【超过800家国外内智能汽车、无人驾驶、车联网领军企业、创新公司研发负责人，如想加入智能汽车开发者微信群（自动驾驶行业1群已满500人，自动驾驶行业2群正在招募中，车联网及智能座舱行业群正在招募中），请加微信：15818636852，注明您所在公司的主营业务，并附上您的名片。】
Roadstar.ai是一家成立于2017年5月的无人驾驶公司，在深圳跟硅谷都设有分部，公司致力于打造领先的Level 4无人驾驶技术，为人们的出行提供方便快捷的解决方案。
Roadstar.ai 三位联合创始人佟显乔（CEO）、衡量（CTO）、周光（首席机器人专家），曾在谷歌、苹果、特斯拉、英伟达、百度等公司就职，有着丰富的自动驾驶实战经验，并都是自动驾驶研发的中坚力量。
佟显乔是弗吉尼亚理工大学无人车方向博士，曾就职于苹果特殊项目组 (无人车研发)、英伟达自动驾驶算法组，曾在百度硅谷团队担任无人车定位和地图组技术组 Tech Lead。
衡量是斯坦福大学博士，曾就职于特斯拉 Autopilot 组、谷歌地图街景组，曾在百度自动驾驶项目组（ADU）技术委员会任核心委员，担任 Sensing 组经理和 Tech Lead。
周光是德州大学博士，2015 年大疆全球开发者大赛第一名 (200+参赛队伍)，曾在百度硅谷无人车团队负责标定、感知等方面的工作。
创业之初定方向
由于三人之前都供职过不同的公司，也有着不同的经验，因此对于创业的方向，多了不同于其它人的见解。
Roadstar.ai选择进入无人驾驶领域Level 4级别的市场，是在三人深思熟虑之后决定的，他们认为Level 4将会是一场技术革命，像无线通信、智能手机一样，给我们的生活带来翻天覆地的变化。
众所周知，在无人驾驶的发展方向上，各个大公司的专注都不同。
百度和早期的Google主要以高线数激光雷达为主传感器，他们的一台路测车辆连同所装备的设备加起来价格不菲，高达百万美金。
而Apple和Uber由于是后起之秀，没有直接沿袭激光雷达为主的做法，而是采取了多传感器融合的策略，将激光雷达和摄像头并举，辅以其它的一些传感器，是目前业内公认比较有潜力的新架构。
另一方面，硅谷最明星的两家初创企业，Drive.ai和Cruise也纷纷采用多传感器融合路线，来设计他们的方案。Cruise靠着多颗低线数激光雷达形成的密集点云，可以很好的识别旧金山高低起伏而复杂的地形，已经在旧金山开始进行公开路测一段时间了。
佟显乔认为，一家初创公司，由于没有过去路线的历史包袱，应该直接采用最能够对接未来传感器发展趋势，并且大幅降低成本的多传感器融合方案。
因此三位创始人一开始就决定，要充分利用技术的后发优势，实现“低成本”和“高性能”兼具，能够最好的对接未来传感器的技术方案。
经过研发，Roadstar.ai确定了一种以低成本激光雷达+摄像头+毫米波雷达组合为主，再配以其它的传感器如GNSS、IMU的方案。这种方案既平衡了纯粹使用高线数激光雷达价格高昂的弊病，又弥补了各个传感器自身的一些缺点。
确定了技术方案之后，还需要确定公司产品主要瞄准的一个市场。在这一点上，Roadstar.ai经过走访物流企业，矿山，和主机厂及Tier1配件商进行过深入探讨后，确定了最佳的路线——瞄准未来无人驾驶领域专车市场。
不同视角瞭望无人驾驶
佟显乔对于自动驾驶有着自己的看法，他认为自动驾驶的发展，并不应该总站在汽车主机厂的视角看待。因为如果主机厂要做一个Level 4级别的自动驾驶汽车，难度是非常大的。
而车从车厂转到消费者手中之后，从开始使用到报废，最多要跑30万公里。如果要直接销售具备Level 4无人驾驶技术的车给消费者，需要这台车做到MPI（平均无人工干预里程）达到30万公里以上，而且系统配件能够经久耐用，达到目前的车规级别的要求，这样对消费者而言这才是真正品质合格的“无人车”。这个在技术上，在3年的中短期内极难实现。也许需要10年以上时间。
另一方面，无人驾驶系统需要的成本，即使考虑到未来使用低成本的固态激光雷达，也需要5万人民币以上。对于消费者而言，购买一台15万的代步车，再额外支付5的无人驾驶系统成本，显然不具备魅力。更不要提无人驾驶系统本身的损坏，保养等汽车后市场服务给主机厂带来的麻烦。
而现实中，国内外的主机厂也并没有很强的需求要在新的车型上直接搭载Level 4级别的无人驾驶系统来进行销售。开始量产无人车的GM，也是直接将车队投入运营测试，而并没有选择销售给消费者。
主机厂更加关注的，是在1-3年内，在自家的高端车型上实现近似于，或者好于Tesla Autopilot和奥迪A8的Level 2/2.5辅助驾驶系统，来提升用户体验。
而为了更早的将无人驾驶技术落地，比较现实的一种方式是，是做无人车的载客服务到2020年，佟显乔描绘的无人车服务是这样的：
晚上9点，张先生疲惫的从办公室用App叫了一辆车送自己回家。今天来的是Roadstar.ai运营的无人车。由于传感器和计算平台都内嵌到了车体内，车辆看起来和普通电动车没有多大区别。
坐上了无人车，虽然驾驶席上没有司机，但张先生知道，Roadstar.ai已经在这个区域运营了3年，没有出现过一次事故，安全性比人类司机要可靠。这已经是张先生第30次使用无人车服务了。何况，由于没有司机，价格还要比普通专车便宜30%。
张先生在车上睡着了，忽然之间，前方窜出了一个黑影，无人车立刻紧急停车。睡梦中迷迷糊糊的张先生看到无人车前面的液晶面板亮了起来，处于远程控制中心的“安全员”进行了对车辆的接管。在确认黑影其实是被风吹得到处飘荡的塑料袋后，“安全员”远程控制车辆驶离了区域，并且再次将系统重新设定为无人驾驶模式。张先生安全的到家了。
从以上假想的案例中我们可以看出，无人车实现商业运营，需要具备以下的条件：
1、无人车应该具备至少平均连续长时间完全无人驾驶的能力以确保大部分情况下用户的体验是完美的；
2、无人车应该能实现对应任何紧急事态的应急处理，刹车/停车，避让等动作。
3、面对偶尔出现的异常情形，可以由远程控制中心的“安全员”来进行处理，远程处理的信息传输延迟要足够小。
这个模式下，无人车既可以保证用户体验，也可以大幅减少驾驶员的成本，实现降低出行成本。
无人车不应该是由简入繁
无人驾驶最近几年是最热的话题，但佟显乔认为，并不存在太多的泡沫。
做技术出身的他，在行业内积累了丰富的经验，他认为现在已经是大力发展无人驾驶的一个时间窗口了。行业内需要做的就是按照无人驾驶的发展路径走，而不是避重就轻，从一些简单的限定场景下的无人驾驶开始。
进步无捷径，无人驾驶技术要提高，需要用大量的数据训练、优化。如果无人车在限定区域内行驶、使用，那么每天遇到的并不是复杂路况下的多人、多车等，这样积累来的数据对于真正的无人驾驶商用实际上是没有用的。
因此，要实现无人驾驶普及，中间的路就必须走，不可能说通过简单的功能逐步迭代，技术上必须要在真实的应用场景下去实践、完善，这样造出来的车才能适用于大众化的场所。
否则，在限定区域内训练十年，无人车还是只能在限定场所下行驶，复杂场景下的能力并没有提高多少。整体来看，这是一个完整的闭环，只有走过了那些必须走的路，才能到达想要到达的远方。
因此Roadstar.ai一开始就选择了真实路况场景下的无人驾驶，没有考虑过做园区等限定条件下的驾驶。具体的应用场景，会瞄准无人驾驶出租车，专车服务。相信从明年开始就会看到更多的一些公司在做类似的一些事情，而整个市场距离真正的大规模应用，还需要三年左右。
核心竞争力
公司成立虽然只有半年左右，但在美国的分公司已经实现了第一代的无人驾驶方案——异构多传感器深度融合平台。这个平台搭载了7个16线激光雷达（其中一个用来采集地图数据），3颗低成本摄像头，3颗毫米波雷达，1套GPS/IMU系统。
异构多传感器同步HeteroSync技术可以兼容各个品牌，不同数量的传感器，实现完美的时间空间同步。通过传感器的冗余配置，还可以指数级提高安全性。
除了安全性以外，Roadstar.ai的异构多传感器融合平台还可以灵活的对接未来的大幅度降低成本的固态激光雷达，算法层不需要额外改动。2020年整体系统成本可以降低到8万人民币以内。
采用多颗低线数雷达的方案，一方面是基于成本的考量，因为虽然很多情况下单颗的64线激光雷达可以满足相应功能，但是基本丧失了冗余功能。现在一颗64线的激光雷达价格高达80万元，预计未来也难以下降且产量不稳定。
然而16线激光雷达的价格在3~4万元，6颗的成本也不足一颗64线激光雷达的三分之一。同时中国的一些厂家也已经开始量产低线数的激光雷达，Roadstar.ai在使用过后发现产品的质量也不错，价格、产量都有优势。相信随着未来激光雷达行业的发展，价格会很快的下降。
另外一方面，选择多颗低线数激光雷达的方案，也是为了对接很快到来的固态激光雷达。固态激光雷达在成本，体积和可靠性上都会大大提升。
不过由于原理和机械式激光雷达的区别，固态激光雷达不会是360视野高线数的形态。未来的车上一定是多颗固态激光雷达嵌入车体的形态。Roadstar.ai的传感器融合方案可以完美适应未来的固态激光雷达，算法上完全不需要任何改变。
使用多种传感器的方案，难点在于将不同采样频率的有机的结合起来，做到一个时间和空间上的同步，而这也是Roadstar.ai的核心竞争力之一。大部分公司是以一颗高线数激光雷达作为主传感器，然后配以其它的传感器，就是因为难以做到同步。
数据深度融合DeepFusion技术是将激光雷达，摄像头和毫米波雷达这主要的三种传感器的原始数据进行完美的空间和时间同步后，形成高维度的原始数据。后续的感知，地图和定位算法都会以这个高维度的融合原始数据为基础来设计。
基于DeepFusion数据开发的感知算法采用高维度的数据来作为数据输入，可以极大的提高深度神经网络收敛的速度，并且可以直接输出准确的车辆空间信息和三维边界框 (bounding box)。
DeepFusion下的深度学习，仅仅使用4000帧高纬融合数据就就实现了在硅谷交通繁忙路段的感知，包含右转、左转、掉头, 白天夜间，超过了传统算法15万张纯点云数据的效果。并且，由于传感器的物理特性互补， corner case（极端情况）的发生比传统算法要减少一到两个数量级。
DeepFusion下的高清地图和定位也有独特的优势。三种传感器融合而来的高维度的信息中的特征构成了的高精地图，使用特殊的压缩算法可以使得即使是高维地图也不会数据量过大，基于这种高维数据特征的地图在定位精度和鲁棒性比基于传统的高精度地图的定位算法提高至少一个数量级。
有了这些核心的技术，公司在成立的短短半年时间内，只通过一辆车的数据采集，两位实习生的数据标注就达到了同行需要两年才能达到的效果。这从另外一方面，也说明了Roadstar.ai的方案的高效性。
公司的发展
Roadstar.ai在美国硅谷和中国深圳都设有研发中心，其中位于深圳西丽的分部定位为公司的总部。虽然公司的大部分早期初创人员都在美国，但中国拥有巨大的市场和前景，佟显乔非常看好在中国的发展。
另外一方面将总部放在中国，也是有一种想为祖国做出一点点贡献的想法，这可能是每一个海外游子都会有的情怀吧。
深圳是一个开放的城市，背靠深港澳大湾区，依托发达的硬件供应商体系，相信公司在这里可以有更好的发展。现在公司的规模在30人左右，基本都是研发人员，未来会随着业务以及行业的发展，规模扩大，但总的也还会维持在150人左右。
Roadstar.ai高效的解决方案，不仅降低了公司整个运营的成本，同时也将公司推向了一个轻量化运营的方向，使得公司的发展更灵活，敏捷。
Roadstar.ai在挑选合作伙伴方面，也会挑选一些有利于公司发展的。
比如在选择落地测试车的伙伴中，就选择了华夏幸福。华夏幸福在南京拥有着稳定的政府合作关系，因此可以帮助Roadstar.ai在实车测试的政策方面，跟当地政府有较好的沟通。比如南京溧水不仅可以提供封闭园区的道路测试，还可以进行开放道路的测试。这对公司无人车方案的落地有很大的帮助。
未来的两年，公司会计划投放一些车队，做无人专车的运营。有一些合作伙伴已经在交流阶段，涵盖了共享租车，分时租赁，主机厂等，有比较好的落地计划，与国内的高校也有合作。
资本方面，Roadstar.ai会在年内有新一轮融资信息公布。佟显乔表示，经过这半年的技术验证，对公司的未来发展，充满了信心。
更多会议信息，请点击底部阅读原文链接>>