百公里的无人接管。

这是我们的运营计划，首先2018年实现50辆车的小型车队，采集一些数据，完善我们的算法，在2019年，会发力平台系统，比如调度系统，到2022年或者2021年，技术逐渐成熟，成本开始下降，支撑我们批量的在城市里面推广这个车，实现运营。

这个是丰田的一个无人驾驶模块，在2020年的时候丰田想用全固态激光雷达整合车体，这是在今年年初的CES上展出的，跟我们的想法非常相似，我们首先实现目前车辆的无人驾驶，到2025年实现移动空间的概念。右边这个是所有的互联网公司以及科技巨头、车厂的最终目的，控制移动空间、控制用户的接口，好比今天控制安卓手机与苹果手机，谁能控制这套系统谁就有话语权，谁能够实现，谁就能控制下一个比手机更大的设备。

这个是目前无人驾驶经历的几个阶段，最早的阶段是2007年—2015年，所有公司都是这个方案，目前国内多数公司也是采用这个方案。2016年—2019年，是跟我们公司非常像的。2020年—2024年采用的是整合成车身，之后是移动空间，这是我们总结出来的四个阶段，也是得到了丰田及美国一些巨头的承认。

我们2017年完成了天使轮融资，包括云启资本、松禾资本在内等实现了1000万的天使轮融资，我们最近完成的是A轮融资。

最后大家看一下我们的路测情况，这是一个10公里左右的测试路端，刚开始有一个车想调头，我们的车对其进行了识别，并实施了避让。右下角这个显示屏是摄像头实时的数据，这是车辆的实时感知。我们相信是最原始的素材才能真实反映问题，而不是后期经过处理的数据。这段路有45公里/小时的限速，我们的车在路上能进行换道以及一些避让。对于突然插入的情况，可以做到识别并实施刹车。

我今天就讲到这里，谢谢大家。