如果说2022年是Robotaxi商业化落地元年，那8月就是元年中的元月。
8月1日，中国首部智能网联汽车管理法规在深圳正式生效，深圳由此成为第一个允许全无人自动驾驶汽车上路的城市。过去十年，先行公司和资本在自动驾驶的研发上投入了大量费用，都是在赌一个节点。对自动驾驶这样的高爆发行业来说，虽然前期等待漫长，到达落地拐点后的成果却会是一场盛宴。而深圳率先在立法层面做出的这一举动，无疑是浓墨重彩的一笔。
对身在局中的公司来说，这次立法能带来的是什么？还有什么问题未解？8月，36氪在深圳试驾了市民在道路上经常见到、能预约到试运营的自动驾驶车，也来自一家总部在深圳的公司——元戎启行，并与其副总裁兼合伙人刘轩讨论了此刻的自动驾驶正行至何处。
在他看来，这次试运营区别于此前所有路测的里程碑式意义在于两点：1、立法，2、全无人。前者赋予自动驾驶落地合法性，后者则给了自动驾驶的算法系统更多真实的“养料”。此前的路测有诸多限制：主驾有人、测试路段有限制……有限条件下的自动驾驶路测，显然不能给真实落地提供足够有力的支撑。
全无人还有一重要价值：商业模式的帐更能算得过来了。改装的硬件费用使得Robotaxi本身就要比传统出租车贵，如果还要配备安全员，无法节省驾驶员成本，那一辆比taxi更贵的Robotaxi是难以落地的。
在法律上获得全无人的许可后，自动驾驶公司们下一个待解的难题是硬件（车 改装）成本。方案成本越低的无人驾驶公司，就越容易被主机厂和运营平台接受，手上的钱就越能打持久战、积累越多的数据。元戎的答案是面向前装的量产方案，这个去年发布的方案将改装价格降至一万美元以下。
我们在试驾现场看到，与大部分自动驾驶路测车不一样的是，搭载元戎L4方案的车顶端并没有凸起的雷达，取而代之的是嵌入车身的传感器；车的后备箱不再有装着工控机和散热平台的大黑箱，车辆的计算平台也"瘦身”为装有两块英伟达Orin芯片的小盒子。
刘轩告诉36氪，制约前装量产的有两个因素，一是成本，二是功耗。成本方面，他们通过更换激光雷达解决，弃用行业此前普遍使用的机械式激光雷达，转而选择固态激光雷达。虽然固态激光雷达的点云没有机械式激光雷达清晰，但胜在价格只有前者的1/50，且损坏率低，在公司自研的多传感器融合感知算法系统中，仍然能够清楚感知到周围超过200米的物体。功耗方面，公司自研的推理引擎使运算加速6倍，支持高级别自动驾驶系统在整体功耗仅150瓦的计算平台运行。
以我们试驾的车为例，原车为飞凡MARVEL R，市场价约在21-27万元之间，元戎改装后上路成本在30万元左右。对比许多滴滴司机选择的比亚迪E6，上路价也要30万起步。
对成本的重视贯穿在这家自动驾驶公司的每一个动作中。这家成立于2019年的公司，主要业务有两块：自动驾驶乘用车和自动驾驶轻卡。在自动驾驶轻卡业务上，元戎启行已经和德邦合作，为其提供同城货运中转服务。刘轩告诉36氪，自动驾驶轻卡与Robotaxi的技术栈和应用场景相似，运行经验可以复用在Robotaxi上，这意味着不必再多一块研发支出。
政策和成本之外，我们还和刘轩聊了关于Robotaxi的一些争论，比如是否存在路测数据喂养系统之外的路径、DeepLearning的黑箱是不是制约自动驾驶的核心因素，以及近年盛行的路测里程比拼究竟有没有意义。对自动驾驶而言，到达临界点前必然是一条与无数争论相伴的歧路。这条路可能只有一个路标：低成本、多落地，有质量地活下来。
以下是36氪与元戎启行的对话：
36氪：这次立法在行业内引起了很大反响，这跟之前的路测有什么不同？
刘轩:深圳是第一次从立法的角度，允许了真正全无人的自动驾驶路测。我认为还是一个非常重要的里程碑。而且我们上路的是一个用户能接受成本的车，不是一个成本三四百万的实验车。有可能在未来两年，普通用户就能买得到。
36氪：成本是自动驾驶的大话题，这点你们怎么做的的？
刘轩：最重要的就是前装量产。主要指的是三个方面。第一方面就是使用量产车上可以用的车规级传感器。我们使用了固态激光雷达，再加上摄像头这样的融合传感系统。
第二方面，我们用了车规级的计算平台，比方说英伟达的Orin、华为的MDC这些更低功耗、更便宜的计算芯片。过去整个后备箱全是密密麻麻的设备，现在新能源汽车有里程焦虑，大家不希望把电都放在做计算上。我们公司通过一个自研的AI推进引擎，可以把我们的计算加速6倍。
第三方面就是适配量产的高精地图。
以上三点结合在一起才能叫一个可前装量产的 L4，它的成本是低的，是在用户可以接受的范围内。控制住功耗和成本，这跟过去旧的自动驾驶是一个本质性的区别。
36氪：Robotaxi使用的往往是机械激光雷达，为什么你们使用固态？
刘轩：传统的旋转式的机械激光雷达成本特别贵，单个售价可能都是个几十万人民币。并且因为它是个机械结构，可靠性不是特别好。如果传感器每一两年就得换一次设备，用户肯定是不会买单的。
固态激光雷达云成像质量更弱一点，我们软件方面、算法层面做了很多优化，用一个更弱、更便宜的传感器做到探测距离不弱于之前的机械式激光雷达，甚至可能会更远、更安全。
36氪：软件弥补硬件是一个经典路径，在雷达感知上怎么做？
刘轩：我们的团队在自动驾驶行业里第一个提出来多传感器融合技术。我们把激光雷达、摄像头等等不同的传感器数据在原始层面就做一个数据融合，类似于把它等效成一个超级传感器。比如说激光雷达能带来3D的位置信息，摄像头能带来色彩能力相关的信息，这些融合在一块是一个高维的数据，每一个传感器只扮演其中的一部分，我们可以用这种深度神经网络更好的去做一个精确的识别。
36氪：元戎的推理引擎可以比主流的框架快6倍，且更低成本，是怎么做到的？
刘轩：深度学习一般分为两个阶段，第一个阶段是离线的训练，第二个阶段是在线的推理。比较重要的是在线的推理，我们一定要保证它足够快足够高效，还尽量的功耗要足够低。
我们相当于是重写了一个深度学习的推理系统，专门针对自动驾驶需要的模型进行了优化。行业内用的比较多的是面向一些通用的深度学习框架，用深度学习去做人脸识别或者动物识别等等。
但是对于自动驾驶而言，我们只需要支持自动驾驶专用的任务的深度学习框架，这个框架能够在多传感器融合的模型下，精确的检测出来这些障碍物大小是什么，尺寸是什么，速度是如何。如何去预测他们该怎么动，接下来要做如何，该怎么决策。
我们可以把这些通用的深度学习框架里面那些额外的东西忽略掉，然后就针对专用的任务，可以把他们有共性的一些重复性的工作进行合并跟压缩。就相当于现在算一步可能就等于过去的算的五六步。
36氪：实现前装量产最大的意义是什么？
刘轩：前装量产最大的意义在于我们把渐进式和跨越式融合在一块，而且只保留他们的优点。我们的算法能力是跟跨越式L4是一致的，可以在一线城市的市中心高峰期，不用人接管去跑，同时我们的成本是跟渐进式一样，我是在用户可以购买的量产车上去安装。
这样子我就能把这两个路线的优点结合起来，跨越式的优点在于算法能力强，就是足够安全，渐进式的优点在于它是个产品，用户能帮我积累数据。
36氪：现在自动驾驶的核心关隘是需要数据喂养，但很多人也在等待对Deep Learning黑箱的突破。
刘轩：我们做的乘用车或者城市内轻卡来讲，场景已经足够复杂了，在这个阶段的水平已经足够帮助用户解决很多问题。所以我觉得不用等到下一次Deep Learning的大规模的突破，其实已经有很多可以应用的产品，可能也就是未来2~3年就会有这种形态的产品出现。
另一方面，自动驾驶是一个非常复杂的系统，Deep Learning对自动驾驶非常重要，但是自动驾驶不是完全依赖于Deep Learning。我们其实有很多还会用到像强化学习、博弈论的这种决策优化等等。它能解决其中的一些比较关键的问题，但是还需要有很多其他方面的算法，然后不停迭代，共同来把这个事情做好。这是一个足够复杂系统，它一定是符合木桶理论的，好坏由最弱的那个决定。
36氪：自动驾驶仿真系统可以解决大规模数据采集的问题吗？
刘轩：比较难采集或者成本比较高的场景，可以在仿真系统里测试，它可以帮助我们算法提升迭代。
但是如果我们真的希望通过这些数据论证我们算法的安全性，去推动法律法规加速落地，我认为仿真系统其实很难有说服力的。你自己造一个仿真系统，算法在里面跑得很好，在外界看来是缺乏说服力的。除非有一个第三方打造的具备公信力的仿真系统，但是这个方案其实很难去落实。
36氪：自动驾驶行业现在有点刷路测里程的趋势，这种数据的价值有多少？
刘轩：不同自动驾驶公司积累的里程数据没有任何可比性。因为大家跑的场景是完全不一样的。就像人一样，在市中心能开的话，在郊区乡下一定能开，但是反过来是不一定。
另一方面是算法是否足够激进，它的测试效率是不是足够高？举例，假如我的算法像一个新手司机一样，在路上特别谨慎，只要有人过来我就避让，这样其实对于算法来说是没有太大意义的，一定得要能够过得了跟人博弈的这关。
中国的一线城市，不同的城市的交通方式行为习惯很不一样，比如北京开车和上海、深圳的差别其实非常大。所以如何能去建立全国性乃至是全世界的标准，目前来看肯定是一个不简单的事情。
36氪：重卡跟轻卡之间，为什么元戎选择了轻卡？
刘轩：轻卡的长度尺寸、场景和乘用车是更接近的。城市内公开道路，有红绿灯、行人、自行车、外卖骑手等等非常复杂的场景。所以两者在技术上的相似性是非常高的，我们可以去复用这个技术。
轻卡和重卡差异性会大很多。两者牌照就不一样，其次它跑的场景更多的还是干线道路：高速，载重大，所以它刹车距离就会很远，就要求它的感知距离要足够远。但是民用激光雷达现在做的最好的极限感知力也就200米，这个是物理特性决定的。
另一方面，重卡的载重高，对其控制相对来说也比乘用车难。再加上他有可能会带挂，并且周身的盲区大，所以它会要布更多的传感器，传感器一旦数量够多的话，计算平台肯定要更多芯片，计算上还涉及到一些同步的问题，所以从技术角度来讲的话，它的差异性其实是很大的。
