8月3日，國內自動駕駛初創企業圖森未來（TuSimple）正式宣佈，已獲得來自全球晶元巨頭英偉達（NVIDIA）的投資，此次投資後，英偉達佔圖森未來3%的股份。此次投資被計入圖森未來的B輪融資中，具體投資額未披露。據圖森未來CEO陳默介紹，數月前英偉達即已達成投資意向，目前融資已交割完畢，投資款已到賬，雙方纔決定對外公佈這一信息。

自動駕駛卡車市場的蛋糕很大，每家公司切入點也不相同。「這個領域的競爭是一件好事，更多的人認可這件事情可以促進政策層面的推動，也能幫助圖森未來走得更遠。」圖森未來COO郝佳男說。

分析師 | 高靜宜

編輯 | 劉燕 楊筱卿

逐步步入老齡化社會將造成的運力危機；貨車事故率遠高於乘用車的安全隱患；不良駕駛習慣造成的油耗浪費……中國長途貨運長期處於這樣一些行業痛點之中，圖森未來則瞄準這一細分市場試圖通過自動駕駛卡車方案重塑貨運行業。

「我們的著眼點是儘快落地，從商業角度做靠譜的東西，而不是從技術角度做炫酷的東西。」圖森未來 COO 郝佳男說。

在這之前，圖森未來曾進行業務定位的調整。前身圖森互聯成立於 2015 年 9 月，其研發方向主要針對圖片識別，以廣告投放等業務為主。經歷了最初的摸索期後，2016 年 3 月正式轉型，開始把目光聚焦於高級別無人駕駛卡車市場，自此成為無人駕駛領域的新貴。

本文將從商業模式、技術方向等角度展開，對圖森未來在無人駕駛卡車領域的部署進行解讀。

定位高級別無人駕駛卡車市場，深入運營場景

圖森未來 CEO 陳默曾多次在公開場合表示圖森沒有乘用車的規劃。在成立之初，和大多數擁有技術的創業公司一樣，圖森未來通過選擇人工智慧技術感較強的領域，來決定公司的業務方向。但在實踐中他們發現，人工智慧技術雖然有一定程度的突破但還是存在限制。另外，在不同的細分領域，人工智慧的價值也截然不同。是開發一個短期內就能落地的項目，還是構建一個五年之後才能完美成型的方案？是用技術取代人類、幫助人類，還是讓技術具有酷炫的效果？每個團隊都需要對此進行抉擇。基於這樣的洞察與考量，圖森未來致力於建立自己的技術壁壘以避免陷入紅海，再根據場景需求將技術積累轉化成市場壁壘，最終將目光鎖定了高級別無人駕駛卡車市場。

據統計，中國作為物流運輸大國，整體物流成本佔國內生產總值的比重高達 16.6%。其中，公路運輸的比例約為 70%，市場規模達上萬億以上。貨運領域的蛋糕非常巨大，瞄準了機會的各家公司正在努力切入這塊市場，以谷歌旗下 Waymo、Uber 旗下 Otto 為首的一批美國科技創新公司正在專攻自動駕駛卡車的研發，並相繼開始測試。在國內市場，百度與福田展開合作，致力於 L3 級別無人駕駛卡車的研發。

郝佳男表示，自動駕駛卡車解決方案能降低貨運成本、提升貨運效率，從這個角度來說，商業邏輯成立。而貨運卡車的場景相對固定，大部分為高速路段，技術上也是一個做減法的過程。

然而，為什麼直接將技術定位在 L4 及 L4 以上的高級別自動駕駛時，郝佳男認為，在自動駕駛的產業鏈中，創業公司從 L2、L3 級別的自動駕駛切入並不存在明顯優勢。Tier1、Tier2 供應商早已從低級別自動駕駛入手完成市場瓜分，作為一項輔助功能，它可以作為汽車的附加值進而增加售車利潤。相比之下，高級別自動駕駛意味著司機概念的消失，車輛的大部分行為由系統主宰。對於車廠來說，承擔風險為別人鋪路並不划算。所以需要方案解決商深入到運營中，承擔起車在運營過程中出現問題的責任。而據郝佳男介紹，圖森未來目前有兩種模式，一是在有貨運需求時，使用屬於他們自己資產的貨車完成運輸；二是與貨運公司合作，對所有技術方案進行維護，並承擔相應的責任。

構建多目攝像頭 毫米波雷達感測器融合方案，探索激光雷達更多可能性

自動駕駛一般分為感知、定位、決策和控制四大模塊。利用各類感測器對車輛周圍環境進行車信息實現精準感知為後續模塊打下基礎，其重要性不言而喻。

圖森的感測器方案以計算機視覺為主，將 8-10 個具有不同焦距的攝像頭部署於卡車車頂，同時結合毫米波雷達進行數據採集。作為自動駕駛的主流感測器，攝像頭以單目、雙目甚至多目等方式基於計算機視覺技術實現物體測距、物體識別等功能。但僅僅依賴攝像頭的感測器方案存在缺陷，會受到極端天氣及光線等因素影響。毫米波雷達的加入解決了這一問題。通過數據融合等技術對來自不同感測器的數據進行分析處理，能夠實現優勢互補從而計算出行車視野內物體的位置、速度、軌跡等相關信息。這樣的感測器融合方案為之後的決策、預警等功能提供良好的鋪墊，也為自動駕駛的感知提供了一種更為完備的解決方案。

在郝佳男看來，感測器技術是無人駕駛的門檻之一，對 10 米、20 米開外的物體進行測距是研究生就可以完成的任務。但是探測 100 米以外的物體就不再那麼簡單，這對雙目攝像頭硬體的要求非常高，壁壘主要體現在晶元選型、鏡頭搭配、工藝結構等方面。圖森未來目前採用的感測器方案則是針對特定自動駕駛場景高度定製的。

除此之外，激光雷達也在圖森未來的演算法及實驗訓練階段發揮指導作用。雖然激光雷達在測距精準性上具備絕對優勢，但是目前其成本還是一大問題，谷歌的自動駕車汽車採用的 Velodyne 64 線激光雷達的價格就高達 75000 美元。除了成本問題，激光雷達測距範圍、耐久性也成為圖森未來現階段沒有在感測器部分使用激光雷達的原因。不過，隨著固態激光雷達等技術的突破與發展，這些問題或將在未來得以解決。圖森未來已經與國內激光雷達供應商速騰聚創展開了相關合作，共同探索激光雷達落地的可能性。

自主測繪 合作構建高精地圖，定位誤差小於 5 釐米

定位模塊是自動駕駛技術中不可或缺的一個環節，根據採集到的數據信息實時構建高精度的三維地圖，有助於自動駕駛車輛對自身環境更深的理解。圖森未來的建圖車輛搭載了 GPS、IMU、攝像頭和激光雷達，多感測器返回的特徵點完成匹配，對車道線、隔離帶、交通指示牌等信息進行精準構建，確保車身定位誤差小於 5 釐米。郝佳男介紹，鑒於圖森未來自動駕駛卡車的應用場景僅限於固定路段，所以地圖構建的成本並不高。

事實上，圖森未來選擇自主繪製高精地圖的一個重要原因在於圖商提供的數據並不滿足他們的需求。郝佳男表示，目前高精地圖領域並沒有現成的標準，每家圖商的定位技術也不盡相同。另外，如果畫一個北京城的高精地圖是非常有難度的，而且成本也比較高；但是如果只針對高速路段則簡單很多，因為中國只有 40 餘條幹線。除此之外，圖森未來也將與一些國內的合作夥伴一起構建高精地圖。

自主研發核心演算法，開放部分訓練數據集

自研演算法是圖森的技術核心，在環境感知、定位導航、決策控制等自動駕駛環節均有所體現。以決策環節為例，圖森採用規則與學習融合的演算法。基於規則的短程決策以及基於學習的長程決策幫助自動駕駛車輛決定下一步動作，如剎車、減速、循跡等。

但是，自動駕駛並不是一個簡單的神經網路。「在自動駕駛技術中，端到端的深度學習從數學角度看是無法實現的，可能永遠有解決不掉的問題。目前的技術還做不到可以達到人腦水平的黑箱子。」郝佳男說。

去年九月，圖森未來研發的深度學習感知演算法在第三方公共平臺 KITTI 和 Cityscapes 數據集上奪冠，而對演算法進行優化則花費了團隊兩個月左右的時間。郝佳男解釋，刷榜的目的是為了證明實力。但在這個過程中，團隊發現，KITTI 等數據集解決的是非常傳統、相對學術的問題，因而在今年上半年，圖森未來推出了一個全新的更貼近落地的數據集，以此回饋學術界並表達他們對自動駕駛的理解和態度。

郝佳男介紹道，圖森未來的標註數據集數量非常龐大，這次推出的數據集公開了圖森未來的一部分數據。相較於現存的自動駕駛領域數據集，圖森未來的數據集把先驗、信度等問題考慮在內。例如，相對平坦的路面汽車不會起飛也不會瞬移，在實際場景中，不考慮類似這樣的假設是不明智的，而這樣的先驗知識並沒有在過去的數據集中應用起來。先驗的概念是非常重要的，圖森未來會把採集到的所有數據放到超大規模的 AWS 雲平臺上，基於先驗知識對決策系統進行訓練。

不過，圖森未來的自動駕駛解決方案中所有的計算都是基於英偉達的 PX2 平臺，在本地進行處理。由於網路可用性及延遲問題，自動駕駛放在雲端計算在理論上是不現實的。「雲端的信息可以告訴卡車前面有路障讓其繞開從而實現更加順暢、安全的目的，但是如果沒有這樣的信息，卡車也必須能夠完成基本的行駛決策，因為我們不能期待一個百分之百可用的網路。」郝佳男表示。

在確定了下一步響應及行車路徑後，將由控制模塊來實現車輛的具體動作。在這個環節，郝佳男提到了卡車應用場景的特殊性。由於卡車的重量及體積較大，控制方面會存在一些難點。例如，貨物分佈不均的情況下，卡車需要通過慣性制導進行側偏修正；滿載與空載情況下，由於抓地力存在的差異需要重新計算模型等。不僅在控制模塊，由於貨運卡車高速行駛的特殊性，決策的難度也有所增加。圖森未來的底層控制採用 Wabco 控制器，需要把平面的行駛信息還原成執行的信號，即剎車力度。

對於未來的研發方向，郝佳男提到，目前圖森未來正在以單車為單位進行測試，下一步可能會以車隊為單位進行測試。測試車隊的好處是後車可以跟隨前車，可以精減感測器，同時風阻減小進而降低油耗，凝聚力也得以提升。但是從技術的角度，車隊對通信的可靠性要求比較高。圖森未來正在做一些前期性的模擬，之後有計劃在高速路段上實現。此外，根據具體的業務場景，人機交互也可能會成為圖森未來下一個版本的更新內容。

自動駕駛卡車市場的蛋糕很大，每家公司切入點也不相同。「這個領域的競爭是一件好事，更多的人認可這件事情可以促進政策層面的推動，也能幫助圖森未來走得更遠。」郝佳男說。

推薦閱讀：