轻舟智航所追求的，是建立自动化规模生产的工厂，相比原本的“造梯子”，他们更希望“造火箭”，为此，就要建立大量的工具链以及仿真测试环境。

文丨AutoR智驾  明阳

相比传统自动驾驶公司的“造梯子”路径，轻舟智航是在“造火箭”，3月21日无人驾驶公司轻舟智航CEO于骞在其举办的线上分享会上说道。

作为一家成立不到一年的无人驾驶初创公司，这次线上分享会轻舟智航首次公开分享了其基于大规模智能仿真系统及可自主学习决策规划框架的技术路径，并介绍了大规模智能仿真系统的具体应用。

其目标是打造适应城市复杂交通环境的“老司机”，其业务模式是为合作伙伴提供可量产的无人驾驶解决方案。

对此，轻舟智航决定从两个方面来解决自动驾驶实际落地问题：

一方面，基于大规模仿真技术应用来解决规划决策问题是当前无人驾驶技术领域的关键课题，以Waymo为代表的无人驾驶公司正在通过大规模的仿真测试改进规划决策技术。

另一方面，通过建立大量的工具链以及仿真测试环境，可以实现技术迭代的自动化，以更快的速度、更高效的方式应对自动驾驶的边界化难题，应对自动驾驶行业存在的长尾效应。

相比原本的“造梯子”，轻舟智航更希望“造火箭”

我们知道，自动驾驶关键因素包括感知、决策和规划，其中，感知是一个比较确定性的问题，如何测试和评价是非常明确的，整体的方法论也是比较清楚，所以业内开始把注意力集中在规划决策技术上，把规划决策视为目前最具挑战性的问题。

规划决策的挑战性可以从两点来看：

第一，不确定性难以衡量，现有判断规划决策做得好坏的指标是舒适度和安全性，但这两项指标都是比较偏主观。

一方面，不同人开车有不同的行为喜好，有人激进一些，有人保守一些，舒适程度本身是很主观的一个判断。

另一方面，在安全性上，简单的安全性指标是不碰撞，但即使是不碰撞，要是你的车总是离旁边车就差1厘米，你也会觉得不安全。

第二，从方法论的角度来说，行业里占主流位置的规划决策方法论，整体上看与20年前相比并没有大的突破，模仿学习或强化学习的方法，在大规模实际应用时也仍然存在众多问题。

于骞认为，“仿真技术的出现，其出现很大程度上是为了帮助规划决策进行更好的测试——毕竟不能每修改一次算法就部署到车上进行测试。随着仿真技术的采用，行业又进入一个快速的发展轨道。”

与大部分自动驾驶从无到有的技术构建过程——先做好建图和定位，再做好感知，最后再开始做规划决策和仿真不同，对于轻舟智航而言，从一开始便把仿真测试平台作为关键核心能力，与其他模块一同建设起来，使开发达到了十分高效的状态。

除此之外，自动驾驶技术存在突出的长尾效应，技术上已经解决了90%的问题，但剩下的10%却可能要花费同样多甚至更多的精力，这10%包括很多边界化难题。

于骞对无人驾驶为何迟迟未落地进行分析，他说，“边界化难题的发现和解决除了需要收集大量的数据，更重要的是建立自动化生产的工厂，将源源不断收集来的有效数据，通过自动化的工具，加工成可用的模型。以更快的速度、更高效的方式应对边界化难题。”

上图便是一个典型的边界化难题，在你遇上野鸭子之前，你甚至不知道会有野鸭子的问题，所以边界化难题是需要去发现，并且解决的。

那么边界化难题怎样去发现并解决呢？

除了收集大量的数据，更重要的是建立自动化生产的工厂，将源源不断收集来的有效数据，通过自动化的工具，加工成可用的模型。以更快的速度、更高效的方式应对边界化难题。

以上面野鸭子的场景为例，如果需要专门针对这些场景去开发特殊的模型，那会有无穷无尽的场景需要处理。

但借助自动化的办法，只要数据标注好了，下次系统更新时便可以更好处理这种情况，省下大量工程师的时间。

以感知举例是比较容易理解的，但其实规划技术也一样，要想让车做出准确的规划，最原始的方法是工程师写规则——大量的工程师写出大量的规则，但这种方式维护性很差还不能满足需求。

再进一步便是设计奖励函数——设计奖励函数比写规则要简单的多；再往后则是利用数据自动学习奖励函数。

这个过程便是往自动化方向发展的过程。

于骞说，“轻舟智航所追求的，是建立自动化规模生产的工厂，相比原本的“造梯子”，我们更希望“造火箭”，为此，就要建立大量的工具链以及仿真测试环境。”

对此，轻舟智航将有效数据、智能仿真系统以及决策规划框架这三点视为推动技术向前转动的齿轮。

借助大规模智能仿真系统和可自主学习决策规划框架，轻舟智航可做到最大化地利用有效数据，大幅降低测试成本，提升开发效率，保证解决方案的可拓展性。

于骞表示，“过去的一年，轻舟智航不希望通过见招拆招的方式进入到某个具体的小应用场景，变成一家靠堆人来解决问题、无法规模化的工程公司，而是专注于修炼内功，在做到主线够深入、横向可扩展之后，再以轻、快的方式实现真正的无人驾驶。”