盡管高校和軍方已經投入了數十億美元進行研發，但在 DARPA 挑戰賽之前，自動駕駛還遠未進入公衆視野。當然，沒有人否認，自 2005 年 DARPA 挑戰賽以來，這項定義汽車行業未來的關鍵技術已經開始被越來越多的科技公司和車企提上日程。
在過去十幾年自動駕駛快速發展的時期，Adrian Kaehler無疑是行業重要的見證者之一。
作為2005年DARPA挑戰賽斯坦福大學的核心成員之一，Adrian Kaehler和他的團隊成員擊敗了包括卡内基梅隆大學在内的多支隊伍，奪得了當年挑戰賽的冠軍。他的隊友後來都成為了全球自動駕駛行業的重要風向标，比如後來創立Google X的Sebastian Thrun。
今年 10 月，Adrian 接受了雷鋒網《矽谷新智能駕駛》的專訪，分享了 12 年前參加 DARPA 挑戰賽的經曆和感悟，包括他和英特爾同僚如何克服重重困難說服 Sebastian Thrun 采用計算機視覺解決方案，以及當年幫助斯坦福奪冠的關鍵因素。Adrian 還對自動駕駛的商業前景和未來發展給出了許多見解和看法。
能與大師們面對面的機會并不多，但雷鋒網卻抓住了一個機會。2018年1月16日，雷鋒網将在美國矽谷舉辦GAIR矽谷智能駕駛峰會。我們特别邀請了斯坦福團隊成員、2005年DAPRA挑戰賽冠軍、自動駕駛行業從誕生到飛速發展的見證者Adrian Kaehler做主題演講。屆時，Adrian Kaehler還将與現場嘉賓分享他對近十年來自動駕駛發展的更深入的思考。點選：了解更多GAIR矽谷智能駕駛峰會資訊。
今年是2017年，距離第二屆DARPA無人駕駛挑戰賽（2005年）籌備已經過去十多年。
看到無人駕駛産業的蓬勃發展，為自動駕駛算法、雷射雷達、高精度地圖、晶片等提供解決方案的創業公司紛紛湧現，完整的産業鍊正在形成。這一切的“起源”，自動駕駛從概念走向現實的時刻，是斯坦福的“斯坦利”車在 2005 年 DARPA 挑戰賽上擊敗卡内基梅隆的兩輛改裝悍馬、奪得第一的那一刻。
為了更加清晰地回顧這場裡程碑式的賽事，雷鋒網采訪了一位以斯坦福車隊隊員身份親曆賽事、參與“斯坦利”改裝測試的人士，他将以第一人稱的視角，講述和反思這場百年自動駕駛賽事。
*阿德裡安·凱勒
這個人就是這次采訪的主角 Adrian Kaehler。他的經驗非常豐富。以下是其中的一部分：
以下為采訪全文。
雷鋒網注：DARPA 舉辦過三次自動駕駛競賽，分别是 2004 年的第一屆汽車大賽、2005 年的第二屆汽車大賽、2007 年的城市挑戰賽。在下文中，“第一”和“第二”兩個詞會頻繁出現，分别指的是 2004 年和 2005 年的比賽。
雷鋒網：請您介紹一下2005年DARPA挑戰賽的背景。
Adrian Kaehler：第一屆 DARPA 挑戰賽（2004 年）規模小得多，沒有隊伍完成比賽，也沒有獲勝者。DARPA 在伊拉克戰争（2003 年 3 月發起）的背景下組織了這次比賽。國防部認為自動駕駛技術可以幫助陸軍，是以有興趣推廣這項技術，比賽場地也特意選在與伊拉克地形相似的沙漠中。
大賽100萬美元的獎金雖然不多，但足以讓它顯得頗具權威，諾貝爾獎、圖靈獎的獎金也是這個水準。不過參賽隊伍并不是為了獎金，即便第二年（2005年）把獎金提高到200萬美元，我覺得意義還是不大。第一屆比賽的一些隊伍沒有參加第二屆比賽，但有很多新的隊伍加入——因為他們聽說過這個比賽。相比之下，第一屆比賽的賽前宣傳做得并不好，很多有興趣參賽的人聽到得太晚，沒有時間改裝車輛參賽。但第一屆比賽讓DARPA Grand Challenge名聲大噪，大家都知道會辦第二屆比賽。
雷鋒網：您是如何加入斯坦福隊的？
Adrian Kaehler：首先，本來很有希望獲勝的卡内基梅隆大學（CMU）自動駕駛團隊的負責人 Red Whittaker 在矽谷的 CMU 西海岸校區做了一次演講，我去聽了，心想“我也要做這個”。
當時都在斯坦福大學的 Sebastian Thrun 和 Mike Montemerlo 也表示，他們歡迎更多人加入他們的團隊。當時我在英特爾工作，Gary Bradsky 也在。Sebastian Thrun 認識 Gary Bradsky，他邀請 Gary 加入他的團隊。Gary、我和其他幾位英特爾同僚也加入了。
有趣的是，整個挑戰賽在某種程度上成為了卡内基梅隆大學 (CMU) 和斯坦福大學 (Stanford) 之間的競争，而 Sebastian Thrun 和 Mike Montemerlo 之前都曾在卡内基梅隆大學 (CMU) 就讀。
雷鋒網：英特爾的同僚們，你們是以個人身份加入的，還是作為英特爾團隊的一部分加入的？
Adrian Kaehler：以個人身份。英特爾直到比賽前不久，大約一周前才正式贊助并展示其徽标。
雷鋒網：參賽隊伍在理念上的差異有多大？
Adrian Kaehler：并非所有參賽團隊都有計算機科學背景。在第一次比賽中，出現了各種各樣的解決方案，例如使用巨型輪胎來克服崎岖的地形。一些團隊專注于傳統機械，一些團隊依靠區域地圖，一些團隊依靠機車。
到了 2005 年，各個團隊的解決方案差别不大，大家都意識到開發新車太費事了，還不如利用現有的汽車硬體，增加一些自動駕駛功能，把精力放在軟體上，隻做必要的修改。不過，雖然大家通過第一場比賽意識到了這一點，但對此的重視程度卻有所不同。
我認為斯坦福團隊把這個思路發揮到了極緻：他們拿了一輛越野性能極佳的大衆途銳（簡稱“Stanley”），盡可能少地改動原有的懸架、車輪等部件，并增加了傳感器和計算裝置，結果發現這是一個非常有效的想法。
到城市挑戰賽時，每個人都在研究傳感器和計算機。被選中的汽車都是那些更容易電氣化的汽車。例如，2005 年，卡内基梅隆大學有兩輛汽車：一輛悍馬 H2 和一輛軍用版的 Hamvee。Hamvee 的問題在于它的電氣化程度不夠，他們需要為油門和刹車添加電子控制系統。對于最新的汽車，你可以直接使用車輛中現有的系統，而不必安裝執行器或任何東西。城市挑戰賽中的一支隊伍使用了普銳斯。他們能夠通過汽車現有的電氣系統将資訊直接傳輸到裝置，而無需添加執行器。
雷鋒網：斯坦福團隊在拍攝《斯坦利》時采取了什麼樣的做法？
Adrian Kaehler：當時，雷射測距儀是比較流行的解決方案，大多數汽車都将其作為主要傳感器。但我和英特爾的其他成員都認為計算機視覺（CV）非常重要。Sebastian 不同意這種觀點，總是說“我不這麼認為”、“我不會使用計算機視覺”、“這項技術很不穩定”。
每周，所有團隊成員都會坐在一起開會。總體思路是基于 Sebastian Thrun 之前的研究。此外，團隊有很多不同的想法，嘗試了很多東西。雷射測距儀、CV、導航和控制的分析當時一點都不清楚。有很多精彩的讨論。Sebastian Thrun 在斯坦福的課上讓學生選擇一些與我們比賽車相關的項目。很多學生探索了不同的想法，其中一些非常好，有些結果一般。整個過程非常活躍。
我們發現 CV 作為主傳感器還不夠成熟，當時（2005 年）做純靠計算機視覺的自動駕駛汽車還不太可行。但有些具體問題可以用 CV 來解決：CV 技術比 LiDAR 有遠得多的探測距離，可以提前探測和了解遠處的路況。雷射測距儀本來是遠距離裝置，但在自動駕駛場景下，它以偏向地面的角度進行探測，邊開車邊掃描路面，這種場景下由于各種因素，它的有效距離并不遠。
當使用 CV 遠距離探測路況時，我們可以判斷高速行駛是否安全。事實上，我們正是是以赢得了比賽。這很有意思——每個人都認為赢得比賽的關鍵是最困難的部分，比如坑窪最多、崎岖不平、急轉彎最多。在平坦、筆直的路段上，每個車隊的參賽車輛都會盡可能快地奔跑，就像印地 500 F1 比賽一樣——獲勝的關鍵是在彎道上的表現。但 DARPA 挑戰賽與 F1 賽車完全不同。你不能在直線路段上“盡可能快地跑”。而如果你不能在平坦、筆直的路段上“盡可能快地跑”，那麼在崎岖路段的領先優勢将完全喪失。事實上，實力雄厚的車隊在崎岖路段表現良好，幾乎沒有什麼差別。最關鍵的部分是最容易的路段：當地面條件“良好”時，很難決定是以每小時 30 英裡還是 40 英裡的速度行駛。 看上去地面比較平坦，但畢竟不是鋪好的路面，越野車無法安全高速行駛。
我們赢得第二屆 DARPA 挑戰賽并不是因為我們在困難路段表現良好，而是因為我們能夠将平坦路段識别為相對“容易”的路段，并讓汽車跑得更快。我們發表了一篇論文來解釋這一點。
簡而言之，我們之是以獲勝，是因為我們在平坦、開闊的地形上比其他隊跑得更快。
雷鋒網：請您詳細介紹一下CV和LiDAR在Stanley自動駕駛系統中的功能作用？
Adrian Kaehler：CV讓它能看得很遠，但精細化操作還是要靠雷射雷達。我不記得當時雷射雷達的有效探測距離具體是多少，但大概是8到10米。在這個距離内，雷射雷達可以對車輛前方的地形進行豐富的細節掃描。在這個範圍之外，雷射雷達對車輛傾斜角度的預估誤差會導緻地面高度的預測誤差更大。這就是為什麼雷射雷達的有效探測距離最終取決于預測車輛傾斜角度的精度，而不是雷射的強度。
相比之下，CV 可以看到前方 100 米遠，并檢測前方的道路是否筆直平坦，此時它可以加速。
當時 CV 的使用範圍非常有限。此後，出現了更多不同方向的自動駕駛技術。我認為最關鍵的因素是傳感器的成本。現在購買一個 Velodyne 64 線雷達仍需數萬美元。如果 CV 能夠有效使用，就沒有必要使用雷射雷達。但 CV 解決方案有多可靠？
在DARPA挑戰賽上，我們使用CV的次數比其他隊伍要多。事後我們對我們獲勝的原因做了非常詳細的分析，發現如果不使用CV，隻使用LiDAR，由于系統反應時間的原因，安全行駛速度會遇到瓶頸。比如LiDAR的探測距離隻有10米，當10米内突然出現障礙物，你用盡全力刹車的時候，必須保證自己能停下來。是以會有一個安全的速度上限，比如25英裡每小時。其他隊伍都限制了車速，當然為了安全，這是應該做的。而因為我們有視覺系統，至少在一些特定的路況下，是可以突破這個限制的。
我們在良好的道路上以 35 到 45 英裡/小時的速度行駛（例如，我忘記了我們的最高速度），而其他隊伍的速度隻有 25 英裡/小時。這就是我們獲勝的原因。
如果沒有這個系統，我們就不會赢得挑戰，卡内基梅隆大學就會獲勝。
雷鋒網：斯坦福隊獲勝的其他原因是什麼？
Adrian Kaehler：我之前畫過一張圖：各支隊伍在沙漠（類似DARPA挑戰賽的環境）中調試系統的時間，和比賽的最終表現幾乎完美成正比。在沙漠中度過的時間=挑戰賽的最終成績。你甚至可以讨論一下，CMU之是以輸給斯坦福，是不是因為他們離沙漠太遠了？（CMU位于美國東部的匹茲堡，而沙漠在中西部）。在這方面，位于加州的斯坦福有着巨大的主場優勢：2005年的DARPA挑戰賽就是在位于加州和内華達州邊界的巴斯托舉行的。順便說一句，巴斯托的環境極其惡劣；斯坦福離得很近，是以我們隊伍得以在那裡訓練。
由于 CMU 在東部，是以大部分實驗都是在與比賽距離不近的環境中進行的。比如樹木更多，而且可以說這個環境是 3D 的，是以更傾向于從幾何開始。他們提前幾周就去了西部進行測試和調試，但在沙漠地形中沒有像斯坦福團隊那樣有那麼多時間。
這或許是一個合理的說法：CMU 之是以輸給斯坦福，隻是因為他們沒有像斯坦福那樣在競賽環境中投入那麼多時間進行測試和調試。調試總是需要更多的時間的。
雷鋒網：您自己和整個團隊的工作重點是什麼？
Adrian Kaehler：我認為 Gary Bradsky 的角色是說服 Sebastian 使用計算機視覺（笑）。
至于整個團隊的重點，你需要問 Mike Montemerlo 才能清楚，他負責監督整個項目，并與各個小組進行溝通，在工程方面，他是整個團隊的核心。
可以肯定的是，控制上投入了大量精力。當時的後估算與現在有很大不同——通過融合 GPS 資訊、IMU、陀螺儀等來估算車輛的位置是一個非常困難的問題，當時沒有令人滿意的解決方案，即使有，也無法購買。
後來我才知道，在2005年的比賽中，CMU從一家叫The Planet的公司獲得了一個事後預測系統，這個系統做的正是我上面說的，通過融合GPS、陀螺儀等各種傳感器的資料來估計車輛的運動軌迹和狀态。
2005 年，我們還開發了自己的事後預測系統。但到了城市挑戰賽，大家都用第三方解決方案。Planet 并不是唯一的服務提供商，大家都把它作為系統的一個元件來購買，而不是自己開發。
雷鋒網：參加DARPA挑戰賽最大的收獲是什麼？
Adrian Kaehler：我意識到，在開發任何像機器人這樣的東西時，機器人體驗的多樣性總是比你想象的要大得多，無論你如何努力去思考。事實上，這正是谷歌自動駕駛汽車一直遇到的困難。世界這麼大，可能發生的奇怪事情層出不窮。谷歌釋出了一系列自動駕駛測試中遇到的特殊情況的照片，這些情況導緻了谷歌汽車的失敗模式。我記得有一張照片，一個小女孩站在街角，手裡拿着一個飄浮的紅色氦氣球。氣球的位置恰好是交通信号燈中的紅燈。而一個看起來像樹枝的東西基本上遮住了綠燈。即使用人的眼睛，如果不仔細看，也會以為氣球是紅燈。誰會想到這種情況呢？如果有人突然想到如果發生這種情況我們該怎麼辦，每個人都會認為這個人是妄想症。但在現實世界中，這就是發生的事情。
即使在受控環境中挑戰種類有限，仍會發生很多奇怪的事情。每個團隊成員都有關于導緻系統崩潰的意外情況的故事。
這是我參加挑戰賽學到的最重要的事情之一。
雷鋒網：這期間有什麼特别有意義的時刻嗎？
Adrian Kaehler：項目初期，我和 Mike Montemerlo 以及另外兩人一起駕駛 Stanley。車速非常快，大約每小時 25 英裡，在剛下過雨的崎岖不平的沙漠公路上，這個速度已經非常快了。汽車處于自動駕駛模式，Mike 坐在駕駛座上，随時準備接管。汽車剛剛下過山坡，由于前一天下過雨，山腳下有一個大泥坑，我們根本沒看到，傳感器也看不到，汽車直接沖上了泥坑。濺起的泥漿完全覆寫了擋風玻璃，我們什麼也看不見。在這種情況下，最理想的做法是停車。但所有人都尖叫起來。直到汽車開到大約 200 到 300 米遠時，才有人反應過來，打開了雨刷，我們才看到車外的情況。 此刻，自動駕駛對我來說變成了現實——如果在200到300米的範圍内系統不能正常工作，我們就沒命了。
雷鋒網：是否可以說自動駕駛行業是從DARPA挑戰賽誕生的？
Adrian Kaehler：毫無疑問，沒有DARPA挑戰賽，就沒有自動駕駛汽車。這要歸功于當時DARPA的負責人Tony（雷鋒網注：Anthony J. Tether）。從某種程度上來說，斯坦福團隊表現不錯，做出了一定的貢獻。但主要是DARPA——這就像做VC一樣，如果你投資的創業項目過于激進，成功的幾率就很小。但如果不夠激進，你可能投入了很多錢，最後做出來的東西價值有限。對于任何科技圈的投資者來說，投資項目應該剛好足夠困難，但可行。Tony意識到自動駕駛在一定程度上是觸手可及的。要知道，在挑戰賽之前，軍方和大學已經在自動駕駛技術上投入了數十億美元，這并不是空穴來風。對于軍火商來說，他們隻是想繼續獲得研究經費。對他們來說，成功實作自動駕駛并不是一件好事。
大學做的研究都是關于算法或者某些部件的，而不是開發完整的自動駕駛系統。Tony意識到，在這個階段，鼓勵大家開發完整的系統比資助研究人員發表論文重要得多。論文在研究的早期階段非常重要。Tony意識到“我們距離自動駕駛已經非常接近了，如果再邁出一大步，我們就可以做出一輛自動駕駛汽車，或者至少是一輛準自動駕駛汽車。”
Tony通過DARPA推動行業邁出這一“大步”。第一屆比賽沒有一支隊伍完成，但第二屆比賽有六支隊伍完成。可以看出，通過比賽，很多人已經掌握了自動駕駛的基本知識，可以讓汽車自主行駛。而能否獲勝，就看能否在路況良好的情況下，了解情況，加速超車。挑戰賽結束後，各支成績優異的隊伍成員，或多或少都進入了自動駕駛行業。
雷鋒網：企業在挑戰中扮演的角色不重要，是嗎？
Adrian Kaehler：其實不是。大型軍事承包商 Oshkosh 也參加了比賽（完賽并取得第五名）。比賽對他們的意義不同。對大學來說，這隻是一點名氣。獲勝的 200 萬美元獎金被捐贈給了斯坦福的計算機科學系。對 Oshkosh 來說，這可能意味着更大的訂單，并向客戶證明他們的技術實力。最終，Oshkosh 大概可以算是挑戰賽的最大受益者。斯坦福赢得了 200 萬美元，Oshkosh 的收益可能還要多十倍。
雷鋒網：當時 DARPA 挑戰賽有沒有讓大家感覺到自動駕駛的時代要來了？而且要投入使用了？
Adrian Kaehler：我認為 DARPA 挑戰賽期間不存在這種情緒。我們可以看到這些技術在某些場景中的應用，但我認為沒有人會說“自動駕駛汽車隻有十英尺遠”。随後的城市挑戰賽設定了許多目标，在此之前，人們不确定這些目标是否能夠實作。城市挑戰賽結束後，更多現實世界的問題得到了解決，例如檢測“停車”标志以及如何避開其他車輛。那時，完全自動駕駛汽車開始感覺更像是遙遠的未來，這些想法也開始變得合理。
即便如此，關于實作自動駕駛需要多長時間，大家還是有很多分歧。謝爾蓋·布林和拉裡·佩奇過來觀看城市挑戰賽，非常感興趣，或者至少拉裡·佩奇是感興趣的——他在比賽前就在斯坦福讨論過這個挑戰賽。塞巴斯蒂安·特龍加入谷歌，并在之後不久創立了Google X。據我所知，當時Google X隻有一個項目，就是谷歌的自動駕駛泡泡車。顯然，拉裡·佩奇和塞巴斯蒂安·特龍認為自動駕駛已經不遠了，但我卻不這麼認為（笑），是以我沒有創辦自動駕駛公司。我覺得我們離真正的自動駕駛還很遠，這條路還需要很長的時間，我想做一些現在就能實作的事情。于是，我加入了Applied Minds，它的客戶包括企業、政府、軍隊。 在 Applied Minds，我們的工作更接近于 2005 年的 DARPA 挑戰賽——當時一個非常重要的任務就是幫助美軍在阿富汗探測 IED（簡易爆炸裝置）。因為風險太大，軍方有強烈的願望将 IED 的搜尋自動化。這個場景和 2005 年的挑戰賽很相似——在戰區，你隻需要不撞到任何東西，沒人關心掃雷車是否遵守交通規則。不撞到人，不傷到自己，還能沿着預定的路線行駛，這種程度的自動駕駛足以在阿富汗戰場上派上用場了。這是一項以前沒人做過的工作，我對此非常感興趣。
相比之下，乘用車的自動駕駛問題則困難得多，如今雖然大部分公司已經在一定程度上做得很好，但距離實作完全自動駕駛還很遙遠。
另外，挑戰之後，唯一行動更大的公司是谷歌。豐田、本田和福特當時并沒有采取任何行動，而是在看到谷歌的突破後才開始研究。
雷鋒網：您在 Applied Minds 還做過哪些工作？
Adrian Kaehler：我們開發了世界上第一批完全基于 CV 的自動駕駛汽車之一（不确定它是否是第一輛），幾年後市場上出現了更先進的算法。它不是城市乘用車，但它能夠僅使用 CV 在室外環境中巡航。這在當時非常重要，因為當時 LiDAR 的價格高達數萬美元。
雷鋒網：離開DARPA之後，你們有沒有想過研發自動駕駛乘用車？
Adrian Kaehler：我仍在研究自動駕駛汽車，隻是在 Applied Minds 的工作環境不同。此後，大量資金投入城市自動駕駛行業，但公司未能達到預期。我不認為在 DARPA 挑戰賽之後我會想在谷歌工作，花十年時間開發一個行不通的東西。也許我可以再待十年，甚至更久，直到這項技術變得有用。但我不确定這是不是一個好的選擇。
如果你做的太先進，加入得太早，你可能會花上半輩子的時間，卻仍然一事無成。在 DARPA 挑戰賽的時候，很多關鍵技術仍然缺失。我對深度學習為自動駕駛打開的新大門感到興奮。我不知道它是否是完整的答案，但對于某些情況，比如小女孩拿着一隻紅氣球，在深度學習之前沒有實用的解決方案。
雷鋒網：大部分汽車廠商都将完全自動駕駛汽車的量産時間定在2021年甚至更早，您怎麼看？
Adrian Kaehler：這就像說我們将在 2021 年解決弦理論一樣。我不知道該如何解讀這樣的說法。這更像是說“我們會努力實作它”。等到 2021 年，自動駕駛汽車投産了，他們會說“我們做到了”；如果還沒有投産，他們會說“我們還需要幾年時間”。這裡面有太多的意外情況，就像美國政客說的“未知的未知數”一樣。如果現在沒有完全安全的全自動駕駛汽車，2021 年絕對不可能實作量産。如果汽車制造商說他們會在 2021 年開發出原型車，然後推進量産，“好吧，也許吧”。但 2021 年就量産？這簡直是笑話。汽車制造商四年内什麼也做不了。
特斯拉在部署自動駕駛汽車方面可能是一個例外。他們擁有強大的基礎設施，并提前做好了規劃。但在這個過程中會有太多意想不到的發現，光是解決這些問題時間就已經很緊張了，更不用說設計和管理生産線了。