霍静：建立驾驶行为和决策模型，实现城市端路端厂端共享智能

6月18日，以“新起点、新战略、新格局”为主题的2021中国汽车论坛在上海开幕。庐陵科技联合创始人兼CEO霍京发表主题演讲。

在霍京看来，城市智能和共享智能可以大大降低单车智能的成本，加速商业化；其次，大量的人类行为数据可以为覆盖导向的自动驾驶研发贡献巨大的价值。最后，也希望路灵科技的模仿学习方法能够从数据中提取价值，建立驾驶行为和决策模型，实现城市道路和工厂的共享智能。

以下为演讲实录:

首先，对于像我们这样的初创科技公司来说，非常荣幸能够借此宝贵的机会，与大家分享我们基于对自动驾驶、人工智能和人类交通行为的研究的思考。

我是罗马路路灵科技的霍静。今天，我代表创始人周星博士与大家分享我对面向覆盖的智能驾驶的开发和验证的想法。这也是基于我们学习人工智能、自动驾驶、人类交通行为三年后，想和大家分享的经验。

刚才王部长也介绍了我们创新公司。我再介绍一下。庐陵科技是来自全球顶尖大学的初创团队，拥有丰富的自驾经验和对数据的深刻理解。我们有优秀的教育背景，丰富的产品经验，深耕汽车和人类行为模型算法，擅长数学建模，用机器模仿人类，学习人类的逻辑思维。

你可以看到我们的核心技术团队主要毕业于斯坦福、耶鲁、卡耐基梅隆、康奈尔、中科大，都曾在特斯拉、蔚来、亚马逊、宝马、三星、福特工作过，深耕自动驾驶和人工智能，擅长建立数学和物理模型。

我今天要分享的是基于我们创立三年来，在自动驾驶、人工智能、人类交通行为基础上的长期耕耘。我们发现实现自动驾驶其实是一个很大的挑战。这表现在大家都在讨论流行的自行车智能化。自行车智能化的巨大挑战在于两个方面:一是成本，二是大规模可复制性。基于这样的思考，我们提出了城市、道路、工厂的共享智能。

首先，庐陵科技要解决什么样的问题？要解决的问题很简单，就是研究人类如何驾驶，以及真实的交通行为，包括汽车和人的交通行为。像Waymo的长期路测一样，他希望收集数据来学习和研究人类的驾驶行为。

为什么要做这样的工作？我们只是希望通过研究人类如何驾驶来研究真实的交通行为，包括汽车和人的交通行为，就像Waymo做长期路测一样。实际上是为了什么？收集大量数据，希望通过这些数据学习和研究人类的驾驶行为。

为什么要做这样的工作？我们希望汽车和机器能像人类一样思考，自动驾驶，但实际情况是怎样的呢？

你可以看到这个ppt的最左边有那么多黄色的圆圈。这是我们从美国得到的一份研究报告。黄色圆圈都表示左转或直行时车与人相撞的现象。很有意思的现象，这辆车前面有追尾，而且都是常见的追尾。前面第一辆车要么是Waymo，要么是其他自动驾驶车辆，后面的车全是人类驾驶的车辆。这是什么意思？所有的自动驾驶在某个地方突然停下来，或者某个地方发生了某个行为，后面的人驾驶的车辆无法做出反应，也不知道你的车在做什么，导致人驾驶的车和自动驾驶的车发生了明显的碰撞。这就是为什么每个人都可以看到，在优步发生的每一件事，包括Waymo和Tesla，都是有原因的。很多时候，智能自动驾驶并不能真正像人一样进行人工思考。

这里有一个结论，就是我们的人工智能现在还达不到人类智能的思维。这里我有一个简单的例子。你可以看看这张图。这是什么意思？说明蓝色是自动驾驶车辆的决策时间，彩色是人在驾驶时的决策时间，蓝色的决策时间是指自动驾驶车辆至少有2秒的时间做决策，而人，因为大脑反应快，在一瞬间做出驾驶决策，这就是机器和人的区别。

另一个是交互事件，比如一个路口，两辆车。如果人与人之间……以与人交往为例，如果你做一个手势，进行眼神交流，大概需要一秒两秒的时间。红色的表示自动驾驶汽车的交互时间必须比人长，甚至达到5秒左右。

这里要说明的是，人工智能现在还达不到人的思维行为。

这是另一个案例。红色和蓝色的是两个城市的人类群体行为轨迹。蓝色的叫蓝城，红色的叫红城。比如在日本，大家普遍遵守交通规则，一般行为也有章可循。这是蓝色规则的呈现。例如，红色是中国的一个城市。很多人的交通习惯和行为其实差别很大，没有规律可循。你可以看到超车行为是变道。在红色城市中，人们的变道行为可以发现是不规则的，他们都改变自己，这可以导致一个非常分散的轨迹。比如日本城市的蓝色轨迹是有迹可循的。

这使得自动驾驶变得非常困难:自行车智能面临当前的挑战，成本很高。刚才也有同事说，自行车智能自动驾驶的成本很高。目前，Waymo的自动驾驶智能自行车平均售价为4亿美元。世界上有600多辆Waymo，如果超过1000辆，就要花费4亿美元。另外，即使车上全是感知、雷达、毫米波，最多也只能感知6-8套，效率相对较低。

对我们来说，我们认为如果要实现自动驾驶，所有人都希望生产低成本、大规模复制的无人驾驶汽车，并且在各种场景下，包括矿山，包括无人驾驶卡车，包括小巴物流。但实际上是什么样的呢？各种通信、雷达、传感带来的成本高、效率低，难以实现商业场景。

我们提出的思路和我们的目标是如何大规模、更高效地收集数据，让机器能够像人类一样，用大量的数据学习人类的思维模式和逻辑模式。我们的思路是更多地从路边和城市中收集数据。我们的目标是使用无人机、摄像机、红绿等。

我们的想法是什么？就是希望自行车智能化越来越便宜，成本越来越降低。最后，它将能够通过自行车进行决策和思考，而城市侧可以使用大量的数据算法，与城市侧共享智能，平等分担自动驾驶车辆的成本。更多的商业落地。

刚才我们说了，在收集了大量数据之后，也是路翎在做的事情:利用模仿学习算法来识别和学习人类的行为和策略。这是我们在加州洛杉矶用无人机和路边摄像头拍的。我们24小时全程监控，不断观察和思考汽车和人是如何用算法和模仿学习来帮助机器更好地强化算法的数据的。

我刚才说的是提出一个概念，叫CDV概念，就是覆盖率。我们希望大量的数据采集和数据算法能够得到覆盖率的验证，让计算机能够像人一样思考。我们提出，在自动驾驶领域使用这种覆盖并不是我们最早的提议，也不是我们唯一在做的事情。业内有很多公司在做。大家可以看到，Foretellix，包括LATENT，现在已经被Waymo收购了。当时，Waymo也看中了他们使用CDV的概念进行自动驾驶报道。

覆盖概率有多大？说白了，权力来源有两个。一个是大量骑行者收集数据，希望以剂量取胜，以覆盖面取胜。利用大量的数据来练习算法，模仿人类的学习和思维，让我们收集各种异常场景，更接近人类的思维，让安全率达到99.99%的目标。

这是我们在无锡做的一个案例。在无锡的路口，我们采用了无人机和路边的想法，用城市端摄像头采集的数据模拟城市和交通。我们练习了模仿学习来发现各种交通行为，这帮助我们收集和训练了大量数据，改进了我们的算法。

如果这样做了，说实话，这不是一个行业做的，而是行业和政府做的。我们需要无人机和摄像头一起做，包括市政数据和互联网一起收集数据。这样的计算可以……只有在收集了大量数据后才能进行。

最后，我们的结论如下:1 .城市里的智能和共享智能，可以大大降低我们自行车智能的成本，加速商业化；2.大量的人类行为数据可以为面向覆盖的自动驾驶研发贡献巨大价值；3.希望路灵科技的模仿学习法能够从数据中提取价值，建立驾驶行为和决策模型。做这件事是一个巨大的工程，我们也感谢上海汽车城给我们这么好的机会在这里学习、研究、展示我们的贡献。

6月18日，以“新起点、新战略、新格局”为主题的2021中国汽车论坛在上海开幕。庐陵科技联合创始人兼CEO霍京发表主题演讲。

在霍京看来，城市智能和共享智能可以大大降低单车智能的成本，加速商业化；其次，大量的人类行为数据可以为覆盖导向的自动驾驶研发贡献巨大的价值。最后，也希望路灵科技的模仿学习方法能够从数据中提取价值，建立驾驶行为和决策模型，实现城市道路和工厂的共享智能。

以下为演讲实录:

首先，对于像我们这样的初创科技公司来说，非常荣幸能够借此宝贵的机会，与大家分享我们基于对自动驾驶、人工智能和人类交通行为的研究的思考。

我是罗马路路灵科技的霍静。今天，我代表创始人周星博士与大家分享我对面向覆盖的智能驾驶的开发和验证的想法。这也是基于我们学习人工智能、自动驾驶、人类交通行为三年后，想和大家分享的经验。

刚才王部长也介绍了我们创新公司。我再介绍一下。庐陵科技是来自全球顶尖大学的初创团队，拥有丰富的自驾经验和对数据的深刻理解。我们有优秀的教育背景，丰富的产品经验，深耕汽车和人类行为模型算法，擅长数学建模，用机器模仿人类，学习人类的逻辑思维。

你可以看到我们的核心技术团队主要毕业于斯坦福、耶鲁、卡耐基梅隆、康奈尔、中科大，都曾在特斯拉、蔚来、亚马逊、宝马、三星、福特工作过，深耕自动驾驶和人工智能，擅长建立数学和物理模型。

我今天要分享的是基于我们创立三年来，在自动驾驶、人工智能、人类交通行为基础上的长期耕耘。我们发现实现自动驾驶其实是一个很大的挑战。这表现在大家都在讨论流行的自行车智能化。自行车智能化的巨大挑战在于两个方面:一是成本，二是大规模可复制性。基于这样的思考，我们提出了城市、道路、工厂的共享智能。

首先，庐陵科技要解决什么样的问题？要解决的问题很简单，就是研究人类如何驾驶，以及真实的交通行为，包括汽车和人的交通行为。像Waymo的长期路测一样，他希望收集数据来学习和研究人类的驾驶行为。

为什么要做这样的工作？我们只是希望通过研究人类如何驾驶来研究真实的交通行为，包括汽车和人的交通行为，就像Waymo做长期路测一样。实际上是为了什么？收集大量数据，希望通过这些数据学习和研究人类的驾驶行为。

为什么要做这样的工作？我们希望汽车和机器能像人类一样思考，自动驾驶，但实际情况是怎样的呢？

你可以看到这个ppt的最左边有那么多黄色的圆圈。这是我们从美国得到的一份研究报告。黄色圆圈都表示左转或直行时车与人相撞的现象。很有意思的现象，这辆车前面有追尾，而且都是常见的追尾。前面第一辆车要么是Waymo，要么是其他自动驾驶车辆，后面的车全是人类驾驶的车辆。这是什么意思？所有的自动驾驶在某个地方突然停下来，或者某个地方发生了某个行为，后面的人驾驶的车辆无法做出反应，也不知道你的车在做什么，导致人驾驶的车和自动驾驶的车发生了明显的碰撞。这就是为什么每个人都可以看到，在优步发生的每一件事，包括Waymo和Tesla，都是有原因的。很多时候，智能自动驾驶并不能真正像人一样进行人工思考。

这里有一个结论，就是我们的人工智能现在还达不到人类智能的思维。这里我有一个简单的例子。你可以看看这张图。这是什么意思？说明蓝色是自动驾驶车辆的决策时间，彩色是人在驾驶时的决策时间，蓝色的决策时间是指自动驾驶车辆至少有2秒的时间做决策，而人，因为大脑反应快，在一瞬间做出驾驶决策，这就是机器和人的区别。

另一个是交互事件，比如一个路口，两辆车。如果人与人之间……以与人交往为例，如果你做一个手势，进行眼神交流，大概需要一秒两秒的时间。红色的表示自动驾驶汽车的交互时间必须比人长，甚至达到5秒左右。

这里要说明的是，人工智能现在还达不到人的思维行为。

这是另一个案例。红色和蓝色的是两个城市的人类群体行为轨迹。蓝色的叫蓝城，红色的叫红城。比如在日本，大家普遍遵守交通规则，一般行为都有章可循。这是蓝色规则的呈现。例如，红色是中国的一个城市。很多人的交通习惯和行为其实差别很大，没有规律可循。你可以看到超车行为是变道。在红色城市中，人们的变道行为可以发现是不规则的，他们都改变自己，这可以导致一个非常分散的轨迹。比如日本城市的蓝色轨迹是有迹可循的。

这使得自动驾驶变得非常困难:自行车智能面临当前的挑战，成本很高。刚才也有同事说，自行车智能自动驾驶的成本很高。目前，Waymo的自动驾驶智能自行车平均售价为4亿美元。世界上有600多辆Waymo，如果超过1000辆，就要花费4亿美元。另外，即使车上全是感知、雷达、毫米波，最多也只能感知6-8套，效率相对较低。

对我们来说，我们认为如果要实现自动驾驶，所有人都希望生产低成本、大规模复制的无人驾驶汽车，并且在各种场景下，包括矿山，包括无人驾驶卡车，包括小巴物流。但实际上是什么样的呢？各种通信、雷达、传感带来的成本高、效率低，难以实现商业场景。

我们提出的思路和我们的目标是如何大规模、更高效地收集数据，让机器能够像人类一样，用大量的数据学习人类的思维模式和逻辑模式。我们的思路是更多地从路边和城市中收集数据。我们的目标是使用无人机、摄像机、红绿等。

我们的想法是什么？就是希望自行车智能化越来越便宜，成本越来越降低。最后，它将能够通过自行车进行决策和思考，而城市侧可以使用大量的数据算法，与城市侧共享智能，平等分担自动驾驶车辆的成本。更多的商业落地。

刚才我们说了，在收集了大量数据之后，也是路翎在做的事情:利用模仿学习算法来识别和学习人类的行为和策略。这是我们在加州洛杉矶用无人机和路边摄像头拍的。我们24小时全程监控，不断观察和思考汽车和人是如何用算法和模仿学习来帮助机器更好地强化算法的数据的。

我刚才说的是提出一个概念，叫CDV概念，就是覆盖率。我们希望大量的数据采集和数据算法能够得到覆盖率的验证，让计算机能够像人一样思考。我们提出，在自动驾驶领域使用这种覆盖并不是我们最早的提议，也不是我们唯一在做的事情。业内有很多公司在做。大家可以看到，Foretellix，包括LATENT，现在已经被Waymo收购了。当时，Waymo也看中了他们使用CDV的概念进行自动驾驶报道。

覆盖概率有多大？说白了，权力来源有两个。一个是大量骑行者收集数据，希望以剂量取胜，以覆盖面取胜。利用大量的数据来练习算法，模仿人类的学习和思维，让我们收集各种异常场景，更接近人类的思维，让安全率达到99.99%的目标。

这是我们在无锡做的一个案例。在无锡的路口，我们采用了无人机和路边的想法，用城市端摄像头采集的数据模拟城市和交通。我们练习了模仿学习来发现各种交通行为，这帮助我们收集和训练了大量数据，改进了我们的算法。

如果这样做了，说实话，这不是一个行业做的，而是行业和政府做的。我们需要无人机和摄像头一起做，包括市政数据和互联网一起收集数据。这样的计算可以……只有在收集了大量数据后才能进行。

最后，我们的结论如下:1 .城市里的智能和共享智能，可以大大降低我们自行车智能的成本，加速商业化；2.大量的人类行为数据可以为面向覆盖的自动驾驶研发贡献巨大价值；3.希望路灵科技的模仿学习法能够从数据中提取价值，建立驾驶行为和决策模型。做这件事是一个巨大的工程，我们也感谢上海汽车城给我们这么好的机会在这里学习、研究、展示我们的贡献。

标签：发现特斯拉宝马福特Roma

汽车资讯热门资讯