[汽車之家 行業] 由智能化、電動化帶來的全球汽車產業的大變革已經取得成效。在這一輪變革中，技術快速迭代，消費者需求也發生了明顯改變，甚至在我國形成了“無智能，不電動”的特有現象。若將智能、電動這兩個標簽拆分來看，后者相對較低的門檻本就是我國繞過傳統壁壘實現競爭的根源所在，前者則是“換道超車”的差異化競爭的重要倚仗。
也就是說在隨后的進一步變革中，智能化能力的強弱，將直接決定車企的競爭上限。如今的智能座艙發展可謂日新月異，巨屏、車外語音、手勢操控等新配置/功能不斷涌現，而在智能駕駛領域，大家越來越卷。
其實想實現真正的自動駕駛，無非是兩條路徑：第一條是自上而下，直接定位到L4\\\\L5級別無人駕駛，再將配置、能力逐步下放，從而實現低成本解決絕大部分無人場景；第二條則是如今主機廠們慣用的形式，自下而上，量產低級別智能駕駛，并通過其環節中產生的大量數據不斷迭代技術，向更高級別演進。在這條路線中，能否量產是最關鍵一環。
據汽車之家研究院公布的《中國智能汽車發展趨勢洞察》報告中顯示，2022年，主動剎車、車道保持輔助系統、自適應巡航系統等L2級智能駕駛代表性功能的市場滲透率高速增長，哪怕此前略顯保守的海外品牌，也將上述部分功能當成了新車標配。
但在真正考驗“L2+”智能駕駛能力的領域，比如城市NOA（面向城市域的高階智能駕駛輔助系統，不同車企間叫法不同），能實現向上突破者寥寥。大部分公布了城市NOA功能的企業，要么屬于“期貨”尚未兌現，要么是采用內測、早鳥等形式推送，距離真正的量產尚有距離。而自動駕駛領域的下半場競爭的開端，也就藏在上述量產難題之中。
★路線之爭：從【重】地圖到【輕】地圖
從目前來看，有能力涉足城市NOA領域的玩家并不在少數。走從下到上路線的企業有毫末智行、蔚來、理想、小鵬、集度等；走從上到下路線的企業有百度、輕舟智航、小馬智行等。不過從推出時間和推廣規模來看，這些車企的城市NOA大多集中在廣州、深圳、上海這三個城市。
比如小鵬，2022年9月，小鵬城市NGP智能導航輔助駕駛在廣州正式開啟試點，首批被推送的用戶是從廣州提交過智能輔助駕駛建議的P5車主中隨機選取，且初期必須得經歷“新手模式”——即在部分條件適宜路段使用城市NGP超過100公里，時長超過7天后才可解鎖全部路段。自此一段時間后，該功能才逐漸面在深圳、上海開放。
曾在某次上海車展前夕憑借“自動駕駛”視頻火遍全網的極狐，雖然在2022年5月就交付了極狐阿爾法S HI版，但到9月才于深圳開啟城市NCA功能測試，并于隨后延伸至上海。
之所以早期城市NOA集中在廣州、深圳、上海，是因為上述三大城市是國內最早一批頒發高精地圖城市試點的許可的城市。與高速域不同，面向城市域的高階智能駕駛要面對的復雜路況呈指數級增長，信號燈變化、潮汐車道變化、路面行人軌跡預測、非機動車軌跡預測……這一切場景對于企業軟硬件綜合能力要求極高。曾有數據顯示，小鵬城市NGP感知模型的數量已經達到高速NGP的4倍，預測/規劃/控制相關代碼量則提升至88倍，其復雜程度由此可見一斑。
面對上述復雜場景，在軟硬件綜合能力沒那么強大時絕對精度和相對精度均在 1 米以內的，蘊含道路類型、曲率、車道線位置等道路信息，以及路邊基礎設施、障礙物、交通標志等環境對象信息，同時包括交通流量、紅綠燈狀態信息等實時動態信息的，高精度、高新鮮度、高豐富度的高精地圖高精地圖就成為了車企快速上馬城市NOA的“捷徑”。
但事物都有兩面性，高精地圖的局限性，以及其資質難獲取等特性也成為局限住車企NOA快速量產的關鍵原因。在2023中國汽車論壇上，重慶長安汽車股份有限公司首席專家李偉曾剖析過“重地圖”模式的弊端。他認為該模式屬于遞增式投入，雖然前期高速+少量城市數據采購成本不高，但后期隨城市擴展，采購成本激增，不僅如此，還面臨地圖鮮度不足、覆蓋不足的長期問題，這必然導致智駕系統魯棒性差。
『高精地圖示意圖』
至于其長期成本有多高，華為常務董事、終端BG CEO、智能汽車解決方案BU CEO余承東曾舉過一個例子：“僅僅采集上海市高精地圖，采集了一兩年、9000公里，都沒有把上海完全覆蓋。并且從國家安全的角度，幾個月才允許刷新，但是中國的道路天天在改，所以說依賴于高精地圖真的沒法廣泛使用。”正因為此，業內也逐漸達成共識——想讓城市NGP快速實現量產，去圖化可能是唯一途徑。
在業內，毫末智行無疑是第一批打出“重感知”派招牌的企業。早在2022年，毫末智行便官宣了搭載HPilot 3.0系統，可實現城市NOH領航輔助功能的量產車型；今年4月，在第八屆毫末AI DAY上，該企業又宣布上述功能的新“載體”——魏牌的新摩卡DHT-PHEV和魏牌藍山(參數|詢價)。根據現有規劃，毫末智行旗下的城市NOH功能將率先在北京、上海、保定等城市落地。
『請點擊圖片查看清晰內容』
除毫末外，小鵬、華為等此前依賴高精地圖的企業也開始進行“重感知”進化。其中小鵬的XNGP已經進行無圖化測試，預計在年底擴展到50個城市；余承東則宣布華為不依賴于高精地圖的城區NCA將在第三季度內實現15城落地，到四季度將增加到 45城。就連地圖巨頭百度都已經在向重感知方案靠攏，其ANP3.0系統已經將“BEV 環視三維感知”技術作為安全冗余。
★技術之爭：【數據能力】才是門檻
根據西部證券公布的預測顯示，未來城市NOA將是一塊大蛋糕，其車型數量規模可能會在2023-2025年分別達到11.9萬輛、67.6萬輛和243.6萬輛。但想在這塊蛋糕中多吃多占，可不僅僅是確定路線這么簡單。
在沒有或不依賴高精地圖時，如將傳感器識別到的數據進行處理，并通過其做到更大規模的城市泛化，適應不同城市“亂七八糟”的路況、場景。以最基本的識別紅綠燈控車、別紅綠燈這一在部分人看來可能很基礎的功能為例。我國不同城市的紅綠燈規格都不甚相同，有三排燈、有五排燈，有橫著的、有豎著的……先不提算法，為了滿足上述場景，收集來的數據規模就會和以前實現指數級增長。
在這種數據規模下，像以前一樣依靠CNN卷積神經網絡訓練模型似乎就不再適用了。在這方面，率先提出擺脫高精地圖，甚至取消激光雷達，采用純視覺方案的特斯拉給大家開了個好頭，開始用Transformer大模型替代CNN，利用其結構簡潔、可無限堆疊基本單元得到巨大參數量的特性來提升。
相比于CNN，Transformer在的數據量越大，其效果就越好。有研究表明，當訓練數據集增大到包含 1億張圖像時，Transformer的性能開始超過CNN。而當圖像數量增加到10億張時，兩者的性能差距變得更大。
在國內，毫末智行則是率先引入Transformer大模型的自動駕駛公司。雖然時間上沒有特斯拉早，但毫末智行的創新在于用Transformer做時間和空間上的前融合。
比如面臨一段在正常不過的路，人眼看到的是雙向四車道，是連續的視覺圖像，而攝像頭的識別卻并非連貫的，而是一幀一幀的圖片。假設車往左偏5厘米，人識別出來的信息很正常，掰直即可，原有方案下攝像頭識別的可就復雜了，也許以為路本身就是“歪的”，這種時間上的“斷點”再加上前后左右、側前側后等方向攝像頭識別出的空間上的“亂象”，若沒有高精地圖進行糾正，則很可能成把系統“干懵”，無法進行有效拼接。
而毫末的方法是用Transformer 做時間和空間上的前融合，也就是通過該大模型的注意力特征，提取不同圖片像素之間的相關性，用其特征向量進行前融合，再通過神經網絡進行目標預測。這樣不僅能解決多角度攝像頭無法拼接出“上帝視角”的問題，甚至還能融合激光雷達數據，來給視覺效果進行補充。
對此，毫末智行技術總監潘興曾用城市領域最容易出現的車道線場景作為范例。他表示，和高速場景不同，城區道路車道線極為復雜，有的地方被磨沒了，有的地方可能重新粉刷，但舊的車道線還沒完全鏟除。這種場景下，Transformer大模型的注意力機制可以很好的解決問題。
值得注意的是，城市域NOA所面臨的類似場景還有很多。比如復雜十字路口處有多個紅燈，到底哪個燈亮了車輛才應該走？想解決諸如此類的千千萬萬個場景，就得識別大量的數據、做大量的標注、模擬大量的場景、進行大量的學習、加以大量的調整、寫大量的規則……
上述“大量”要怎么解決？用毫末智行CEO顧維灝的話說，行業里搞了20年，把預測、規劃、決策、控制，每一項都分成一個個小任務，20 年也沒搞成。直到類GPT（Generative Pre-trained Transformer）技術開始應用。
今年4月11日，毫末智行正式發布自動駕駛生成式大模型DriveGPT，中文名為“雪湖·海若”和爆火的ChatGPT類似，只不過ChatGPT采用自然語言進行輸入與輸出，DriveGPT則面向自動駕駛場景，用感知融合后的文本序列輸入，以自動駕駛場景文本序列作為輸出，將自動駕駛場景Token化，形成“Drive Language”，最終完成自車的決策規控、障礙物預測以及決策邏輯鏈的輸出等任務。通俗來說就是，把上述所有小任務縮減為兩個大任務，一個是感知，一個是認知。
另外，毫末智行也開始和生態伙伴探索四大應用能力，包括智能駕駛、駕駛場景識別、駕駛行為驗證、困難場景脫困。比如，在場景識別中，毫末DriveGPT單針圖片的整體標注成本，僅相當于行業的1/10。而這項技術向行業的開放使用，將會大幅降低行業使用數據的成本，從而提升自動駕駛技術的發展。
毫末可以逐步將DriveGPT應用在城市NOH、捷徑推薦、智能陪練以及脫困場景中。DriveGPT的加入，能夠讓車輛行駛會更安全，規控動作更人性、更絲滑，并有合理的邏輯告訴駕駛者，車輛為何選擇這樣的決策動作。
而這就是毫末給出來的去圖方案，極為考驗數據處理能力。而這種處理能力，加上自動駕駛數據量——也就是誰先量產，通過量產出來的車收集更多的數據并加以處理，最終實現滾雪球式的技術迭代，這才是城市NOA功能的門檻所在。
寫在最后：
高精地圖成本高、采集難、鮮活度差，而依賴大量基建的車路協同方案的實現難度要更高于高精地圖，在此前提下，想量產城市NOA，實現正向循環，著實不是一件容易的事。
據毫末智行董事長張凱表示，該企業之所以能快速實現量產，無非是做好了一下幾個閉環：用戶需求閉環——對駕駛場景數據持續分析完善策略，并進行新功能體驗反饋；研發效能閉環——將數據驅動理念深入到產品需求定義、感知與認知算法開發等產品開發流程，整體開發效率提升；數據積累閉環——在車端部署診斷服務數據場景標簽覆蓋92%的駕駛場景；數據價值閉環——大模型持續挖掘數據價值解決關鍵問題；產品自完善閉環——實現售后問題處理速度較傳統方式的十倍效率提升，實現最快10分鐘定位售后問題；業務工程化閉環——進一步完善了從采集回流、標注訓練、系統標定、仿真驗證等環節到最終 OTA 釋放環節的產品研發全流程工程化閉環。上述閉環光是看起來就已經頗為復雜，實現起來就更不容易，這種門檻實則已經篩選掉了很多玩家。
對此，即便體量（單指智能汽車）龐大如特斯拉，也要通過開放FSD給其余車企的形式進一步擴大數據收集能力。在這方面，背靠長城并逐漸擴大朋友圈的毫末智行、給眾多主機廠提供方案的華為似乎也有一定的規模優勢。相信在這種挑戰下，糾結“靈魂論”的主機廠會越來越少，畢竟在自動駕駛下半場競爭的急迫環境中，如此數據體量、技術能力，已經不是靠自研和收購能解決的了。（文/汽車之家 陳燦 ）
