上月中旬，一段自動駕駛雨夜路測視頻吸引了業界目光。這段時長約4分鐘的視頻，是來自矽谷自動駕駛創業公司Drive.ai的路測首秀。視頻中，自動駕駛車輛完滿地完成了雨夜條件下的自主駕駛、避障、路口☆禁☆交通燈等待等一系列動作。
雷鋒網新智駕（AI-Drive）對其進行了第一時間報導。
在這之後，雷鋒網通過Drive.ai組建之初的孵化機構負責人王笑，與這家矽谷創業公司取得了聯繫。2015年3月，Drive.ai拿到了團隊組建後的第一筆投資孵化支持，而出資方正是Innospring。Innospring在矽谷創立的孵化器，是首個在矽谷成立的中美跨境基金和孵化機構，王笑任總經理一職。
王笑告訴雷鋒網，Drive.ai早期的 8個聯合創始人大部分來自斯坦福AI實驗室，這個實驗室出了很多業界大牛，包括最被人熟知的GoogleX創始人Sebastian Thrun和現在的百度首席科學家吳恩達。
兩年前Drive.ai成立之初，Google已經積累了多年的自動駕駛研發經驗，Drive.ai對Google此前的研發經驗和教訓做了總結，比如避免使用過於昂貴的雷射雷達和高精度地圖等，以及從一開始就採用深度學習的策略。
雷鋒網新智駕（AI-Drive）在此前的報導中也曾提到，相對于使用高精度昂貴感測器的方案，Drive.ai更傾向於通過“深度學習”解決這個問題，這似乎是Drive.ai規避穀歌技術方案彎路並搭建門檻的途徑之一。
據雷鋒網瞭解，Drive.ai的目標，在於研發一輛用低配雷達、廉價攝像頭、Google 2D Map就能上路的無人駕駛車，並用深度學習解決成本、認知準確性以及商業模式可行性三個息息相關相互牽制的問題。那麼，Drive.ai的團隊怎樣實現這樣的初心呢？遠隔大洋，雷鋒網新智駕對Drive.ai團隊進行了採訪，團隊聯合創始人之一Tao Wang解答了我們的疑問。
*Drive.ai聯合創始人，右一：Tao Wang
雷鋒網新智駕：相比于高精度地圖和昂貴的雷射雷達（LiDAR），Drive.ai更多強調使用攝像頭和廉價的感測器來實現自動駕駛解決方案，為什麼，這是否會導致整套方案在圖像計算方面有很高的負載？
Tao Wang：
首先，我們的技術研發目標在於“安全”。其中很重要的一點就在於感測器的冗餘設計：我們不會任何一種單一的感測器。同時，我們也意識到了雷射雷達的高成本以及即時更新的高精度地圖的不可靠性。因此，我們希望研發一種軟體系統，它可以基於許多常見的感測器，包括攝像頭、雷射雷達、雷達等進行運算處理，以此來達到更好的可靠性和擴展性。
我們的軟體核心在於“深度學習”，深度學習的演算法十分靈活，而且已經成功應用在許多領域，如電腦視覺、語音辨識、自然語言處理等。我們的深度學習演算法允許我們從各種不同的感測器中整合資訊，避免單個噪點導致的誤判。在成本控制上，我們使用市面上的普通感測器，整個自動駕駛生態的硬體價格下降已經成為趨勢。同時，我們把更多精力放在軟體適應性的研發上，而不是硬體的定制上，我們也省下了不少一次性投入，並具有更敏捷的開發週期。
關於計算單元的負載問題，Drive.ai團隊善於優化即時應用場景下的深度學習演算法。我們的車內運算單元的功率，幾乎接近桌上型電腦的水準。我們還將深度神經網路即時運行在車規級的嵌入式硬體中，這一硬體來源於與Drive.ai合作的OEM廠商之一。
雷鋒網新智駕：我們知道，諸如穀歌、特斯拉等公司已經積累了數年的自動駕駛測試資料。在這種情況下，Drive.ai如何加速機器訓練的進程並實現趕超呢？
Tao Wang：
訓練一輛汽車，就如同訓練一個人，它並非由純粹的小時數或行駛里程決定的。而是需要在正確的演算法框架中灌輸正確的資料和知識。
我們的多感測器套件能夠收集豐富的場景資料，而這在機器學習中，要比海量的、千萬億位元組的駕駛視頻更有價值，因為視頻佔用的空間極大但蘊含的增量資訊卻很少。
所以，我們針對性地開發了半自動化的資料標記工具，説明我們進行高品質的資料分類，分類速度能夠比一些同類競爭者快20倍。同時，我們也使用室內模擬器收集邊界狀態的資料，並在類比環境中驗證演算法。最重要的一點是，我們的系統基於深度學習研發，目前這種解決方案已經被證實能夠隨著訓練資料的增加而持續提高性能，而不會在吸收了一定量級數據後遭遇天花板。
雷鋒網新智駕：“人機交互”，是 Drive.ai 要解決的重要問題之一。如何訓練機器理解路人以及人類駕駛員的行為？
Tao Wang：
人機交互（Human-robot interaction ，HRI），與Drive.ai測試車輛的其他功能一樣，都是由我們的深度學習演算法支撐。我們的研發目標，是訓練自動駕駛車輛同時理解車內和車外環境，並使它們與周圍環境進行恰當的交流。
雷鋒網新智駕：在路測過程中，如何處理好測試車與人類駕駛汽車之間的關係？
Tao Wang：
我們在自動駕駛汽車研發中遇到的最大的挑戰，就是公眾信任和與公眾意圖的交流。在更高水準的自動駕駛方案中，我們的系統會嘗試通過感測器資料預測人類駕駛員的意圖，並使用視覺和音訊手段與他們交互。例如，在一個十字路等候時，當其他車輛有優先的路權時，它可以通過視覺化或音訊手段提示其他司機先走。反之，我們會告知其他司機我們準備起步了。
雷鋒網新智駕：之前的報導中曾提到，穀歌的自動駕駛團隊曾經走過一些彎路，例如過分依賴雷射雷達和高精度地圖，並採用非深度學習的解決方案，這會造成什麼影響？Drive.ai從中獲得了哪些啟示？
Tao Wang：
穀歌的自動駕駛汽車技術起源於DARPA (美國國防部先進研究專案局) 超級挑戰賽。深度學習在那時還沒有發展到這樣完備，所以他們採取的是一種傳統的機器人手段。從那時起，他們基於這種解決方案創造了顯著的成果，而且也擁有世界上最複雜的自動駕駛系統之一。
但我們的團隊，是以深度學習為先的。這意味著我們所有的底層架構都要圍繞深度學習設計和建立。我們堅信，深度學習會成為最適合自動駕駛汽車實現的技術路徑，而目前為止業內對深度學習的應用還只是皮毛。我們的團隊中包括了世界頂級的一些深度學習演算法專家，我們相信所做的努力對未來交通而言是非常重要的。
雷鋒網新智駕：Drive.ai團隊目前有多少輛測試車？
Tao Wang：
我們有多個自動駕駛汽車平臺，用於收集多個雷射雷達、攝像頭以及其他感測器資料。感測器會將資訊傳遞給軟體系統的人工智慧神經網路，這些神經網路系統在普通計算硬體單元上運行。
雷鋒網新智駕：Drive.ai是否與OEM廠商達成合作，進度如何？
Tao Wang：
我們目前與一些OEM廠商和其他行業夥伴簽署了戰略合作，這些計畫會同步推進。
雷鋒網新智駕：從最開始，Drive.ai就將研發目標定在Level 4或是Level 5級的自動駕駛系統。但同時，我們看到你們正加速商業化進程。這是否矛盾，如何取得一個平衡？
Tao Wang：
目前，我們的測試車輛已經實現了Level 4級別的自動駕駛。隨著技術發展，我們會繼續研發Level 5自動駕駛系統。商業化方面，我們的直接焦點，仍在於幫助商業車隊研發自動駕駛軟硬套件方案。