luda 今年2月，长期隐身的自动驾驶汽车技术开发公司Drive.ai悠然上线，发布了约4分钟长的视频。视频中，一辆测试车在雨夜穿过美国加利福尼亚州山景(Mountain View)的街道，司机的双手没有碰方向盘，也没有进行任何干涉。
我们找到Drive.ai的共同创始人王秋，谈了Drive.ai的设计理念和核心技术。
Drive.ai希望为商业团队提供包括传感器组合、控制系统和车辆内外交互接口在内的后部套件，以便为特定路径(如外卖、出租车等)提供L4级自动驾驶(即在任何情况下都不需要手动干预)。
在检测方面，Drive.ai后套件中包含的传感器包括多个摄像头、雷达和激光雷达。这种组合在传感器出现故障或故障时提供特定的冗馀。例如，相机和雷达可以通过雨雪雾等极端天气中精度严重下降的激光雷达提供环境识别。大多数自动驾驶技术供应商都使用高精度地图来弥补传感器缺陷，为自动驾驶提供数据支持路径规划，Drive.ai则不愿意使用维护和运营成本高、无法控制临时变量的高精度地图。目前使用直接收集的2D地图，不包含3D空间内的对象信息，今后将与第三方地图供应商合作。
在决策上，与传统的基于机器人学的早期技术路线的自动驾驶技术供应商不同，Drive.ai使用基于不规则学习的深度学习网络模型。有这三个优点。第一，场景的泛化。规则学习可以快速构建89%场景的决策系统，但面对新的、罕见的情况，很难稳定应对。不规则学习的泛化能力可以让你更好地理解数据，解决这些长尾问题。第二，复杂的决定。大量算例支持的不规则学习有复杂决策方面的优点，这已经体现在阿尔法狗等深度学习计划中。未来，道路将需要很长时间自动驾驶车辆和人工驾驶车辆共存，自动驾驶所需的复杂决定(超车、换车道等)可以通过类似围棋的——对手的动作进行自己的下一步动作，合理获得道路权。三、硬件要求自动驾驶期间，传感器每小时收集数十GB的数据流，因此存储和计算有很大困难。如果使用非现成知识库的不规则学习进行决策，对计算芯片的性能要求相对较低，计算能力可以在个人计算机等车辆设备上完成核心数据处理。
这是不规则学习的核心和进展的难点，也是大量标记的数据，以及大量的实验错误。(威廉莎士比亚，模板，科学)Drive.ai的数据源包括从车辆收集中收集的实际数据和模拟器生成的各种场景(包括极端情况)的模拟数据。标记出现在这些场景中的物体(如车辆、行人、自行车等)需要在技术瓶颈3354小时车程收集的数据上进行800小时的人工标记，而王图表示，利用36氪、Drive.ai自己的标记系统，半自动识别和标记可以比其他公司快20倍，也比较短。例如，在使用大型图形卡(CPU GPU)集群的大规模神经网络培训领域，Drive.ai拥有市场上最快的大规模并行计算硬件和软件基础架构。此前，谷歌利用一千多台机器完成了当时世界上最大的深度学习神经网络，Drive.ai当时在斯坦福的团队以16台机器、十分之一的成本实现了重建。
不规则学习的问题是算法无法解释。在“端到端”训练中，战略计划有不透明的领域，原理和机制不明确(“黑匣子”)。为了解决这一问题，Drive.ai使用当前学术界的主要生成对抗网络(GANs)分离完整的端到端系统，并在涵盖大多数方案的标准化测试器中验证和测试决策机制的各个部分。
Drive.ai认为，除了自动驾驶功能外，自动驾驶车辆与其他通勤者的沟通也很重要，包括LED显示屏和音响系统，旨在向行人和自行车表达自己的行为。这些人的车交互(HRI，human-robot interaction)部分的设计仍在持续开发。
Drive.ai在车顶安装了LED显示屏，用于向行人和其他司机传递短信和emoji表情。
获得美国加州无人驾驶道路测试执照的Drive.ai目前正处于道路测试阶段。在Demo表现良好，但从样品车辆测试到产品着陆还有很长的路要走。在落地常见成本过高、场景扩展低的情况下，Drive.ai需要——Drive.ai的套件成本控制严格，传感器以低价相机和雷达为主，使用高价激光雷达少，避免操作成本高的高精度地图。此外，不规则学习算法使L4技术能够利用场景的可扩展性。
公司还没有正式进入商用，但今年将与部分第三方运输服务供应商进行试点运营(约数十到100台)，在固定线路上进行L4级自动驾驶期间进行人为监督。这些预设行车路线上的乘客和货物的运输将初步证明该技术的可靠性。同时，Drive.ai为部分工厂提供了L2-L3水平的技术，实现了初步商业化。目前，公开有关合作对象的更多信息暂时不方便。
Drive.ai的创始团队。
这个市场上选手云集。想要向商用车和乘用车提供L4级别自动驾驶技术Drive.ai的竞争对手，既有拥有造车经验的传统整车厂，又有财力人力和技术皆储备雄厚的科技巨头，还有其他初创公司。这5500至6000万辆车中，去掉谷歌、特斯拉、百度、沃尔沃、宝马等自主研发的车，剩下的有多少会搭载Drive.ai的解决方案，取决于Drive.ai能否比通用收购的Cruise Automation、福特收购的Argo AI、专注出租车的nuTonomy、专注物流商用车的Otto和图森等等自动驾驶技术提供商，更早推出低成本且安全可靠的整体解决方案。
公司共有大约50位员工，其中以技术人员为主。Drive.ai的核心团队来自斯坦福大学人工智能实验室，对自然语言处理、计算机视觉和自动驾驶等领域的深度学习有丰富经验。其中，公司CEO Sameep Tandon来自斯坦福大学的人工智能实验室，负责自动驾驶车辆深度学习方向的研究；COO Fred Rosenzweig曾在硅谷多家初创公司担任CEO；总裁Carol Reiley在机器人领域有超过15年的经验，并拥有六项技术专利。值得一提的是她另一个身份——人工智能和机器学习领域国际上最权威的学者之一、今日宣布离职的百度首席科学家吴恩达的妻子。“开启自己在人工智能领域的新篇章”的具体指向，很有可能就是他一直热爱并专长、在百度却始终无缘掌舵的自动驾驶，而Drive.ai似乎是个非常好的选择。
Drive.ai近期计划开始新一轮融资，暂不方便透露融资额，预计在数亿级人民币，主要用于技术开发和车队拓展。去年五月，公司获得了来自Northern Light Venture Capital，Oriza Ventures和InnoSpring Seed Fund的1200万美元投资。