2020年8月13日-15日，“2020中国汽车论坛”在上海隆重召开。在“智能网联汽车创新发展与产业生态的升级”分论坛上，博世底盘控制系统中国区总裁陈黎明发表了主题演讲，以下为演讲实录：

博世底盘控制系统中国区总裁陈黎明

陈黎明：各位嘉宾，各位来宾，大家上午好!

我是陈黎明，来自博世底盘控制系统，负责主/被动安全，ADAS和自动驾驶。今天和大家分享博世在自动驾驶量产道路上的思考。为什么我们在讲量产?因为大家在道路上已经看到一些自动驾驶的车，特别是一些低级自动驾驶、高级辅助自动驾驶，以及一些现在三级、四级DEMO的车。博世从1993年就开始做封闭道路的DEMO，同时也在做高级自动驾驶辅助的研发，2017年首先推出了集成式巡航控制，在高速上能够脱手的巡航控制。

为什么这么长时间才能研发出真正上路的产品?实际上就是目前谈的比较多的长尾问题。从去年年初开始，很多企业，特别是高科技企业，对于L4、L5、L3的量产不断往后延迟，最重要的问题是有很多长尾问题没有办法解决。也就是说从研发过程中到了量产阶段还是有许多挑战在里面。

下面给大家介绍一下我个人总结的三方面挑战：

(1)技术挑战;(2)工业化挑战;(3)商业化挑战。

技术挑战大家都比较清楚，这些年很多新的科技企业，各个企业都在传感器、定位、决策、芯片、算力等方面做了非常多的研究。面临的感知、决策、控制科技难题也在一个一个解决。我个人对科技方面的挑战是非常有信心的，随着时间，只要我们投入金钱，这些问题都是可以解决的。

商业化方面很多都在进行探讨，现在大家一致认为先容易商业化的还是城市自动出租车和货运自动化运输，会相对早一点实现商业化。同时，商业化本身取决于自动驾驶车本身的成本，牵涉到元器件成本、牵涉到车的成本，谈到成本的时候谈到了量、谈到商业，下面给大家分享一下工业化，怎么才能真正工业化，能够满足所有的要求，能够大批量生产，能够把价格做下来，能够让终端用户真正尽早地享受到真正的自动驾驶。

今天很多嘉宾都提到安全的自动驾驶这个问题，对于自动驾驶来讲、对于工业界来讲，灵魂考验的问题是怎么才能实现安全的自动驾驶，这是大家一直在探讨的问题，而且刚才王博士也介绍了一些事故，的的确确现在有很多事故还在发生。当然在研发过程中这是正常的，不可能一开始没有事故，但是事故能不能完全消除，这是我们需要去探讨的，怎么能够避免降到最低，甚至降到比人的失误还要低，这也是我们面临的挑战。

目前有两方面来衡量自动驾驶的水平、安全到达什么程度，比如说美国的DMV有关于自动驾驶脱离的“率”，开多少公里、英里才脱离一次。兰德公司试图从驾驶层面上对自动驾驶水平进行解释，根据2015年美国驾驶总里程数4.8万公里当中发生的事故来统计，基本上人的水平目前平均200万公里发生一起死亡事故，1.74亿公里发生一起受伤事故。这是什么概念?如果要驾驶1.4万亿公里的话要若地球超过3600圈，按时间来算也得200多年。提出的挑战是怎么才能证明、验证车是安全的。

博世角度有三个方面的考虑：

第一，满足现在或将来法律法规的要求，今天很多嘉宾都谈到了功能安全、预期安全、自动安全、转向安全，特别是在失效的时候安全怎么保证。根据所有安全，按照传统汽车开发验证释放的流程，像大家比较熟悉的V-model，根据行业法规要求，根据企业要求，制定出系统要求、零部件要求，一步步验证，验证的大过程总体还是在实验室和封闭的特定实验场所里进行。

自动驾驶牵涉的场景非常多，不可能再按照传统的方式继续进行，所以必须加入在实际道路上测试，特别是用数据驱动的验证方式对自动驾驶安全进行验证。就是V模型和数据驱动的闭环进行结合，实现安全验证。

用系统分析方法，比如说像故障树分析系统地分析所有的失效模式，尽最大可能定义失效模式，同时找出相应的解决方案，通过这样能够比较好地验证安全问题，给大家提供更加安全的产品。

第二，处理极端复杂场景的能力。

就是现在讲到的长尾问题，很多标准问题大家都已经处理了，有的时候业界也有一句笑话，要看自动驾驶车企表现怎样就看你和城管的关系怎么样，能不能提前把行驶道路上不规整的东西改掉，使得自动驾驶更好地感知周围的环境。这说明驾驶环境的复杂性，刚刚周主任提到了，没有一个驾驶场景是一样的，同时在开发过程中可能覆盖所有的驾驶场景，必须要在汽车生命周期里提供不断学习和提高的能力。

博世从三方面考虑：

(1)充分利用人工智能和车路协同。

不是简单的人工智能，而是把人工智能和概率的方法结合在一起，打造可解释的人工智能。顺便提一句，博世在今年2月份发布了AI准则，希望做一个可解释、高鲁棒性的AI算法和产品。

因为车的视觉和人的视觉都是有限的，路段可以提供更广的视野和看不到的信心，帮助我们解决长尾问题。

数据驱动的循环迭代，在量产以后有不断学习的能力，不是单车的自学习能力，方案是要把单车遇到的问题上传到云里，进行统一离线的学习和训练，再把新的数据和模型给到车，最主要的是要保证可追溯性，每一辆车的状态都是可追溯的。每一个车变成不可控、不可知是非常可怕的一件事，通过这种方式可以避免单一某一个车发展车不可控，能够很好地解决迭代学习的问题。

我们知道驾驶的状况是千变万化的，不可能在研发过程中，即使在后续的学习过程中都cover所有的学习场景，当我们的算法不可以发觉的时候，还需要它在不能识别冗余系统出现故障的时候能够保证安全驾驶，包括车内人的安全和道路使用者的安全。

第三，可持续性复制。

从0到1是从无到有，是实验室的产品，包括目前DEMO还是属于0到1的阶段。1到N，从100辆车到10万辆、100万辆是工业化的过程。怎么实现?因为生产可能一家厂生产，也不可能一个车型，每个车厂、每个车型定位不一样、功能不一样，一定要有兼容性和可扩展性。首先必须要打造赋能的工具，这两天都有嘉宾谈到软硬分离，必须要有非常好的基础，基础是中间件，博世有非常好的产品——VRTE和AOS，是更好地支持应用层软件跟硬件之间的有机结合，并且可以扩展，这个时候会有非常好的可扩展架构，使得在不同的传感器配置和车型上都可复制可扩展，还有渐进的扩展一步步扩大应用范围。

总结一下实现安全的思考和总结，自动驾驶系统需要提供规则一致、可预测、安全的行为，这是我们对自动驾驶的要求。如果道路使用者还有其他动物等发生危险的时候，自动驾驶系统要尽最大可能避免事故的发生，如果不可避免的话一定要把伤害降低到最低。

必须有系统完整的验证释放方法，要建立一套结构化流程和可互补的方法，最后一定要依据可验证的流程和确定的结果。

感谢大家的时间，谢谢大家!