2019年2月13日，加州DMV首次公开2018年度全球62家无人驾驶公司在加州的路测数据。由于全球几乎所有主流自动驾驶公司均在硅谷设有研发中心，加州路测是最具代表性的指标。AutoX在本次排名中名列全球第七，中国第一。
如何看待此次报告呢?本文将从自动驾驶路测的五个维度展开分析, 全方位地分析L4无人驾驶的专业看法:
● 在哪儿测(路况难度：固定线路 vs. 任意点)
● 测了多久(测试里程)
● 什么时候测(恶劣天气)
● 测试效率：寻找Hard Cases
● 人工干预(MPI)
● 真实性：真实运营数据 vs. 纯内部测试
维度一，在哪儿测：路况难度，固定线路 vs. 任意点
L4级别无人驾驶的首要维度，是路况难度。
著名无人驾驶公司Aurora最新得到5亿美金融资，估值25亿美元。Aurora创始人CEO，Chris Urmson，多次公开强调无人驾驶ODD的重要性。他在今年的路测报告中重点强调：在某个固定场景测试一定时期后，测试变为应对已知环境的简单重复行为，继续在同样的已知环境中测试将极大降低测试的效率。为了提高测试效率，挑战更难场景，Aurora故意将其测试环境变难，在交通拥堵时间进入三番市中心等地测试，使其MPI曾在2018年8月一度跌落100英里。
AutoX提交的测试报告也反映了同样的高效率测试方法：点到点测试版系统(报告中称v1系统)和挑战测试版系统(报告中称v2系统)。AutoX点到点测试版系统(v1) 已在加州已连续测试超过1年，路测方法与Aurora类似，测试员无规则任意点选路，多涵盖高难度挑战道路，包括市区交通拥堵地段等。2018年11月该版本MPI为538.3英里。挑战测试版系统(v2) 则是AutoX挑战更难ODD的系统版本，如测试人员在大雨天气，繁华商圈，交通高峰期连续换道、进出转盘round-about等。
乱穿马路 Jaywalker
临时修路
小孩突然下车
部分无人驾驶公司路测环境多为已知、固定路线，一旦系统过耦合于固定路线后，可能达到非常高的MPI，系统却缺少通用性，无法用于用于新的有挑战的路况。[详情请看：AutoX任意点到点系统]
AutoX主要是在硅谷的圣何赛进行测试。圣何赛官方名称City of San José，是硅谷人口最多的城市，被誉为“硅谷首都” (Capital of Silicon Valley)，是多家全球科技公司总部所在地。人均GPD世界排名第三(前两名是瑞士和挪威)，房价中位数超一百万美元，全美最高。但同时也拥有北美大城市主要问题，如大量无家可归的流浪汉徘徊街头，大大增加了自动驾驶难度。
维度二，测了多久：里程数
经投资界整理，全球十一大领先无人驾驶公司清单如下：
投资界认为，在L4无人驾驶领域，技术成熟度与路测的总里程数成正比关系，里程数越高，技术成熟度越高。谷歌无人驾驶Waymo以127万英里的里程数继续遥遥领先。通用旗下的Cruise里程数为Waymo的1/3。紧着是Apple、Zoox、Uber、Nuro、AutoX和Aurora，均超过两万英里。其中，AutoX是唯一一家中国背景并超过两万英里的公司，名列全球第七。累计超过两万英里加州路测数据，代表了无人车公司处理海量数据的能力及算法可处理复杂场景的实力。百度，Pony，WeRide，也越过了一万英里的里程碑。而在2017年，除了谷歌与Cruise，未有任何一家无人驾驶公司突破五千英里范畴。
维度三，什么时候测：恶劣天气?修路?
自动驾驶要能对付恶劣天气，除了软件算法上对激光雷达和摄像头噪点的处理，硬件上也尤其重要。如果摄像头镜头被雨水或者灰尘遮挡，则会大大影响其成像质量，无法看清楚物体，更无法准确判断红绿灯的状态。绝大多数自动驾驶公司目前会暂时忽略这些问题，在天气不佳情况下停止路测。而适应恶劣天气是自动驾驶商业化不可缺乏的一个环节，因为恶劣天气恰恰是打车和外卖等服务的最高峰期。
为了解决恶劣暴雨天对传感器硬件的影响，Waymo发明了mini wipper的雨刷解决方案。AutoX发明了自己独特的解决方案，通过高压喷气和喷肥皂水，可以在短短的0.2秒时间内，对摄像头镜头进行快速清洁和烘干，在暴雨天、雪天、大雾霜天气保证无人驾驶安全进行，甚至可以抵挡鸟粪的袭击。AutoX的车顶传感器盒sensor mount也做了密封防水防尘设计，路测包含大量恶劣天气情况。
自净前：摄像头被雨滴影响，无法判断红绿灯
自净后：摄像头无干扰，红绿灯清晰可见
维度四，测试效率：主动寻找Hard Cases
无人驾驶测试的目的就是为了暴露问题才能解决问题。AutoX坚持 Do the Right Thing，拒绝为了好看的MPI数字而影响测试效率。相反，我们通过大数据分析，寻找Hard Cases and Failure Cases, 专门针对这些用例进行压力测试，极度有效的丰富我们的数据集多样性。
例如，在计算机视觉领域的物体识别训练过程中，一个有效的提高数据效率的方法是Hard Negative Mining。即用现有的模型，自动在数据集里找到令模型失败的数据，并通过这些数据来改进模型。在机器学习领域，有标注的数据一般比较稀少，而没有标注的数据是相当丰富的，但是对数据进行人工标注又非常昂贵。Active Learning学习算法可以主动地提出一些标注请求，即计算机主动筛选的少量数据交给专家(比如人类)进行标注，从而最快地提高模型，而不用标注大量的数据。
类似的想法，也被AutoX拓展应用到我们的自动驾驶测试过程中。我们分析通过每个软件版本的最新测试数据统计，动态预测可能出现的问题，以及问题出现的地理位置、时间、路况、天气、光照，以此产生测试要求，指导路测测试的下一步计划，最大化提高找到Failure Cases的效率。无人驾驶系统与上路路测之间的关系，有如GAN神经网络里的Generator和Discriminator，只有上路路测能非常有效地找到系统的问题，竭尽所能地降低MPI，才能以最快速度提高我们的无人驾驶系统。这种新型研发测试方式，在内部被肖健雄教授命名为Data-driven Development Process(数据驱动开发流程)。
维度五，人工干预：MPI
各公司报告亦公布了MPI (Miles Per Intervention)，然后每家公司计算MPI的方式不一致，各自有不同的定义。据悉，部分其他公司处理MPI数据的方式是：将每个人工干预的数据均导入仿真器，在其中由工作人员主观判断，如果当时场景下安全员不干预是否可以接受，如果可以接受就可以认为零人工干预。部分初创公司在总里程数明显低于谷歌2016年里程数的情况下，报出与谷歌2016年类似的MPI，侧面反应各公司MPI的计算方式有所差别。
然而，拥有超过1000名自动驾驶工程师的两大巨头Apple和Uber均在MPI上明显垫底，除了MPI计算方式不同之外，部分原因很可能是测试区域大，无简单重复场景。假如主要路测数据来自于预先设计的固定路线，那么MPI很可能可以显著提高几个数量级。
对于榜上众多公司来说，加州并非他们唯一的测试据点。如Aurora, Nuro, Waymo, Cruise, AutoX 在Michigan, Arizona, Nevada等州进行测试。AutoX, Baidu, Pony.ai, WeRide (Jingchi) 均在中国有大量测试。在中国由于公开道路测试牌照首先开放给空旷的高新区、新建的道路，如广州生物岛或者肇庆测试区，MPI普遍比美国加州高。AutoX仅在中国测试数据就已经数万英里。
维度六，真实性：真运营数据?
AutoX所提交的测试数据中包含真实运营数据，是这十一家无人驾驶公司中唯一在加州有真实运营数据的公司。在2018年8月，AutoX在美国加州发布了自动驾驶递送试运营服务，为圣何塞市民提供无人驾驶递送服务。在2017-2018年两年路测中，AutoX也接载两千多名外部乘客试驾，积累了丰富无人出租车的经验。
测试数据 vs 真单运营数据，二者有何不同?无论再有意模拟“真实场景”，也无法比拟运营场景。AutoX的运营团队做过一个小试验：让公司内部员工充当“beta用户”叫无人车服务，员工因过于了解自家无人车的行为，对无人车开了“绿灯”。例如，无人车到达目的地停车场，“用户”在另一个侧门等待，“用户”因为过于了解地形而自己主动找到了无人车。这在实际运营中，其实是很经典的难解问题：Pick-up / Drop-off problem. 真实的外部用户在叫无人车服务时，将目的地选择在无人车在十分拥堵狭窄的Plaza(美国类似大型广场、商圈地带)，或者非开放高档住宅小区C栋门口，有的甚至将目的地选择在大马路口中心。
2019伊始，AutoX纵情向前
AutoX成为全球11大无人驾驶头部玩家，得益于全明星团队的勤奋努力，也彰显了团队极强的技术领导与管理能力，和攻克顶尖AI问题的极强方向感与执行力。 AutoX独创的xFusion技术，为无人车提供了精准的感知预测能力，从而确保了车辆的表现。研发的方向感，是顶级无人驾驶团队突破重围的法宝。我们的方向感来源于团队和创使人的AI技术深度积累，让AutoX创造世界级的研发效率。中国第一的路测里程也是公司运营团队对车队管理的能力，是公司团队的整体效率和执行力的一大体现。2019, AutoX将为实现平民化自动驾驶的使命，纵情向前!
