視點 發自 凹非寺

量子位 | 公衆号 QbitAI

2022年4月，特斯拉公司首席執行官埃隆·馬斯克宣布，預計到2024年将實現無方向盤和踏闆的新型“Robotaxi”的量産。

這表明以特斯拉為代表的自動駕駛“漸進式”發展路徑，率先看到了無人駕駛大規模量産的曙光。

自動駕駛領域“漸進式”路徑為什麼能夠被更多機構看好？“漸進式”技術的發展路徑是什麼？自動駕駛量産的難點在哪裡？而距離我們的生活又還有多遠？

關于自動駕駛“漸進式”路徑的發展與實現，易航智能CEO陳禹行在「量子位·視點」直播中分享了他的從業經驗和觀點。

以下根據分享内容進行整理：

自動駕駛領域是目前各個方面都關注度很高的行業。我今天的主題是“漸進式”路徑迎來無人駕駛量産的曙光。

2022年4月特斯拉宣布預計到2024年将取消方向盤和腳踏闆，雖然說的還有點過于激進，但是也側面看出了漸進式路徑率先迎來了無人駕駛大規模量産的曙光。

易航智能一直沿着漸進式的發展路徑，也是國内最早拿到量産訂單的自動駕駛創業公司。

今天我希望與大家分享以下幾個問題：第一，以場景為核心的漸進式路徑做對了什麼？第二，抛開自動駕駛分級，漸進式路徑的技術路線圖是什麼樣的？第三，為什麼我們看到很多酷炫的自動駕駛Demo遲遲無法量産？第四，自動駕駛的量産需要哪些關鍵技術？

首先我們來看一下漸進式路徑的核心價值到底是什麼。

說到漸進式發展，大家第一反應往往是自動駕駛分級，就是L0到L5安全性分級，但是當我們以自動駕駛的分級為核心來界定自動駕駛技術的時候，就會面臨一個問題：雖然安全性比較嚴格，但是場景極為有限，就像有的做到L3、L4級别的車型，在高速公路上僅有小部分路段可以開啟相關功能，需要車輛時速不超過60公裡每小時，而且必須要能看到隔離帶最内側的護欄，然後也得在最内側的車道行駛。

這種所謂的高級别自動駕駛，用戶的感知不強，啟用的時間也不多，最終的結果就是它的價值是非常有限的。

所以這幾年來越來越多的企業開始圍繞場景來做自動駕駛，通過打開場景來創造更多的價值。我們以上下班通勤為例，整個車程可能要兩個小時，路上我們有可能途經一個環境極為複雜的菜市場，這個菜市場我們可能隻需要5分鐘就能通過，但是菜市場的場景非常複雜，比如說地上有很多垃圾，裡邊的人非常多，還有運貨的三輪車等等。

面對這種情況，做場景的思路就是，我們先解決95%的時間，就是我們在沒有經過菜市場的時候能實現自動駕駛；那麼剩下這5%路過菜市場的時間我們給它當成Corner Case，這種Corner Case就由人來監控，後續通過升級叠代，我們逐步解決這些非常複雜的場景裡面的自動駕駛。這樣的方案在分級上并不是L4，但是它能在更廣泛的時空裡邊切切實實地給終端用戶創造價值。

我們認為一項創新技術的普及核心是要創造價值，自動駕駛也是隻有打開更多的場景才能創造更多的價值。

講到這裡大家可能會問我們：抛開分級，談自動駕駛的漸進的路線，這樣的漸進式路線有沒有非常清晰的發展路徑？

這張圖就是以場景為核心的漸進式自動駕駛技術發展的趨勢圖，我們覺得自動駕駛的發展大體是一個這樣的過程：首先是ADAS，主要是在一條車道上提供一些碎片化的輔助駕駛的功能，這是一個比較早期的階段；之後我們就到達了NOA（領航輔助駕駛）的階段，NOA就是實現了在典型場景下面點對點的這種自動駕駛能力，它也是真正意義上的 “人機共駕”；再往後上升一個台階之後，我們就到了FSD（全場景）的自動駕駛功能，當FSD成熟之後，我們覺得行業就會迎來一個拐點——因為所有跟自動駕駛相關的功能已經基本都開發出來了，它已經能夠覆蓋日常生活絕大部分的場景，已經可以創造出巨大的使用價值。

它隻剩下一些非常少的、非常複雜場景下的Corner Case還不能應對，未來我們要着力解決的就是剩下的這些Corner Case，這也會是自動駕駛之後發展比較穩定、比較漫長的階段。

就像手機從塞班，然後Windows過渡到安卓和蘋果以後，手機的硬件形态和軟件形态也已經固定了，手機目前隻是性能上會有所提升，但是手機這種形态已經比較固定了，現在我們用的智能機和10年前用的智能機可能已經沒有什麼本質的區别了，而隻是攝像頭像素更高，芯片算力更大。

下面我就展開講一講這三個發展階段，讓大家了解漸進式路徑的場景是如何一步一步地打開的。

那麼先來看一下ADAS，ADAS實際上是行業的過渡階段，它由傳統的汽車電子過渡到自動駕駛，所以它是汽車電子和自動駕駛技術交叉的一個産品。傳統的汽車電子架構上，是以分離式為主，比如說一個智能攝像頭，再加上一些毫米波的雷達，裡面可能是分别做一些算法上的處理，但很難進行數據的整合和融合。

所以在做ADAS的時候，汽車電子以功能實現為研發核心，做一些相對來講比較簡單的輔助駕駛功能。這樣做出來的功能，駕駛體驗往往會覺得比較僵硬頓挫。

比如說制動功能的汽車電子方案，它可能比較重視刹停的效果和結果，至于駕駛者的感受可能考慮的并不是很多，而自動駕駛的方案會更重視駕駛員的感受。同時，自動駕駛的架構上也采用了專門的自動駕駛域的形式，在自動駕駛域上就會把所有的傳感器的數據統一處理，比如來自畫面、來自雷達等等，這些所有的數據融合在一起，然後統一地處理，最後再進行決策規劃控制的開發。

而且自動駕駛方案也會通過引入像我們所說的駕駛員模型，來盡量模拟人類的駕駛行為。這樣實現的功能，它的理念就和人的預期是非常一樣的，那麼人在這個跟他自己的預期一樣的自動駕駛車裡乘坐的時候，他就會感受到非常的舒适和安全，這樣就優化了自動駕駛體驗。

過了ADAS的階段之後，就來到了NOA行泊一體的階段，我們說NOA行泊一體的方案是自動駕駛量産的一個新階段。

因為在這個功能的基礎上， NOA開啟了一個人機共駕的時代，這也是邁向自動駕駛終局的一個新階段。在體驗上，我們傳統的這些ADAS是一個碎片化的功能，主要還是人來駕駛，在滿足輔助駕駛條件的時候再開啟輔助駕駛，開啟的時間可能也并不是很長，馬上就會到達下一個需要“人來介入”的時候，所以它是一個相對來講比較碎片化的功能。在理念上NOA 就打破了這種碎片化的功能，創造了典型場景下（比如，高速公路、城市環線、城市快速路等）沉浸式的自動駕駛體驗，這種是消費者接觸到自動駕駛的一個核心需求點。

以前做ADAS功能的時候，這個車的駕駛員主要還是人，隻是在一個碎片化的階段裡面，讓這個系統來介入一下，到了人機共駕的時代，可能就真是“人”和“機”一起來駕駛了。

還有就是在技術上我們覺得數據是自動駕駛的核心， NOA 的方案實現了人機共駕，能夠快速地積累高價值的自動駕駛數據。

因此一個比較好的NOA 方案要具備基于量産數據回傳和OTA升級的能力，就是我們讓這個車更加智能。我們可以随着經曆的場景更多、更複雜，來回傳更多的數據，然後我們會把這樣的數據進行不停的叠代，解決不同的複雜場景下的Corner Case。

最後我們覺得其實一個好的NOA 方案也要具備足夠的商業競争力，就是NOA 系統雖然已經到達新的階段，但是如果我們想讓更多的終端用戶能使用這個功能的話，那就必須把成本控制好，最終的車型能覆蓋更廣泛的價位。

比如說易航智能的方案覆蓋到15萬以内的車型，這也是我們國内汽車市場目前占比最大的一個價格區間，隻有這樣，我們覺得才能實現一個大規模的量産。再往後一個台階那就是FSD了。

FSD在功能和原理上其實已經和人類駕駛高度接近了，尤其是在感知端，我們采用了這種BEV的方法， BEV可以讓自動駕駛系統獲得一個俯視視角。簡單來講就是BEV NET通過神經網絡從各個相機提取特征後，在網絡中将特征轉換到BEV視角下，進而對各個相機的特征進行空間尺度的融合，得到BEV視角下的特征，同時在時間尺度上，融合之前若幹幀的特征，最後解析得到BEV視角下的結果。

通俗點來說，我們就是把車輛四周安裝的攝像頭所看到的圖像，變成了一整個周圍局部的小地圖，那麼這個小地圖不但包含這個道路信息，也包含我們車周圍的像車和人這些目标的信息。

這種其實就已經和人類駕駛車輛的情況非常一緻了。就像我們人在駕駛車輛的時候，也會用手機進行導航，有一個全局的路徑，比如說我們從家怎麼去單位，要在哪條街左轉，哪條街右轉，而在車的近處，我們也會觀察周圍的車和人，包括周圍的這種路沿隔離帶、車道線，然後去避讓這些車人，行駛在我們可以行駛的道路上。所以我們說使用BEV的FSD方案會帶來一個行業發展的拐點。

前面講了通過場景的拓展來實現自動駕駛功能的不斷完善。而自動駕駛大規模的應用，我們覺得也不能停留在Demo或者小範圍的試驗，它必須得走向量産，而量産又恰恰是漸進式路徑解決的又一個難題。

我們現在其實很多人都說量産難，我正好在這裡介紹一下量産究竟難在哪裡。我們說自動駕駛量産非常符合冰山理論：因為有一部分是可以展示出來的功能，還有一部分是展示不出來的功能。

所以我們說這個Demo是什麼？

Demo顯示的是自動駕駛系統在最佳狀态時候的一個表現，比如說在特定的路段、特定的天氣或者是特定的駕駛員，然後給比較熟悉自動駕駛車輛的人展示這套系統。但量産，關注的是系統在極端條件下它最差的表現。

比如說我們做一輛量産車，那麼這輛車可能要在全國的4S店賣，天氣如何、誰來開，我們都不知道，所以這就對系統提出了非常高的要求。這個體現到我們自動駕駛系統的研發工作上面，就是說我們讓車上路做演示的這部分，其實可能隻占我們全部工作量的10%；那麼第二步，我們要完成更完善的功能開發，比如說我們解決駕駛員違規操作的這些問題。這些都解決了之後，我們大概可能完成了20%-30%的工作量，剩餘的大部分的工作量其實都是一些我們産品級的算法，包括一些工程Case的解決，還可能有一些功能診斷。

我舉個例子就是我們公司成立了兩三個月之後，我們就可以讓車在路上沿着車道線自動來行駛了，但是我們把自動駕駛實現到量産，最終還用了大概2-3年的時間。

再舉個例子，我們很多人都知道自動駕駛有一個撥杆并線的功能，就是我們打轉向燈，然後就能并到旁邊的車道裡。這麼一個簡單的功能，我們可能就要做大量的工作，因為有的轉向燈可能是機械的，裡邊會有一些頻繁的震蕩，我們需要解決它到底是開還是關的震蕩。

還有比如說我們有的駕駛員撥轉向燈的時候，分不清左右，他可能想往左側并線，但撥的是向右的轉向，車行駛了一半，又發現他撥錯了，需要從右邊直接撥到左邊。這種情況是非常複雜的，我們要解決自動駕駛量産，就必須把這裡邊所有可能遇到的問題都解決掉。

所以，我們覺得以場景為核心的自動駕駛技術，從ADAS到NOA再到FSD的量産，它不但是能力的提升，它也解決了自動駕駛量産難題，積累了寶貴的量産經驗。就像剛才說到，做量産會遇到很多意想不到的情況，整個周期也會比較長。

那麼怎麼加速這個過程，怎麼樣能讓自動駕駛快速地落地量産呢？我們覺得全棧自研是必須要具備的能力，主要是有這麼幾個原因：首先我們覺得目前自動駕駛系統是一個軟件和硬件高度耦合的系統，在研發過程中，我們遇到的問題其實很難簡單地歸因于是軟件的問題還是硬件的問題，而是需要軟硬件系統相互配合，來最終達到功能的實現。

全棧自研就能提升我們軟硬件匹配包括集成的效率，來加速實現量産。

舉個例子，我們研發域控制器的時候會進行振動實驗，過程中會把振動的強度放到比國标、包括比客戶要求的指标更嚴苛的狀态下。在這種非常劇烈震動的時候就會發現，攝像頭和控制器中間的連線，包括接插件可能有一些閃斷，那麼這個就會導緻這套系統裡面的圖像傳輸發生停滞，停滞以後圖像有可能就回不來，後邊很多的處理就會出現問題。

對于這樣的一個問題，如果說軟件和硬件是分離開來開發的話，軟件的工程師可能會覺得這是接插件的問題，需要硬件的工程師去找一個可以滿足這種震動實驗條件下、不發生脫離的接插件；而硬件的工程師覺得，現在行業裡邊找不到一種在任何條件下都不會有閃斷的接插件，需要軟件來解決。

在很多情況下，軟件和硬件工程師因為角度不一樣，就會遇到這種現實的問題，所以我們必須得讓軟件工程師和硬件工程師在一起讨論這個問題，隻有在系統的層面把這個問題解決，我們才能更好地開發出一套自動駕駛的控制器。

第二，為了實現更好的駕駛體驗，感知和規劃控制也需要高度耦合。感知和規控共同決定着自動駕駛的用戶體驗，所以我們要實現這種“1 1>2”的效果，也需要兩個算法在一起持續地優化，而不是隻側重于某一方面。比如，非常遠距離的感知，一輛車離我們很遠的時候，測距測速不可避免的誤差會變大。

那麼對于這種情況，我們如果想讓最終的感受比較好的話，我們就需要感知和決策控制所有這些算法的環節，一起優化這個問題。即使測量的精度有一些變化，我們還需要最終的控制把這個問題給解決掉，讓人坐在車裡面感受不到誤差。

最後，我們覺得全棧自研也是服務客戶的一個需要，因為自動駕駛它其實是一個系統工程，那麼我們隻有整個技術都“趟”過一遍才能掌握系統工程能力，我們也才能根據用戶的需求提供定制化的解決方案。

比如說有的車型對成本控制要求很高，它安裝的這些傳感器精度可能就會相對低一些，然後誤差、噪音可能會比較大，這個時候我們就得做很多信号上的處理，讓最終我們拿到的信号不要有精度上的問題。

再比如有的車廠選擇了中小算力的計算平台，那麼就要求我們軟硬件必須深度地進行優化和匹配，才能充分地激發算力，實現這些高級功能。

像我們現在用的這種蘋果手機，其實它的算力要比安卓手機或者高通的芯片低一些，但是蘋果手機使用卻更加流暢，是因為它是軟件硬件在一起進行優化、調試，它才能最終達到一個更好的結果。

我們易航智能也是一直堅持構建全棧自研的能力，像我們已經能涵蓋感知、決策規劃控制，包括軟硬件開發、測試标定等等這些的能力。

講完全棧自研能力對于量産的重要性，我們再來看一下全棧自研這個過程中到底有哪些關鍵的技術和能力。這裡我們從以下幾個方面，就是感知、規劃控制和AEB主動安全這三個方面展開講講。

首先來看這種感知的算法，自動駕駛要感知比較多的路面信息，包括檢測像車輛、行人這些目标，還有對這些目标進行測距測速等等。同時我們也要檢測像車道線這些道路信息。這個工作其實有很多難點，比如說我們在剛剛進入隧道的時候，尤其是天氣特别好的時候，人眼都會因為突然的明暗變化，而瞬間看不清路。對于自動駕駛來講，我們的攝像頭也會由于這種非常明顯的明暗變化、由于曝光看不清道路，這個是非常危險的，所以我們就會對曝光提出更強的要求。我們目前要求進隧道的時候，從特别亮到特别暗的時候，必須在100毫秒之内達到我們最終的曝光要求，可以看到隧道裡非常黑的路況。其實在夜晚當對面有這種遠光燈照過來的時候，我們也是一樣的狀況，所以這些場景和路況就會有很多難點。

再比如說我們在道路上行駛的時候，有的車尤其是貨車，它可能就是在運送很長的墩子或者管子，它比這個車要更長，會伸出這個車。那麼這個車距離我的位置在哪裡，是按照管子來算，還是按照車來算？上面蓋住的布被風刮開之後是什麼樣的情況？又是不一樣的處理方式。這些都對感知提出了很多挑戰。

除了檢測的問題，還有比如說到路口的時候，有的人站在路邊打電話但是并不想過馬路，我們也要對他的行為進行一些預測和判斷，你要知道他在幹什麼，有沒有過馬路的意圖；比如有的車他可能在道路上打了轉向燈，但是他并不想并線，他隻是忘關了。這些情況下，我們都要對這些目标的行為做出一些預測和判斷，這個就是我們現在在感知端遇到的一些難點。

那麼大家可以看到感知方面，我們又要檢測很多的目标，又有很多的功能，所以它對算力有很大的需求。

但算力不是無限的，所以我們就要在特定的算力下，放入更多的功能，這對算法提出了進一步的要求，我們必須要用有限的算力消耗或者是特定的算力消耗，達到更好的效果和更多的功能。

我們目前是采用了算法優化和算力優化兩個部分來解決這個問題。

算法優化上主要是用像算法剪枝、知識蒸餾。算法剪枝就是在對模型有一個比較深刻的理解的基礎上，我們用自己創新的Scalpel剪枝方法論進行模型壓縮，這樣就可以提升模型的運轉效率。知識蒸餾這邊，我們自研了一套領先的大模型，功能算法模型通過知識蒸餾的手段，向大模型來學習，充分繼承大模型的優秀基因，最終提升算法的精度。

算力優化這邊我們主要是共享Backbone，我們在這條路徑上打通了計算平台和高精度多任務訓練之間的隔閡。障礙物檢測包括圖像分割、交通标志檢測等實現網絡共享，這樣也可以極大降低算力的消耗。

再來講一下決策規劃控制。不同的司機對感知是一樣的，路面有車、有人都是可以看到的，但是最終我們的駕駛能力是不一樣的，這就是說人的決策規劃和控制的能力是不一樣的，對于自動駕駛來講同理，我們決策規劃控制在自動駕駛裡面一樣是非常重要的。

怎麼樣來評價一個自動駕駛的駕駛水平？我們覺得可以類比人的駕駛能力，比如說有的職業駕駛員可以駕車做出很多非常專業的動作，像漂移，我們可以基于這一點認為他的駕駛能力好，因為他對車的理解更強，知道車的極限在哪裡，也知道怎麼樣來控制這個車。我們的決策規劃控制算法，使用了這種駕駛員行為建模，我們也對駕駛員的行為有非常深入的理解。

為了驗證規劃控制能力，我們基于我們的駕駛員模型做出了整車漂移的算法，就像視頻裡演示的這種。現在全世界能在真實場地上實現自動駕駛漂移的公司非常少。視頻裡也可以看到我們的方向盤非常穩，比職業駕駛員的方向盤還要穩；右下角的路徑也非常圓，而且兩圈能完全地重合在一起，就說明我們的控制都是在一個非常高的水準上面，可能都超出了一些職業駕駛員的能力。

最後我來介紹一下AEB。AEB其實它主要是提升車輛的一個主動安全能力，然後也是自動駕駛裡面一個核心的功能。降低交通事故的發生，也是我們做自動駕駛技術的一個初心，也是自動駕駛走向大規模應用的必要條件。AEB最嚴格的要求就是歐洲的相關法規，這是全球對安全性要求最高的标準。

雖然AEB功能看起來不是特别複雜，但是是自動駕駛算法裡面難度極高的算法，因為它要求基本達到零誤觸發，所以這是對我們能力非常大的挑戰。

比如說有的人在路上突然探頭，而且可能是小孩，這種場景是非常難處理的，要求我們的感知必須要非常的準、非常的快，而且在這種情形下控制也要非常及時。在這個方面我們做到了僅靠單視覺的系統就能實現歐洲的E-NCAP五星評級，所以搭載我們自動駕駛系統的車型，已經出口到了歐洲。

最後，簡單介紹一下我們易航智能的情況和我們業務的情況。

我們公司成立于2015年，是中國最早成立的自動駕駛創業公司之一，在2016年的時候，我們和主機廠達成戰略合作，成為了國内第一個獲得自動駕駛量産訂單的創業公司。目前我們已經有10萬輛整車的量産經驗，就是有10萬輛使用我們自動駕駛系統的車在路上，我們也積累了超過10億公裡的駕駛數據，覆蓋了中國除了港澳台之外的全部省份，以及像法國、德國、意大利、比利時、荷蘭、西班牙、瑞典等西歐國家和北歐國家。

在業務上，我們構建了場景為核心的4大産品線，有低成本的輔助駕駛ADAS系統，然後有行泊一體 記憶泊車的高級輔助駕駛系統，還有領航輔助駕駛NOA系統，以及全場景的自動駕駛FSD系統，目前前三個都已經量産了。今年搭載我們NOA功能的車型将陸續的批量上市，城市的全場景FSD主要就是像地庫、小區裡，然後城區道路、高速公路上等所有的場景都會打通，實現任意場景的點對點的方案，我們會在今年年底到明年初量産。

量子位發起的CEO/CTO系列分享活動，不定期邀請前沿科技領域創業公司CEO/CTO，分享企業最新戰略、最新技術、最新産品，與廣大從業者、愛好者探讨前沿技術理論與産業實踐。歡迎大家多多關注 ～

— 完 —

量子位 QbitAI

關注我們，第一時間獲知前沿科技動态

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!