Q：Nullmax现阶段车队规模？
A：大约10几台车。
Q：测试车型是什么？
A：有高尔夫车、改装车林肯MKZ、SUV等。
Q：自动驾驶车在转向过程当中会受到线控底盘的影响。Nullmax在线控方面是否有备用和冗余？
A：一般来说，我们的自动驾驶系统有两套线控系统，两个MCU。
比如说，两套ECU中一个是主ECU。行驶时，自动驾驶的“大脑”会在完成感知后把一些信息储存起来，如果主ECU或是传感器坏了，旁边的ECU会接管。车辆控制也一样，通过两个MCU控制器，如果一套坏了，可以切到另外一套。虽然可能会丧失一些功能，但可以保证安全停靠，比如说从隧道里面出来停到马路边。
在行驶中，自动驾驶的另外一套系统也是时刻在运行的，随时待命，而不是说一套系统停了，另一套系统才动，并且这套系统本身收集的信息会实时传递给另一套系统，随时可以接管。
车辆方向盘的控制也有几个问题需要考虑。方向盘控制不是一个线性的系统。而我们用到的林肯MKZ是针对这些非线性东西进行改装，将其转化成线性的。在早期开发时，虽然我们没有方向盘本身的曲线，但是可以测出来。不过现在因为聚焦量产车，所以没有再做这件事情。
Q：相比常规的ACC功能（自适应巡航控制系统），Nullmax的拥堵跟车有何特点？
A：Nullmax的跟车功能，可以完全实现横纵向控制，驾驶员不用进行任何操控。此外，基于毫米波雷达实现的ACC，在一些弯道和特殊情况下效果不是很好。
Q：Nullmax展示了车辆正向进入车库的能力，那么产品是否同样能够完成逆向入库？电动汽车充电接口位置不一，正向停车位恐怕很难完全解决电动汽车用户对于泊车充电的全部需求。
A：我们在研发代客泊车功能时考虑到了上述情况。
在建地图时，我们会考虑到停车位位置、车辆行驶方向、车速、彼此连接方位、停车位和充电桩位置等等。
Q：Nullmax的自动驾驶系统可以对充电车位的地锁装置等物体信息完成识别吗？
A：地锁的情况和地面有坑、桶、小孩等场景都很类似。在倒车过程当中，车身系统会进行三维重现，虽然不一定精准，但能够感知到路面不平，面前是有障碍物的。
在车辆向前行驶的过程中，数据库无法覆盖所有数据，但是在实时融合时，同一个传感器内部有不同算法进行融合，可以实时感知地面情况。
Q：Nullmax的视觉方案可以识别同向行驶的行人和自行车吗？
徐雷：对于动态障碍物及其行为模式、静态障碍物，我们都可以进行识别。系统会判断自行车和行人是平行还是横向着走，这些都在我们的世界模型中。
Q：在传感器适配方面，Nullmax的方案算法会选择哪类供应商产品？
A：选择国内厂商的毫米波雷达进行底层开发。明年很多自主品牌的产品都将完成量产。
Q：针对摄像头遮挡等情况，相比V2I的方式，Nullmax提出的“轻地图”路线有何竞争力？
A：这本质上是在V2I和地图间平衡的问题。将来实现V2X后，车与车、车与交通设施之间能够进行通讯时，车辆与基础设施端就需要完成一个很好的平衡，找到一种最高效、最经济、最稳定的手段，把功能分配到车端和云端。
同理，从系统冗余、经济高效的角度，将V2I与地图结合，可能是一个比较好的方案。与此同时，车辆本身也应当有对于平台或传感器等元器件是否失效的判断能力。
Q：在现阶段和先期，地图数据无法覆盖全部停车场，而要依靠车辆实时收集数据进行路径规划。对此，Nullmax如何解决？
A：目前我们在与国内外地图服务商进行沟通交流，他们也在研究对于停车场数据及针对相关场景功能的方案。未来地图究竟以何种方式呈现目前尚未确定，但肯定不会根据一个一个停车场来自己创建。
Q：自动驾驶决策层要求系统收集足够多的行为和数据，Nullmax计划如何应对？
A：数据问题，本质上是一个深度学习的问题。系统通过传感器来获取信息、了解知识，以此为基础进行推算，然后再去进行车辆控制。理论上，车辆就像一个传感器，每台车覆盖一段距离，在地图上全部连接。
在这其中有多少是有效信息？机器是否只能通过一个大的数据集才能进行学习？还是可以通过小的数据集不断成长？在深度学习实际应用之后，有些传统概念可能已经不太适合该领域，如何更好地解决这些问题确实是比较有挑战性的。
Q：自动驾驶系统拥有深度学习能力后，是否会学到不好或是错误的驾驶习惯？
A：深度学习分为有监督学习、无监督学习、深度强化学习等。像驾驶习惯这类情况，系统只是一定程度上模拟驾驶员的行车模式，并非本质上的记忆属性。
关于深度学习在自动驾驶领域的应用空间，我们希望不只是简单的记忆和模拟，而是不断调整系统的自主学习能力。
Q：相比其他科技企业，Nullmax的SCSTSV模拟器有何特点？
A：我们的模拟器是为了应用SCSTSV而开发的，目前市场上还没有类似出发点的模拟器。
有的模拟器或许能解决部分V2X的问题，但不是把人、车、基础设施等等要素和网络完全集成在一起，为SCSTSV服务。
Q：在智慧道路方面，国家现阶段道路建设遇到瓶颈，地方政府也在观望。目前国内相关工作进展到了哪个阶段？对于未来发展，您怎么看？
A：政府其实很积极在推进这方面的工作，但是需要明确完成后道路设施能够呈现什么样的状态，跟现在相比有哪些进步。这也是我们做模拟器和示范区的主要原因。借助模拟器，我们可以推演、模拟城市规划未来样貌，以此判断哪些方面可以改善以及提高空间。
我很认同智慧道路的概念。通过在十字路口放置一些“聪明的”设备，可以把自动驾驶所需的能力一部分转移到所有车辆共同行驶的道路上。毕竟车辆本身是在一个环境里面运行，要将道路环境系统与智能汽车进行匹配。无论是模拟器还是一些小区域的开放道路、示范区，都是为了给规划决策部门提供一个参考和支撑，我们也会开发出很多功能原型。
很难评价中国和美国哪里的技术更好，因为彼此解决的问题其实并不一样。比如说，美国驾驶环境、驾驶道路就是为车设计的；而中国很多城市原来没有这么多车，一些城市道路设计初衷并不是车辆。中国有独特的驾驶环境和驾驶问题。我们也一直在思考中国面临的问题本身的性质，充分发挥中国优势，从根本上解决问题。
Q：您认为L3/4级别的自动驾驶汽车距离比较成熟的量产阶段还要多久？
A：2020-2025年。
L4级别有可能是通过共享的士或移动出行服务来完成落地，比做前装市场慢一些。在国内外有诸多初创企业中，很多车队是每天在一条固定线路上进行测试，这在安全性和稳定性等问题上都有一定局限，距离真正解决共享出行问题还有一段距离。
而要从根本上解决这个问题，需要与城市、云端、V2X结合，需要考虑很多事情。比如，什么样的功能放在云端，什么功能放在交通设施，什么功能放在车上，如何把这些打造在一起，一级供应商、整车厂、运营商又应该如何分工定位。所以比研发一款量产车型会更迟一些。
