特斯拉在华组Autopilot开发团队，完成一套智能驾驶系统本土化需要多久？| 郭继舜带你读汽车科技
编者按：《郭继舜带你读汽车科技》旨在从第一性原理出发，尝试拨开迷雾，解读热点背后的汽车科技真相。
本栏目由智能驾驶专家郭继舜博士与汽车之心联合出品，内容独家授权汽车之心发布。
最近身边的不少朋友在讨论，特斯拉在中国准备招聘研发人才和软件人才，这其中智能驾驶团队是非常重要的招聘目标。
今天我们就着特斯拉招聘中国本土技术团队的事情，来聊聊智能网联技术的本土化。
我先简要把这个新闻的内容向大家介绍一下，在 5 月 26 日央视新闻的校园招聘直播活动上，特斯拉对外事务副总裁陶琳表示：
包括 Autopilot（自动辅助驾驶系统）团队在内，特斯拉需要很多本土化研发和软件人才，研发更多贴近中国本土消费者需要的功能，以及车上的应用。
特斯拉中国可能会增加其自动驾驶研发人数，为中国市场单独成立一组自动驾驶团队，来满足中国的道路场景、法规政策要求。
今年年初，特斯拉上海的超级工厂正式投产，仅仅半年左右，特斯拉中国区又推出新战略，招聘本土化研发团队，真的是有全面开拓中国市场的架势。
我向一位在特斯拉负责招聘的朋友了解了更加确切的情况：
特斯拉确实是计划壮大中国本土的技术团队，一开始团队规模小幅扩张，主要是应对智能驾驶、车联网等技术的本土化工作，后续不排除把更多的研发工作交给中国技术团队的可能性，特斯拉的中国技术团队在未来很可能成为特斯拉技术突破的新引擎。
回到我们今天讨论的智能网联技术本土化问题。
每个不同的国家和地区，语言文字，法律法规，文化习俗不同，导致用车习惯、人机交互界面、智能驾驶系统有非常大的不同，汽车技术的本土化是我们在扩展国际化市场必然要面对的问题。
以往本土化的常规操作，包括更换前后保（前后保险杠）造型、加长轴距、两厢改三厢等等，特别是欧美 OEM 为了符合中国市场的审美倾向，往往会专门推出轴距加长版，奥迪 A4L、A8L、凯迪拉克 ATS-L 等。
在性能优化上，比如应对俄罗斯市场对于低附着路面的底盘性能优化车型，应对中东市场砂石路面的高强度版等。
随着智能网联技术的搭载量产，车载娱乐和智能驾驶成为本土化工作量的大头。
一方面，新闻中的特斯拉，还有奥迪、宝马等国际 OEM 都在开发面向中国的本土化车型；另一方面，自主品牌也积极拓展海外市场。
在我个人的研发经历里，我觉得东南亚、非洲、俄罗斯甚至是欧洲的本土化适配都还好，但是设计研发美规的车，真的是异常痛苦。
可能是为了保护美国本土汽车业的发展，美规车辆的要求比较独特和严格，对于胎压监测、防抱死系统、车身稳定系统等安全配置强制性要求安装都算是简单的（还有比这更难的）。
我举个例子大家就明白了。
我们曾经为了设计完全符合美规的油箱，在国内寻找过十几家供应商也没有找到可以适配的，最后还是选了一家美国供应商。所以看看美国满大街跑的思域、普锐斯，丰田本田的研发体系真的是值得我们国内车企好好学习的。
我们先讲讲车载娱乐系统的本土化有哪些工作要做，其实 AVN 或者 AVNT 的硬件基本上是可以迁移使用的，但是软件系统的改动量就比较大了。
总结有一下三点：
1. 语言文字的翻译工作；
2. 车载系统所使用的 APP、导航地图数据等需要根据不同国家做适配；
3. 一些文化习惯的系统性适配。
第三点我还是专门说一下，比如有些阿拉伯国家，车机的操作交互习惯和我们稍有不同，这个因为牵涉到修改系统底层的交互逻辑，工作量比较大，一般第三点各个出海 OEM 改动得不太多。
重点讲讲智能驾驶，接下来我们从自动驾驶的感知、决策、控制三大系统入手，分析下三大系统本土化分别需要做些什么工作。
因为时间关系，我们这次先讲如何把国外智能驾驶技术在中国做本土化迁移。
在感知方面，相比于欧美道路，中国的道路构成复杂、交通设施特殊、交通参与者的复杂行为决定了中国的道路场景特殊性。
我记得今年年初看过一个文远知行的技术报告，他们统计 L4 级别智能驾驶开发过程中，中国开发团队收集交通场景的效率是美国团队的 6 倍左右，足以见得中国的路况复杂程度。
另外的一个例子，是小马智行刚刚把总部搬到广州南沙的时候，楼教主跟我说，在加州跑得非常欢畅的自动驾驶系统，刚到国内的时候完全不能应对如此复杂的场景，车辆会愣在十字路口。
当然，三年过去了，现在 Pony.ai 应对复杂场景已经非常专业顺畅了。
在量产层面，我要吐槽一下 Mobileye EyeQ3 等芯片的算法是在欧美和以色列的数据库上训练的，对一些富有中国特色的场景的识别有不小的问题。
比如：我国南方的丘陵地区经常会出现的鱼骨线，我在文稿中加了鱼骨线的照片，这个交通标志的意思是道路复杂，请驾驶员保持注意力。
但在智能驾驶开发中，一遇到鱼骨线，EyeQ3 的车道线识别算法拟合出的车道线就飘来飘去极不稳定，造成一系列功能的不稳定。
另外，我们很多高速桥的限重标志，比如 30t（30 吨）类的标志，因为我们这个标志不是国际标准，所以包括 Mobileye 在内的很多算法在做 OCR 识别的时候会漏掉那个小「 t」。
这个看起来还好，但是在用户使用的时候，这个识别结果会和另一个功能，限速识别的限速数据搞混。
比如在一个 120km/h 限速的高速公路上，过了一个桥，系统会很容易以为现在限速是 30。
还有类似老人代步车、装满快递包裹的电动车/三轮车等中国特色交通工具等，很多都无法被 Mobileye 很好地识别。
因此，本土化的第一个工作是要建立自有的中国道路场景库。
感知算法基于本地化的场景，建立本地化的感知模型，有针对性地优化感知的全面性、实时性，对场景内涉及到的关键目标提高识别的准确度。
我们也一直在和以色列团队沟通，希望尽快解决这个问题，以上这些问题在 EyeQ4 上有了初步的优化，希望 EyeQ5 会更好。
我忽然想起一个很好玩的例子，我们曾经和一个瑞典团队合作开发 DMS，驾驶员状态监控系统，这个系统的算法模型都是在瑞典当地收集人脸特征训练的。
在我们联合测试过程中，我们团队有一位小伙伴，因为眼睛偏小，系统对他的识别率无论怎么调整参数都识别不了，最后这个国外的合作伙伴毕恭毕敬地把我们这位工程师请过去专门做数据采集，奉若珍宝，享受了 VIP 待遇。
没过多久，这个瑞典公司就开始针对亚洲人的面部特征做专门的数据库了。
在决策方面，也需要根据本土的场景进行适配性的开发工作。
对于 L1-L2 级别的功能，其决策模型较为简单，本土化的工作可能需要重新判定某些临界值的参数，比如感知模块判定前方是快递电动车，那么决策模块就需要将跟车速度降下来。
同时，考虑到快递车有随时停车的可能性，决策模块还需要输出拉大跟车距离的命令。
另外，对于电动车、自动车的行为预测和路径决策，是一直困扰我们的问题。
所以合资品牌新车型即使在深圳广州这种禁摩的城市 ADAS 测试非常顺畅，到了北京、天津就频繁 AEB 触发，就是对两轮车的预测太不准确了。
涉及到 L3 以上的高阶功能，某些连续的行为可能会代表特殊的意义，决策模块需要根据事件发生的概率做出行为判定，其决策模型较为复杂，本土化工作可能不只是参数修改这么简单，可能是模型优化甚至模型新建类的工作。
例如，中国特色的「加塞」行为，决策模块需要判定侧方车辆的意图，如果判定该车有 Cut in 的意图，那本车需要根据前后车的距离、相对车速情况来综合判定是否需要降速让侧方车辆 Cut in 进来。
很多欧美车企在设计 TJC 功能，也就是高速公路辅助驾驶功能的时候，是不考虑 Cut in 的情况的。
我有一次在跟德国系统工程师讨论，他们对于高速拥堵时候还加塞的行为特别不可思议。在我们做技术迁移和本土化的时候，这些都是我们要专门加强的部分。
控制模块本土化的工作相对系统，主要是应对上层决策层的需求，适配不同的车辆，调节算法参数适应不同的工况等。
还有，高精地图 HDMap 也是我们中国企业才能够参与的技术，和地图数据的适配也是高级别智能驾驶中国本土化的工作重点之一。
本土化的参数、算法模型需要这么大的工作量，后续的整车级、系统级、单元级的测试验证还涉及到大量的工时投入。
技术上完成一个本土化的周期我们来粗略的估算一下时间：
采集相关数据，训练数据和模型，保守估计 3 - 6 个月；
场地内功能测试，预计 8 - 12 周时间；
路试，积累足够里程数，周期在 77 天 - 120 天不等；
仅仅对自动驾驶做本土化的技术更新，粗略估计需要 1 年左右的时间，当然这都是在组建好成熟的团队的情况下。
所以，我们至少还需要等待一年以上的时间才能看到特斯拉中国技术团队的本土化成果，很值得期待。
P.S.预告：明天和后天，我们想讲两个非常硬核的话题，分别是：什么是好的 L4 智能驾驶汽车，以及什么是好的 L4 智能驾驶平台车。欢迎大家关注。
往期回顾：
本期制作
主讲：郭继舜 监制：王德芙
编辑：叶方 后期：陆非
设计：陈溪阳 运营：林芝芝
音频平台
喜马拉雅 | 蜻蜓 FM | 听伴
Podcasts | 小鹅通
在以上平台搜索关注汽车之心
即可收听全部节目
「汽车之心·行家说」预告