被隔离在加州之后，轻舟智航上了一堂无人驾驶公开课

“加州‘在家隔离’强制执行令发布后的3个小时，对轻舟智航来说是难忘的3个小时。”

硅谷时间3月16日下午4点23分，公司联合创始人、CEO于骞收到了加州相关政府发布的正式强制性命令，要求所有居民必须在家隔离，除非采购食物，就医或者其他紧急情况才允许离开住所。该命令于当天午夜12点生效。

也就是说，留给轻舟智航进行试乘直播活动的时间只有8个小时了。

于骞第一时间联系了硅谷风险投资BoomingStar Ventures管理合伙人Alex Ren作为第三方见证者，在当天晚上7点多紧急录制了路测视频。时间紧迫，团队必须一次性成功完成录制。

幸运的是，测试车按照图上的路线顺利完成了Drive-through场景挑战。

在北京时间3月21日，轻舟智航将该视频搬到了线上分享会上。可以看到，图中车道比常规的单车道更窄，对定位和控制的要求都比较高，如果横向定位和控制不精确，就会轧到路沿或蹭到建筑物；而如果纵向不准，就会对不准点餐窗口；其次，在出口处便是停车场，是非结构化道路，要应对人车混杂的情况，还要通过无保护右转进入道路主路。最有挑战性的一点在于，这里是正常营业的地方，不像开放道路可以重复进行路测。

作为核心感知算法和地图专家，于骞将首次成功上路的经历归因于团队前期大量的仿真测试。

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，正是无人驾驶公司轻舟智航的核心优势。在分享会上，于骞比喻这种独特的技术路径是建立“自动化规模生产的工厂”：“相比传统的‘造梯子’路径，更像是在‘造火箭’。”

自动驾驶的长尾效应

创业之前，就任Waymo感知关键模块的机器学习算法研发负责人的经验，对于骞的影响是潜移默化的。

在他看来，加州车管局（DMV）每年公布的接管里程数（MPI）指标，如果直接拿来对比毫无意义。相反，如果把同家公司的接管率在时间维度上进行横向比较就比较有意思了。

以总里程数和里程覆盖的多样性都比较受业内认可的Waymo为例，当比较Waymo在2018年和2019年的接管类型时，我们会发现：感知所占的比例明显变多了，从25%升到了47%。

这是不是意味着Waymo的感知能力下降了呢？

“并不是。”

从绝对MPI来看，Waymo无论在感知还是运动规划上都有了进步。从整体比例的变化可以看到，感知占的比例上升，更多是由于规划决策造成接管所占比例下降的缘故。这就意味着该公司在规划决策方面有了很大的技术进步，而这也离不开其大规模仿真测试。

这就给了于骞出发创业的灵感。

这位工程师逐渐意识到，长久以来，感知都是一个比较确定性的问题，业界对其测试和评价标准都是非常明确的，整体方法论也很清楚。也正因如此，大家开始把注意力集中在规划决策技术上，将其视为目前最具挑战性的问题：

首先，技术不确定性难以衡量；其次，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。而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。

这似乎解释了为何无人驾驶迟迟无法落地：“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。”

除了需要收集大量数据之外，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。

后来，这成了轻舟智航应对自动驾驶行业存在的长尾效应的解题方法。

仿真软件大都“华而不实”

 “我们认为仿真是达到规模化无人驾驶技术的唯一路径。”轻舟智航的另一位联合创始人汪堃与于骞达成了共识。

目前市面上有许多仿真软件，最流行的是基于游戏引擎开发的仿真软件。从界面的角度来说，其比较好看，像一个模拟城市，场景很真实。

然而，轻舟智航却拒绝了这种“华而不实”的主流方式。他们的仿真软件界面十分简单，抛弃了复杂的渲染工作，仅仅保留了感知结果，包括3D Box和雷达点的叠加，希望以此达到低成本、灵活性、可拓展性和可衡量性。

从其展示的两个应用演示视频可以看到，一方面，借助仿真及相关工具链，能形成高效的数据测试闭环，支持算法的测试和高效迭代，取代堆人或堆车的方式。另一方面，只有经过大规模智能仿真验证过的软件，才能够保证安全性和可用性。

在过去一年的起步阶段，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。

展开来说，团队首先借助仿真及相关工具链，形成高效的数据测试闭环，支持算法的测试和高效迭代，取代堆人或堆车的方式；其次，只有经过大规模智能仿真验证过的软件，才能够保证安全性和可用性。

公司旨在将有效数据、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，最终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。

按照官方说法，这家来自美国硅谷的无人车企业，是在以这种“非主流”的方式打造一个适应城市复杂交通环境的“老司机”。