易航智能CEO陳禹行：為什么以場景為核心的“漸進(jìn)式”路徑先看到了無人駕駛量產(chǎn)的曙光？｜量子位·視點(diǎn)分享回顧

視點(diǎn) 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

2022年4月，特斯拉公司首席執(zhí)行官埃隆·馬斯克宣布，預(yù)計(jì)到2024年將實(shí)現(xiàn)無方向盤和踏板的新型“Robotaxi”的量產(chǎn)。

這表明以特斯拉為代表的自動駕駛“漸進(jìn)式”發(fā)展路徑，率先看到了無人駕駛大規(guī)模量產(chǎn)的曙光。

自動駕駛領(lǐng)域“漸進(jìn)式”路徑為什么能夠被更多機(jī)構(gòu)看好？“漸進(jìn)式”技術(shù)的發(fā)展路徑是什么？自動駕駛量產(chǎn)的難點(diǎn)在哪里？而距離我們的生活又還有多遠(yuǎn)？

關(guān)于自動駕駛“漸進(jìn)式”路徑的發(fā)展與實(shí)現(xiàn)，易航智能CEO陳禹行在「量子位·視點(diǎn)」直播中分享了他的從業(yè)經(jīng)驗(yàn)和觀點(diǎn)。

以下根據(jù)分享內(nèi)容進(jìn)行整理：

自動駕駛領(lǐng)域是目前各個(gè)方面都關(guān)注度很高的行業(yè)。我今天的主題是“漸進(jìn)式”路徑迎來無人駕駛量產(chǎn)的曙光。

2022年4月特斯拉宣布預(yù)計(jì)到2024年將取消方向盤和腳踏板，雖然說的還有點(diǎn)過于激進(jìn)，但是也側(cè)面看出了漸進(jìn)式路徑率先迎來了無人駕駛大規(guī)模量產(chǎn)的曙光。

易航智能一直沿著漸進(jìn)式的發(fā)展路徑，也是國內(nèi)最早拿到量產(chǎn)訂單的自動駕駛創(chuàng)業(yè)公司。

今天我希望與大家分享以下幾個(gè)問題：第一，以場景為核心的漸進(jìn)式路徑做對了什么？第二，拋開自動駕駛分級，漸進(jìn)式路徑的技術(shù)路線圖是什么樣的？第三，為什么我們看到很多酷炫的自動駕駛Demo遲遲無法量產(chǎn)？第四，自動駕駛的量產(chǎn)需要哪些關(guān)鍵技術(shù)？

自動駕駛“漸進(jìn)式”路徑如何創(chuàng)造更多價(jià)值？

首先我們來看一下漸進(jìn)式路徑的核心價(jià)值到底是什么。

說到漸進(jìn)式發(fā)展，大家第一反應(yīng)往往是自動駕駛分級，就是L0到L5安全性分級，但是當(dāng)我們以自動駕駛的分級為核心來界定自動駕駛技術(shù)的時(shí)候，就會面臨一個(gè)問題：雖然安全性比較嚴(yán)格，但是場景極為有限，就像有的做到L3、L4級別的車型，在高速公路上僅有小部分路段可以開啟相關(guān)功能，需要車輛時(shí)速不超過60公里每小時(shí)，而且必須要能看到隔離帶最內(nèi)側(cè)的護(hù)欄，然后也得在最內(nèi)側(cè)的車道行駛。

這種所謂的高級別自動駕駛，用戶的感知不強(qiáng)，啟用的時(shí)間也不多，最終的結(jié)果就是它的價(jià)值是非常有限的。

所以這幾年來越來越多的企業(yè)開始圍繞場景來做自動駕駛，通過打開場景來創(chuàng)造更多的價(jià)值。我們以上下班通勤為例，整個(gè)車程可能要兩個(gè)小時(shí)，路上我們有可能途經(jīng)一個(gè)環(huán)境極為復(fù)雜的菜市場，這個(gè)菜市場我們可能只需要5分鐘就能通過，但是菜市場的場景非常復(fù)雜，比如說地上有很多垃圾，里邊的人非常多，還有運(yùn)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(shí)間，就是我們在沒有經(jīng)過菜市場的時(shí)候能實(shí)現(xiàn)自動駕駛；那么剩下這5%路過菜市場的時(shí)間我們給它當(dāng)成Corner Case，這種Corner Case就由人來監(jiān)控，后續(xù)通過升級迭代，我們逐步解決這些非常復(fù)雜的場景里面的自動駕駛。這樣的方案在分級上并不是L4，但是它能在更廣泛的時(shí)空里邊切切實(shí)實(shí)地給終端用戶創(chuàng)造價(jià)值。

我們認(rèn)為一項(xiàng)創(chuàng)新技術(shù)的普及核心是要創(chuàng)造價(jià)值，自動駕駛也是只有打開更多的場景才能創(chuàng)造更多的價(jià)值。

拋開了自動駕駛分級，“漸進(jìn)式”技術(shù)有清晰的發(fā)展路徑么？

講到這里大家可能會問我們：拋開分級，談自動駕駛的漸進(jìn)的路線，這樣的漸進(jìn)式路線有沒有非常清晰的發(fā)展路徑？

這張圖就是以場景為核心的漸進(jìn)式自動駕駛技術(shù)發(fā)展的趨勢圖，我們覺得自動駕駛的發(fā)展大體是一個(gè)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(gè)比較早期的階段；之后我們就到達(dá)了NOA（領(lǐng)航輔助駕駛）的階段，NOA就是實(shí)現(xiàn)了在典型場景下面點(diǎn)對點(diǎn)的這種自動駕駛能力，它也是真正意義上的 “人機(jī)共駕”；再往后上升一個(gè)臺階之后，我們就到了FSD（全場景）的自動駕駛功能，當(dāng)FSD成熟之后，我們覺得行業(yè)就會迎來一個(gè)拐點(diǎn)——因?yàn)樗懈詣玉{駛相關(guān)的功能已經(jīng)基本都開發(fā)出來了，它已經(jīng)能夠覆蓋日常生活絕大部分的場景，已經(jīng)可以創(chuàng)造出巨大的使用價(jià)值。

它只剩下一些非常少的、非常復(fù)雜場景下的Corner Case還不能應(yīng)對，未來我們要著力解決的就是剩下的這些Corner Case，這也會是自動駕駛之后發(fā)展比較穩(wěn)定、比較漫長的階段。

就像手機(jī)從塞班，然后Windows過渡到安卓和蘋果以后，手機(jī)的硬件形態(tài)和軟件形態(tài)也已經(jīng)固定了，手機(jī)目前只是性能上會有所提升，但是手機(jī)這種形態(tài)已經(jīng)比較固定了，現(xiàn)在我們用的智能機(jī)和10年前用的智能機(jī)可能已經(jīng)沒有什么本質(zhì)的區(qū)別了，而只是攝像頭像素更高，芯片算力更大。

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

那么先來看一下ADAS，ADAS實(shí)際上是行業(yè)的過渡階段，它由傳統(tǒng)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(shù)交叉的一個(gè)產(chǎn)品。傳統(tǒng)的汽車電子架構(gòu)上，是以分離式為主，比如說一個(gè)智能攝像頭，再加上一些毫米波的雷達(dá)，里面可能是分別做一些算法上的處理，但很難進(jìn)行數(shù)據(jù)的整合和融合。

所以在做ADAS的時(shí)候，汽車電子以功能實(shí)現(xiàn)為研發(fā)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(yàn)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，它可能比較重視剎停的效果和結(jié)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(shí)，自動駕駛的架構(gòu)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(shù)據(jù)統(tǒng)一處理，比如來自畫面、來自雷達(dá)等等，這些所有的數(shù)據(jù)融合在一起，然后統(tǒng)一地處理，最后再進(jìn)行決策規(guī)劃控制的開發(fā)。

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，來盡量模擬人類的駕駛行為。這樣實(shí)現(xiàn)的功能，它的理念就和人的預(yù)期是非常一樣的，那么人在這個(gè)跟他自己的預(yù)期一樣的自動駕駛車?yán)锍俗臅r(shí)候，他就會感受到非常的舒適和安全，這樣就優(yōu)化了自動駕駛體驗(yàn)。

過了ADAS的階段之后，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產(chǎn)的一個(gè)新階段。

因?yàn)樵谶@個(gè)功能的基礎(chǔ)上，?NOA開啟了一個(gè)人機(jī)共駕的時(shí)代，這也是邁向自動駕駛終局的一個(gè)新階段。在體驗(yàn)上，我們傳統(tǒng)的這些ADAS是一個(gè)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(shí)候再開啟輔助駕駛，開啟的時(shí)間可能也并不是很長，馬上就會到達(dá)下一個(gè)需要“人來介入”的時(shí)候，所以它是一個(gè)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(chuàng)造了典型場景下（比如，高速公路、城市環(huán)線、城市快速路等）沉浸式的自動駕駛體驗(yàn)，這種是消費(fèi)者接觸到自動駕駛的一個(gè)核心需求點(diǎn)。

以前做ADAS功能的時(shí)候，這個(gè)車的駕駛員主要還是人，只是在一個(gè)碎片化的階段里面，讓這個(gè)系統(tǒng)來介入一下，到了人機(jī)共駕的時(shí)代，可能就真是“人”和“機(jī)”一起來駕駛了。

還有就是在技術(shù)上我們覺得數(shù)據(jù)是自動駕駛的核心， NOA 的方案實(shí)現(xiàn)了人機(jī)共駕，能夠快速地積累高價(jià)值的自動駕駛數(shù)據(jù)。

因此一個(gè)比較好的NOA 方案要具備基于量產(chǎn)數(shù)據(jù)回傳和OTA升級的能力，就是我們讓這個(gè)車更加智能。我們可以隨著經(jīng)歷的場景更多、更復(fù)雜，來回傳更多的數(shù)據(jù)，然后我們會把這樣的數(shù)據(jù)進(jìn)行不停的迭代，解決不同的復(fù)雜場景下的Corner Case。

最后我們覺得其實(shí)一個(gè)好的NOA 方案也要具備足夠的商業(yè)競爭力，就是NOA 系統(tǒng)雖然已經(jīng)到達(dá)新的階段，但是如果我們想讓更多的終端用戶能使用這個(gè)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(jià)位。

比如說易航智能的方案覆蓋到15萬以內(nèi)的車型，這也是我們國內(nèi)汽車市場目前占比最大的一個(gè)價(jià)格區(qū)間，只有這樣，我們覺得才能實(shí)現(xiàn)一個(gè)大規(guī)模的量產(chǎn)。再往后一個(gè)臺階那就是FSD了。

FSD在功能和原理上其實(shí)已經(jīng)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(tǒng)獲得一個(gè)俯視視角。簡單來講就是BEV NET通過神經(jīng)網(wǎng)絡(luò)從各個(gè)相機(jī)提取特征后，在網(wǎng)絡(luò)中將特征轉(zhuǎn)換到BEV視角下，進(jìn)而對各個(gè)相機(jī)的特征進(jìn)行空間尺度的融合，得到BEV視角下的特征，同時(shí)在時(shí)間尺度上，融合之前若干幀的特征，最后解析得到BEV視角下的結(jié)果。

通俗點(diǎn)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(gè)周圍局部的小地圖，那么這個(gè)小地圖不但包含這個(gè)道路信息，也包含我們車周圍的像車和人這些目標(biāo)的信息。

這種其實(shí)就已經(jīng)和人類駕駛車輛的情況非常一致了。就像我們?nèi)嗽隈{駛車輛的時(shí)候，也會用手機(jī)進(jìn)行導(dǎo)航，有一個(gè)全局的路徑，比如說我們從家怎么去單位，要在哪條街左轉(zhuǎn)，哪條街右轉(zhuǎn)，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，然后去避讓這些車人，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(gè)行業(yè)發(fā)展的拐點(diǎn)。

做Demo易，做量產(chǎn)難，用冰山理論看自動駕駛量產(chǎn)

前面講了通過場景的拓展來實(shí)現(xiàn)自動駕駛功能的不斷完善。而自動駕駛大規(guī)模的應(yīng)用，我們覺得也不能停留在Demo或者小范圍的試驗(yàn)，它必須得走向量產(chǎn)，而量產(chǎn)又恰恰是漸進(jìn)式路徑解決的又一個(gè)難題。

我們現(xiàn)在其實(shí)很多人都說量產(chǎn)難，我正好在這里介紹一下量產(chǎn)究竟難在哪里。我們說自動駕駛量產(chǎn)非常符合冰山理論：因?yàn)橛幸徊糠质强梢哉故境鰜淼墓δ埽€有一部分是展示不出來的功能。

所以我們說這個(gè)Demo是什么？

Demo顯示的是自動駕駛系統(tǒng)在最佳狀態(tài)時(shí)候的一個(gè)表現(xiàn)，比如說在特定的路段、特定的天氣或者是特定的駕駛員，然后給比較熟悉自動駕駛車輛的人展示這套系統(tǒng)。但量產(chǎn)，關(guān)注的是系統(tǒng)在極端條件下它最差的表現(xiàn)。

比如說我們做一輛量產(chǎn)車，那么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(tǒng)提出了非常高的要求。這個(gè)體現(xiàn)到我們自動駕駛系統(tǒng)的研發(fā)工作上面，就是說我們讓車上路做演示的這部分，其實(shí)可能只占我們?nèi)抗ぷ髁康?0%；那么第二步，我們要完成更完善的功能開發(fā)，比如說我們解決駕駛員違規(guī)操作的這些問題。這些都解決了之后，我們大概可能完成了20%-30%的工作量，剩余的大部分的工作量其實(shí)都是一些我們產(chǎn)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(gè)例子就是我們公司成立了兩三個(gè)月之后，我們就可以讓車在路上沿著車道線自動來行駛了，但是我們把自動駕駛實(shí)現(xiàn)到量產(chǎn)，最終還用了大概2-3年的時(shí)間。

再舉個(gè)例子，我們很多人都知道自動駕駛有一個(gè)撥桿并線的功能，就是我們打轉(zhuǎn)向燈，然后就能并到旁邊的車道里。這么一個(gè)簡單的功能，我們可能就要做大量的工作，因?yàn)橛械霓D(zhuǎn)向燈可能是機(jī)械的，里邊會有一些頻繁的震蕩，我們需要解決它到底是開還是關(guān)的震蕩。

還有比如說我們有的駕駛員撥轉(zhuǎn)向燈的時(shí)候，分不清左右，他可能想往左側(cè)并線，但撥的是向右的轉(zhuǎn)向，車行駛了一半，又發(fā)現(xiàn)他撥錯(cuò)了，需要從右邊直接撥到左邊。這種情況是非常復(fù)雜的，我們要解決自動駕駛量產(chǎn)，就必須把這里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(shù)，從ADAS到NOA再到FSD的量產(chǎn)，它不但是能力的提升，它也解決了自動駕駛量產(chǎn)難題，積累了寶貴的量產(chǎn)經(jīng)驗(yàn)。就像剛才說到，做量產(chǎn)會遇到很多意想不到的情況，整個(gè)周期也會比較長。

那么怎么加速這個(gè)過程，怎么樣能讓自動駕駛快速地落地量產(chǎn)呢？我們覺得全棧自研是必須要具備的能力，主要是有這么幾個(gè)原因：首先我們覺得目前自動駕駛系統(tǒng)是一個(gè)軟件和硬件高度耦合的系統(tǒng)，在研發(fā)過程中，我們遇到的問題其實(shí)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(tǒng)相互配合，來最終達(dá)到功能的實(shí)現(xiàn)。

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(shí)現(xiàn)量產(chǎn)。

舉個(gè)例子，我們研發(fā)域控制器的時(shí)候會進(jìn)行振動實(shí)驗(yàn)，過程中會把振動的強(qiáng)度放到比國標(biāo)、包括比客戶要求的指標(biāo)更嚴(yán)苛的狀態(tài)下。在這種非常劇烈震動的時(shí)候就會發(fā)現(xiàn)，攝像頭和控制器中間的連線，包括接插件可能有一些閃斷，那么這個(gè)就會導(dǎo)致這套系統(tǒng)里面的圖像傳輸發(fā)生停滯，停滯以后圖像有可能就回不來，后邊很多的處理就會出現(xiàn)問題。

對于這樣的一個(gè)問題，如果說軟件和硬件是分離開來開發(fā)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(gè)可以滿足這種震動實(shí)驗(yàn)條件下、不發(fā)生脫離的接插件；而硬件的工程師覺得，現(xiàn)在行業(yè)里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?yàn)榻嵌炔灰粯?，就會遇到這種現(xiàn)實(shí)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討論這個(gè)問題，只有在系統(tǒng)的層面把這個(gè)問題解決，我們才能更好地開發(fā)出一套自動駕駛的控制器。

第二，為了實(shí)現(xiàn)更好的駕駛體驗(yàn)，感知和規(guī)劃控制也需要高度耦合。感知和規(guī)控共同決定著自動駕駛的用戶體驗(yàn)，所以我們要實(shí)現(xiàn)這種“1+1>2”的效果，也需要兩個(gè)算法在一起持續(xù)地優(yōu)化，而不是只側(cè)重于某一方面。比如，非常遠(yuǎn)距離的感知，一輛車離我們很遠(yuǎn)的時(shí)候，測距測速不可避免的誤差會變大。

那么對于這種情況，我們?nèi)绻胱屪罱K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(huán)節(jié)，一起優(yōu)化這個(gè)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(gè)問題給解決掉，讓人坐在車?yán)锩娓惺懿坏秸`差。

最后，我們覺得全棧自研也是服務(wù)客戶的一個(gè)需要，因?yàn)樽詣玉{駛它其實(shí)是一個(gè)系統(tǒng)工程，那么我們只有整個(gè)技術(shù)都“趟”過一遍才能掌握系統(tǒng)工程能力，我們也才能根據(jù)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，然后誤差、噪音可能會比較大，這個(gè)時(shí)候我們就得做很多信號上的處理，讓最終我們拿到的信號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(jì)算平臺，那么就要求我們軟硬件必須深度地進(jìn)行優(yōu)化和匹配，才能充分地激發(fā)算力，實(shí)現(xiàn)這些高級功能。

像我們現(xiàn)在用的這種蘋果手機(jī)，其實(shí)它的算力要比安卓手機(jī)或者高通的芯片低一些，但是蘋果手機(jī)使用卻更加流暢，是因?yàn)樗擒浖布谝黄疬M(jìn)行優(yōu)化、調(diào)試，它才能最終達(dá)到一個(gè)更好的結(jié)果。

我們易航智能也是一直堅(jiān)持構(gòu)建全棧自研的能力，像我們已經(jīng)能涵蓋感知、決策規(guī)劃控制，包括軟硬件開發(fā)、測試標(biāo)定等等這些的能力。

實(shí)現(xiàn)自動駕駛量產(chǎn)的關(guān)鍵技術(shù)有哪些？

講完全棧自研能力對于量產(chǎn)的重要性，我們再來看一下全棧自研這個(gè)過程中到底有哪些關(guān)鍵的技術(shù)和能力。這里我們從以下幾個(gè)方面，就是感知、規(guī)劃控制和AEB主動安全這三個(gè)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、行人這些目標(biāo)，還有對這些目標(biāo)進(jìn)行測距測速等等。同時(shí)我們也要檢測像車道線這些道路信息。這個(gè)工作其實(shí)有很多難點(diǎn)，比如說我們在剛剛進(jìn)入隧道的時(shí)候，尤其是天氣特別好的時(shí)候，人眼都會因?yàn)橥蝗坏拿靼底兓查g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(gè)是非常危險(xiǎn)的，所以我們就會對曝光提出更強(qiáng)的要求。我們目前要求進(jìn)隧道的時(shí)候，從特別亮到特別暗的時(shí)候，必須在100毫秒之內(nèi)達(dá)到我們最終的曝光要求，可以看到隧道里非常黑的路況。其實(shí)在夜晚當(dāng)對面有這種遠(yuǎn)光燈照過來的時(shí)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(diǎn)。

再比如說我們在道路上行駛的時(shí)候，有的車尤其是貨車，它可能就是在運(yùn)送很長的墩子或者管子，它比這個(gè)車要更長，會伸出這個(gè)車。那么這個(gè)車距離我的位置在哪里，是按照管子來算，還是按照車來算？上面蓋住的布被風(fēng)刮開之后是什么樣的情況？又是不一樣的處理方式。這些都對感知提出了很多挑戰(zhàn)。

除了檢測的問題，還有比如說到路口的時(shí)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(jìn)行一些預(yù)測和判斷，你要知道他在干什么，有沒有過馬路的意圖；比如有的車他可能在道路上打了轉(zhuǎn)向燈，但是他并不想并線，他只是忘關(guān)了。這些情況下，我們都要對這些目標(biāo)的行為做出一些預(yù)測和判斷，這個(gè)就是我們現(xiàn)在在感知端遇到的一些難點(diǎn)。

那么大家可以看到感知方面，我們又要檢測很多的目標(biāo)，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(jìn)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(dá)到更好的效果和更多的功能。

我們目前是采用了算法優(yōu)化和算力優(yōu)化兩個(gè)部分來解決這個(gè)問題。

算法優(yōu)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(gè)比較深刻的理解的基礎(chǔ)上，我們用自己創(chuàng)新的Scalpel剪枝方法論進(jìn)行模型壓縮，這樣就可以提升模型的運(yùn)轉(zhuǎn)效率。知識蒸餾這邊，我們自研了一套領(lǐng)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(xué)習(xí)，充分繼承大模型的優(yōu)秀基因，最終提升算法的精度。

算力優(yōu)化這邊我們主要是共享Backbone，我們在這條路徑上打通了計(jì)算平臺和高精度多任務(wù)訓(xùn)練之間的隔閡。障礙物檢測包括圖像分割、交通標(biāo)志檢測等實(shí)現(xiàn)網(wǎng)絡(luò)共享，這樣也可以極大降低算力的消耗。

再來講一下決策規(guī)劃控制。不同的司機(jī)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(guī)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(guī)劃控制在自動駕駛里面一樣是非常重要的。

怎么樣來評價(jià)一個(gè)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(yè)駕駛員可以駕車做出很多非常專業(yè)的動作，像漂移，我們可以基于這一點(diǎn)認(rèn)為他的駕駛能力好，因?yàn)樗麑嚨睦斫飧鼜?qiáng)，知道車的極限在哪里，也知道怎么樣來控制這個(gè)車。我們的決策規(guī)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(yàn)證規(guī)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，就像視頻里演示的這種。現(xiàn)在全世界能在真實(shí)場地上實(shí)現(xiàn)自動駕駛漂移的公司非常少。視頻里也可以看到我們的方向盤非常穩(wěn)，比職業(yè)駕駛員的方向盤還要穩(wěn)；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(gè)非常高的水準(zhǔn)上面，可能都超出了一些職業(yè)駕駛員的能力。

最后我來介紹一下AEB。AEB其實(shí)它主要是提升車輛的一個(gè)主動安全能力，然后也是自動駕駛里面一個(gè)核心的功能。降低交通事故的發(fā)生，也是我們做自動駕駛技術(shù)的一個(gè)初心，也是自動駕駛走向大規(guī)模應(yīng)用的必要條件。AEB最嚴(yán)格的要求就是歐洲的相關(guān)法規(guī)，這是全球?qū)Π踩砸笞罡叩臉?biāo)準(zhǔn)。

雖然AEB功能看起來不是特別復(fù)雜，但是是自動駕駛算法里面難度極高的算法，因?yàn)樗蠡具_(dá)到零誤觸發(fā)，所以這是對我們能力非常大的挑戰(zhàn)。

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(zhǔn)、非常的快，而且在這種情形下控制也要非常及時(shí)。在這個(gè)方面我們做到了僅靠單視覺的系統(tǒng)就能實(shí)現(xiàn)歐洲的E-NCAP五星評級，所以搭載我們自動駕駛系統(tǒng)的車型，已經(jīng)出口到了歐洲。

關(guān)于易航智能

最后，簡單介紹一下我們易航智能的情況和我們業(yè)務(wù)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(chuàng)業(yè)公司之一，在2016年的時(shí)候，我們和主機(jī)廠達(dá)成戰(zhàn)略合作，成為了國內(nèi)第一個(gè)獲得自動駕駛量產(chǎn)訂單的創(chuàng)業(yè)公司。目前我們已經(jīng)有10萬輛整車的量產(chǎn)經(jīng)驗(yàn)，就是有10萬輛使用我們自動駕駛系統(tǒng)的車在路上，我們也積累了超過10億公里的駕駛數(shù)據(jù)，覆蓋了中國除了港澳臺之外的全部省份，以及像法國、德國、意大利、比利時(shí)、荷蘭、西班牙、瑞典等西歐國家和北歐國家。

在業(yè)務(wù)上，我們構(gòu)建了場景為核心的4大產(chǎn)品線，有低成本的輔助駕駛ADAS系統(tǒng)，然后有行泊一體+記憶泊車的高級輔助駕駛系統(tǒng)，還有領(lǐng)航輔助駕駛NOA系統(tǒng)，以及全場景的自動駕駛FSD系統(tǒng)，目前前三個(gè)都已經(jīng)量產(chǎn)了。今年搭載我們NOA功能的車型將陸續(xù)的批量上市，城市的全場景FSD主要就是像地庫、小區(qū)里，然后城區(qū)道路、高速公路上等所有的場景都會打通，實(shí)現(xiàn)任意場景的點(diǎn)對點(diǎn)的方案，我們會在今年年底到明年初量產(chǎn)。

關(guān)于「量子位·視點(diǎn)」

量子位發(fā)起的CEO/CTO系列分享活動，不定期邀請前沿科技領(lǐng)域創(chuàng)業(yè)公司CEO/CTO，分享企業(yè)最新戰(zhàn)略、最新技術(shù)、最新產(chǎn)品，與廣大從業(yè)者、愛好者探討前沿技術(shù)理論與產(chǎn)業(yè)實(shí)踐。歡迎大家多多關(guān)注 ～

— 完 —

量子位 QbitAI

關(guān)注我們，第一時(shí)間獲知前沿科技動態(tài)