3密码、76模块只是RoboTaxi的“起点”，滴滴要对自动驾驶“产品”定义 | CCF-GAIR 2020

滴滴的自动驾驶很明确。

8月8日，在CCF-GAIR 2020智能驾驶专场上，滴滴自动驾驶公司的首席运营官孟星提到滴滴在做L4自动驾驶的RoboTaxi。L4延伸到L5，这是它未来的方向。

滴滴的核心基因是出行公司，出行是滴滴的基因。旅行的重点是安全。滴滴在考虑自动驾驶时，主要以安全为主。

以下为孟星演讲全文。雷锋新智经编辑不改初衷:

各位下午好。很高兴来到CCF-GAIR 2020，与大家分享滴滴自动驾驶过去取得的进步，以及我们对未来的展望。

在我开始分享之前，我先明确一点，自动驾驶是一件非常难也非常大的事情。很多公司都在从技术方向努力，但在实际操作中，自动驾驶不仅需要策略、方向和意志，还需要基因。某种程度上，你会带着你天生的基因和思维维度，让你自动驾驶的角度和别人不一样。

滴滴的核心基因是我的出行公司，出行是我们的基因。

旅行的重点是安全。当我们考虑自动驾驶时，我们的初心是围绕安全开始的。

滴滴自动驾驶初心

据统计，世界上每年死于交通事故的人很多，约100万人。其中，道路交通事故是5-14岁儿童和15-29岁青少年的第一死因，不仅影响着未来的青少年，也影响着祖国许多未来花朵的成长。滴滴自动驾驶的初心是改变这种现象的发生，哪怕只是一点点改变，这也是我们非常希望做的事情。

全球交通数据显示，每年全球航空事故造成的死亡人数为562人，航空运输量远小于运输量。我们有没有可能把135万变成562？当然，我们希望这个数字是0。这是我们做这个的初心，不是技术，不是体验，是安全。

滴滴自动驾驶工作流程

保障滴滴自动驾驶安全的三点是ADN:核心是AI能力，燃料是数据，边界是出行生态网络。

分别介绍一下滴滴在这三个方向的工作。

1.人工智能驾驶

第一，核心人工智能技术。滴滴自动驾驶很明确，针对的是L4 RoboTaxi。当然L4延伸到L5，就是未来。有人认为未来会实现，有人认为不会实现，有人认为会在某个时候实现。另外，L4级别以上的自动驾驶能力是我们目前的方向。

值得注意的是，其全栈能力是自主研发的，从车上的感知、预测、规划、控制，到车下的仿真、功能安全、信息安全、基础设施、系统集成。我们已经做了四年了。

当然，上图是一个框架。框架固定了，不代表你就能做好。因为框架背后还有两个更重要的东西。

我相信今天大家看到的L4级自动驾驶汽车还没有达到它的容量。没有安全员，汽车1-5年完全放开，今天大家都达不到。但是，这是大家目前努力的目标。

同时，实现上述目标的核心是如何更快的迭代。当然，后面还有两件事更快:

一个是——见多识广，也就是长尾场景比较多。我们今天可以解决80%的场景，但难的是这些场景最后的20%、2%、0.2%。只有看到这些场景，才能训练迭代。

第二个是——磨炼，就是你要在这些场景下跑更多的里程，做更多的测试。

其中，长尾场景是一个很难解决的事情，因为现在的车很少。目前自动驾驶的测试数据大部分来自自动驾驶测试车，但是自动驾驶测试车尤其是L4测试车并不是量产车型，大部分测试车都配备了软件、硬件和计算平台进行测试。大部分都是几十几百辆，没有一家公司有几千辆L4级的自动驾驶测试车。

即使有几百辆测试车，你每年能跑的里程也是非常有限的。与长尾场景相对应的是，今天的累计里程可以跑到几十万、几百万，甚至几千万……英里数。

但是有很多场景是一千万公里才出现一次，有的场景是一亿公里才出现一次。而你要解决这样一个场景，你要把同一个场景看100遍，1000遍，甚至10000遍，才有足够的数据去解决这个场景。

那么，我们该怎么办呢？

对于滴滴来说，我们不仅有自动驾驶测试车采集这样的场景，还有橙视。

橙视是我们为司机师傅提供的安全防护设备。主要提供车辆前方行驶记录、行程中车内录像、责任判定、投诉取证等功能。滴滴50%的订单有橙视设备保护，一年大概有1000亿公里的数据。

值得注意的是，橙色电视覆盖的场景非常广泛，包括城市、乡村、城乡结合部等。除此之外，晚上还有“奇”景，鸡飞狗跳，老年代步车逆行。

值得注意的是，长尾场景不仅仅体现在数据的复杂性上，还包括流量参与者行动的复杂性。

比如我们在上海测试的场景中，有一辆大车挡住对面驶来的大车，它越线了。你不知道他是会变得更违法还是回到自己的线上。在这个过程中，是很难预测的。

这样的预测跑多了之后，我们就知道怎么处理相应的车了，同时也更好的和别人互动。同时，确保我们能够对如何制造这样的汽车做出更准确的预测。

除了我们的自动驾驶车辆，我们还有orange vision，它有大约5-6个数量级的额外数据供我们看到更多的场景，然后提取到我们可预测的长尾场景中，最后在模拟场景中测试，不断改进我们的算法。

几十上百辆的自驾测试车辆非常有限，所以我们通过增加模拟来延长测试里程，大约可以提高10-100倍。

仿真生成的新场景分布往往与真实场景分布不一致，往往是我们自己创造的。虽然它对我们的算法提出了新的挑战，但在解决实际问题时偏离了我们。

orange vision的优势在于我们有数千亿公里的自动驾驶辅助。1000亿公里不是每一公里都有用，但几乎可以覆盖所有长尾场景，而且远不止复制一次。

2.数据

滴滴自动驾驶燃油数据分为两种:一种是技术迭代相关的数据，一种是运营相关的数据。

滴滴作为一个网约车平台，由于其原始形态，会自动产生大量数据，包括行程轨迹、用户需求、未来预测、轨迹数据、用户行为等等。

L4级自动驾驶汽车不同于网约车，可以从一个城市开到另一个城市。L4级自动驾驶汽车从一个地区出发，会受到地理、天气条件、交通参与者的限制。

我们会逐步开放这些限制，可能是以线上OTA的形式开放，也可能是大版本迭代开放。这个过程不管怎么开，都是一步一步来，不会在城市里一步一步开。

另一方面，如何在最初的范围或者小范围内达到服务客户的目的？

比如开放面积太小，像机场等场景，订单可能会很多。如果不在自动驾驶的区域，就无法服务乘客，所以体验差，乘客也不会使用你的服务。

怎么会？

滴滴平台每天都会产生大量的运营数据，8年的积累不仅有数据还有经验。

一个是管理地图。我们把所有的数据都放到地图上，看哪些路收入最大，哪些地段有订单，哪些地段没有订单。

最重要的是，我们可以确定是否存在闭环，会有多少订单。

二是安全地图。我们会考虑人类驾驶员发生重大事故、刮蹭事故和轻微事故的路段，同时会对每个路段进行评分，然后用可视化的方式标注出来。

第三是技术图。根据目前的技术定义和路段本身的限速，车道、自行车道、汽车道等的清晰度。

可以看出，上图中的三张地图代表了不同的内容信息……n，但都是结果信息。

更重要的是，我们把三张地图放在一起，形成一张滴滴战术地图，从而逐步推广自动驾驶。

这是一个很有意思的例子，我们做出来，形成了一套玩法或者产品化的思路。虽然有时效性，但我们会基于大数据平台实时更新，最终这些数据可能会秒级迭代。

其实这个方法论是很通用的，中国通用，全国不同地区通用。

传统上如果我们需要在小范围内行动。首先需要调查用户的出行习惯，看看有没有打车的用户，他们的需求是什么。同时，可能需要一段时间来验证技术的可行性，判断是否会遇到目前技术无法解决的问题。然后，我们用自动驾驶在这方面进行收集、打磨、迭代。整个过程大约需要半年时间。

现在，我们只需要将三张地图组合成一张战术地图，从需求、技术、安全的角度出发，用10秒左右的时间构建这个系统，最后量化判断结果。

本质上，我们正在定义自动驾驶本身的产品。

大家都在说L4和L5自动驾驶，但还是宏大的概念，有自己的定义。重要的是如何定义各自的范围和区域，并进行迭代和扩展。

其实任何创业公司都面临着这样的选择。这个命题不难，难的是因为你没有数据。

这个过程在移动互联网时代是由产品经理来实现的，但在自动驾驶场景下主要是通过量化和数据来实现。

3.网络

运营网络是我们自动驾驶的边界。

滴滴平台上有很多产品，包括出租车、快车、豪车等。大部分经常打车的同学都很熟悉。

自动驾驶汽车是我们的额外类别。这有什么意义？

当你只有自动驾驶车辆，没有其他类型的车辆时，几十辆车，几百辆自动驾驶车，都无法在有限的区域内很好地服务用户。

对于用户来说，是尝鲜，但只有有限的范围和少量的车，并不能提供很好的体验。

滴滴采用混合调度的方式解决上述问题。

在滴滴平台上，我们把自动驾驶汽车和大量由司机驾驶的网约车放在一起。当地区、路况、天气满足自动驾驶的条件时，我们把订单发给自动驾驶汽车，否则发给网约车司机。

事实上，长期以来，驱动程序一直是一个非常重要的元素。他们是我们交通的主力军，同事们也解决了自动驾驶长期无法解决的问题。

实际上，自动驾驶车辆和司机驾驶的网约车是相辅相成的。他们可以在两种情况下无缝连接，一步一步迭代自动驾驶网络的生成。

因为自驾团队不可能一步到位。

除了运营网络，还有两个重要的网络:客运和车队运营。

在客运运营网络方面，滴滴拥有超过5亿的用户，一年超过100亿的交付量。我们有很多服务经验，这是无价的。当你服务你的第一个顾客时，你会有一种非常新鲜的体验。当你服务100个用户的时候，他们的观点和需求是不一样的，你对产品的需求也越来越高。当你服务10万，100万，1000万的时候，你的认知是迭代的。滴滴专车的形成其实也是经过每年几百亿的打磨才做成的。

车队运营网络方面，对应的客户是庞大的车队。这些车绝大多数不是滴滴的，但是很多车是我们服务的，包括集中购买、车辆使用、车辆维护、充电、加油、保养、后续处置等。滴滴有着悠久的经验，服务于超过100万辆汽车的车队。

在自动驾驶时代，上面提到的能力都是我们L4自动驾驶技术无法企及的。当RoboTaxi真正商业化的时候，

这些能力变得尤为重要。

自动驾驶如何保证安全？

上面提到的运营能力有哪些？和我们一般的认知有什么区别？

在运营场景中，滴滴自动驾驶的安全相关场景如下:

说到自动驾驶安全，人们通常会想到车上是否有安全员，安全员的身份是不是……hecked，以及车辆、车辆状态、行程是否全部检测。

另外，其实我们会做一个整体的系统，是一个庞大的系统，包括验车、限令、安全员、功能确认、测试等。，这些都涉及到安全系统，大约76个模块。

76个流程是为了做好滴滴自动驾驶的安全工作。然而，这只是几十辆、几百辆自动驾驶车辆的安全管理系统。不包括以后运营更多车辆、硬件设施、软件开发的安全流程。

这只是一个例子，在操作系统中其实背后还有很多这样的例子。

做好技术是一回事，做好技术带来的应用场景又是另一回事。这里面有很多细节，难度很大。

DNA在自动驾驶中起着重要的作用。

回顾刚刚分享的三点:AI能力、大数据、网络，这三者的结合就是我们自动驾驶的DNA。

滴滴非常适合做网约车的自动驾驶场景，因为滴滴自动驾驶有天然的基因优势。以上三者的结合，让我们看到了自动驾驶的希望，让它成为现实。

6月27日，我们结合自己的基因、能力、运营能力和在上海的经验，在上海嘉定区开展了载人演示，普通乘客可以直接报名体验滴滴自动驾驶。包括更复杂的真实场景，类似于一个城市的大部分室内场景，包括地铁站，购物中心，会展中心，大公司的办公场景，居民区。上线当天就有1万人报名，现在已经有超过数万人报名。

车路协同趋势下的自驾产品形态演变

除了在车上的操作，我们真正的操作还包括安保押运中心。滴滴的自动驾驶很明确。

8月8日，在CCF-GAIR 2020智能驾驶专场上，滴滴自动驾驶公司的首席运营官孟星提到滴滴在做L4自动驾驶的RoboTaxi。L4延伸到L5，这是它未来的方向。

滴滴的核心基因是出行公司，出行是滴滴的基因。旅行的重点是安全。滴滴在考虑自动驾驶时，主要以安全为主。

以下为孟星演讲全文。雷锋新智经编辑不改初衷:

各位下午好。很高兴来到CCF-GAIR 2020，与大家分享滴滴自动驾驶过去取得的进步，以及我们对未来的展望。

在我开始分享之前，我先明确一点，自动驾驶是一件非常难也非常大的事情。很多公司都在从技术方向努力，但在实际操作中，自动驾驶不仅需要策略、方向和意志，还需要基因。某种程度上，你会带着你天生的基因和思维维度，让你自动驾驶的角度和别人不一样。

滴滴的核心基因是我的出行公司，出行是我们的基因。

旅行的重点是安全。当我们考虑自动驾驶时，我们的初心是围绕安全开始的。

滴滴自动驾驶初心

据统计，世界上每年死于交通事故的人很多，约100万人。其中，道路交通事故是5-14岁儿童和15-29岁青少年的第一死因，不仅影响着未来的青少年，也影响着祖国许多未来花朵的成长。滴滴自动驾驶的初心是改变这种现象的发生，哪怕只是一点点改变，这也是我们非常希望做的事情。

全球交通数据显示，每年全球航空事故造成的死亡人数为562人，航空运输量远小于运输量。我们有没有可能把135万变成562？当然，我们希望这个数字是0。这是我们做这个的初心，不是技术，不是体验，是安全。

滴滴自动驾驶工作流程

保障滴滴自动驾驶安全的三点是ADN:核心是AI能力，燃料是数据，边界是出行生态网络。

分别介绍一下滴滴在这三个方向的工作。

1.人工智能驾驶

第一，核心人工智能技术。滴滴自动驾驶很明确，针对的是L4 RoboTaxi。当然L4延伸到L5，就是未来。有些人认为未来会实现，有些人认为会……有些人认为它会在某个时候实现。另外，L4级别以上的自动驾驶能力是我们目前的方向。

值得注意的是，其全栈能力是自主研发的，从车上的感知、预测、规划、控制，到车下的仿真、功能安全、信息安全、基础设施、系统集成。我们已经做了四年了。

当然，上图是一个框架。框架固定了，不代表你就能做好。因为框架背后还有两个更重要的东西。

我相信今天大家看到的L4级自动驾驶汽车还没有达到它的容量。没有安全员，汽车1-5年完全放开，今天大家都达不到。但是，这是大家目前努力的目标。

同时，实现上述目标的核心是如何更快的迭代。当然，后面还有两件事更快:

一个是——见多识广，也就是长尾场景比较多。我们今天可以解决80%的场景，但难的是这些场景最后的20%、2%、0.2%。只有看到这些场景，才能训练迭代。

第二个是——磨炼，就是你要在这些场景下跑更多的里程，做更多的测试。

其中，长尾场景是一个很难解决的事情，因为现在的车很少。目前自动驾驶的测试数据大部分来自自动驾驶测试车，但是自动驾驶测试车尤其是L4测试车并不是量产车型，大部分测试车都配备了软件、硬件和计算平台进行测试。大部分都是几十几百辆，没有一家公司有几千辆L4级的自动驾驶测试车。

即使有几百辆测试车，你每年能跑的里程也是非常有限的。对应长尾场景，今天的累计里程可以跑到几十万，几百万，甚至几千万英里。

但是有很多场景是一千万公里才出现一次，有的场景是一亿公里才出现一次。而你要解决这样一个场景，你要把同一个场景看100遍，1000遍，甚至10000遍，才有足够的数据去解决这个场景。

那么，我们该怎么办呢？

对于滴滴来说，我们不仅有自动驾驶测试车采集这样的场景，还有橙视。

橙视是我们为司机师傅提供的安全防护设备。主要提供车辆前方行驶记录、行程中车内录像、责任判定、投诉取证等功能。滴滴50%的订单有橙视设备保护，一年大概有1000亿公里的数据。

值得注意的是，橙色电视覆盖的场景非常广泛，包括城市、乡村、城乡结合部等。除此之外，晚上还有“奇”景，鸡飞狗跳，老年代步车逆行。

值得注意的是，长尾场景不仅仅体现在数据的复杂性上，还包括流量参与者行动的复杂性。

比如我们在上海测试的场景中，有一辆大车挡住对面驶来的大车，它越线了。你不知道他是会变得更违法还是回到自己的线上。在这个过程中，是很难预测的。

这样的预测跑多了之后，我们就知道怎么处理相应的车了，同时也更好的和别人互动。同时，确保我们能够对如何制造这样的汽车做出更准确的预测。

除了我们的自动驾驶车辆，我们还有orange vision，它有大约5-6个数量级的额外数据供我们看到更多的场景，然后提取到我们可预测的长尾场景中，最后在模拟场景中测试，不断改进我们的算法。

几十上百辆的自驾测试车辆非常有限，所以我们通过增加模拟来延长测试里程，大约可以提高10-100倍。

仿真生成的新场景分布往往与真实场景分布不一致，往往是我们自己创造的。虽然它对我们的算法提出了新的挑战，但在解决实际问题时偏离了我们。

orange vision的优势在于我们有数千亿公里的自动驾驶辅助。1000亿公里不是每一公里都有用，但几乎可以覆盖所有长尾场景，而且远不止复制一次。

2.数据

滴滴自动驾驶燃油数据分为i……o两种:一种是技术迭代相关的数据，一种是运营相关的数据。

滴滴作为一个网约车平台，由于其原始形态，会自动产生大量数据，包括行程轨迹、用户需求、未来预测、轨迹数据、用户行为等等。

L4级自动驾驶汽车不同于网约车，可以从一个城市开到另一个城市。L4级自动驾驶汽车从一个地区出发，会受到地理、天气条件、交通参与者的限制。

我们会逐步开放这些限制，可能是以线上OTA的形式开放，也可能是大版本迭代开放。这个过程不管怎么开，都是一步一步来，不会在城市里一步一步开。

另一方面，如何在最初的范围或者小范围内达到服务客户的目的？

比如开放面积太小，像机场等场景，订单可能会很多。如果不在自动驾驶的区域，就无法服务乘客，所以体验差，乘客也不会使用你的服务。

怎么会？

滴滴平台每天都会产生大量的运营数据，8年的积累不仅有数据还有经验。

一个是管理地图。我们把所有的数据都放到地图上，看哪些路收入最大，哪些地段有订单，哪些地段没有订单。

最重要的是，我们可以确定是否存在闭环，会有多少订单。

二是安全地图。我们会考虑人类驾驶员发生重大事故、刮蹭事故和轻微事故的路段，同时会对每个路段进行评分，然后用可视化的方式标注出来。

第三是技术图。根据目前的技术定义和路段本身的限速，车道、自行车道、汽车道等的清晰度。

可以看出，上图中的三张地图代表了不同的内容信息，但都是结果信息。

更重要的是，我们把三张地图放在一起，形成一张滴滴战术地图，从而逐步推广自动驾驶。

这是一个很有意思的例子，我们做出来，形成了一套玩法或者产品化的思路。虽然有时效性，但我们会基于大数据平台实时更新，最终这些数据可能会秒级迭代。

其实这个方法论是很通用的，中国通用，全国不同地区通用。

传统上如果我们需要在小范围内行动。首先需要调查用户的出行习惯，看看有没有打车的用户，他们的需求是什么。同时，可能需要一段时间来验证技术的可行性，判断是否会遇到目前技术无法解决的问题。然后，我们用自动驾驶在这方面进行收集、打磨、迭代。整个过程大约需要半年时间。

现在，我们只需要将三张地图组合成一张战术地图，从需求、技术、安全的角度出发，用10秒左右的时间构建这个系统，最后量化判断结果。

本质上，我们正在定义自动驾驶本身的产品。

大家都在说L4和L5自动驾驶，但还是宏大的概念，有自己的定义。重要的是如何定义各自的范围和区域，并进行迭代和扩展。

其实任何创业公司都面临着这样的选择。这个命题不难，难的是因为你没有数据。

这个过程在移动互联网时代是由产品经理来实现的，但在自动驾驶场景下主要是通过量化和数据来实现。

3.网络

运营网络是我们自动驾驶的边界。

滴滴平台上有很多产品，包括出租车、快车、豪车等。大部分经常打车的同学都很熟悉。

自动驾驶汽车是我们的额外类别。这有什么意义？

当你只有自动驾驶车辆，没有其他类型的车辆时，几十辆车，几百辆自动驾驶车，都无法在有限的区域内很好地服务用户。

对于用户来说，是尝鲜，但只有有限的范围和少量的车，并不能提供很好的体验。

滴滴采用混合调度的方式解决上述问题。

在滴滴平台上，我们把自动驾驶汽车和大量由司机驾驶的网约车放在一起。当地区、路况、天气满足自动驾驶的条件时，我们把订单发给自动驾驶汽车，否则发给网约车司机。

在fa……很长一段时间以来，驱动程序一直是一个非常重要的元素。他们是我们交通的主力军，同事们也解决了自动驾驶长期无法解决的问题。

实际上，自动驾驶车辆和司机驾驶的网约车是相辅相成的。他们可以在两种情况下无缝连接，一步一步迭代自动驾驶网络的生成。

因为自驾团队不可能一步到位。

除了运营网络，还有两个重要的网络:客运和车队运营。

在客运运营网络方面，滴滴拥有超过5亿的用户，一年超过100亿的交付量。我们有很多服务经验，这是无价的。当你服务你的第一个顾客时，你会有一种非常新鲜的体验。当你服务100个用户的时候，他们的观点和需求是不一样的，你对产品的需求也越来越高。当你服务10万，100万，1000万的时候，你的认知是迭代的。滴滴专车的形成其实也是经过每年几百亿的打磨才做成的。

车队运营网络方面，对应的客户是庞大的车队。这些车绝大多数不是滴滴的，但是很多车是我们服务的，包括集中购买、车辆使用、车辆维护、充电、加油、保养、后续处置等。滴滴有着悠久的经验，服务于超过100万辆汽车的车队。

在自动驾驶时代，上面提到的能力都是我们L4自动驾驶技术无法企及的。当RoboTaxi真正商业化的时候，

这些能力变得尤为重要。

自动驾驶如何保证安全？

上面提到的运营能力有哪些？和我们一般的认知有什么区别？

在运营场景中，滴滴自动驾驶的安全相关场景如下:

提到自动驾驶安全，人们通常会想到车上是否有安全员，安全员的身份是否经过检查，车辆、车辆状态、行程是否都经过检测。

另外，其实我们会做一个整体的系统，是一个庞大的系统，包括验车、限令、安全员、功能确认、测试等。，这些都涉及到安全系统，大约76个模块。

76个流程是为了做好滴滴自动驾驶的安全工作。然而，这只是几十辆、几百辆自动驾驶车辆的安全管理系统。不包括以后运营更多车辆、硬件设施、软件开发的安全流程。

这只是一个例子，在操作系统中其实背后还有很多这样的例子。

做好技术是一回事，做好技术带来的应用场景又是另一回事。这里面有很多细节，难度很大。

DNA在自动驾驶中起着重要的作用。

回顾刚刚分享的三点:AI能力、大数据、网络，这三者的结合就是我们自动驾驶的DNA。

滴滴非常适合做网约车的自动驾驶场景，因为滴滴自动驾驶有天然的基因优势。以上三者的结合，让我们看到了自动驾驶的希望，让它成为现实。

6月27日，我们结合自己的基因、能力、运营能力和在上海的经验，在上海嘉定区开展了载人演示，普通乘客可以直接报名体验滴滴自动驾驶。包括更复杂的真实场景，类似于一个城市的大部分室内场景，包括地铁站，购物中心，会展中心，大公司的办公场景，居民区。上线当天就有1万人报名，现在已经有超过数万人报名。

车路协同趋势下的自驾产品形态演变

除了在车上的操作，我们真正的操作还包括安保押运中心。因为汽车不能解决所有的场景，比如交警指挥，你不知道自动驾驶汽车是否知道交警的口语和手势。我们设置的安保护送中心类似于火箭发射指挥中心的中控平台。它将检测车辆的运行和报警。如果发现问题，它会调取车辆的实际运行状态，给出提示和参与意见，让车辆更好地处理长尾场景中无法处理的场景。另外，安保押运中心还可以看到路上的情况。

更重要的是……，滴滴有自己的车路协调团队。

做自动驾驶的时候做好车路协调，对于车路协调本身的发展非常重要。如果只做车路协调不做自动驾驶，车路协调的解决方案往往是用户不考虑的。如果两边都做，即使不自己铺设基础设施，也还是从需求端。

目前滴滴有完整的解决方案，我们在上海也铺设了这样的解决方案。从道路的角度，可以看到我们的盲点、红绿灯等在车上看不到的场景，可以通过我们的车路协调设备直接进入车内进行感知协调。

最后分享两个小故事:

滴滴自动驾驶上线以来，00001体验乘客是在上海迪士尼跳舞的舞者。她认为自动驾驶对他们来说是一种美妙的体验。

她给了我们很大的鼓励，但我们比鼓励更珍惜的是对我们的打击和鞭策。

还有一个60多岁的退休大学教授，坐过很多次自动驾驶汽车。当天，他开了两个多小时的车体验滴滴的自动驾驶汽车，发表了很多评论。官方认为，这些意见让我们走出舒适区，进入无人区，不断扩大边界。所以，鼓励和鼓舞对我们来说很重要，是我们前进的动力。

雷锋网雷锋网(微信官方账号:雷锋网)

雷锋的原创文章。未经授权，禁止转载。详见转载说明。因为汽车不能解决所有的场景，比如交警指挥，你不知道自动驾驶汽车是否知道交警的口语和手势。我们设置的安保护送中心类似于火箭发射指挥中心的中控平台。它将检测车辆的运行和报警。如果发现问题，它会调取车辆的实际运行状态，给出提示和参与意见，让车辆更好地处理长尾场景中无法处理的场景。另外，安保押运中心还可以看到路上的情况。

更重要的是，滴滴有自己的车路协调团队。

做自动驾驶的时候做好车路协调，对于车路协调本身的发展非常重要。如果只做车路协调不做自动驾驶，车路协调的解决方案往往是用户不考虑的。如果两边都做，即使不自己铺设基础设施，也还是从需求端。

目前滴滴有完整的解决方案，我们在上海也铺设了这样的解决方案。从道路的角度，可以看到我们的盲点、红绿灯等在车上看不到的场景，可以通过我们的车路协调设备直接进入车内进行感知协调。

最后分享两个小故事:

滴滴自动驾驶上线以来，00001体验乘客是在上海迪士尼跳舞的舞者。她认为自动驾驶对他们来说是一种美妙的体验。

她给了我们很大的鼓励，但我们比鼓励更珍惜的是对我们的打击和鞭策。

还有一个60多岁的退休大学教授，坐过很多次自动驾驶汽车。当天，他开了两个多小时的车体验滴滴的自动驾驶汽车，发表了很多评论。官方认为，这些意见让我们走出舒适区，进入无人区，不断扩大边界。所以，鼓励和鼓舞对我们来说很重要，是我们前进的动力。

雷锋网雷锋网(微信官方账号:雷锋网)

雷锋的原创文章。未经授权，禁止转载。详见转载说明。

标签：发现

汽车资讯热门资讯