年底实现城市NOA 东风智能化技术总师李红林专访
本次北京车展的东风展台上，一辆无人驾驶巴士非常吸睛，它是东风汽车旗下智能化品牌“悦享智能”的重要成果。这款悦享巴士具备L4级自动驾驶技术，在雄安、武汉等城市路段开展了无人驾驶的试运营模式。围绕着这台Sharing-Bus，东风汽车智能化技术总师李红林接受了媒体专访。
在谈到高阶智能驾驶的技术路线和时间截点上，李总师介绍东风汽车采用了单车智能和网联赋能两条路线，以及渐进式和跨越式两种模式。Sharing-Bus更多是跨越式的，能做到L4级；乘用车领域在做渐进式的推进，比如从之前的L0做到L2，一直在提升拓展。目前展台上这些已经量产的车型，交通拥堵辅助、变道辅助、高速导航辅助等已实现。在今年年底，东风汽车会实现城市导航辅助，并在多品牌车型上进行搭载。
李总师认为，当前L4级自动驾驶落地还存在很多挑战，除了感知能力、决策规划能力和底盘执行单元、技术认证标准化等涉及技术的问题，还有消费者接受程度、公共交通体系如何接纳的问题。目前东风能做的，是把技术路线尽量完善，同步推进对标准的支撑，积极参与国家标准的建设，以及整个生态体系的构建，积极做好示范应用。
对于未来的发展趋势，李总师表示目前行业内很多企业还是用单车智能去挑战高阶的自动驾驶，而未来的发展有两个大的趋势，一个是网联赋能，车路云一体化技术架构。另外一个大的趋势是端到端自动驾驶，行业正在积极探索从感知到规划的端到端系统。
此外，针对数据安全和消费者感知等问题，李总师也一一做了解答。以下是专访实录（有删减）。
Q1：Sharing-Bus有哪些黑科技？
李红林：这款东风悦享巴士本身实际已达到L4级自动驾驶要求，它的无人驾驶应用场景是整个公共交通领域中的关键环节。目前，在雄安、武汉等城区路段，该车型已实现了无人驾驶的试运营模式。从技术层面来看，它具备L4级自动驾驶技术，集成了丰富的感知单元，从摄像头，到激光雷达，并结合了高精地图。同时，Sharing-Bus也融入了“车路云一体化”技术方案，能接收路侧的实时信息，有效地提升了感知能力。
Q2：未来会不会发展到量产车型上？
李红林：会的，东风汽车非常注重利用高阶自动驾驶的系统实践去促进L2或者L3级别功能的开发。对于L4级来说，它在城区复杂交通环境下面临的技术挑战会更突出，正是通过在这些复杂场景下的实践，我们积累了丰富的经验和数据，为不同级别自动驾驶技术的进一步发展提供了支持。
Q3：这块有具体的时间规划吗？
李红林：目前关于自动驾驶的研发，我们按照两个路线在走，单车智能和网联赋能，以及渐进式和跨越式两种模式。Sharing-Bus更多是跨越式的，能做到L4级；乘用车领域我们在做渐进式的推进，比如我们从之前的L0做到L2，一直在提升拓展。目前我们展台上这些已经量产的车型，交通拥堵辅助、变道辅助、高速导航辅助等已实现。在今年年底，我们会实现城市导航辅助，并在多品牌车型上进行搭载。
Q4：您觉得这款车辆量产落地最大的壁垒和最大的难题是什么？
李红林：我们可以从几个方面探讨L4落地。从技术角度来说，L4自动驾驶面临诸多挑战首先，当在行驶过程中即将超出ODD的情况时，L3规定向驾驶员做驾驶权的转化，但对L4来说，即使即将超出ODD，它的安全责任主体依然在车辆。所以我们要做大量安全测试，以及传感器和执行器的冗余，让车辆能够安全地处理各种情况，这对L4级别的安全性非常重要。，其次是运行的环境方面，对结构化道路来说，比如高速公路，各种道路情况和交通标识非常清晰，但是在城区人车混流的环境下，对自动驾驶系统的要求就会非常高。面对复杂路况的第一个挑战就是感知能力，要考虑系统的感知能力是否足够。
第二个挑战是决策规划能力。它的难点在于我们现在传统的智能驾驶是基于规则式的，在什么场景下做什么决策都是基于规则。我们正在尝试做基于强化学习的决策规划算法。两者都有挑战，前者我们的规则不可穷尽，后者在于场景泛化能力。基于规则+学习的决策规划，以及端到端自动驾驶，都是值得探索的路径。
第三个挑战是底盘执行单元，也是被称为“卡脖子”的技术。我们需要对执行单元做备份和冗余。我们去掉方向盘之后，整个转向系统、制动系统、驱动系统、电源管理系统等等，都需要做备份。
第四个挑战是标准性的问题。现在整个国标体系有自动驾驶通用技术要求。 我们采用什么样的方式去认证相关技术，是以传统车型的法规公告的形式，还是用国际上采取的认证形式。
最后一个挑战是消费习惯，消费者有没有做好心理准备去迎接L4级的车型，目前的公共交通体系怎么接纳L4级别自动驾驶车辆？这需要结合交通、通信，包括金融保险等多方面因素考虑。
对我们来说，我们现在能做的，是把技术路线尽量完善，同步推进对标准的支撑，积极参与国家标准的建设，以及整个生态体系的构建，积极做好示范应用。目标是尽快让我们的高阶自动驾驶落地，给客户提供优质的产品体验。
Q5：现在越来越多的智能座舱和自动驾驶的功能上线，这将会产生大量的数据，在迭代座舱功能和智驾功能的过程中，用户会担心车企会如何给我的数据加密或者脱密，有没有可能因为数据安全问题给我的车辆带来隐患？
李红林：数据对于企业来说非常重要，自动驾驶、智能座舱，现在很多功能都是通过人工智能算法实现的，人工智能三个要素，数据、算法、算力，数据这个环节非常重要。对于东风公司，怎么保证数据安全，可以从以下几个层面展开来说：
第一，从国家层面，国家有相关的数据安全标准，针对车端允许存储什么数据，允许采集什么数据，数据怎么传出车辆，数据怎么再返回到用户或者车企，这些维度都做了规定。
第二， 对于车企来说，我们会按照相关法律要去，在企业层面针对数据构建分类分级的管理体系，在分类分级的基础上，采用不同的数据安全策略来实现数据安全保护，哪些能存、哪些能传、哪些必须脱敏后使用都有要求，并固化到相应的算法中，比如在做车端上进行数据存储的时候，我们就会通过算法对涉及个人隐私及相关法规中要求脱敏处理的数据，进行数据脱敏，比如，座舱内的人脸数据，车辆地理信息，语音信息等。
第三，未来客户可以通过手机APP，调用舱内外摄像头的信息，比如看有没有物品遗留在车里，相关数据在进行脱敏后，只在手机端用于显示，不会保存或回传。不管什么样的场景，我们都会最先考虑客户的隐私安全和数据的合规。
Q6：您觉得未来自动驾驶技术的趋势是什么？是单车智能，还是车路云协同发展？
李红林： 目前行业内很多企业还是用单车智能去挑战高阶的自动驾驶。L4这个产品形态经过2020年、2021年快速发展之后，目前还没有充分地落地应用，针对整个技术方案，我们也在不断反思。
关于未来的发展，我们认为有两个大的趋势，一个是网联赋能，车路云一体化技术架构。对自动驾驶系统来说，路侧设备可以提供超视距的感知，以及结构化的交通参与者信息。但是我们判断纯网联式的自动驾驶不太会出现，而是利用车云一体去对单车进行赋能。车云一体化本身对产业链和生态的依赖非常强。 目前来说，商业闭环和商业价值的形成还在探索期。
另外一个大的趋势是端到端自动驾驶，行业正在积极探索从感知到规划的端到端系统。如果我们进一步说从感知到规划，再到控制，整个系统形成端对端闭环的话，传统自动驾驶系统中存在的局部最优、误差累积等问题会得到缓解。
以上这两点，车路云一体化技术架构与端到端自动驾驶系统，目前来看，是未来发展比较重要的方向。
Q7：目前网联赋能看不到太多价值。未来如果走这条路，它最大的障碍在哪里？
李红林：这个问题可以从几个方面理解：
第一，是用户使用产品之后是否能获得价值感。现在导航会提醒红灯倒计时，这个体验就非常好。
第二，目前来说路侧设施在全国的部署密度相对较小， 应用场景更多在示范区，在示范区以外的地方，客户对于车路协同的感知会减弱。
第三，对于运营主体来说，云平台、路侧设施的建设费用投进去之后怎么形成商业闭环，这也是运营主体乃至行业需要去考虑的。现在来看，客户价值和商业闭环的形成可能还需要一段时间。
Q8：在您看来，自动驾驶现在它的价值到底有多大？对于用户来讲，我这个车没有自动驾驶是一个痛点？还是什么？想听听您作为研发专家的看法。
李红林：从技术角度出发，产品开发出来，我们有时候不是为了秀技术，而是我们觉得它确实能够给用户带来价值。以自动驾驶系统为例子，车辆控制是至关重要的一环，主要包括横向控制和纵向控制，以及它们之间的耦合控制。为了更具体地说明这一点，我分别举这三个方面的例子。
先说横向。你们开车有没有在高速公路上很困的情况？那时候我们的车辆会不自然的往某一边偏，这时，如果开启了车道保持功能，当车辆靠近某一条车道线时，系统迅速识别并启动自动纠偏机制。
再说纵向。前段时间汽车圈在激烈讨论的AEB功能，对于用户来说，AEB每次发挥作用都能给我们挽回损失。尽管在紧急制动时，可能会给乘客带来一些不适的感觉，但是它能在关键时刻有效避免或减少与突然窜出来的自行车、行人的碰撞切切实实减少了对自身车辆和他人带来的伤害损失。
再者，有了驾驶辅助之后，车辆可以自动在车道内居中行驶，驾驶员的负担不是那么重，它能缓解驾驶疲劳。如果再往功能高阶领域去说，现在我们高速的驾驶辅助功能会在车辆接近匝道口时，提示用户该下匝道了。用户如果选择使用自动变道，车辆将自动调整至右侧车道，然后驶出匝道。这个过程是能够解决用户在高速上面错过路口的焦虑，使驾驶过程更加轻松。辅助驾驶还可以结合驾驶员的注意力选择性地提醒。综合来看，自动驾驶的功能很丰富，每个客户对自动驾驶的理解不完全一样，但是在这些丰富的过程当中确实有很多功能为用户带来好处，为用户提升驾驶的舒适性、安全性以及感受体验。
当然，无论是传统驾驶还是自动驾驶，驾驶员与车辆之间都需要一个磨合的过程。这个过程中，车辆需要适应驾驶员的驾驶习惯，而驾驶员也需要逐渐熟悉并理解车辆的性能和能力范围。比如之前自动驾驶应对车辆加塞的表现不理想，有很多极限规划，这需要我们的算法更好去应对这些状况，同时也需要用户理解车辆本身的能力范围。
现在我们的自动驾驶方案是基于规则，后面肯定会逐渐向基于数据的方案过渡。行业专家一直在提数据的问题，基于数据驱动的自动驾驶方案更加灵活和智能，它可以通过不断学习和优化，逐步适应各种驾驶场景和驾驶员的驾驶风格。通过收集和分析大量驾驶数据，我们的自动驾驶系统能够逐渐理解并预测驾驶员的驾驶风格。无论是激进的驾驶者还是稳健的驾驶者，系统都能根据他们的驾驶习惯进行智能调整，适应驾驶员，这样驾驶员也更愿意去使用我们的功能。
为了让驾驶辅助系统成为用户的“甜点”，我们从用户需求、技术优化等多个方面入手，不断提升系统的性能和用户体验，希望用户在使用我们的自动驾驶系统过程中发现一些惊喜。
