交流群 |進「傳感器群/滑板底盤群」請加微信號：xsh041388交流群 |進「汽車基礎軟件群」請加微信號：ckc1087
2021年9月底，一輛魯L牌照的車輛在高速上追尾掛車的視頻在網絡上得到了廣泛傳播。近期這類事故之所以頻頻發生，一方面是因為有些廠商存在誇張宣傳和概念混淆的問題，另一方面，也有業內很多人士認為，當前智能駕駛輔助的功能測試驗證出了問題。根據視頻，涉事車輛沒有明顯減速，直接撞上前面的掛車。其官方的回覆是「根據後台檢測的行車數據，進行了初步的分析，在發生碰撞前，系統的前車識別及車輛控制，安全帶震動提示，車輛預警，AEB等功能均處於正常工作狀態。」如果真如其所說的「AEB功能正常」，那為什麼沒有提前急剎呢？事實上，車企在進行AEB功能定義時，會設定一個觸發條件，如果自車速度和前車的速度各自超過一定的範圍，系統就可能不會觸發AEB功能進行緊急制動。此外，Euro NCAP和C-NCAP的測試標準中，也均未對自車車速過高時（C-NCAP自車車速最高60km/h，Euro NCAP最高80km/h）的AEB功能做出要求，而且只規定了目標車（前車）速度為20km/h的測試工況。所以，根據媒體報道事故中的情況，當自車車速120km/h，前方卡車速度為60km/h時，即使「AEB功能正常」，AEB也很可能是覆蓋不了的，系統可能僅僅給了預警，而沒有採取緊急制動來避免該次事故。也就是說，不論廠商宣傳自己AEB的速度覆蓋範圍有多少，由於法規沒有要求，而車廠做了什麼測試，測試結果的一致性如何，誰也不能保證。這時，也會有人問，事發時車主開啟了NGP，NGP的功能是比ACC（自適應巡航）還要高級的（功能上有覆蓋），難道ACC功能也不能避免類似事故嗎？在ACC功能下，為保證高速下的舒適性和安全性，當車輛行駛速度高於20m/s（即72km/h）時，ACC系統不能進行緊急剎車——最大的制動減速度被限定在不超過3.5m/s^2（ISO 15622-2018），也就是說，即使感知系統能夠準確無誤地識別出物體，ACC也無法避免事故的發生。從媒體公布的信息看，涉事車主由於過度信賴車輛的NGP系統，認為其能夠識別到前方的大貨車並能夠避免事故的發生，從而錯失了接管車輛的最佳時期，進而導致事故的發生。這起事故也並非唯一，另一品牌的車輛近期也接連出現兩起事故，都是前方有車輛，自車直接撞了上去，一次是橫在路邊的麵包車，另外一次是高速公路養護車輛。實際用戶在使用時，會預估所謂的「L3級」智能駕駛系統（NOP/NGP）是有能力處理該類場景的，但是實際上系統並不具備該能力，也就是說用戶對系統的功能預期，和實際系統能實現的功能之間，有一條巨大的鴻溝。除了L2的駕駛輔助功能被駕駛員「濫用」產生安全事故外，L3相關法規的進展，也讓真正的L3級自動駕駛變得「近在咫尺」，隨時而來的是問題和挑戰。2020年，歐洲通過了有關自動車道保持系統（Automated Lane Keeping System，簡稱「ALKS」）的規定（以下簡稱「UN-R157法規」），這是全球範圍內首個針對L3自動駕駛功能決議的具有約束力的國際法規，於2021年1月份生效。德國也通過上述法規落地，2022年上半年奔馳兩款新車搭載該功能，並被允許能夠在德國高速公路，以最高60公里/小時的速度（交通擁堵時）實現有條件自動駕駛，駕駛員可以「脫手脫眼」。一旦超出限定條件，車輛會提前發出警告，提示司機接管，駕駛員需要在10秒內接管車輛。如果駕駛員不能及時接管，車輛會逐漸減速，直至停止。如果在使用該系統時發生了事故，是誰來負責呢？很簡單，如果是系統問題引起的，則是車企的責任，如果是駕駛員無視系統警告發生了事故，則是司機的責任。此時，擺在車企面前的難題是：如何保證系統的功能能覆蓋符合條件的所有場景，而不會出現「漏網之魚」，即不會出現系統不能覆蓋，也沒有及時識別並退出（駕駛員也沒能接管）的危險場景。據報道，使用奔馳 L3 系統需要符合以下條件：高速公路堵車，時速60公里以下，有高清地圖，車道清晰，沒有隧道和施工路段，沒有極端天氣。也就是說，系統不僅要考慮到對自身軟硬件的功能，還需要全面考慮不同天氣、光照條件，需要考慮所有相關交通場景（如其他車輛cut-in等）來保證整體功能安全，如何保證呢？拿着舊地圖，永遠找不到新大陸。這時候，我們需要引入預期功能安全（SOTIF）的概念。
SOTIF， 即 Safety of The Intended Functionality（預期功能安全），ISO/PAS 21448中對於預期功能安全是這樣定義的：由於預期功能的功能不足（功能受限）或者合理可預見的人為誤用造成的危害，而不存在不合理的風險（absence of unreasonable risk due to hazards resulting from functional insufficiencies (performance limitations) of the intended functionality or from reasonably foreseeable misuse by persons），其中關鍵詞是功能不足（功能受限）和人為誤用。功能不足，指的是超出系統性能限制的事件，比如極端工況下的傳感器功能限制、算法功能不足等；人為誤用，指的是不以預期的方式使用系統，如駕駛員過度相信系統的功能、未能將手放在方向盤上、未對對預警及時響應等。可能大家看到這個描述還不是很清晰，我們可以進一步分析下：以ADAS系統為例，按照系統功能表現是否正常，可以分為4類情況：第1、4種情況下系統工作正常，沒有風險，而在第2、3種情況系統工作異常，有風險，而SOTIF要解決的問題就是誤觸發和漏觸發的問題。要有效避免誤觸發和漏觸發，首先需要對所有場景進行識別並分類，確定哪些場景下系統的功能能夠正常觸發（此時狀態安全，safe），哪些場景下系統功能不能正常觸發（此時狀態不安全，unsafe，需要駕駛員及時接管車輛）。如果不能夠進行準確識別分類的話，就會出現上文中發生過的事故：駕駛員以為系統能夠正常觸發，所以沒有及時接管車輛，而實際上系統既沒有觸發功能從而避免事故發生，也沒有進行功能退出，從而造成慘禍的發生。SOTIF將所有的場景，按照Known（已知）/Unknown（未知）和安全（即系統能夠正確觸發功能，Safe）/不安全（即系統不能正確觸發功能，Unsafe）兩個維度，劃分成四個部分：
SOTIF對所有場景的分類
對於系統而言，區域1（Known safe scenarios）和區域4（Unknown safe scenarios）是不用擔心的，真正需要擔心的是區域2（Known unsafe scenarios）和區域3（Unknown unsafe scenarios）。所以SOTIF的目標就是：最大可能減小區域3和區域2的面積，最大化區域1的面積。針對減少區域3（Unknown unsafe scenarios）的面積，SOTIF也沒有更細節的方法，只是建議通過大量的開放道路測試和仿真測試等持續積累數據，儘可能地將Unknown scenarios變成Known scenarios，不斷將檢測到的危險場景移動到區域2，從而將減小區域3。針對減少區域2（Known unsafe scenarios）面積，SOTIF建議通過安全分析，識別出風險場景，針對風險場景開發應對的策略（如請求駕駛員接管或者功能降級使用等），再採取技術設計手段，對已知場景進行針對性的持續系統優化。如通過仿真或者實車測試來進行測試驗證，和傳統的V模型開發理念差不多，最終通過系統的不斷優化，從而將場景轉移到區域1中。一開始，區域2和區域3的面積可能會很大，從而潛在風險太大，但是隨着SOTIF對系統的不斷優化，區域2和3的面積逐漸變小，並最終達到一個可以證明這些區域足夠小，小到潛在風險可以被接受的狀態。
開發過程中，區域2/3面積將減小，區域1面積將增大
雖然SOTIF的思想非常具有指導意義，但是ISO/PAS 21448中，更多的是定性分析，缺少定量分析的可實施措施，這就給SOTIF的具體落地增加了困難。至今為止，法規也是嚴重滯後的，Euro NCAP和C-NCAP中只定義了AEB簡單功能的測試規範，並且，這還不是強制標準。除了法規嚴重滯後外，也沒有行業規範來告訴大家應該如何進行自動駕駛系統的開發和測試驗證。而實際情況是，NGP功能、NOP功能，雖然還只是L2級別，但經常被消費者誤以為可以「解放雙手」，自然不能僅僅以C-NCAP來自己要求。在行業標準和國家法規嚴重缺位的當下，有擔當的車企，應該本着對用戶負責的精神，更積極地探索如何對自動駕駛系統進行更充分的測試和驗證。
L2及以下的自動駕駛功能，一般只採用「基於需求的測試」（Requirement based test），L3的自動駕駛功能通常為許多L2功能的組合，但由於從L2到L3的升級過程中，部分駕駛責任由人轉到了系統，自然對L3的系統功能就有了更高的要求，不僅要考慮到對自身軟硬件的需求，還需要全面考慮不同天氣、光照條件，需要考慮所有相關交通場景來保證整體功能安全，新的測試方法也應運而生。為此，SOTIF引入了一種新的「基於場景的測試」（Scenario based test）。場景描述了不同情境（scenes）之間的時間關係，情境又是外界環境、交通物理設施（路面、交通燈等）和其他交通參與者（行人、車輛等）、自車的駕駛情況及其相互關係的描述。場景既是描述複雜交通情形的重要方法，也是對傳統基於用例（use case）和基於需求的測試（Requirement based test）的補充。增加場景的定義，可以確保在自動駕駛系統開發過程中的準確測試驗證，還可以改善系統開發在V模型中從左到右的可追溯性。所以，隨着「基於場景的測試」的廣泛應用，測試用例將會更加具體，更加細化，測試的工作量也會急劇上升。另一方面，隨着行業發展，法規也會越來越嚴格，法規中的測試用例也會越來越多。當前僅AEB有法規標準，後續法規還會繼續增加對新功能的測試（如ACC/TJA等），每增加一項測試功能，都會新增一系列的測試用例。除了新增的項目外，已有的法規項目，也會根據實際發生的交通事故，抽象為各種認證規範，繼續更新到法規的測試用例中去。以上還僅僅是新車上市前的法規認證，更不用說每次系統的OTA。不少監管機構都抱怨過OTA升級，因為「每一次OTA升級後，理論上都是一輛新車」，而監管機構對此是無法監管的，於是形成了監管漏洞。不過，工信部近期發布了《關於加強智能網聯汽車生產企業及產品准入管理的意見》，其明確規定，後續將OTA升級功能納入監管範圍內。所以車企每OTA一個版本，都要進行相關的認證測試。考慮到測試認證的工作量，業內有人認為，後續的OTA的測試可能是企業提交自測報告（仿真測試為主，實車測試為輔），然後法規認證試驗中，除了必做的常規認證外，並非將所有的測試用例全部做一遍，而是隨機從中抽取用例進行測試，用以確認企業提交自測報告的真實性和一致性。綜上，隨着行業的發展，自動駕駛系統從只需滿足L2級別的特定功能要求，到後續擴展到有條件自動駕駛（所謂的「L3」）或高度自動駕駛（L4）系統等需要滿足各類場景的功能需求，會導致汽車測試與驗證的場景數量以幾何級數增加，且實際場景因天氣、道路、交通參與者、工況等因素的多變而具有複雜性、隨機性和不確定性，測試與驗證的複雜度也會增加很多，也對測試體系發起了很大的挑戰。那麼，當前行業里有哪些測試驗證手段？能否滿足接下來的需求呢？
自動駕駛汽車在正式投產之前，必須進行充分的功能安全和性能安全測試驗證，以確保用戶和公眾的安全。按測試對象來區分的話，可以把這些測試驗證分為模塊級、子系統級和整車級的測試驗證，其測試過程也是一步步進行。模塊級測試，主要驗證單個模塊的性能及可靠性，如VCU模塊；子系統級測試主要驗證某個子系統的性能和可靠性等，如定位系統；整車級測試，主要在整車環境下進行各種專項試驗（如AEB）和耐久試驗等。一般來說，問題發現得越早，解決問題的成本也越低，模塊級和子系統級的試驗能夠提早發現問題，而整車級試驗，則是車企進行各種測試驗證和驗收的「終極考試」，也是各種法規認證的試驗方式。下面，我們重點討論整車級測試驗證。自動駕駛系統的整車級測試驗證，可以分為硬件和軟件兩個系統的測試。自動駕駛的硬件測試，和傳統系統的測試差異不大，有很多成熟的經驗可供參考，最大的差異點和難點是軟件系統。一方面，由於自動駕駛是「基於場景的測試」，需要特定場景觸發（如天氣、交通流等）才能進行進行測試；另一方面，基於傳感器的硬件系統和基於深度學習的算法系統，存在很大不確定性，尤其是遇到極端天氣和周圍環境。這進一步加大了測試的難度。所以需要探索，如何更好地構建整車級的自動駕駛軟件系統測試驗證體系。按照V模型的開發流程，可以把測試驗證方案分為軟件仿真測試（MiL/SiL）、台架測試（HiL）、封閉道路測試（ViL/RiL）和開放道路測試（RiL）等方式。
自動駕駛軟件開發流程
軟件仿真測試，包括模型在環（MiL）和軟件在環（SiL），可以快速驗證模型的算法策略和功能邏輯，提前發現系統缺陷和故障，極大降低了後期故障排查的成本，具有效率高、成本低的優勢，缺點就是只能驗證宏觀邏輯，真實性低。所以，軟件仿真測試在前期的算法系統開發階段中發揮了重要作用，但也還需要真實性更高的測試方法，尤其是涉及到安全的試驗和涉及到認證的試驗。台架測試，也是開發期間的重要測試手段，硬件在環（HiL）能夠將軟件搭載硬件進行測試，真實性較仿真更進一步。硬件在環（HiL）通常被用來做系統集成測試，驗證自動駕駛車輛環境感知等重要模塊的功能有效性。HiL測試通過後，還需要進行車輛在環(ViL）測試，將自動駕駛系統集成到真實車輛中，構建模擬道路、交通場景以及環境因素，實現自動駕駛功能驗證、自動駕駛系統與整車其他系統的匹配及集成測試。針對自動駕駛系統功能的台架ViL試驗，當前業內仍有一些問題亟待解決：當前ViL台架還是以縱向運動的功能測試為主，如ACC/AEB等，對於車輛橫向運動的功能測試（如車道保持（LKA）、自動變道(LCA）等），仍有一定難度；ViL台架上感知環節的輸入，多來自於外界注入（如仿真軟件輸出），真實性仍有不足；因為車輛仍舊在台架或者轉鼓上，沒有和地面進行真實接觸，所以在車輛動力學方面仍有一定差距。
開放道路測試是高等級自動駕駛的重要測試手段，因為有真實感知環節輸入和交通流參與，真實性最高，但是由於測試數據大部分是無效數據，測試重複性差，測試成本最高、效率最低，且安全性最低，萬一發生交通事故，稍有處理不慎還會有輿情風險，所以一般將開放道路用於發現corner case的場景，然後將該場景沉澱下來，併到仿真系統和台架、封閉道路上進行測試驗證。封閉試驗場，由於風險可控，真實性較高，在整車級功能測試中發揮了重要作用，尤其是法規認證試驗（如AEB），更是必須在試驗場封閉道路上進行。
最大的痛點，就是由於對車輛和周邊環境（如目標物）的高要求，測試效率不高，比如需要在試驗前布置目標物，單單布置一個可以遙控的假人，光零件組裝就要花一個小時，中間涉及到無數的線束和傳感器，當天完成試驗後，收起來還得一個小時；還要在測試中滿足測試車輛和目標物之間合理的速度、距離和光線、天氣的要求。如果在測試AEB時，撞到了假人，還得重新安置假人，如果不幸撞壞了，那麼全部人都得在現場等，直到新的假人送到，這無疑是效率的「黑洞」。並且，這種封閉測試場的場地，尤其是高速工況的測試，由於要考慮到「加速-測試-減速」，所以租用的場地也必要足夠大才行，場地的租用費用不菲（每小時幾千塊），所以效率低下就會伴隨着高昂的成本。此外，考慮到目標物的布置和協同成本，封閉道路測試一般只適用於簡單場景，如果目標物數量增加，布置、協同成本將大幅上升，測試效率直線下降。如果很不幸，測試不能通過，需要現場調試軟件，那更是需要從頭再來一遍。而如果運氣不好，遇到了雨雪等壞天氣，那還得等，等到天氣合適為止，這對測試人員來說無疑是一種的巨大煎熬。於是，就會有人想，是否可以把封閉道路試驗放在室內？這樣，就可以一天24小時一周7天無間斷地測試了。最直接的想法，就是在室內修建長跑道，來替代室外跑道，實際上，位於瑞典的AstaZero就是這麼幹的，他們在室內構建了700米長，40-60米寬的測試跑道，可以一年365天、一天24小時不間斷測試，不過能找到這麼大的室內場地，也真的不容易。而一家中國的測試公司，則既利用了有限的室內空間進行測試，同時又可以構建更豐富的環境和場景。
這家中國公司叫做測迅，他們的方案叫做VTEHIL（Vehicle Traffic Environment Hardware in Loop，實車交通環境在環測試平台），就是通過在室內場地構建模擬的周邊環境變化以及目標物移動，來進行智能駕駛車的測試。
其中，1處為11自由度的測試車輛道路負載模擬平台，其主體為一個可以實現水平旋轉和橫向移動的轉鼓平台，可實現車輛（Vehicle）在環；2處為模擬交通參與目標物，如行人、自行車和車輛等，可以模擬相對複雜的交通流（多個目標物），可實現交通流（Traffic）在環；3處為燈光雨霧環境模擬系統，可以模擬極端天氣（如不同的光線亮度和雨霧天氣），可實現環境（Environment）在環；4處為C-V2X信號模擬系統；5處為交通信號標識；6處為被測車輛。首先，測試效率大大提升，VTEHIL由於位於室內，環境完全受控，可以24小時連續測試，也省掉了測試前後的道具布置和道具恢復的時間，而且，由於目標物都通過程序精確控制，車輛也一直在轉鼓上勻速行駛，也能夠大大減少測試中反覆調整車輛和目標物的速度、距離的時間。據測迅的工作人員介紹，「一款車型在VTEHIL 上完成C-NCAP中AEB相關測試，只要一天左右，而實際道路測試中，在天氣良好、一切順利的前提下，至少也要兩三天，相比之下，VTEHIL的測試效率提升了數倍」。其次，VTEHIL可以模擬極端天氣（如不同的光線亮度和雨霧天氣）和相對複雜的交通流（多個目標物），實現環境和交通流的在環，從而可以實現相對複雜的基於場景的測試。再次，VTEHIL也解決了一般ADAS台架測試的幾個問題，如通過負責模擬的旋轉和橫向移動，可以實現被測車輛的橫向角度偏轉和位移，從而解決車輛橫向控制的問題；再比如，其交通參與目標物都是真實的假人假車，也避免了傳統台架中傳感器通過信號虛擬注入的不足。不過，由於被測車輛在轉鼓上，和車輛在真實道路上行駛仍存在車輛動力學的差異，對此，測迅CTO呂濟明博士介紹道：「測迅通過和業內好的車輛動力學仿真系統合作，可以很好地仿真被測車輛的車輛動力學，此外，也可以通過實車道路測試數據來校正測試平台的控制參數（如制動距離等），來進一步縮小車輛在VTEHIL上的表現和在真實道路上的差距。」VTEHIL和其他測試方法的對比
可見，在真實性上，VTEHIL和封閉道路測試相比，只在道路環境上略有差異，其他要素完全相同，並且相比之下，VTEHIL的測試效率和場景可擴展性上（極端天氣和複雜交通流）的優勢更加明顯。因此，VTEHIL有望在高等級自動駕駛系統的開發測試過程中發揮重要作用，而且後續如果被國家機構接受後，還可以作為認證試驗的重要手段。在被問及VTEHIL是否能夠代替封閉道路測試時，呂博士給了否定的答案，並補充道：「其實VTEHIL和封閉道路測試是相互補充的。VTEHIL更適合直路場景，尤其是速度高的場景。因為高速場景對場地要求更高，且有一定的危險性，所以直路場景下VTEHIL是很好的測試手段。現實當中，車輛大多數時間也是行駛在直路上。至於路口場景，由於道路結構和交通參與者的相對運動關係複雜，直接在封閉測試場內測試效果更好，而其他坡道、隧道、彎道等場景，由於和道路特徵密切相關，更是只能在測試場內進行測試。」
VTEHIL的避讓場景測試
這是一家成立於2017年的創業公司，目前主要提供智能駕駛整車級測試解決方案。其管理團隊具有多年的測試行業的從業經驗。CEO李曉英曾在外資測試公司工作十多年，CTO呂濟明博士學術背景濃厚，師從郭孔輝院士；還吸引了德國資深專家Rainer Hoffmann加入並擔任CSO（首席戰略官），負責公司戰略及國外市場的開拓。測迅作為一家成立5年多的測試行業的初創公司，能做出VTEHIL，這讓九章智駕產生了濃厚的興趣。帶着好奇，九章智駕和測迅團隊進行了深入的溝通，為方便閱讀，下文將採用問答的形式。定位和願景
測迅CTO呂濟明博士：測迅的定位是做一家提供智能駕駛整車級測試完整解決方案的服務商，願景是做智能駕駛安全測試技術的引領者。關於整車級測試，測迅的業務範圍主要包括兩部分：一部分是封閉試驗場的道路測試服務，這部分由於工具鏈比較成熟，測迅主要以代理國外的測試工具（如4active和GeneSys）和封閉試驗場的運營為主；另一部分是試驗室內的整車測試，測迅獨創了VTEHIL測試方法。
呂濟明博士：一方面，因為我們自己也做封閉道路測試服務，在實際業務中遇到了很多痛點，在思考如何解決這些痛點；另一方面，也是因為一些車企客戶和認證檢測機構客戶對主動安全測試的需求。我們調研了現有的技術方案，發現國內外在該領域都沒有特別好的解決方案，於是我們花了數年時間，開發出了VTEHIL，將試驗室和封閉道路道路測試結合起來，能有效解決高等級自動駕駛測試驗證認證中的痛點。業務協同和進展
九章智駕：測迅目前在開展多項業務，這些業務之間有協同性嗎？呂濟明博士：這些業務都圍繞着整車級測試來進行的。一部分是試驗場內的服務，一部分是試驗室內，主要是VTEHIL。九章智駕：能否介紹一下，測迅近期中標的幾個測試場項目？測迅CEO李曉英：在過去的一年裡，我們成功拿下了兩個非常重要的項目。其一，我們在2022年3月拿下了一汽的國際招投標項目——智能駕駛環境模擬測試系統項目，該項目建設了一個300米長的實驗室，可實現各種複雜的測試場景，比如各種路面光線變化、V2X全環境模擬等；其二，在9月，我們中標了武漢智能網聯汽車測試場運營服務項目，該項目占地1300多畝，是T5級測試場與F2賽道相結合的封閉測試場，並擁有10個測試區。註：包括辦公運維區、高速及極限性能測試區、極端環境測試區、城市交通場景測試區、鄉村交通場景測試區、自動泊車測試區、山區交通場景測試區、多功能測試區、城市高架匝道交通場景測試區、極限競速測試區（F2賽道）
企業文化
九章智駕：您在創立測迅之前，曾在外企工作多年，這份工作經驗對您創辦測迅有什麼幫助？李曉英：我是學經管專業的，又在外企工作多年，所以很清楚管理體系和企文化的重要性。我們從公司成立伊始，就特別注意建立管理制度，也形成了嚴謹規範、國際視野、有溫度的企業文化。九章智駕：測迅作為一家測試公司，很容易成為傳統工程師向自動駕駛轉型的一個跳板，工作幾年後就跳到其他公司去，在招聘的時候會不會有一些顧慮？李曉英：沒有啊，當跳板也很正常，而且我們還會很歡迎。因為一般來說，員工跳槽後會去車企，去了車企就成了我們客戶了，還是合作夥伴。但是希望一開始能夠說坦誠說清楚，這樣的話，我們對你的培養計劃會有調整，因為不同的崗位會有不同的「技能點」，如果要去車企的話，需要有全局的把握，這樣就可以安排你去當項目經理，甚至你想去哪家車企，跟這個客戶相關的業務，我可以交給你負責，這樣就會「雙贏」；如果不說的話，我把你作為基礎員工來培養，可能工作了兩年，還只接觸過一小部分業務，技能還沒學全就走了，那就是「雙輸」了。九章智駕：通過之前的接觸，我對測迅超強的執行力印象很深刻，能分享下為什麼測迅執行力這麼強麼？李曉英：測迅的名字，其實就是「測試迅速」的意思。「迅速」從哪裡來，就是從執行力上來。我們最大的價值就是幫客戶省時間，所以對客戶和市場的反應要「迅」；別的工具使用繁複耗時，我們的工具簡單高效，這也是「迅」；一項任務，其他友商解決要三天，我們如果只要一天，這更是「迅」；決策扁平，充分授權同事可以自己做主，這也是「迅」。人生苦短，我們不浪費自己和他人的時間在無謂的地方，這些都是「迅」的體現，也是公司執行力的體現。
1.論文：Test Method for Measuring the Simulation-to-Reality Gap of
Camera-based Object Detection Algorithms for Autonomous Driving
2.https://www.zhihu.com/question/291745181/answer/1187253184
3.https://www.astazero.com/astazero-dry-zone/
4.https://new.qq.com/omn/20211213/20211213A0DDUQ00.html
5.https://mp.weixin.qq.com/s/uxvsZ5jGbYW9Pa7L9WgPSQ
如果希望與文章作者直接交流，可以直接掃描右方二維碼，添加作者本人微信。
註：加微信時務必備註您的真實姓名、公司、現崗位
以及意向崗位等信息，謝謝！
如果您有興趣給《九章智駕》投稿（「知識積累整理」類型文章），請掃描右方二維碼，添加工作人員微信。註：加微信時務必備註您的真實姓名、公司、現崗位
以及意向崗位等信息，謝謝！
「知識積累」類稿件質量要求：
A：信息密度高於絕大多數券商的絕大多數報告，不低於《九章智駕》的平均水平；
B：信息要高度稀缺，需要80%以上的信息是在其他媒體上看不到的，如果基於公開信息，需有特別牛逼的獨家觀點才行。多謝理解與支持。
◆九章 - 2021年度文章大合集
◆當候選人說「看好自動駕駛產業的前景」時，我會心存警惕——九章智駕創業一周年回顧（上）
◆數據收集得不夠多、算法迭代得不夠快，就「沒人喜歡我」————九章智駕創業一周年回顧（下）
◆詳解嬴徹自動駕駛卡車量產技術方法論
◆激光雷達：905與1550的戰爭
◆「艙駕融合」技術發展趨勢分析
◆從AVP的實際表現看「L3」自動駕駛商業化的可能性
留言列表