我相信會很普及。現在已經開始做了，出於成本的原因還沒有廣泛普及，某一領域已經得到運用，不久的將來會廣泛應用和普及。

我認為會普遍，但是人為駕駛仍然會是主流。

無人駕駛最大的難點，也是最重要的要素，就是安全。

高安全性意味著低事故率。一個系統做到很低的事故率，通常要做兩件事情，一個是發現問題，一個是解決問題。

開始時，由於系統的問題非常多，主要精力在解決問題，但是隨著事故率逐漸降低，發現問題變得越來越難。據統計，全球來看，對於人類司機，一億公里發生致命事故1~3起。對於無人駕駛，我們希望比人更安全，最好致命事故率低一個量級，做到十億公里一起致命性事故。統計上，要達到足夠置信度，需要多次重複實驗，最好一百次以上。這意味著一套比人更加安全的無人駕駛的系統需要測試的總里程達到1000億公里。按照一輛車一年10萬公里總里程計算。我們需要100萬輛車，一整年的時間，收集無人駕駛資料和測試，才能夠保證無人駕駛所需的安全性。現在Google和百度的無人車成本都在百萬人民幣量級，乘以100萬輛車這個巨大的基數，對於任何一家公司而言，都是一個天文數字。

如何克服？

針對這兩方面的成本，我們有兩種互補的解決方案：第一種解決方案是無人駕駛模擬；第二種解決方案是眾包資料收集和測試。

無人駕駛模擬可以透過演算法生成感知和決策資料，減少資料收集和測試車輛數量，降低研發成本。當然，無人駕駛模擬也存在不足：

第一，模擬生成的感知資料和真實的資料存在差異，實際中，還是以真實資料為主，生成資料為輔。

第二，模擬的規則是人制定的。很多失敗的場景恰恰是人思考的盲點，單純透過模擬並不能發現。

總結來說，雖然模擬可以降低資料收集和測試車輛的數量，但是我們仍然需要收集真實資料，用大量的車做真實測試。

單車成本主要由三部分構成：裝置成本，造車成本，運營成本。

運營成本就是駕駛員開著車採資料和做測試的成本。裝置成本方面，我們可以發揮演算法優勢，透過多攝像頭等廉價裝置實現無人駕駛。攝像頭是所有感知裝置中資訊量最大的，需要人腦水平的強人工智慧，才能從間接影片資料中提取出無人駕駛所需要的直接資料。鐳射雷達、高精GPS和IMU長期看都有降價空間，我們的技術方案不排除任何感知裝置，價格合理，就會融合進來。

造車成本和運營成本已經優化了上百年，很難降低。一個聰明的想法是讓其他人承擔這部分成本——這個想法叫做眾包，代表性的公司有特斯拉和Mobileye。然而，遺憾的是，他們的眾包方案存在兩個問題：

第一，需要造車。特斯拉自己造車，Mobileye則透過合作伙伴造車。

第二，需要讀取和控制車輛駕駛行為。造車週期三到五年，顯著慢於演算法研發節奏，成為時間瓶頸。如果為了加快迭代，在演算法沒成熟的情況下強行上車，是拿人的生命做冒險，也顯然不可取。特斯拉的幾起致命事故就是血的教訓。

無人駕駛的嚮導——高精度地圖

高精度地圖是一個寬泛的概念，需要達到兩方面的高精度，分別是地標位置的高精度和本車定位的高精度。

地標位置的高精度。高精地圖由很多類地標構成，比如地面各種道路標線，地上各種交通標誌等，地標的定義現在還沒有明確的標準，不同廠商從自己產品和技術需求出發，有不同的定義方式。

本車定位的高精度。高精定位有三種方式：第一種是衛星定位。多基站+差分GPS在開闊區域可以做到釐米級精度，但是城市中因為多路徑效應，精度只有米；第二種是匹配定位，這種方式和人很像，觀察周圍環境或者地標，在記憶地圖中搜索，匹配定位。結合GPS限定搜尋範圍，可以做到快速準確匹配。第三種是積分定位。IMU或者視覺里程計。短時間內精確，長時間有累積誤差。這三種方式各有優缺點，結合起來可以做到低成本、高精度、高可靠性。

高精度地圖是視覺的延伸和增強，之於無人駕駛是必須的。一旦有了高精地圖的車道級定位和實時路況更新，就能提前減速並變換到到非車禍車道，杜絕事故的發生 。舉個例子：透過視覺，我們可以識別當前在第幾車道，透過高精度地圖定位，我們也可以知道當前在第幾車道，兩種不同方式互相校驗，可以達到更高的安全性。總結來說，高精地圖可以使無人車看得更遠，看得更準。

高精地圖對於自動駕駛整體解決方案研發的價值非常高，這一點卻被很多人忽視。分為三個方面：決策，測試，V2E。

第一方面，無人駕駛決策。本質上，駕駛決策學習的是道路環境到駕駛行為的對映。如果獲得環境和行為的海量資料，就可以透過資料驅動的方式學習無人駕駛決策。道路環境可以透過視覺感知獲得，而司機的駕駛行為如何獲得？很多人認為，司機的駕駛行為就是剎車油門方向盤，想要獲得，一定要有CAN匯流排許可權，要改車。其實不需要。首先，更新一個概念，司機的駕駛行為還可以用車輛在高精地圖中的軌跡表示。透過精確定位，我們可以獲得每輛車的駕駛軌跡，以及軌跡上每一點的速度，加速度。駕駛軌跡是駕駛行為更通用的表示，與車型無關。剎車油門方向盤，雖然直觀，但不通用。人類司機，換輛車，要調整駕駛習慣，重新適應，是同一道理。依賴高精地圖，我們可以獲得駕駛軌跡這一駕駛行為資料。透過眾包，就可以獲得海量環境和行為資料，透過資料驅動的方式學習無人駕駛決策。

第二方面，無人駕駛測試。當無人駕駛演算法接近人類駕駛的安全性時，需要一千輛車測試一年的時間才有可能發現問題。如果團隊像Google和百度一樣靠自己運營測試車輛，顯然是不現實的。眾包是唯一實現海量測試的方法，但是我們不希望像特斯拉一樣，以消費者的生命為代價，測試自己未成熟的演算法方案。透過高精度地圖，我們不控制車、不帶來危險，就可以實現眾包測試。具體原理是，我們可以預測駕駛軌跡，也記錄了真實駕駛軌跡。預測軌跡和真實軌跡比對，如果一致，說明測試透過，如果不一致，說明測試失敗。無人駕駛整體測試還包括無人車身體測試，以及身體和大腦結合的測試，也就是車輛測試和軌跡跟蹤測試。相比於無人車大腦，這兩部分成熟很多。

第三方面，V2E。V2E是指透過車輛和道路通訊實現無人駕駛。概念上，V2E可以大大降低無人駕駛的難度，提高安全性。將V2E的概念真正落地到無人駕駛，其中主要有三方面的問題。第一，道路通訊裝置要解決供電、應對風吹日曬雨淋等技術可靠性問題，還要承擔基礎設施重建和複雜維護的高昂成本。第二，環境和車輛通訊，需要統一的通訊標準。誰來制定標準？眾多車企都以自己的利益為考慮，很難協調。第三，通訊安全的問題。如果駭客或者恐怖分子利用通訊協議漏洞，惡意操縱路面上的車輛，製造恐怖事件，又應如何應對？這些問題都限制了V2E從概念短期內走向現實。相對於電子通訊的V2E，我們提出“漸進式的V2E”。無人駕駛的很多問題是因為道路標線、標牌不足或者佈置不合理造成的，透過高精地圖和基於高精地圖的測試，我們可以自動發現哪些路段標線和標識需要改進，並給出改進的具體實施方案。漸進式V2E不需要電子通訊裝置，沒有通訊標準和安全問題。在現有道路標線、標牌體系下，就可以大幅改善無人駕駛的可靠性和安全性。

視覺高精度地圖的實現

視覺高精度地圖的實現技術，不是SLAM也不是SFM，這些方法都不適用。要建真正可用的視覺高精地圖，需要從第一原理出發重新設計整個演算法。我們構建高精地圖的第一原理是：多張影象存在視差，利用點的對應關係，可以從2D點恢復出3D點。人眼雙目視覺獲得深度也是這一原理。從基本原理出發，建立高精地圖，需要創造性地解決三方面的問題：

影象部分。檢測識別語義點。傳統的SLAM或者SFM演算法都基於SIFT、ORB等人工設計的特徵點。在光照、視角發生變化的情況下，無法準確的檢測匹配原有特徵點。換句話說，光照視角發生變化後，原來構建的地圖就無法使用了。我們的方法是定義道路標線、標牌等地標上的點作為語義點，透過深度學習和資料驅動的監督訓練得到模型，可以準確檢測和識別語義點，解決檢測不到、匹配錯誤的問題。

幾何部分。透過眾包間接實現海量攝像頭測量效果。不同車輛，不同時間，經過同一地標，即使光照視角不同，我們也可以透過語義點模型把所有車輛拍攝到的同一語義點關聯起來，這相當於間接實現了多攝像頭測距的效果。我們知道，視覺測量中，攝像頭越多、視差覆蓋越全，測量精度就越高。我們實驗驗證，隨著眾包車次的增加，真實3D點位置估計的準確性有量級上的提升。

GPS部分。給每個語義點精確的GPS座標。我們有幾方面的考慮：(1)讓高精地圖通用。GPS座標是地圖的通用語言，給每個語義點賦予GPS座標，便於他人使用；(2)消除累積誤差。單純使用幾何方法構建區域性地圖，會有累積誤差。結合GPS，可以解決這個問題；(3)消除區域性地圖歧義性。當局部地圖有重合或者語義點缺失的時候，確定區域性地圖座標系很麻煩，但全域性GPS座標系沒有這個問題。

20年後無人駕駛已經不算高科技了。隨著5G技術的成熟，各種配套裝置的完善，資料的延遲極大降低，無人駕駛技術可行性越來越好，安全性也得到了極大的保證。早在去年八月份，日本東京都的無人駕駛出租車就正式試運行了。

20年後普及的應該是小型陸空兩用汽車，美國的泰拉夫加公司生產的首批產品，最早明年秋天就可以交付客戶使用，8到10年後就可以普及。所以20年後應該是小型陸空兩用汽車技術逐漸成熟，市場蓬勃發現的時候。

個人認為20年後的無人駕駛應該如現在的智慧手機一樣普及，雖然在當前環境下技術、安全性、政策都還遠遠達不到普及的地步，但是以目前的科技發展趨勢，是在未來一段時間內可以實現的。

當無人駕駛汽車普及，很多現有的社會制度將會受到強烈的衝擊，比如人們不再需要駕照與保險這個硬性規定。隨著資訊科技的普及，無人駕駛汽車必將會與移動通訊技術相連線，無人駕駛汽車透過行動通訊可隨時保持聯絡。如果是電動無人駕駛汽車，或許從國家電網公司購買電動汽車也不再是遙不可及，油費將會被電費取代，加油站也將會被拆除。馬路上的出租汽車也不需要“的哥”，計程車司機這個職業將會漸漸消失。無人駕駛的出現，帶給了我們無限美好的憧憬。

未來的汽車已經不僅侷限於一種交通工具，更多的是向新一代網際網路終端發展。無人駕駛汽車將感知、決策、控制與反饋整合到一個系統中，實現了汽車脫離駕駛員而能保證其駕駛操縱性與安全性。無人駕駛的出現將從根本上改變傳統汽車的控制方式，對於交通系統的安全性與通行效率有了較大保障。隨著大資料、物聯網、雲計算的不斷深入發展，無人駕駛汽車的效能將會更加完善，我們相信在未來的不遠，無人駕駛汽車將會賓士在中國的大地上。

無人駕駛是一種美好的願景，實現起來也不會有什麼問題，但不實用，現實中很多意外情況無法克服，有可能造成無法解決的交通問題

實現自動駕駛需要具備幾個條件，一是路面交通設施如訊號燈、影片圖象、標誌標線等感知裝置密度足夠。二是有高頻寬，延時低的通訊網路，車輛可以實時接收道路資訊。三是自動車輛控制平臺要資訊共享可以統一排程、協調、指揮。四是車輛檢測技術滿足自動駕駛要求。五是資訊網路安全可靠可控。

目前自動駕駛的研究單位主要有網際網路公司，車輛廠商，通訊運營商等。這些單位研發的車輛基本上滿足第四項要求，北京市也出臺政策開放部分道路進行無人駕駛測試，評估自動駕駛的安全性。

第一項要求由於建設主體多樣，資訊共享和介面開放的技術標準和政策都沒有，很難實現。第二項隨著5G通訊的發展，可以有限度的實現。第五專案前只是研究階段，需要根據自動駕駛的發展逐步進行技術調整。

根據以上情況，未來20年自動駕駛會在有限的行業和地區進行應用，普通百姓象開私家車的方式進行自動駕駛恐怕還不能實現。

無人駕駛是 AI 密集型產業，也是未來 AI 落地的一個重要的大市場。

未來有了 AI、車聯網以後，車在路上會編隊出行，單個車道的使用效率會提升 3-4 倍，我們不再需要十字路口的紅綠燈，因為在全域性排程演算法下，所有的車都能夠高效透過十字路口。停車也不再是問題，到目的地之後可以直接下車，計程車將會川流不息，晚上它可以默默地停到五環外，不用擔心停車的問題。 

高速公路上的大貨車不再有車頭。末端配送會由一些小機器人完成，快遞母艦開到社群以後，我們可以放出密密麻麻的小機器人出來挨家挨戶送貨。 我們很少在網上買鞋，因為腳是非標的。未來鞋店可以開到你門口，你上車試鞋，下車買單，這使得未來物的流動更加自由。

更廣義地說，很多今天的東西都可以動起來，比如你缺錢時一個無人駕駛 ATM 機可以突然現身。在外面玩內急時一個無人駕駛廁所可以飛速駛來。未來，車變成了空間，可以安營紮寨，車的底盤可以離開，在你需要時它自己開過來。這些商業場景可以改變現在的很多產業，比如鐘點房、汽車旅館、支線航空等。

在新銷售、新零售、新商業上也有很多創意，比如無人貨架可以出現在車裡，車還可以是 mini KTV，還可以是模擬按摩椅，它可以是一個個人健身房，車在路上跑，你在車上的跑步機上跑，甚至是個人影院，為你定製內容 。經過測算以後我們發現，待無人駕駛產業發達之後還是要買茅臺股票，因為酒類銷售量可以增加 30%，不用擔心酒價。

未來，一切可以重新定義。

以我對這個行業的瞭解，不需要20年，無人駕駛就會普及。

目前無人駕駛最大的痛點在於連結，單個汽車個體的接收資料庫和計算的能力有限，但是目前的4G網路又不能支撐高速行駛的汽車的連結，頻寬也不能支撐多量汽車的大量影象影片資料的傳輸，所以無人駕駛一直處於實驗和小面積試執行階段，真正上路，需要互聯互通和邊緣計算的支援。所以未來5年內，隨著5G的發展，這一切都將成為現實。所以無人駕駛未來5年-10年內基本會達到普及階段。