[汽車之家 行業(yè)] 2022年，汽車行業(yè)頂住供應鏈壓力，克服重重困難，在下半年實現產銷量逆勢增長，展現出強大的發(fā)展韌性。11月8-10日，有汽車領域“達沃斯”之稱的2022中國汽車論壇在上海舉辦。作為汽車行業(yè)的頂級盛會，中國汽車論壇自2011年創(chuàng)立以來，已成功舉辦了十一屆，影響力日益廣泛。
本屆論壇由中國汽車工業(yè)協會主辦，以“聚力行穩(wěn) 蓄勢新程”為主題。政府領導、國際行業(yè)組織、主要車企和新勢力企業(yè)負責人共聚一堂，探索產業(yè)穩(wěn)增長之大計。汽車之家作為大會的官方合作伙伴，在現場為大家?guī)砼c會嘉賓的精彩觀點。在2022年中國汽車論壇上，輕舟智航聯合創(chuàng)始人、CTO侯聰發(fā)表了主題為“如何打造中國特色城市NOA。”的演講。
以下內容為現場演講實錄：
輕舟智航現在已經不止是一家L4自動駕駛公司，今年上半年發(fā)布了新的「雙擎」戰(zhàn)略。“ 雙擎”是指動力引擎和創(chuàng)新引擎。其中動力引擎指的是我們自動駕駛技術能力以及研發(fā)體系，在這個引擎之要不斷夯實技術深度，支持長線發(fā)展。創(chuàng)新引擎是基于自動駕駛能力之上實現商業(yè)化，不斷拓寬場景的寬度，反哺技術的發(fā)展。
其中最重要的應用是前裝量產的高級別輔助駕駛，在國內想要實現最終的無人駕駛，“雙擎”的方式，通過漸進式的高級別輔助駕駛反哺自動駕駛的方式是最務實的一條道路。
今天我要分享的重點在于創(chuàng)新引擎中的前裝量產，也就是高級別輔助駕駛城市NOA應用，看怎么將城市NOA帶進現實。
首先分享一下我們對輔助駕駛產品的認識，我們認為，在不同階段把產品分成三個不同的階段：能用、好用和愛用。
什么是能用？最基本的L2功能，大家可以在高速上、高架上用起來，可以實現我們想要的輔助功能定義。但同時，也會看到經常會有一些需要接管的場景，比如說加塞的時候表現的不夠安全，有時候跟大車靠的很近的時候讓大家覺得不是非常安心，是不是需要接管？只是處在能用的狀態(tài)。
什么是好用？隨著硬件的升級、方案的迭代，處理場景的能力會不斷增強。包括加塞、大車并行以及其他偏長尾的場景能處理的比較好，基本上在高速上能實現點對點的輔助駕駛能力。
畢竟大家開車開高速的機會不是很多，大部分時候都是在城市里開。所以往下一步看的話，要做到讓用戶愛用，一定要涵蓋大部分駕駛場景。一定要涵蓋城市的場景。當我們把城市場景覆蓋90%以上的時候，把產品做得更加安心、安全，用戶會不斷形成對它的依賴，就到了愛用的階段。
為了做到愛用，城市一定要把幾乎所有的場景都覆蓋到，無論是高架，還是城市里的路口、泊車的功能。目標是實現城市NOA在場景中的駕駛能力。
為什么非常重視城市NOA的開發(fā)？因為我們認為它是輔助駕駛里的天花板，是技術含量最高的功能。輕舟的使命是將無人駕駛帶進現實，希望能通過持續(xù)打磨城市NOA功能，不斷反哺L4技術，最終實現無人駕駛，所以它也是無人駕駛的入門檻。
城市NOA功能市場趨勢是怎么樣的？到2025年的時候，我國智能駕駛市場滲透率到65%以上，其中L2及以上的功能滲透率是40%以上。右邊可以看到用戶在購買車輛的時候，越來越看重的是輔助駕駛，尤其是高級別輔助駕駛帶來的疲勞環(huán)節(jié)，包括解放雙手的功能，會形成很強的購買車輛的意愿參考。
趨勢非常明顯，在當然的時間節(jié)點，我們認為輕舟已具備了天時、地利、人和這三個重要因素。
“天時”就是大的行業(yè)趨勢，做的產品會越來越受到用戶的接受和歡迎。
“地利”是跟廣大的上下游合作伙伴達成深入合作，無論是軟件、硬件還是主機廠。特別要提到的一點是跟地平線的深入合作，雙方已經達成了很深的生態(tài)和戰(zhàn)略合作。輕舟目前專注于在征程5的平臺上做城市NOA開發(fā)。
“人和”是來自于輕舟這些年積累的L4經驗，人才及研發(fā)體系。
集齊了這三個因素，輕舟非常有信心，能夠把城市NOA做好。
在當前這個階段，如何更快地把城市NOA做好？可以看一下當前輔助駕駛的主要配置方案，大致分成三類：
1.低配，主要在5000人民幣以下的成本，用單目的方案解決高速場景的車道保持和自適應巡航，這個領域已經比較成熟了。
2.中配，成本會高一些，到將近1萬的成本，以多目視覺為主，解決高速上NOA的功能。
3.高配，增加至少1顆激光雷達，以解決城市NOA的場景，成本會更高一些。
我們認為，當前最快的實現城市NOA的方式還是高配的方案，至少需要1顆激光雷達。
為什么會需要一顆激光雷達呢？大家也知道，中配的方案在國外就能實現城市很好的功能。但是，在國內場景上有很大差異的，無論是道路設計、交通擁堵狀況、人車混行、施工情況、道路使用者規(guī)范性也不是使用很強，本身場景就比國外要復雜很多。
同時，在場景之中能看到很多情況，對于純視覺是非常有挑戰(zhàn)的。比如像有些人可能會扛著桿子，視覺能把人檢測出來，但是桿子卻看不到。還有地上經常墜落的未知障礙物，對視覺也是非常有挑戰(zhàn)的。實際上，這些場景通過1顆激光雷達就可以解決的非常好。
在測試過程中碰到了路邊突然放了一些建筑材料的情況，這種情況是平時開車很少碰到的，如果用純視覺的話會帶來很大的風險，但是激光雷達可以輕易繞開障礙物。
當然，還是要用發(fā)展的眼光看待自動駕駛技術的發(fā)展。我們認為隨著技術的不斷迭代，隨著大量數據的回收，大量長尾問題的回收。相信純視覺在未來的某個時間點也可以把城市場景解決的比較好。但是當前因為用戶對于城市場景產品的需求特別急迫，再加上它是新事物新產品，希望它用到用戶手中的時候是以一種比較安全的方式送達的。所以建議用帶激光雷達的方案提供功能。
通過大量經驗積累也注意到，最需要解決的感知方向主要在前方和側前方，用1顆雷達放在車頂的方案就可以把這個問題解決的比較好，這種方式也是性價比最高的方式。當然了，考慮到很多車廠出于車型造型設計的考慮，可能會把雷達放在下面的某些位置。這樣的話至少需要2-3顆，這種方案我們也是可以適配的。
城市NOA方案剛剛發(fā)布了名稱，叫做“輕舟乘風”。接下來想和大家介紹一下技術上的優(yōu)勢，從感知到規(guī)劃到數據驅動。
感知叫“超融合”方案，綜合融合了多傳感器不同的信息，并且實現了穿插的融合。說到融合，大家比較了解前融合、中融合、后融合。前融合主要指的是數據層面，中融合主要是特征層面，后融合是目標層面。不僅把前、中、后全部做進了系統里，同時也加入了時序融合。
以中融合為例，他是在特征層面上對來自激光雷達和相機的數據特征在BEV空間下進行了融合，把圖像特征映射到BEV框架下，可以很自然的和點云特征進行融合，坐標器是全局坐標器，可以實現時序的融合。不僅可以提高感知的整體性能，同時也能實現對于周圍物體方向、速度預測的輸出。
非常高興地宣布，我們把國內首個超融合模型部署在了量產方案中，已經在征程5的芯片上實現了部署。
說到大模型，這些年大模型的趨勢非常明顯。這里介紹下我們的感知大模型叫OmniNet，Omni的意思是無所不能的，把各種傳感器的輸入通過前融合的方式進行特征提取，在BEV下進行中融合的特征匹配融合，之后在BEV之下再輸出檢測、分割等多任務的感知結果。同時，在圖像空間也會輸出2D檢測、分割等結果，一個模型就可以實現感知所有任務的輸出。
OmniNet模型有3個優(yōu)點：
（1）感知更精準
左邊是在BEV之下的感知結果，右邊是在圖像空間中的輸出，像2D監(jiān)測、分割、深度估計。還可以進一步把2D檢測下的結果（深度、語義分割）合在一起，形成三維的重建結果，這對于解決未知障礙物是很有幫助的。
同時，如果拿掉激光雷達的話，用純視覺也可以實現很好的BEV結果。左側是只用6個相機就能實現很好的檢測結果。當然，如果有雷達的話，做中融合的效果也會更好。BEV確實能帶來很大的優(yōu)勢，可以天然地把跨相機的特征融合在一起，這樣就能解決掉大型車輛單路相機看不全，會有極端的閑心，通過跨相機的融合可以對大物體（卡車、公交車）識別做得更好。同時，可以實現點云和圖像的融合，以及時序融合。
（2）車端更適配。
以前傳統模型的模式有算力浪費，把多個模型并成一個模型之后，會形成多個任務共享一個主干網絡，就是Backbone特征提取部分，把算力降低60%以下，很方便地部署在算力有限的車輛之上。
同時，對傳感器的配置非常靈活，不論是1顆、2顆、3顆激光雷達，甚至是純視覺，都可以用這個框架進行開發(fā)部署。
（3）迭代更高效。
大模型天然非常適合用數據去驅動，我們開發(fā)了大量的自監(jiān)督、半監(jiān)督、弱監(jiān)督的框架。使得可以充分挖掘數據中的價值，通過無需人工標注的方式把數據中可學的部分學到。同時，還有數據合成處理很多長尾的問題。
剛才介紹的是感知，在城市NOA的場景下，決策規(guī)劃的能力是定高下的。
介紹一大亮點，在做決策規(guī)劃時用的是時空聯合規(guī)劃算法，優(yōu)勢在什么地方呢？舉一個例子。
左邊是超車的場景，傳統是用時空分離的方法做規(guī)劃優(yōu)化，先從空間上搜索一條路徑來，之后在路徑之上搜索速度的結果。這種分開式的優(yōu)化，解空間比較小，很多時候搜不到最優(yōu)解，往往需要通過大量規(guī)則，hack的方式才能把場景處理掉，這種方式擴展性比較差。
輕舟采用的是“時空聯合規(guī)劃”的方法，同時搜索空間和時間的結果，解空間就會大很多，在復雜動態(tài)場景下往往能搜出最優(yōu)解來，甚至某些場景下比人類的行為做得更好、更舒適、更安全。
當然，好的決策規(guī)劃也離不開好的預測，預測也是很先進的模型，能輸出周圍物體10s的預測軌跡，同時可以支持數百個物體的預測。針對征程5芯片做了大量的適配優(yōu)化，只需要20毫秒就可以跑完預測。
模型這兩年參加了一些比賽，像CVPR里的Argoverse是世界頂級的比賽，去年拿了冠軍，今年拿了亞軍，證明了模型的能力。
最后，分享關于數據驅動的優(yōu)勢和思考，大家知道，城市場景非常復雜，用規(guī)則肯定解決不掉，肯定是用數據驅動的方式來讓能力越來越強。
輕舟作為一家L4公司，已經積累了數百萬公里的測試數據，基于數據有大量長尾數據采集。同時，之后會跟車廠達成深度合作，通過量產車的數據回收把更多的海量數據收回來。
但是數據回收是一部分，想把數據給用好需要很好的工具鏈。輕舟經過將近四年的開發(fā)，已經把數據的供應鏈做得非常完善。目標是把數據中的“黃金”給挖出來，需要一整套數據鏈路。通過數據鏈路，隨著數據的回收，形成自動化的數據閉環(huán)。這樣后面無論做新的車型還是新的場景，就變成了自驅動的方式，極大地降低開發(fā)的成本。
舉個例子，數據挖掘就是從數據中挖掘黃金，有時候處理長尾問題，之所以長尾，因為很少見，需要把它從海量數據里找出來。會碰到一些人從車里打開車門走出來，這個例子對于車門的檢測，對于人行為的預測是比較有挑戰(zhàn)的。發(fā)現它是長遠問題之后，就通過挖掘工具從數據庫里把類似的場景都挖出來，之后會送到模型里訓練，解決問題。再之后，通過仿真工具驗證這個問題已經得到很好的解決，形成了閉環(huán)。
這里展現的是單顆激光雷達用在城市中實現的功能demo，包括像白天的高架，晚上的高架下面，包括跟大車的博弈，包括擁堵的路段，包括停車場的場景。
最后，很高興地宣布，輕舟將率先推出基于地平線征程5的城市NOA解決方案，請大家期待！ 再說一下價值主張，基于數據，成于感知，用對強的決策規(guī)劃來引領城市NOA的新高度。同時，攜手生態(tài)伙伴，打造使用范圍最廣的自動駕駛解決方案。
分享一下關于智能駕駛的世界觀，提出一個新的概念叫“小四化”， “新四化”大家很熟悉，是電動化、智能化、共享化、網聯化。但對于智能化提出“小四化”：
第一是讓入門體驗標配化。也就是不斷地把最成熟的基本駕駛功能模塊化，不需要車企花費額外的適配成本，能夠快速上車，成為每輛車的標配。
第二是讓終端體驗標準化。是正在發(fā)生的階段，包括NOA功能的標準定義，不同車輛、不同車型對于NOA的實現會有差異化，使得用戶對于車輛行為的預測不是很標準，不同車輛的駕乘體驗也不是很一致，應該標準化中配的體驗。
第三是讓高端體驗大眾化。目前高端體驗只是在高端的車型上部署，隨著硬件方案的迭代，成本下降，隨著技術方案的迭代，我們認為高端方案一定會越來越大眾化，裝配率應該越來越高，應該會下沉到終端車型甚至低端車型上去，這也是很大的趨勢。
第四是讓極致體驗革新化。相信未來L3、L4一定可以實現，L3一定能解鎖新的場景和體驗。比如說在某些特定場景下，可以真正解放雙手雙眼，實現出行真正意義上的革新。
