大家都知道自動駕駛也是分級的，我們今天講到的更高級就是L3到L5級一直到全功能的實現，這時，系統將會進行人類駕駛員和機器之間的的責任轉移。
我們正在建造一種生態系統，像這樣類型的生態系統，把自動駕駛當做一種服務，作為一種從A點到B點的出行服務，不用真正駕駛這輛汽車，而是汽車按照乘客的要求來行駛。這是非常重要的要求和需求，出行作為一種服務是非常具有吸引力的想法，很多計算和數據需要用來支持這個服務，同時它也是非常良好的商業案例，跟現在的這種人類駕駛員的成本競爭，現在整體成本包括重型車駕駛員的成本都是非常高的，這樣的技術讓出行成本不斷下降，對于市場的競爭性發揮了巨大的作用。
在進入市場前，我們應該有能力將自動駕駛汽車滿足各種功能和安全的保證下銷售到世界上的任何地方。而面臨的挑戰就是讓這樣的技術符合市場期待，城市中有不同的駕駛條件，比如說氣象條件、道路條件，這是第一部分。
第二部分，需要有彈性的，有韌性的市場，包括市場的冗余程度。安全的技術能夠保證安全駕駛，人工智能技術能夠讓我們的汽車有更好的自動化的駕駛水平
還有一點，我認為也是最有挑戰的一方面，就是系統的認證或者系統的自檢，盡可能的減少駕駛當中出現的問題。這是在我演講中主要圍繞的三個話題。
首先講到智能化的功能體現。我覺得在座各位可能都知道自動駕駛到底是怎么樣的一種系統，包括雷達，還有各種各樣的技術都是融合在一起的，這相當于汽車的眼睛，我們使用專業的算法來獲得這種感知能力，來了解駕駛過程中的障礙物，與其他車輛的相對位置。接下來的一步，作為人類駕駛員來說，我們真正的了解其他駕駛員是如何駕駛汽車的。然后形成你自己的駕駛方案，目的地和停車點，這是自動駕駛中都要考慮的。
細節我就不講了，但是我想要關注兩個內容。其中一個就是我們的感受能力、感知能力。我們知道會有不同的傳感器，不僅是雷達，還有傳感器，還有攝像頭，每一個都有自己的特點。因此，我們要使用這種系統的冗余程度，應該將系統里的傳感器集合在一起，最后形成一種信息。比如說一種視覺信息，還有就是雷達的影像，包括與前車的距離，與其他車之間的相對位置，毫無疑問，你也可以使用人工智能來檢測周邊的障礙物或者是物體，算法就是基于這種信息來運算的，最終分析并且檢測到一些大的空間或者是一些主要的障礙物。
每個人都提到了人工智能這樣的概念，并且要使用人工智能這種技術，為什么呢?這么多年以來，影像通過神經網絡來進行分類，這方面人工智能就發揮了很大的作用，他的這種檢測能力要比人類更高，這是非常重要的，使用神經網絡應該是作為整個安全駕駛功能的一個重要方面來盡可能檢測不同影像、不同道路駕駛過程中的一些障礙物。最后也會產生一些挑戰，因為這樣的一種神經網絡有一點像是一個黑盒子，你不知道這個黑盒子里到底會有什么。
接下來進入到動態的規劃，這非常的復雜。你可以看到非常多的動態點或者影像，這個汽車從加速到減速，到轉向，到剎車，有各種各樣的可能性會出現，要做出決策。還有一些情況下用模型來描述這種問題，比如說有一些路線，我不想跟另外一個車撞在一起，沒有AI的情況下，我們也可以做出這樣的模型，但是你要想使用AI到底是不是有必要?因為這是一個黑匣子的問題。比如說動態的規劃中，我們可以使用基于常態的AI計算。然后要做一個有彈性的系統，讓他真正能夠不斷的發展、不斷的進步。人和人工智能之間的差別還是很大的，有的時候AI的觀測技術是很有挑戰的，如何能夠展示出輕微形象上的不同?之前的一些技術、功能對于我們來講哪一個才是更加好的方法?這種問題對系統來說難度確實不小，因為這種類型的測試人類有的時候做都有困難。
接下來是關于神經網絡的功能。你在訓練這種網絡的時候，我們有不同的物體，比如說自行車、汽車或者是其他的一些障礙，你要每天訓練AI或者神經網絡，那么這個神經網絡就要去決定他是屬于哪一個類型的物體，這當中也是有挑戰性的。就像人類看上去不像車，也不像自行車的物體，神經網絡就必須要做一個決定它到底是什么，最終需要一個答案，但這個答案有時候并非是正確的，怎么辦呢?其中一個方案是就按照得出的結果來判斷，但是在實際操作中根據當時的環境再做一些微調。我們會有不同的檢測方法，最后是否能找到一個基于未知現象不錯的檢測方法，不僅影響到神經網絡的計算結果，同時也關乎到神經網絡的可靠性和安全性。
你需要不斷地訓練網絡，需要更多的行人數據，這就是剛才講到的算法冗余程度，有兩個不同算法的結果是不一樣的，你可能要判斷一下哪一個運算結果是更加可靠的。
接下來回到一個問題，如何驗證我們的系統，我們開發出這套系統，也知道他已經準備好了，可以放到現實當中使用，但是有一個核實或者核準的問題。現在人類駕駛跟自動駕駛之間有差別，我們希望能夠盡量避免道路事故的發生，但是人類駕駛員有的時候會分心、喝酒或者疲勞駕駛，所以會出現事故，對于機器來說不會出現這些問題，但是機器有他自己的一些弱點，也會出現一些很難應對的挑戰。
另外一方面，確實今天90%的車輛事故是由人類駕駛員造成的，這個數據是來自于德國的，我相信很多國家也是一樣的，在德國平均614公里會出現一個事故，所以這里面的挑戰就是我們不可能僅僅用一些模擬或者一些上路測試就保證自動駕駛的技術，因為這是一件非常復雜的工作，我們三年前開始了一個項目，但是不僅自己要努力，還有很多德國重要的汽車行業利益相關方需要參與其中。
問題的一方面，到底多安全對我們來說是足夠安全?到底多安全是我們系統所必要達到的安全程度?另外一方面，我們也開始通過一些系統性能來進行驗證，來達到這樣的安全水平。
對于比較大的一些技術，我們的要求甚至可能會更高，這就是為什么引入這些技術有很多種不同的方法，其中的一種我們認為比之前技術更好的技術，可以來解決同樣的方案。今天不光是我們，還是其他的自動駕駛團隊都在關注，但是與此同時我們要考慮到其他的方法，盡可能的減少在交通事故當中死亡的人數，這個是我們最主要的風險項。
環境也是很重要的影響因素，是白天還是夜晚，光照情況如何?所以把所有的這些都集中在一個模型上，我們希望從中可以產生出一個更加廣域的解決方案，包括車速、車道的限制，因此有上百萬、上億的不同的測試情境，換句話說可能會預示到真實世界當中沒有辦法解決的問題。
另外一方面，我們的問題就是如何找到一些關鍵的情境?我們的項目探討了很多算法的問題，希望能夠找到一些關鍵的集群，特殊的一些情境，系統可能會遇到一些問題很難尋找到邊界，所以我們應該關注到關鍵的部分，而不是所有情況。所以這個用例和之前展示的真實世界的用例都可以幫助我們關注于更有相關性的場景，可以在模擬中更具有專注性。
所以接下來我們就要考慮到什么時候來做這個場景測試?什么時候算通過?什么時候算失敗?這里有一些比較軟性的規則，比如說我們是否會干擾正常的交通秩序?還有一些硬性的，是否會發生碰撞?是否會發生車禍?可能在一些情況中，因為其他的車由人手動操作的，所以會遇到一些額外的挑戰，除此之外可能遇到一些情況沒有辦法剎車，但是在所有的情況下，我們相信所有的這些情境結合到一起，它們仍然是具有很高的相關性，不同的標準都會集成在這個方法當中。
這里的限制在哪里呢?很顯然這種基于情境的方法是有一個缺點的，這是一個單一視角，我們只會從車輛的角度來進行檢測，市場上有多少的品牌，多少不同的車輛的顏色，包括號牌的顏色和不同的背景，比如說會是墻壁還是樹木等等?所有這些可能的情境都給我們的車輛識別系統帶來了很大的挑戰，所以我們應該在更大的數據量上進行驗證，即便在車輛上市之后還要繼續這樣的工作，我們必須做很多的測試工作，但是一個重點就是讓這個系統可以運行在測試的過程當中發現問題，即便在車輛上市之后也會不斷的發現問題，并且反饋給系統一些關鍵的更新，以此讓系統準備好下一步的調整，所以我們并不只是做了一個系統，讓他接下來十年、二十年這個車輛的整個生命周期都按照這個系統版本運行，我們的在未來要不斷的更新，保證更好的安全性。
我們的目標很簡單，希望自動駕駛比人類駕駛要好，大家要遵循地方政府做出的規章，并且把這樣的一些目標跟我們的工具、方法結合到一起。相信未來我們所有人還有更多的工作要做，相信我們可以攜手應對這些挑戰。
