6月18日，以“新起点、新战略、新格局”为主题的2021中国汽车论坛在上海开幕。陆领科技联合创始人兼首席执行官霍静发表了主题演讲。
在霍静看来，城市端的智能、共享智能能够使得单车智能大大降低成本，加快商业化的落地；其次，大量的人类行为数据可以为覆盖率为导向的自动驾驶研发贡献巨大的价值。最后，也希望陆领科技的模仿学习方法可以提取数据中的价值，建立驾驶行为、决策模型，实现城市端路端厂端共享智能。
以下发言实录：
首先非常荣幸我们这样的初创科技公司，借这个宝贵的机会，跟大家分享一下基于自动驾驶、人工智能和人类交通行为的研究基础上我们的思考。
我是霍静，来自n roads陆领科技。今天我代表创始人邢舟博士跟大家分享关于覆盖率为导向的智能驾驶开发和验证的思考这个主题。这个也是基于我们在三年以来，对于人工智能、自动驾驶和人类交通行为研究过后，想跟大家共同分享的心得。
刚才王部长也介绍了下我们这个创新公司，我再介绍一下，陆领科技是一支来自全球顶尖的高校，具有丰富的自动驾驶和对数据深刻理解能力的初创团队，我们有具有出色的教育背景，同时也具有丰富的产品经验，深耕车与人的行为模型算法，并且擅长数学建模，用机器模仿人类，学习人类的逻辑思维思考。
大家可以看到我们的核心技术团队，主要毕业于斯坦福、耶鲁和卡耐基梅隆、康奈尔和中国科大，并且都曾经在、、亚马逊、、三星、工作过，并且深耕自动驾驶、人工智能，擅长数学和物理模型建设。
今天想分享的是基于我们创立到现在三年的时间，长期耕耘在自动驾驶、人工智能和对人类交通行为的基础上，我们真正要想实现自动驾驶的实现，其实有很大的挑战。这其中表现在大家都在讨论比较热门的单车智能，单车智能巨大的挑战在两方面：一个是成本，第二是大规模可复制性。基于这样的思考我们提出了城市端、路端和厂端的共享智能。
首先陆领科技要解决什么样的问题？要解决的问题很简单，就是研究人类到底怎么样驾驶，研究真正的交通行为，包括车和人的交通行为。像waymo长期进行路测，就是希望收集数据学习和研究人类的驾驶行为。
为什么要做这样的工作？我们就是希望通过研究人类到底怎么样驾驶，研究真正的交通行为，包括车和人的交通行为，像waymo做长期的路测，实际上是为了什么？大量的收集数据，希望通过这些数据学习和研究人类的驾驶行为。
为什么我们要做这样的工作？我们希望车和机器像人类一样思考能够做到自动驾驶，但是实际情况什么样？
大家可以看到这张ppt最左边这么多黄色圈子，这是我们从美国得到的研究报告，黄色圈子里面都是表明了车和人在左拐弯时候或者直行碰撞的现象。很有意思的现象，这个里面前面都是追尾事件，追尾事件所有的都是一个共性，前面第一台车要么是waymo，要么是其他的自动驾驶车辆，后面一台车追尾的全是人驾驶的车辆，这表示什么？所有自动驾驶在某一个地方突然停止，或者某一个地方发生了一种行为，在后面人为驾驶的车辆来不及反应，根本不知道你这辆车干什么，于是导致了很明显的人驾驶的车和自动驾驶车发生了碰撞事件。这也是大家可以看到每一次在uber，包括waymo、发生的事件都是有原因的，很多时候智能的自动驾驶无法像人那样真正的人工的思考问题。
这里有一个结论，就是我们的人工智能现在还达不到人类智能的思考，在这里我有一个简单的例子。大家可以看这张图，这是什么意思？表明了蓝色是自动驾驶车辆的做决策的时间，彩色的是人在驾驶时候做的决策的时间，蓝色的决策时间表示是自动驾驶车在决策至少要有2秒以上的时间，而人，因为人脑反应很快，在做驾驶决策的时候，一下就过去了，这就是机器和人的区别。
另外一张就是交互事件，比如说十字路口，两台车，如果人跟人交互的时候，比如说你打一个手势，眼神交流，都是一秒两秒左右，红色的就是自动驾驶车交互时间一定是比人更长，甚至达到5秒左右。
这里我们就想说明现在的人工智能现在还达不到人的思考行为。
这是另外一个案例，这个红色和蓝色的是两个城市的人类群体行为轨迹。蓝色的我们叫做蓝色城市，红色的叫红色城市。比如说在日本，大家普遍很遵守交通规则，普遍行为是有规律可循的，这里就是蓝色规矩的呈现。红色比如说是中国某个城市，很多人交通习惯、交通行为实际上差别非常大，没有规律可循。大家可以看到cut-in behavior就是变道，在红色城市的人群变道行为，可以没有规律可循，都是自己变自己的，可以导致轨迹线非常分散，蓝色的比如说日本城市轨迹线是有迹可循的。
这就导致了自动驾驶是非常困难的：单车智能面临目前的挑战成本高，刚才也有同仁讲了单车智能做自动驾驶成本是非常高的。现在waymo平均一台车是40万美金搭载单车智能的自动驾驶，waymo在全球600多台，如果1000多台就是400m美金成本。另外就是即使在这车上装满了感知、装满了雷达，装满了毫米波，最多能感知6-8台，这种效率是比较低下的。
对我们来讲，我们觉得自动驾驶要想实现，大家都希望生产低成本、可大规模复制的无人驾驶，而且在各种各样的场景，包括矿山，包括无人卡车，包括小巴物流。可是实际是什么样？各种各样的传达、雷达、传感、带来的是高成本、低效率，难以实现商业场景化落地。
我们提出的思考和我们的目标就是怎么样大规模更多更高效采集数据，让机器像人类一样大量的用数据学习人类的思考模式和逻辑模式，我们的思考就是更多的从路端、城市端，我们目标是利用无人机、摄像头、红绿等来收集数据。
我们提出的想法是什么？那就是希望单车智能越来越便宜，越来越减少成本，最后减少到能够单车进行决策，单车思考，而城市端能够大量的用数据的算法，用城市端共享智能，均摊自动驾驶车辆减少成本，更多的进行商业落地。
刚才我们说大量采集数据以后，也是我们陆领在做的：用模仿学习算法来识别、学习人类行为、策略。这是我们在加州洛杉矶采取的无人机和路边摄像头采取的，24小时监视着整个路面的情况，用算法和模仿学习不断地在看和思考车是怎么行走，人是怎么行走，来帮助机器更好的加强算法的数据。
刚才我所讲的就是提出了一个概念，叫cdv概念，就是覆盖率，我们希望大量的数据的采集、数据的算法用覆盖率来验证，让计算机像人类一样思考。我们提出这个覆盖率在自动驾驶领域上的使用并不是我们最早提出来的，也不是我们唯一在做的，行业当中有很多家在做。大家看到foretellix，包括latent，latent现在已经被waymo收购了，当时waymo也是看中了他们用cdv的概念来做自动驾驶覆盖率。
覆盖率的概率提出来是什么？动力源泉说白了就是两种，一种就是大量的单车跑采集数据，希望用量取胜，覆盖率是质取胜，用大量的数据演练算法，用模仿学习，像人类一样思考，让我们采集各种各样的异常场景，更接近人类思考，使安全率达到比较热衷说的99.99%的目的。
这个是我们无锡做的案例，在无锡交通路口采取了无人机和路边的设想和城市端的摄像头采集到的数据进行模拟的城市和交通，演练了模仿学习去找到了各种各样的交通行为，帮助我们的进行大量的数据采集和训练，提升我们的算法。
如果做到这件事情，说实话这不是一家行业做的是需要行业、政府一起来做的，我们需要无人机、摄像头一起来做，包括市政的数据、互联网共同采集数据，大量的数据采集到以后才可以进行这样的演算。
最后我们的结论就是：1、城市端的智能、共享智能能够帮我们的单车智能大大降低成本，加快商业化的落地；2、大量的人类行为数据可以为覆盖率为导向的自动驾驶研发贡献巨大的价值；3、希望我们陆领科技的模仿学习的方法可以提取数据中的价值，建立驾驶行为、决策模型。做这件事情是工程比较巨大的事情，我们也感谢上海汽车城给我们初创公司这么好的机会，让我们在这里能够充分学习、研究、展示自己的贡献。