今天很荣幸和黄浴博士在自动驾驶方面进行深入交流，黄浴博士作为奇点汽车美国研究与创新中心首席科学家兼奇点汽车美国公司总裁，将为我们分享《AI-CAR时代加速自动驾驶落地的路线及解决方案》。
黄浴：一般提到自动驾驶大家会说怎么定义自动驾驶，一般按照大家理智的一些标准从L1级到L2、L3、L4，大家知道L5是我们创造最高等级的完全自动驾驶，我们就不介入了。然后从一级到二级最开始是辅助型的，如果大家简单地理解的话，应该说一级基本上可以不用脚，到二级的时候可以不用脚或者不用手，到了三级基本是手脚都不会用，但是眼睛要盯着。到四级眼睛不用盯了，到了五级你就是乘客了，跟司机没关系了，驾驶方向盘都不用了，简单地就这么理解。
关于自动驾驶研究方向，我们看基本上大家认可的大概是两种，一种是模块化的方法，就是我们把这个模块分成感知、规划、决策最后是控制分块下来的。有的时候它会有地图传送给你，这种模块化的。
另外一种端到端，它是从输入，你输入传感器所有的信号，我输出就是对车的控制器。这个我们一般真正作为自动驾驶的公司不怎么喜欢这种方式，因为主要是自动驾驶它作为人工智能的应用来说，所以它有大量的比较罕见的情况出来，我们一般会看到一些公司在做这方面的工作，当然很少专门做自动驾驶技术的。比如说我举个例子我卖零件，我卖很多系统给你看，证明我的零件有多强。但是你是做自动驾驶是不认可的一条路子。
如果按照划模块，我认为感知是最难的，基本上来说造成大多数的问题都是因为感知的问题，到目前来说虽然我们增加了很多感知器，完全超越人类的感知器的话。因为人它只有眼睛、耳朵，但是可能有激光雷达、人声雷达，但是感知并不是万能的，所以造成了自动驾驶研发不断调整自己的地方。
因为刚才提到多种传感器，所以传感器融合是大家认可的，因为没有任何传感器可以独当一面的。比如说摄象头，它是通过这种我们看到感光的信息产生图像里的RGB像素的图像，它来做环境感知的理解、认知。不管你是单的相机还是两个相机还是多个相机，它都是二维的图像知识，但是这个不够的，所以会有激光雷达。我发出的这种激光出去接受回波，通过它来测距。这样发出去的速度和回波力的距离，会产生一个非常精准的三零点。我们人能理解完美的一个三维空间，让机器去理解是一个重建的问题。
另外雷达也是，雷达它的分辨率比较低，一般我们说只是采取一个二维平面的一个测距、测速，这样激光雷达有一些不足的地方。但是雷达相比刚才我们提到两个传感器来说，它有比较重要的一点就是天气不影响。不论是下大雨还是雪雾都可以穿透，但是激光雷达都会受到干扰，甚至无法得到正确的数据。所以我说传感器融合是大家目前认可的一个自动驾驶的感知的一个方向。
另外它不光是感知，同时定位也是采取多传感器融合的方法。
在融合的时候我们再细分一下，融合一般可以分前融合和后融合，前融合指的数理层融合，甚至在传感器数的空间上来解决，一般比较提前，所以叫前融合；后融合是说各个传感器单独执行感知任务，然后在任务层再进行融合。比如说我的激光雷达会检测障碍物，然后我给一个障碍物信息和轨迹，我们对摄象头也会做同样的操作。我们两个产生的信息最后来依靠一定的判决机制来重合，来合在一起这个叫后融合。前融合已经做到硬件层了，后融合现在也有很多。比如说有时候我们传感器并不是你造的，有的时候是第三方提供的，那个时候可能会走后融合道路。
对于自动驾驶的研究方向来说，大家可能都见过很多公司的一些信息。通过目前整个研究态势来看基本算是两条方法，第一个是低成本的方法，一种是高成本的。
低成本主要以特斯拉为主，基本上是摄象头，另外它也是地图不怎么看，看的比较轻。重地图的或者比较高成本的激光雷达，谷歌在美国任何地方做实验都会把地图先扫出来，在地图的情况下来走。像低成本的公司不看重地图，所以他们的思路有点像渐进式的发展，因为它开始弱地图，它可以逐渐添加地图上去。我们说地图要分清楚这个地图的意思，它不是导航地图，是高分辨图。比如说我们今天从北京的某个区到另外一个区你走哪一条路，那是导航图，但是你要在五条车线走哪一条线，这是高清图，同时还有交通信号的信息，车速的信息，有的还加一些路标的一些信息进去。
对于这两种模式来说，奇点汽车更适合于走特斯拉的这条路线。另外本身从成本考虑来说，激光雷达高成本路线一般互联网公司采的，因为它的方法是我想把技术做到最好然后进入市场。进入市场我们也看到是需要一定时间，但是特斯拉不一样。特斯拉是我先进到市场，技术逐渐的严禁，同时通过地图的信息，通过我的用户搜集数据慢慢增加我的信息，这条路我认为更适合像奇点汽车这种新能源车公司的特点。
自动驾驶是很有挑战性的，一个是它的问题比较高，而且数据处理的量非常大。刚才也谈到感知这块非常多，所以它的感知算法不是很完美。另外大家能解决这么复杂的感知问题的时候，很多时候是采取数据驱动，也就是说我要大量的数据。因为没有办法建立合理的一个数学模式来描述它，所以我只能靠数据来逼近，基本上是这个思路。
当然这一个我们就可以看到在人工智能、在图像、在原处理甚至包括一些机器翻译这些都发挥了作用，实际上在自动驾驶也一样。因为自动驾驶本身就是有大量的传感器数据，所以它扮演地角色是非常大的。比如说检测、识别、跟踪包括驾驶行为的建模，包括有很多公司在做的等等的学习，比我们模块化的数据量还要多。
这个图大家可能见过，这是大概两个月前VIVO在网上放了一个360度无人车环境感知的一个视频，大家可以看到它支持360度全景的播放，你拿鼠标可以拖可以转。我转到我这面把结果拷贝出来，他把人、交通信号、车都放出来了。但是大家可以仔细看，觉得这个和我们国内比怎么样？其实每一个环境的增加，比如说你增加一倍，那你放的就不是一倍的增加，可能成指数的增加。所以现在VIVO的测试，我想它的技术非常好，从2016年开始干了。但是目前它的测试大家可以看到，它是L4的，他的测试在美国的凤凰城，那个城市100万人口，那个跟芝加哥是不能比的。
这是一个我想描述出来我们自动驾驶的一个模块化的结构，大家可以看我们从最左边是我们的环境，中间这一块是车身的一些模块，就是它包括传感器，甚至包括了车联网，包括制动部分这是硬件。那么软件部分包括感知、规划、控制。感知一个是对周围环境的理解，另外是对自身的定位；规划分为三层，一层是简单地路径规划，A点到B点路径规划，第二是行为规划，你是换车道、左拐弯、超车。第三是你的运动规划，直接告诉车你是以什么轨迹来走，最后把规划的东西送到控制部分，控制告诉怎么样把车按照制定的方式来走，这里面也分两种一种是路径跟踪一种是轨迹跟踪，路径跟踪是没有识别信号的，轨迹跟踪是有识别信号，所以更加准确。
最左边这块是车身部分，右边这块我叫云端部分，比如说高清地图，没有哪个车可以把一个城市的地图放到车里面。比如说以前我们买GPS说把美国地图放到车上，那是矢量地图，但是你把高清地图放在上面那不行，所以放在云端的。这方面的数据，不管是大公司还是创业公司他们竞争非常激烈。
另外你的感知的模型，因为你做那个东西会放在云端，不一定放在车里，因为它有时候需要更新，经过包括自己的车得到新的系统，它会更新。
另外就是规划模型，包括我们的驾驶行为，包括路径规划的模型都可以放到上面，还有最后有一些控制模型。车的控制模型通过数据来优化或者个性化放在上面。
另外还提到一个是仿真。仿真环境，大家知道完全靠车上的实测数据的话，目前来说数据搜集能力太慢，比如说像谷歌宣布的，它目前已经跑到数据，但是他仿真已经跑到，包括新的测试方法和新的问题。比如说在实测遇到问题会放在仿真环境里来调试我的算法，所以仿真环境也是成熟的自动驾驶所必备的模块。
这是一个感知的示意图，大家看到有雷达、激光雷达、摄象头，其实还可以看到它的摄象头也是有环式的，有单双的都有。其实各个部门所具备的任务或者扮演的角色有所不同，相当于一个示意图。还有GPS和惯导这些。传感器对于自动驾驶，相当于你人的眼睛，就是获取周围信息一个方式。当然我们希望是数据越详细越好，或者说你获取的数据量越大越好，但是作为自动驾驶车来说是实事处理，必然对数据的优选，必然做到决策的东西，不能把数据直接挑选放进来。所以感知器多成本高，但更需要的是有一个比较好的感知算法，能够充分地利用或者准确利用传感器的数据。
这块就是深度学习的问题，因为深度学习最近应该是12年差不多，在人工智能里面发展的非常迅速，而且我看到它最早的突破是图像、视频和云里。因为以前的图像、音频都要有特征的提取，因为人怎么来识别这个声音的内容？怎么样来做到分类，这些大家都在探索。探索方法就是把它变成一个模识别问题，就是你要做模式，所以你要做一个特征，在特征里找不管是图像还是视频都花了很多年。甚至以云作为最早的成熟，他还要遭遇图像。因为我以前是做计算机识别的，大家真正走到一个比较好的特征是1998年左右，那个时候出现比较好的特征。但是深度学习的问题解决了这个困难，因为它就是具有特征学习的能力，它是通过自主的网络模型自己识别、提取出来。很多人把这个叫做特征表述或者特征学习的网络，这个是有原因的，因为它尤其在视觉上扮演了很重要的角色。
这一块我列了一些，大家看左边，这些应该是深度学习训练的时候的一些小技巧。它其实来说，因为深度学习对应的是浅度学习，以前浅度学习，当然一个是计算量小，另外一个它的网络训练更容易，深度学习它的层越来越多以后，他的训练内容就很容易发散，很容易就饱和了。因为我们训练知道，它是通过误差信号更新的，有的时候误差信号进来以后网络T度就变成零了。所以各种训练的小技巧都要想办法客服在深度学习上的问题，这些很多都是非常有名的，因为它提出来以后影响到深度学习的内容。因为你要训练成好的模型才可以用。
右边是提到深度学习在学习的应用，因为我们作为摄象头的话，我们面临的问题是自动识别的问题，最经典就是说检测、分类，再往上推广做到分割，甚至还可以做到更高层，比如说光层、双路等等方法都可以用它来取代。包括视觉的底层，有像素级的视觉底层的应用，比如说可以去噪，可以增强，大家看手机视频质量怎么好，都有一堆算法。但是这些算法也可以借助，也在里头慢慢取代传统的。比如说它能够在这个领域取得更好的质量，那么慢慢在工业界也得到推广。
深度学习其实发展，最近几年可能发展非常快，有一个原因是比较开放，顶级的科学家他们最早制定了比较开放的原则，所以这几年发展非常快也是跟这个有关的。
这些算法还有开研，以及大家沿革的开放态度是深度学习发展非常快，我们在自动驾驶里面也可以看到它在里头我们扮演的作用也是非常多的。其实不仅仅刚才提到视觉问题，比如说障碍物检测、跟踪或者车道线检测，包括驾驶区域的检测。比如说我在没有车道线，没有任何标志的路上我怎么找到我的驾驶区域，这些现在都可以做。场景分割，分出是街道，是大楼都是可以做的。但是特别要提到的就是它还做很多我们以前可能都不怎么去想的，比如说它可以做传感器融合，可以做传感器数据的标的或者我们叫做校准，大家把它融合在一汽就解决坐标器的校准问题。大家也看到很多公司在讲这个，有一家公司它可以做深度学习来做数据融合。同样来说也可以在驾驶行为、反馈控制方面通过大量的数据来反映算法的性能。
这是去年下半年出现的一篇文章，我把它列出来的原因，它是做车箱头的车辆检测，我把它列出来原因是因为他有的地方体现出深度学习的特点。它上面其实是实现了三层网络，它不光是二维的，它审议可以提取出三维的设想的姿态。右上角的方位，它还有一些车的模型，这样他把模型和深度学习的网络结合起来。然后你可以看到比传统的方法要高，因为它分了三层不断地往里面提案数据。当然以后大家期望的几个大腕的说法，他们期望以后深度学习是不需要监督的，希望它能够像人一样自己学习。但是在目前这样，大家还是不太去用。如果说完全的非要数据可控性就比较差了，我一般在看见他们用的话一般是带有这种标的数据的。
所以我们对自动驾驶的期望尽可能产品化和商业化落地，奇点汽车的原则就是能够和不同的合作伙伴在不同的策略上进行合作。而且我们主张“以人为本”的思路，满足个性化的需求。其实在自动驾驶可以看到，在整个训练数据，得到驾驶的数据之后，我们的模型是数据化的。因为大家知道年轻人和老年人驾驶习惯是不同的，有些人就喜欢比较激进的驾驶，而老年人更喜欢温馨、舒适，和他经过的路段、选择的区域也不一样。而且只有通过大数据的学习，通过数据的用户掌握才能做到这一点，这也是满足个性化需求的方法。
这是我们奇点汽车研发与布局，其实我们每年基本上是在自动驾驶整个的各个方面来进行统一的领导。然后苏州是最近刚刚宣布了，会做一个全额的研发中心，现在在上海X-LAB也在布局，北京就是主要做ADAS产品开发的，我们把这些资源整合统一在我们今后产品落地上进行布局。
这是我们自动驾驶的研发的示意图，可以看到感知器，我们配和8个相机、12个超声波和5个毫米雷达。我们的计算平台是达到它的计算平台的能力是非常强的。还有基于我们自己自主的一些控制系统可以来支持我们整个自动驾驶的底层的需要。
我们的技术路线基本上是渐进升级式，我们从2级先落地，然后逐渐我们是升级以后进入3级的自动驾驶的目标还有长远的话我们是走4级来发展。整个迭代因为我们的硬件环境，基本上包括感知的环境都已经支持四级的需要，只是在软件上需要进行升级。
这是我们目前感知的一个布局图。大家可以看到12个超声波，5个毫米波和8个相机。今后我们奇点汽车主要是自主研发+第三方合作的方式。我们今后是在明年能够在明年进行L3的自动驾驶，送到我们用户车上去。
记者：我想问一下现在中国也开放了，北京、深圳都开放了一些实际注册的一些城市和产地，奇点汽车有没有实地注册的计划？
黄浴：这个我们是有的，我们现在今年比如说量产落地是支持L2，我们的L2的测试已经在进行。然后对L3的研发在今年年底就会开始测试，按照我们的计划明年应该量产落地，不仅是在中国，在美国也会开始进行测试工作。
记者：对于本土化来讲，你认为从L2到L3乃至L4最大的挑战和阻碍是什么？
黄浴：我觉得L2的话基本上按照一些模块比较分割，比如说ACC或者说LK这些模块比较分割，然后实际上稍微一有什么特殊情况就会退出。比如说ICC它的控制跟LK实际上是不一样的，一个是控制方向盘，一个是控制油门，一个是横向一个是纵向。还是因为算法不太一样，L3是手脚都放开，我举个例子比如说跟车，如果跟前面的车，可能有的时候不光是车道线的保持问题，也不光是自身调整车速的问题，还有对方比如换车道。因为如果对方违规了，你不能违规，比如说你要识别限速，要识别红绿灯。当然最早开始是在高速上先做到L3，如果对方超速了你也不能就超速。这些来说L3的综合能力要比L2好，L2模块化割裂比较多，L3用户的体验会更好。
记者：因为前一段时间无人驾驶致人死亡的事件，大家对于无人驾驶的安全问题非常重视，觉得安全问题很关键。如果你觉得无人驾驶安全哪一方面是最重要的，如果做到安全的话。
黄浴：安全是一个很重的话题，造车企业以前一直讲安全。所以首先要考虑被动安全，还有主动安全，就是说你能够预防你的危险，说白了你追尾的原因是车速和距离造成的。那你对任何的一个事件的预测性越早你越能避免它。你比如说刚刚你提到Uber这个事情，它刚才公开感知数据，Uber只是提供了行车记录的一个视频给大家看。我们知道Uber车顶上有4000个激光雷达，至少有3个方向的摄象头。应该说Uber哪个地方有问题还没有公布，我们猜测行人穿行第三条车道线在第四条车道线被撞了。很多时候大家采用的安全性不够，就是UBER更加激进一些，你看到车开的时候它的车非常谨慎，他左拐弯比人的机制性差很远，它半天拐不过去，因为他给安全鉴定测的非常大。所以在测试L4这个级别的时候，大家有时候必然会考虑到计算的复杂度和安全的线的问题，我相信Uber的线做的比较低，造成它过于激进造成这种事。
但是我们从L2到L3，我们的安全设置是摆在第一位的，还有一个信息安全和网络安全。我们有360安全的专家，我们对车联网的安全，对信息的安全也非常重视。
记者：现在深度学习它应该是一个不断地过程，跟我们老司机一样每人都会在路上发现新的状况，我们的回馈机制是什么？是我现在要去搜集信息，从那么多的数据里面取一个数据。
黄浴：这个题目是很大的，首先第一个我们的研究实际上是尽可能获取用户的数据，比如说我们模式那种靠自己的数据测去采集，所以我们相当于用户在进入人工驾驶，我们采用的实际上是大家所谓公开的说法是引增模式（音）。获取你的驾驶数据，其实你在学我们在学你。刚才我提到感知的问题比较多，我们获取大量的感知数据，同时我们做定位的判断等，同时有时候我们会出现一个虚拟的东西，它有时候没有障碍物我们谎报了障碍物，而司机做出了杀车的行为。我们影子模式系统出现不同的我们都把它作为一个例子。
大家知道机器学习是深度学习的一部分，再一个分类空间上得到一个划分，划分的原理是让这个间距越大，但是对于某些靠近那个带有一定保护性，是对你的系统是有挑战性的。一般对机器学习系统更新，大家更看中于。而我们在深度学习上要考虑的问题，如果出现我们的错误，那这些数据也会作为进入我们的云端让开发人员这种数据送去然后进行更新，这是一种比较好的一种OTA的学习方式。
记者：刚才您说使用到特斯拉的路线，我们怎么向用户证明我们比特色拉更安全呢？第二个问题，你讲到会开放L3的功能，这个L3的功能是基于软件更新吗？因为之前我们看到好像透露信息说在车上有给激光雷达预留位置，会留激光雷达吗？第三个，我们讲大数据是融合的概念，我们去筛选有价值的数据这个功能怎么完成的？
记者：刚才您说使用到特斯拉的路线，我们怎么向用户证明我们比特色拉更安全呢？第二个问题，你讲到会开放L3的功能，这个L3的功能是基于软件更新吗？因为之前我们看到好像透露信息说在车上有给激光雷达预留位置，会留激光雷达吗？第三个，我们讲大数据是融合的概念，我们去筛选有价值的数据这个功能怎么完成的？
黄浴：我们希望能够提供给用户比较可靠的算法，让用户放心的去用，对安全性来说，我想安全性非常重要，同市场的宣传来说要给大家一个比较积极的认识，因为它并不是L4，连L3都不是没有做出一个完整的L3出来。
记者：就是对于奇点来说，在这个方面我们怎么提醒用户？如果用户不接管，这个车会怎么样呢？在产品定义上。
黄浴：车规定义很多比较明确了，一旦不满足会自动退出，无非达成谨慎说这个状态已经退出了。目前从L2的体验，比如说我说LPA，ACC或者是其他一些辅助的一些功能。我觉得对我们来说我们所给用户的就是明确告诉你这个功能已经退出，实际上在L2，人没有完全脱离控制，不管是用脚还是用手，L2的警告应该是更加明确，比L3更加直接。
记者：明年推出L3只是做基于软件升级，会有激光雷达吗？
黄浴：我们目前没有激光雷达，激光雷达现在的价格，虽然很多公司在讲自己的故激光雷达在量产，但是我们有明确的信息可以证明他们得到大量的量产。我们做的是机械式的，价格还是比较高，在短期明年内没有激光雷达。
记者：没有激光雷达的L3能够保证它的安全性吗？
黄浴：果我们看到激光雷达比较多的公司，比如说谷歌、百度，应该说激光雷达第一个作用就是它能够建立高清地图，第二个作用它能够完全用自己产生的三维点来做障碍物的检测和分类。从目前的技术来讲，低成本的我们聊了这个也是可以做的。你说在某些情况，你比如说在夜晚的灯光比较暗的情况下，应该说激光雷达不受影响的，激光它是周围越暗对它越好。比如说车道线检测，对于夜晚来说激光雷达检测车道线，它是按照光线来判断的。比如说你用64线的激光雷达，因为激光雷达是辐射性扫出去的，基本上在100米以外的话，它能扫到一个人是非常小，做行人判决多半是在50米左右。你可以看到为什么那些用激光雷达的公司，比如说在三番做测试的时候经常对一盆花做测试，比如说把树枝伸出来，他都没有办法判断。激光雷达对于天气还是没有办法判断，比如说大雨情况下，下雨、下雪都没有判断。激光雷达的更新速度是在10赫兹，毫米雷达70到80赫兹，激光雷达也不是最好的传感器。
记者：黄博士你好，刚才你的主题是AI-CAR时代，想让你分享一下除了技术之外，未来的一个体验是什么样的？
黄浴：未来自动驾驶在AI-CAR时代的体验。我相信是两点，也是我们沈总以前一直说的，智能包括两部分，一部分是讲的智能联网，比如说像以前出现的智能手机一样，它会出现一个平台，这个平台是移动平台，可以在上面客户，可以在上面娱乐，通过车可以带你所去的地方，比如说你去过的任何轨迹、时间地点，就像互联网很多数据都手机了。越是手机你的数据，我们可能提供更加可靠的服务，这是一个车联网从车作为一个品牌来考虑。
从自动驾驶，自动驾驶做成以后会对整个社会产生巨大的影响。很多人并不愿意买车，呼车和共享都很方便。同时大家可以看到很多业务都会受到影响，比如说旅馆业、餐饮业都会受到影响，以后的餐厅可能是活动的餐厅，比如说会议可能就一个移动的车里进行了。我认为自动驾驶和智能车对社会的影响都会非常大。
记者：能不能多透露一点奇点团队在自动驾驶上面，会提供更加量化的数据，包括里程的规模、数据的规模大概人工干预的频率量化的指标。另外一个是我们8个摄象头大概有5个放在前面后视镜那个方向，这是我见过最多最集中的，能不能给我们讲解一下。
黄浴：刚才您提到公开数据，我想我们在合适的时候会公布的。作为一个公司来说，我们毕竟是做产品的，我们在合适的时候会公布自己研发的指标或者什么的。另外，你刚才提到8个摄象头，它一般是前方的摄象头主要是来做障碍物槛车，然后做交通标志、信号灯识别。侧面的摄象头一般做车换道的时候，检测侧方有没有出后面车道线，甚至还有当我们做自主爬车的时候能够帮助你来实现爬车需要的感知任务。
记者：我问黄博士一个问题，你讲到特斯拉和谷歌为代表的自动驾驶的，最终他们可靠性上会做哪些标准？
黄浴：从目前看来说，特斯拉基本上是反对这种做法。我觉得成本高是一个很大的因素，另外激光雷达也不是很完美的。像谷歌自己研发128线的激光雷达，它可以来调整，比如说我需要对很远处的地方再一个窄的区域里面做成三个足球场的检测距离。我相信谷歌这方面能力很强，他们的软件都是自研发的，他们的硬件包括毫米雷达都是自己做的，这个别的公司都没有这么强的研发实力。
至少大家能够进入这个车的市场，有自己的用户，这一点我觉得比较支持特斯拉的做法。目前你想做了快八年，快十年仍然只是在凤凰城里做一个小范围的试用的话，这个可能不是一般东西能承受的了。
记者：我想问据我了解VIVO在凤凰城做的可能达到L4的驾驶，这是他们有很全的高清地图的数据。我的问题是电子汽车本身是跟哪些公司有合作？第二是在选择路测的城市和地点有没有什么依据？
黄浴：地图我们是有考量的，不管是高清地图，还有包括GPS，比如说千寻网络，包括地图也不仅仅是激光雷达的地图。我们的模式刚才比较轻地图模式，所以更加倾向于特斯拉的路线。我们不光是依赖传统的导航地图，同时我们也会依赖用户搜集的这些数据，帮助我们增加附加的信息或者是附加的信息层，比如说视觉层或者是语意层。实际上点云那一层应该是高清地图比较高的一层，有的公司它实际上像大家提供的服务可能是在云一层或者是识别层，包括千寻网是用RT技术，比如说在同等服务层在R级或者灵敏级的应用。我们对车的定义是主导多传感的技术，不管是摄象头、RTK，惯导这一层。
记者：其实在大屏幕上看到这么多的雷达、传感器，做到一个从零到一，我能解放一下驾驶者精力的问题，驾驶疲劳程度的问题。我们如何做到这么多自动驾驶的车里面，有一个个性化跟其他品牌不一样。
黄浴：我们的个性化还是比较强调在OTA中能够有一些对用户的关心，刚刚提到的你的驾驶行为以及对你更合适的一种驾驶的动作或者是控制的一些东西，我们学的会更加像，更舒适。比如说中年人的驾驶习惯和年轻人有很大不同，不管是换道还是左转弯都不一样，包括比如说香港、日本都是左行或者右行，这些都不太一样。我们会通过这些用户数据，更加能够让你的自动驾驶更加舒适，应该说像你学习也对，像一个老司机学习也对。这种方法当然我们也有我们自己自身的车联网以及中控各方面，我们自研的这种设备的这些技术。我想对一个新造车公司来说，我们在大数据、自动驾驶和车联网整个综合这方面，我们应该是能够和其他的一些造车的不太一样。
编辑点评：自动驾驶技术日益发展，很多科技公司和厂家都宣布达到了L3或者L4级别，然而在真实使用过程中还会遇到很多问题。这点在奇点汽车的自动驾驶研发过程中，不会盲目夸大自动驾驶能力，而是从技术入手不断更新自己的软硬件实力，让用户更加相信现有技术带来的便捷。
