随着第二波人工智能浪潮的兴起，作为短期内可实现的落地场景之一，自动驾驶自2017年起落地开花，并迅速成为创投热点。
经过去年一整年的创业热潮后，2018年，无人驾驶赛道竞争格局初步形成，头部梯队初现。
成立于2017年5月的Roadstar.ai凭借在感知领域的优势，推出多传感器前融合的L4级无人驾驶解决方案，在降低成本的同时，加速中国式无人驾驶的落地。
目前，Roadstar.ai 已在美国加州、中国深圳等地完成数万公里路测，并于今年5月获得1.28亿美元A轮融资，刷新国内无人驾驶领域单轮融资纪录。近期，Roadstar.ai无人车队又驶入乌镇，为第五届世界互联网大会提供接驳服务。
成本+技术的高门槛，让自动驾驶市场避免了虚火过旺，但巨大的市场潜力依然使得整车企业、互联网巨头甚至是传统老牌供应商相继入局。
成立不足两年，Roadstar.ai跟它们PK的底气是什么？
经历丰富的研发团队
在自动驾驶赛道上，主要有两类不同玩家。
一类是以福特、丰田和通用等为代表的老牌车企，他们希望通过不断升级每一代车型所搭载的ADAS（Advanced Driver Assistant System）高级辅助驾驶系统，从辅助驾驶逐渐向完全自动驾驶过渡，目前切入的主要是L2、L3自动驾驶市场；另一类则是倾向于一步到位实现完全自动驾驶的科技创新者，他们凭借在深度学习方面的技术优势，起步即瞄准L4及以上级别无人驾驶，代表选手有谷歌、特斯拉、Uber、百度以及一系列创业公司，Roadstar.ai便是其中一家。
L4级自动驾驶是一门人才密集、技术密集、资本密集的生意。同所有重资产生意一样，这一赛道的资源将越来越向头部靠拢。在无人车技术尚未完全成熟的阶段，技术团队成为吸引资本视线的重要因素。业内普遍认为，无人驾驶创业窗口期已经关闭，主要原因就在于总数不多的核心技术人才已被各家瓜分。
在决意布局自动驾驶赛道后，云启资本执行董事陈昱横扫了一遍中美两地的无人驾驶团队，刚宣告成立的Roadstar.ai 引起了他的注意。
“三个创始人的经历丰富，先后在Google、Apple、Tesla、Nvidia以及百度美研等公司都有无人驾驶研发经验。”陈昱说，“更加重要的是，他们都曾是团队的中流砥柱。”
佟显乔是弗吉尼亚理工大学无人车方向博士，先后在Nvidia自动驾驶算法组以及Apple从事无人车研发的“特殊项目组”供职，专研定位和地图方向。
衡量毕业于清华大学，并在斯坦福大学的GPS Lab学习四年后获得EE PhD。毕业后，衡量先后在Google地图街景组和Tesla Autopilot组从事研发工作，成为自动驾驶领域软硬件架构、传感器、定位等方向的专家。
周光曾在杨振宁创立的清华基科班获得本科学位，后进入德州大学攻读人工智能 PhD； 2015年，周光在大疆全球开发者大赛上获得第一名；毕业后进入百度硅谷无人车团队。
无人驾驶主要包括三个环节：感知、决策和控制，其中，感知是目前最核心的技术环节。“完美的感知是无人驾驶真正实现的前提。”目前，全世界主流的自动驾驶技术选型是多传感器融合（sensor fusion），而周光此前的经历为其在机器人以及感知方面积累了丰富经验。
“我们的感知处于世界领先水平。”Roadstar.ai 联合创始人衡量告诉寻找中国创客，“很多自动驾驶领域顶级排行榜就是证明。”
在自动驾驶领域顶级数据集CityScapes上，Roadstar.ai在语义分割上单项中排名第一，并从去年11月霸榜至今。在另一数据集KITTI上，Roadstar.ai基于单一传感器的激光雷达的感知也居于前三，其竞争对手，不乏百度、三星研究院、英伟达、斯坦福、中科院等名企名校及科研机构。
凭借这支团队，去年5月刚创立时，Roadstar.ai便获得了千万美元的天使轮投资，投资方为云启资本、松禾远望资本、银泰资本、耀途资本和贵邦资本等机构。今年5月，Roadstar.ai 又完成由双湖资本和深创投团联合领投，老股东云启资本，招银国际以及元璟资本跟投的1.28亿美元A轮融资。
核心技术：异构多传感器同步+数据深度融合
实际上，“刷榜”跟把无人车实际开上道路还是有很大区别的。取得榜单首名后，Roadstar.ai转而去做更多跟实际上路有关的研究。基于团队在感知、算法方面的积累，团队将重点放在多传感器前端融合上。
尽管目前各家的研发路径有所区别，但从商业化角度而言，无人驾驶解决方案的衡量标准是一致的：成本最低、安全性最高。而Roadstar.ai 推出的多传感器前融合技术，恰能有效解决这两个问题。
传感器是自动驾驶汽车的“眼睛”，其重要性不言而喻。而自动驾驶解决方案的成本也主要来自传感器，特别是高线束的激光雷达。
相较于摄像头，激光雷达传回的数据更容易处理。目前，谷歌、Uber、福特、沃尔沃等几大自动驾驶巨头都选择使用velodyne 64线激光雷达作为主要传感器，但其单颗售价就高达70万人民币，大大增加了自动驾驶汽车的落地成本。
Roadstar.ai用多颗国产低线束激光雷达替代64线激光雷达，将解决方案成本降低到30万元内。据衡量介绍，这一成本最终有望降至5万元。
同时，该解决方案在感知方面还辅以多颗摄像头、毫米波雷达以及GPS&IMU系统，Roadstar.ai 摒弃传统的多传感器后融合方案，通过将传感器数据进行前融合，提升自动驾驶感知系统的冗余性，进而提高了安全性。
至于前融合与后融合算法的不同之处，衡量介绍道，所谓后融合算法，即每个传感器有自己的独立感知，各种传感器收集的数据通过算法得出识别结果后，再将识别结果进行汇总。“这一方案的缺点是，一些物体可能会被人工算法过滤或者合并掉。”
举个例子可能更方便理解这一缺陷。比如当被识别的物体是一只猫时，可能激光雷达看到了猫的耳朵，摄像头看到了猫的眼睛，毫米波雷达看到了猫的尾巴，它们通过后融合算法独立进行识别时，很容易将识别结果过滤掉。
而前融合算法在原始层即把各传感器收集到的数据融合在一起，统一进行感知运算，相当于把不同传感器融合成一个“超级传感器”。Roadstar.ai 通过其自研的“异构多传感器同步” （HeteroSync）使不同类型传感器达成时间和空间的同步，又通过“数据深度融合”（DeepFusion）技术在原始层实现各类传感器优势互补，最终使得这一“超级传感器”可以同时“看见”猫的耳朵、眼睛和尾巴，识别结果自然准确得多。
前融合也大大提高了数据的利用效率。Roadstar.ai 联合创始人周光曾在一次分享活动中介绍，团队内部做过一个简单的测试，通过DeepFusion 前融合，大概采用1万帧左右的算法，能得到传统算法10万帧的效果，这意味着，达到同样的识别准确率，Roadstar.ai所需要的数据量仅为传统算法的十分之一。
这一传感器前融合技术曾惊艳了丰田日本总部的研发负责人。“他们也知道多传感器融合做前融合很重要，对系统的提升很大，但是他们老大认为这东西不可能实现。”周光说，“当我们展示出自研的多传感器融合视频后，整个丰田在东京的负责人都过来看。”
“Roadstar.ai 是最早提出多传感器融合方案的公司，就连‘多传感器融合’这一名词都是我们提出的。”衡量介绍，Roadstar.ai 最初研究多传感器前融合方案时，市面上还没有一家公司选择这一路径。而时至今日，业界已经逐渐认可这一方案的先进性和可行性。
三个场景，加速中国式无人驾驶
11月2日，谷歌旗下无人驾驶团队 Waymo 拿下全球首张全无人驾驶公共道路路测许可证。在其他无人驾驶团队还只有配备安全员（坐在驾驶座上，随时准备在车辆失控时接管车辆）才能上路的时候，Waymo 已经可以在无安全员的情况下开上公共道路。
衡量并不回避 Waymo 在技术上的领先地位。“Waymo 从2009年起就在研发无人驾驶，具有先发优势。”但同时他也表示，Roadstar.ai 并不畏惧与 Waymo 同台竞争。
“一方面，随着技术的迭代，Waymo 提前8年起步，Roadstar.ai 未必需要8年来追赶，且 Waymo 在高线束激光雷达上投入过深，难以掉头；另一方面，中美交通状况有诸多不同，Waymo 在美国积累的大量路测数据未必适应中国国情。”
Roadstar.ai 今年2月开始在中国深圳开始路测，一开始也曾为中国式路况头疼。“比如中国的红绿灯在变灯时会提前一段时间闪烁，来表示这个状态即将结束，加州的信号灯则是一直延续的状态。”Roadstar.ai无人车第一次遇到这个情况时在原地蒙了2分钟，最后由安全员接管了车辆。
还有其他层出不穷的情况，比如加塞儿、电动车逆行、中国式过马路、翻栏杆、右侧车道违规停车等。“我们通过大量路测，提升了无人车对复杂路况的应对能力。”从2月份路测到今天，Roadstar.ai 无人车队在中国完成了几千公里路测距离，接管次数逐渐趋近于零。
2018年世界互联网大会期间，Roadstar.ai 作为大会首个无人车合作伙伴，将为参会嘉宾提供接驳服务。据悉，会议期间，Roadstar.ai 还将发布新一代自动驾驶Level 4解决方案，进一步解决中国特色交通难题。
商业模式方面，Roadstar.ai 规划了点对点无人网约专车、限定场景无人配送以及无人巴士三个方向，全链条解决公路交通运输问题。
目前，Roadstar.ai 在国内拥有十余辆无人车，在加州拥有三辆。衡量表示，今年内计划将无人车增至20-50辆，加速技术累积；2019年，与OEM进行合作，定制200台配置车顶盒的无人车；2020年将实现自产1500台车，以及远程协助的“半无人运营模式”。在日本、欧洲、北美等海外市场，Roadstar.ai将携手知名OEM、Tier1，达成深度战略合作。
记者 蔡浩爽 编辑 苏琦 校对 李铭
