一直以来，北京图森未来科技有限公司（下简称“图森”）对自己要做的事都很笃定——
使用低成本传感器（摄像头、毫米波雷达）做自动驾驶，成为商用车L4级自动驾驶运营服务提供商，帮助第三方承运人和自有车辆运营商节约驾驶员成本，然后从中按百分比抽取提成作为盈利。
对于未来规划，图森已经有了时间表。图森只会商业化L4自动驾驶，L2-L3Demo仅用于展示。
在到达理想目标之前，图森会怎么做呢？最近因为拿到了加州自动驾驶测试的牌照，图森办了一个小型媒体沟通会，借这个机会，我们试着了解了一下他们的技术进展。
路测情况
因为国内政策法规的限制，很多公司选择先在国外跑起来，验证完善自动驾驶软件算法。本月初，图森拿到了加州自动驾驶路测牌照，这意味着获得了在加州真实道路环境路测的入场券。
因为加州对测试公司的考核不包括技术实力如何，只关注有没有做这件事的技术资质和安全保障能力，所以CEO陈默觉得申请牌照这件事并不是特别难。可能对一家创业公司来说有些压力的是，测试前公司要缴纳500万美金的保证金。这笔钱会用来证明测试中发生事故伤亡时，测试公司是有能力对此负责赔偿的。
图森自动驾驶牌照获批文件
虽然图森没有详细介绍加州测试的内容，但车云菌注意到了一个细节——获得测试牌照的车是一辆乘用车，因此测试内容应该更多集中在验证软件算法，还不会有落到执行控制层面的测试，这个推测也得到了图森方面的肯定回答。
除了加州公共道路的测试，图森在国内的几个项目都会落到执行层验证：
2016年8月，图森与北奔重汽（北京）汽车研发有限公司、北京理工大学以计算机视觉技术为基础，合作研究第三代军用重型自动驾驶车辆。
2016年12月，图森与当地政府签约，在曹妃甸进行自动驾驶卡车路测，拟于2017年6月底测试L2级别自动驾驶卡车部分模块，9月底测试L4级别即限定场景（有条件）自动驾驶，12月底进行商业化测试。
2017年4月底，图森与国内某重汽车厂合作的L2级别卡车，在长安大学汽车场测试；
2017年5月，图森与上海国际汽车城签订战略合作协议，进行物流卡车自动驾驶相关技术的研发和推广。
这些项目多数是产学研合作，还有一些是封闭道路内的演示，和公司规划最相关的曹妃甸项目刚刚确定了合作关系，即将推动执行。
总体进展来看，图森正在一边完善软件算法，一边开始进入整车，与执行控制部分合作验证。自动驾驶产品如果要走到最终量产，还要经历不同模块测试、系统验证测试、软硬件在环测试、路测和产线下线测试这样几个不同阶段。对图森来说，当前进展算是开了个好头，实现2019年商业化运营的目标还有好几关的大Boss要打。
算法实力
在采访中我们发现，对于一个研发测试阶段的公司，自证实力似乎是一件很难的事。
在回答“有没有数据和案例证明图森未来技术实力”时，图森COO郝佳男提到了几个验证方法。一个是申请加州自动驾驶测试的公司要按规定提交报告，可以一定程度反应图森未来的技术实力。另外一个了解途径是下个月，图森会公布一个车上的Demo，一定程度上可以反映技术水平。但是郝佳男也说了，这些结果对技术的体现都不够全面，比如后者只是截取了一个片段场景，不能反映系统长期运行时的鲁棒性。
于是我们决定换个角度，客观了解下图森所选技术路线的难点和他们的执行思路。
根据图森未来分析，要把商业模式跑通，传感器硬件的成本必须控制在总价1万美金以下。因此摄像头和毫米波雷达的传感器配置，基于视觉深度学习的算法是首选。
大家也都知道，以摄像头为主做自动驾驶，在成本上相对占领优势。但要在功能上满足要求，还需要研发足够鲁邦的视觉感知算法，传统机器视觉已经不足以胜任复杂路况，必须借助深度学习来实现，但后者在车载环境的应用还处在初级阶段。
这件事几乎是从零开始的一项工作，没有现成的神经网络来满足自动驾驶的需要。郝佳男介绍，“自动驾驶每一步都是在试错，因为没有人知道自动驾驶应该怎么做。” 他向我们介绍，单单是感知部分检测一张图片，就需要用到5-6个算法，每种算法侧重不同的任务，甚至很多算法黑没有被业界命名，团队都是在经验总结的基础上创新尝试。
而且深度学习训练神经网络有一个特点，对于训练过的大部分情况机器会可以胜任解决，但是遇到一些没有学习过的罕见情况，系统就束手无策。郝佳男指出，做出一个Demo很简单，因为你并不用穷尽所有的现实情况，但是想要做出一款产品，还很远很远。甚至“不是最难的地方没有处理好，而是在以为简单的地方发现还有问题。”
目前图森在算法升级的思路是分步进行。第一步是让算法基本可用，两个月后团队研发的算法就能满足周围环境检测和描述的需要。第二步是放在整个车载系统中不断叠加修正，预期今年年底进车乘坐，感受上不会发现问题。之后，团队再在不断地测试中改进算法。
图森没有在现场介绍会如何去解决上述难题，为了表示自己在做一件更加接近商业化的事，他们在分享会上预告了一款训练评测算法的工具——一个自建数据集。
自建数据集的想法起源于去年在KITTI和CityScape刷榜时的发现，郝佳男说多个单项第一名证明了刷榜能力，但这些测试数据集的评测方法与实际做好自动驾驶还存在不小的偏差。
比如 KITTI和CityScape评分是取的平均数，更类似大学研究机构评价算法的情况。而做产品的是考虑最复杂的场景、最糟糕的情况，不能用平均值来评价。 KITTI中做物体追踪，交的答案里会把车画一个框。实际情况里，车不一定正好是一个框的情况，车与车可能相互遮挡。 语义分割是对每个像素去做分类，但是并不关注像素能不能还原成物体，环境在发生什么事情。自动驾驶中要关注每个点还原成什么物体，能不能用来帮助场景理解。
图森自建的数据集可以用更接近产品化的方式来测试评价算法，他们会在今年的CVPR大会上做详细介绍。
车云小结
图森的理想是商业运营L4自动驾驶，算上测试时间，选择2019年这个时间节点其实难度不小。而且自动驾驶运营商的角色因为直接对安全负责，承担的责任其实会更多。图森目前有一个实力较强的技术团队，也在积极推进测试进度。对每一个要让技术从实验室走入商业化的公司来说，难的绝不仅仅是迎击每一次技术挑战，还要想方设法让团队跑步到技术成熟的那一天。
