大約七八年前，還在美國弗吉尼亞理工大學念博士的佟顯喬自嘲：「博士畢業(yè)后繼續(xù)做無人車應該找不到工作。」這是因為當時自動駕駛技術(shù)還未完全被商業(yè)化驅(qū)使，更多的是極客們對這一技術(shù)的純粹探索。

當然，這句「預言」并沒應驗。完成學業(yè)后，佟顯喬先后在英偉達、蘋果和百度從事自動駕駛相關(guān)的研發(fā)工作。

近一兩年，在自動駕駛的浪潮下，那些在早期對這一技術(shù)不斷探索的極客工程師們、那些希望推動這一技術(shù)從實驗室走向產(chǎn)業(yè)化的高校教授們，先后加入自動駕駛的創(chuàng)業(yè)大軍。作為這股熱浪的一份子，佟顯喬自然也沒能經(jīng)受住「誘惑」。

今年 4 月，他從上一家公司離職，與另外兩位同事共同創(chuàng)辦了一家叫做 Roadstar.ai 的自動駕駛公司。這也是今年繼小馬智行科技（Pony.ai）、景馳科技（Jingchi.ai）后成立的第三支自動駕駛團隊。

對自己的這次創(chuàng)業(yè)，佟顯喬評價道：「自動駕駛到了一個我們可以共同實現(xiàn)的時間節(jié)點，何樂而不為？」

自動駕駛中堅力量的創(chuàng)業(yè)

「Star on the road，我們希望在自動駕駛這條路上成為一顆明星。」Roadstar.ai 創(chuàng)始人兼 CEO 佟顯喬這樣解釋「Roadstar」的含義。這句話的言外之意， Roadstar.ai 希望成為中國最強的 Level 4 自動駕駛團隊。

盡管這家公司正式成立還不到 3 個月，但如果我們了解三位創(chuàng)始人的背景，就能發(fā)現(xiàn)這家富有潛力的初創(chuàng)公司在自動駕駛領域所處的位置。

Roadstar.ai 三位聯(lián)合創(chuàng)始人佟顯喬（CEO）、衡量（CTO）、周光（首席機器人專家），曾在谷歌、蘋果、特斯拉、英偉達、百度等公司就職，有著豐富的自動駕駛實戰(zhàn)經(jīng)驗，并都是自動駕駛研發(fā)的中堅力量。

佟顯喬是弗吉尼亞理工大學無人車方向博士，曾就職于蘋果特殊項目組 (無人車研發(fā))、英偉達自動駕駛算法組，曾在百度硅谷團隊擔任無人車定位和地圖組技術(shù)組 Tech Lead。

衡量是斯坦福大學博士，曾就職于特斯拉 Autopilot 組、谷歌地圖街景組，曾在百度自動駕駛項目組（ADU）技術(shù)委員會任核心委員，擔任 Sensing 組經(jīng)理和 Tech Lead。

周光是德州大學博士，2015 年大疆全球開發(fā)者大賽第一名 (200+參賽隊伍)，曾在百度硅谷無人車團隊負責標定、感知等方面的工作。

目前，這家初創(chuàng)公司獲得了來自云啟資本，松禾資本，銀泰資本、耀途資本等機構(gòu)千萬美元的天使輪融資。

「與其他團隊不同，他們?nèi)齻€創(chuàng)始人的經(jīng)歷豐富，在谷歌、百度、特斯拉、英偉達和蘋果等公司都有自動駕駛研發(fā)經(jīng)驗。」云啟資本執(zhí)行董事陳昱表示，更加重要的是，三位合伙人都曾是團隊的中流砥柱。

「團隊背景非常好，他們都有無人車方面的實戰(zhàn)經(jīng)驗，這一點非常難得。」迅雷創(chuàng)始人、松禾遠望基金創(chuàng)始合伙人程浩告訴雷鋒網(wǎng)。

在他看來，這三位創(chuàng)始人此前的經(jīng)驗是不可復制的，他們在各自的專長上擁有深厚積累，知道自動駕駛到底需要什么，也了解可能遭遇的陷阱，并基于豐富行業(yè)經(jīng)驗確定他們的技術(shù)選型：多傳感器融合（sensor fusion）。

基于多傳感器融合的解決方案

考慮到各種不同傳感器的特性互補，Roadstar.ai 選擇多傳感器融合軟硬件結(jié)合的解決方案。

三位創(chuàng)始人相信，多傳感器融合方案既可以提升無人車算法的能力，又可以提升算法的魯棒性和無人車的安全性。

他們認為，多傳感器融合在算法上的優(yōu)勢以及使用相對便宜的傳感器（比如使用性價比高的國產(chǎn)激光雷達），可以快速推進 Level 4 自動駕駛技術(shù)的商業(yè)化。

對于這一套多傳感器融合技術(shù)的具體方案，Roadstar.ai 將會在未來逐步對外公開。

簡單而言，這家公司要做的，是為自動駕駛汽車提供完整的解決方案。

在具體業(yè)務上，Roadstar.ai 將與整車廠商和供應商合作，為他們定型開發(fā)相應的 Level 4 級別無人駕駛系統(tǒng)，其中包括多傳感器融合技術(shù)、軟件以及提供自動駕駛車輛需要的高精度地圖服務。

耀途資本創(chuàng)始合伙人楊光認為，國內(nèi)整車廠和 Tier 1 在 Level 4 級別的自動駕駛技術(shù)上缺乏積累和人才，技術(shù)研發(fā)和儲備在一定程度上依賴科研院所和創(chuàng)業(yè)團隊，而這方面在全球范圍最領先的仍是谷歌、特斯拉、百度等公司，因此 Level 4 留給創(chuàng)業(yè)公司的想象空間非常大。

在楊光看來，創(chuàng)始團隊有不同的技術(shù)專長，在傳感器感知、定位和地圖、路徑規(guī)劃、深度學習領域均有經(jīng)驗，整體技術(shù)水平比較平衡和全面，比起某些全部來自于某一家技術(shù)公司的團隊，或者完全基于深度學習算法背景的團隊，有更大的把握研發(fā)出 Level 4 級別的自動駕駛方案。

據(jù)雷鋒網(wǎng)了解，Roadstar.ai 已經(jīng)硅谷和深圳設立研發(fā)中心，一方面吸收硅谷最新科技融入產(chǎn)品；另一方面針對中國市場做落地實踐。在明年年初，這家公司開發(fā)的自動駕駛原型車將正式上路。

最先落地的場景：商用車

對于自動駕駛技術(shù)的落地，佟顯喬說，Level 4 自動駕駛技術(shù)能在某些限定性場景下更早實現(xiàn)商業(yè)化應用。

以物流車為例，國內(nèi)的物流行業(yè)仍處在快速發(fā)展期，但運營成本高昂。無人駕駛技術(shù)如果得以在城際高速公路等場景得以應用將能夠大幅提升物流效率和降低運營成本。

在百度、谷歌的無人駕駛汽車中，一個 64 線激光雷達就售價高達 8 萬美金（約合 54 萬人民幣）。對于這一重要傳感器的成本考量，佟喬顯告訴雷鋒網(wǎng)，他們希望利用國產(chǎn)的傳感器來開發(fā)自動駕駛汽車，并做到不亞于硅谷的水平。

自動駕駛是一個萬億美金的市場，但同時也伴隨了許多未知和風險。他們能否追趕目前的行業(yè)進程？到底還需要多少時間？他們擁有多少資源？還有太多的不確定性。這些問題對任何一家公司都是一項龐大、艱難的任務，即便是由自動駕駛領域明星人物組建的團隊也是如此。

那么， 成立不到 3 個月的 Roadstar.ai 是如何看待這些問題的？以下是雷鋒網(wǎng)與 Roadstar.ai 創(chuàng)始人兼 CEO 佟顯喬的對話實錄（有刪減）：

雷鋒網(wǎng)：談一談為什么會創(chuàng)業(yè)？

佟顯喬：我本科在哈工大，對機器人這個領域一直比較有興趣。創(chuàng)業(yè)做無人車是因為趕上了好的時間節(jié)點，也是我自己專長的方向，再加上有比較好的團隊來做這件事。

我覺得創(chuàng)業(yè)追求的是一個成功率。如果我一個人創(chuàng)業(yè)，我可能會做一個規(guī)模比較小、自己可以掌控的技術(shù)。做無人車是因為我覺得我們現(xiàn)在的團隊有整體的技術(shù)，各方面都非常均衡，我才有信心做這件事。

雷鋒網(wǎng)：Roadstar.ai 今年才成立，在此之前很多自動駕駛公司已經(jīng)成立了兩三年，對你們來說，在這個時間點上做這件事情相對算遲一些。

佟顯喬：從時間上我們確實是成立的比較遲。但我覺得從時間點上其實恰恰是一個比較好的時機。

兩三年前，這個行業(yè)比現(xiàn)在還看得不太清。一方面是傳感器的價格，還真的沒有降到業(yè)內(nèi)能夠接受的水平，所以我們做這件事情的初衷可能更多的是出于興趣或是項目研究。而今天我們會認真將它當一個產(chǎn)品來做。

從技術(shù)上來說，兩年前深度學習剛剛開始熱，那時候用深度學習來做自動駕駛的人并不多。在今天，我們看到深度學習已經(jīng)開始應用到各行各業(yè)，特別是在自動駕駛感知上，深度學習的性能已經(jīng)被證明，比如物體識別、車輛檢測方面已經(jīng)超過傳統(tǒng)計算機視覺算法，所以這個方向從技術(shù)上來說，是比較新的。

另一方面，兩年前我們會認為谷歌的無人車做得最好，都認為應該按照谷歌的思路。但今天我們可以看到各式各樣的技術(shù)路線。這對整個行業(yè)來說，可參考的方向就比較多，而且最后走到一個正確技術(shù)方向的概率也會比較大。所以從時間點上，我覺得正是一個比較好的時機。

雷鋒網(wǎng)：你覺得你們還需要多少時間趕上目前的行業(yè)的水平？

佟顯喬：從我們團隊的配備來看，我們希望在巨人的肩膀上，在更正確的技術(shù)路徑上推進無人駕駛。

我們的技術(shù)選型和好多公司實際是不一樣的，最后什么時候可以超越或者差不多，這其實比較難說。我覺得應該兩年之內(nèi)是比較合理的。

明年年初我們會有一輛原型車，相當于 1.0 版本，這是能夠展現(xiàn)我們基本架構(gòu)能力的車。

雷鋒網(wǎng)：有人認為目前自動駕駛/無人駕駛還處在一個比較早期的階段。你怎么看這一領域的發(fā)展？

佟顯喬：無人駕駛領域的從業(yè)者，一般最早是在學校做研究，后來到公司做產(chǎn)品，再到最后做產(chǎn)品的落地。

我認為現(xiàn)在的無人駕駛已經(jīng)到了可以做產(chǎn)品落地的階段。但是因為無人駕駛的市場非常大，它包含了各種各樣的應用，但并不是所有的應用都是平等的。比如說出租車的落地，可能今天還是非常的早期。但是運輸物流，我認為已經(jīng)比較接近了。

雷鋒網(wǎng)：你們團隊有哪些優(yōu)勢？核心團隊各自的分工是怎樣的？

佟顯喬：我們正式成立不到兩個月，現(xiàn)在團隊規(guī)模不到 20 人，但每個技術(shù)模組都有經(jīng)驗豐富的專家來帶隊。

我們的技術(shù)模塊大致分為：Sensing、感知（傳統(tǒng)視覺、深度學習）、定位、高精地圖、決策、路徑規(guī)劃、控制、計算平臺、云端等等。

無人車是一個復雜的系統(tǒng)，如果有一塊短板就決定了整個系統(tǒng)的短板，這與「木桶效應」類似。所以，我們希望打造一個各方面都均衡的團隊，每一方面都沒有短板，然后可以將整個系統(tǒng)搭建起來。這是我們的目標之一。

雷鋒網(wǎng)：很多初創(chuàng)公司都將自己的自動駕駛解決方案定位在 Level 4，但事實上這一級別的自動駕駛看起來很激動人心，但離實際市場還有一段距離，而且還將面臨各種法律法規(guī)的問題。對于 Level 4 的定位，你們是如何思考的？怎么解決從 demo 到商業(yè)化落地之間的巨大鴻溝？

佟顯喬：我們本身是做技術(shù)出身，Level 4 在技術(shù)上來說更難，但 Level 4 也更加符合未來的預期。

我們過去做的工作一直是 Level 4 ，技術(shù)門檻高，又有挑戰(zhàn)性，這也是下一代交通系統(tǒng)肯定會去實現(xiàn)的技術(shù)。從社會角度來說，它會使得整個社會的生產(chǎn)力大幅度提升。

而落地問題，我們希望找一個落地的應用，比如商用車的應用，在可預見的未來是很快可以實現(xiàn)的。我們的市場和產(chǎn)品的落地都會在中國，我們希望做一個符合中國的交通系統(tǒng)的解決方案。

雷鋒網(wǎng)：講講你們的技術(shù)選型，為什么會選擇多傳感器融合的路線？在技術(shù)上、成本上有怎樣的優(yōu)勢？

佟顯喬：一方面從冗余系統(tǒng)的角度考慮，一方面從技術(shù)的角度來考慮。

首先汽車和手機等其他消費品并不一樣。汽車要求最高的是：安全性、系統(tǒng)穩(wěn)定性。

如果自動駕駛只依賴單一傳感器，這沒辦法保證汽車的安全性和穩(wěn)定性，所以要有冗余或者多種傳感器的配合來解決這一問題。

從技術(shù)角度看，使用兩種或多種傳感器，能夠?qū)⑺麄兊男阅苓M行互補，性能之間的優(yōu)劣勢組合在一起運用，取長補短。它結(jié)合了不同傳感器的優(yōu)缺點，后續(xù)我們在算法上的研發(fā)和投入程度就會變得相對簡單。

兩年前外界覺得有些傳感器，比如激光雷達由于價格太貴只適合用戶做研究。但實際上，激光雷達有攝像頭無法彌補的優(yōu)勢，它可以提供準確的三維信息，對于探測周圍是否有物體存在的效果特別好。

從成本角度來說，今天有很多家公司在做激光雷達，而且未來的趨勢并不是旋轉(zhuǎn)式的激光雷達，而是固態(tài)激光雷達，后者的成本可以降到很低。從今天看這些產(chǎn)業(yè)鏈已經(jīng)起來，再過兩年激光雷達的價格將會便宜很多。

雷鋒網(wǎng)：和大部分創(chuàng)業(yè)公司不同，你們的主要產(chǎn)品是針對前裝和后裝，前裝又分為乘用車和商用車，后裝分為高精度地圖。能不能分別談談為什么會這樣規(guī)劃，你們是怎么思考的？

佟顯喬：我們不是一家做研究的公司，而是要將技術(shù)應用到產(chǎn)品上。

我們會和車廠、供應商一起來探討在哪一個應用下我們可以完全達到 Level 4 級別的自動駕駛，這是我們做前裝產(chǎn)品落地的方向。

我認為，一個合理、快速落地的應用方向應該是商用車，因為商用車涉及的環(huán)境比乘用車簡單。從技術(shù)成熟角度來說，這會是優(yōu)先解決的問題。

這個市場足夠大，限定場景的應用也非常多，我們覺得比較直接的方式應該是先從商用車入手，最終再到乘用車。

從后裝來講，Roadstar.ai 在地圖和定位方面比較強，我們認為 Level 4 自動駕駛，高精度地圖必不可缺，而高精度地圖是我們的優(yōu)勢。

我們并不會和傳統(tǒng)圖商進行競爭，因為他們的優(yōu)勢在于車隊，可以采集大量數(shù)據(jù)，可以做地圖服務。我們的優(yōu)勢在于：如何將采集到的數(shù)據(jù)變成高精度地圖，如何從 raw data 變成厘米級精度。這恰恰是我們可以與傳統(tǒng)傳圖商進行互補的方面。

雷鋒網(wǎng)：目前業(yè)內(nèi)很熱的深度學習，你們是否也會用這樣的技術(shù)解決自動駕駛的問題？

佟顯喬：從機器人學角度來看，無人車就是一個機器人，物理建模、動力學模型等方面都是要考量的。

深度學習是一個比較通用的方法，并不是最終解決方案。深度學習主要應用于感知，比如對車輛、行人、障礙物檢測等方面。從整體上看，深度學習只是無人駕駛解決方案的一部分，并不是全部。

我們認為在需要深度學習和這項技術(shù)擅長的部分，我們一定會使用它。

雷鋒網(wǎng)：業(yè)內(nèi)認為，無人車大規(guī)模數(shù)據(jù)收集和測試是關(guān)鍵問題。對于車隊規(guī)模和數(shù)據(jù)采集，你們會有哪些相應的規(guī)劃？

佟顯喬：大規(guī)模數(shù)據(jù)解決的是邊際問題。駕駛場景千變?nèi)f化，后續(xù)的 corner case 又有長尾效應，接近于無限多。所以這需要大規(guī)模的數(shù)據(jù)來解決。

但今天我們就到達了只需要解決 corner case 的程度嗎？我認為還沒有，從另一個角度來說，不同的技術(shù)造成長尾的長度也是不一樣的。

如果有好的技術(shù)選型，未來處理的 corner case 會少一個量級，后續(xù)需要采集的數(shù)據(jù)量或者是做相應的工作也會少很多。

明年年初，可能在春節(jié)前后，我們將推出原型車，我們希望做一個魯棒性好，又有安全性的系統(tǒng)。另外，我們也希望與國內(nèi)的產(chǎn)業(yè)合作伙伴一起壯大，用國產(chǎn)的傳感器來做這件事情，并做到不亞于硅谷的水平。

雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))：你覺得這樣的問題是否可以被量化：比如測試車的量到達一定的規(guī)模、測試里程達到一定的規(guī)模，就能解決無人駕駛的安全問題？

佟顯喬：如果需要幾億英里，每天幾輛車上路，可能幾十年也不能達到這樣的數(shù)據(jù)量。所以對車來說，并不應該是這種測試。一方面成本不允許，比如激光雷達當前成本較高，產(chǎn)能也不足；另一方面，這也導致沒有足夠規(guī)模的激光雷達裝配在車上去收集數(shù)據(jù)。

我覺得比較合理的方式：在算法上解決大部分問題，然后在仿真建模上解決小部分問題，剩下的則是做真正的路測。