北京上海開車遇加塞，像個(gè)人行不行？！

賈浩楠 發(fā)自 凹非寺量子位 | 公眾號(hào) QbitAI

全國最復(fù)雜的環(huán)路在哪里？上海內(nèi)環(huán)。

全年車流量最大的時(shí)間是何時(shí)？開學(xué)日。

趕著送孩子上學(xué)，然后再趕去公司上班，一路擁堵，一把心酸，面對(duì)頻繁加塞，腳累手累心累。

難道，一天要這樣開始嗎？

9月1日全國最堵開學(xué)日，上海內(nèi)環(huán)路上，面對(duì)不友好的突然加塞，這輛車沒有重剎，沒有侵占側(cè)邊車道，沒有爭(zhēng)搶冒險(xiǎn)，當(dāng)然也沒有碰撞。

全程完美應(yīng)對(duì)。

△?開學(xué)日上海內(nèi)環(huán)加塞實(shí)測(cè)錄像來自AutoLab，下同

平緩減速避讓后，及時(shí)恢復(fù)巡航速度，保證通行效率。

要是不說，沒人知道這是智己L7搭載的IM AD智能駕駛系統(tǒng)的操作。

這樣與老司機(jī)毫無二致的加塞場(chǎng)景處理，在上海9月1日開學(xué)季早高峰的實(shí)測(cè)中出現(xiàn)44次，無一接管。

這段實(shí)測(cè)視頻在自動(dòng)駕駛領(lǐng)域引發(fā)關(guān)注的核心，是因?yàn)檫@樣“像人”的表現(xiàn)——對(duì)復(fù)雜場(chǎng)景感知、預(yù)測(cè)的細(xì)膩程度在行業(yè)內(nèi)非常亮眼，也只有真正實(shí)現(xiàn)“數(shù)據(jù)驅(qū)動(dòng)”的AI系統(tǒng)，才能有這樣的能力。

都說在自動(dòng)駕駛領(lǐng)域，得城市者得天下，后來又有人說，得中國城市路況者得天下，但現(xiàn)在看來，得加塞者才能得天下。

爆堵開學(xué)日44次加塞0接管，你不說我以為這是老司機(jī)在操作

中國實(shí)際道路駕駛中，用戶最高頻的痛點(diǎn)是加塞。

全球擁堵前30名的城市中，中國占33%，是美國的5倍。擁堵情況下，在上海內(nèi)環(huán)外圈楊高中路出口，平均每小時(shí)發(fā)生16次加塞。

66%駕駛者因?yàn)轭l繁遭遇惡意加塞，產(chǎn)生過路怒行為。

這種地獄模式難度下，又疊加了開學(xué)日這樣的Debuff。

44次加塞是9月1號(hào)開學(xué)季，跑完上海內(nèi)環(huán)47.7公里全程的情況，大部分“被加塞”，其實(shí)是在進(jìn)出匝道時(shí)的合理避讓。

而從實(shí)際表現(xiàn)來看，甚至可以說IM AD的表現(xiàn)相當(dāng)老司機(jī)，被加塞的頻率并不高，能夠長時(shí)間跟住一輛車平穩(wěn)行駛。

△

開學(xué)日上海內(nèi)環(huán)加塞實(shí)測(cè)錄像來自AutoLab，儀表盤放大處理

不至于過分迫近前車，同時(shí)大部分理智的司機(jī)也不會(huì)選擇這樣的空擋強(qiáng)行插隊(duì)。這樣的策略妙處，老司機(jī)肯定心領(lǐng)神會(huì)。

當(dāng)然，路上也免不了有執(zhí)意加塞的。

IM AD做出了避讓，和所有智能駕駛系統(tǒng)一樣。

但不一樣的是，系統(tǒng)不是在整個(gè)車道被侵入以后突然急剎，而是預(yù)判了加塞行為，提前進(jìn)行避讓。

這樣的做法當(dāng)然在體感上更舒適，給乘客的心理感受也更安全。

橫向來看，加塞場(chǎng)景不是業(yè)內(nèi)競(jìng)爭(zhēng)的焦點(diǎn)，似乎只要是智能車，都能應(yīng)對(duì)。

但實(shí)際上真的有這么簡單嗎？業(yè)內(nèi)已經(jīng)量產(chǎn)的系統(tǒng)，又在加塞場(chǎng)景中有啥表現(xiàn)？

特斯拉的Autopilot和IM AD一樣，都是適用城市路況的L2智能駕駛系統(tǒng)。

特斯拉應(yīng)對(duì)突然加塞的情況，策略比較激進(jìn)，Autopilot常常在遇到加塞時(shí)繼續(xù)保持高速行駛，無法及時(shí)對(duì)車主進(jìn)行減速反饋，這導(dǎo)致車主不得不在恐慌中匆忙接管。

△面對(duì)加塞Autopilot未提前減速，來自Wham Baam Teslacam

特斯拉激進(jìn)的應(yīng)對(duì)策略或許有時(shí)也能相安無事，但總有應(yīng)對(duì)失敗的情況，而一旦出現(xiàn)碰撞風(fēng)險(xiǎn)，對(duì)車主的安全就會(huì)產(chǎn)生很大的威脅。

沒有任何一個(gè)智能駕駛系統(tǒng)能保證完全0事故，但面對(duì)加塞若系統(tǒng)的處理過于激進(jìn)，客觀上會(huì)給用戶造成不信任、不敢用的障礙。用戶一旦對(duì)產(chǎn)品的信任度下降，便會(huì)減少使用的頻率，產(chǎn)品的價(jià)值也就相應(yīng)地流失了。

應(yīng)對(duì)突發(fā)情況的另一個(gè)極端，是系統(tǒng)策略太過保守。這其實(shí)也是現(xiàn)在大部分量產(chǎn)輔助駕駛系統(tǒng)的共同特征。

初衷是避免事故，但如果在駕駛邏輯的設(shè)置上過于保守，就會(huì)出現(xiàn)面對(duì)他車的“加塞”意圖，系統(tǒng)過于頻繁和大幅度地反饋，導(dǎo)致自車誤制動(dòng)過多，非常影響舒適度，也淪為路上的“受氣包”。

△特斯拉“幽靈剎車”

這樣的誤制動(dòng)輕則讓車上的人頭暈眼花，重則就像特斯拉的“幽靈剎車”一樣，突然的誤制動(dòng)容易引發(fā)后方車輛的追尾，威脅到路面行車安全。
這樣的系統(tǒng)，同樣是在信任度和舒適性上降低了實(shí)際使用價(jià)值。

智能駕駛的初衷是減輕人類負(fù)擔(dān)，研發(fā)的意義就是要讓車主真正用起來。

所以，真正能處理好加塞場(chǎng)景，贏得車主用戶信任，體驗(yàn)上就得在避免碰撞風(fēng)險(xiǎn)的基礎(chǔ)上降低誤制動(dòng)的頻率，平衡好安全性和舒適性之間的關(guān)系。要更像人，像人類老司機(jī)。

這其實(shí)就是各種安駕培訓(xùn)常講的防御性駕駛。

所謂“防御性駕駛”，就是指駕駛行為的主體，無論是人還是AI司機(jī)，所要關(guān)注的都不僅僅是自車本身，還要“眼觀六路”，留意自車周圍所有的車、人、障礙物等目標(biāo)。

預(yù)判其他目標(biāo)未來的行動(dòng)軌跡，并提前予以應(yīng)對(duì)。

當(dāng)然，還要把車開得平穩(wěn)舒適。

這樣的“防御性駕駛”對(duì)應(yīng)到自動(dòng)駕駛領(lǐng)域，感知、預(yù)測(cè)等底層技術(shù)的能力。

IM AD更像人，怎么做到的？

IM AD更像人，我們?cè)嚵耍拇_如此。

同樣是早高峰，地點(diǎn)是北京北四環(huán)，路面比上海內(nèi)環(huán)更窄，車道更少。

開啟IM AD后，坐在后排的乘客不看交互屏甚至難以分辨是人在駕駛還系統(tǒng)在駕駛。

△北京早高峰北四環(huán)加塞實(shí)測(cè)

為什么IM AD的乘坐體感更像老司機(jī)？

搭載Momenta技術(shù)方案的智己IM AD，基于數(shù)據(jù)驅(qū)動(dòng)的AI飛輪能力，可以以“更像人”的智能駕駛體驗(yàn)，輕松應(yīng)對(duì)各種復(fù)雜路況。

面對(duì)加塞這個(gè)用戶“痛點(diǎn)”，當(dāng)然也包括其他行車場(chǎng)景，智能駕駛的第一個(gè)技術(shù)環(huán)節(jié)就是感知。

基于數(shù)據(jù)驅(qū)動(dòng)的感知能力：看得清，懂得多

最大的挑戰(zhàn)，是要讓機(jī)器快速建立自我進(jìn)化和學(xué)習(xí)的能力，以保證在全天候、各種路況下，智能駕駛系統(tǒng)都能夠“看得清，懂得多”。

Momenta在感知算法的訓(xùn)練中采用了Data-driven 3D的方式。

在傳統(tǒng)的Rule-based方案中，若想通過Camera采集的物體二維信息，以此來估算物體的3D距離信息，需要依賴于大量的先驗(yàn)假設(shè)，且需要針對(duì)每一種不同車型設(shè)計(jì)不同的2D至3D的轉(zhuǎn)換規(guī)則，無法處理真實(shí)路面上龐大數(shù)量級(jí)的復(fù)雜場(chǎng)景。

而數(shù)據(jù)驅(qū)動(dòng)的感知系統(tǒng)則可以基于AI自動(dòng)化深度學(xué)習(xí)的方式，從真實(shí)行車場(chǎng)景中采集了海量數(shù)據(jù)，作為視覺感知的原始訓(xùn)練數(shù)據(jù)。

同時(shí)以激光雷達(dá)輸出的3D距離信息作為真值，使算法自主學(xué)習(xí)目標(biāo)的具體位置信息，再依靠算法模型自由泛化的能力，實(shí)現(xiàn)對(duì)感知目標(biāo)檢測(cè)的準(zhǔn)確度提升。

Momenta的視覺感知可以準(zhǔn)確判斷出車輛所在位置以及其與車道線之間的相對(duì)位置關(guān)系，幫助自車準(zhǔn)確應(yīng)對(duì)各種復(fù)雜的加塞場(chǎng)景。

也只有基于數(shù)據(jù)驅(qū)動(dòng)的感知算法，才有這樣的準(zhǔn)確率和迭代效率。

基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)能力：更早、更準(zhǔn)、更及時(shí)

“像人”的核心，是搭載了Momenta技術(shù)方案的IM AD能更早、更準(zhǔn)、更及時(shí)地判斷其他車輛的加塞意圖，這就是基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)能力。

預(yù)測(cè)最本質(zhì)的難度是不確定性。同一場(chǎng)景下，感知目標(biāo)存在多種合理的行為決策，并且都是由目標(biāo)本身主觀決定。

預(yù)測(cè)功能要做的，是合理地預(yù)測(cè)出車和人的多條不同軌跡，及其對(duì)應(yīng)的概率，進(jìn)而反饋給下游規(guī)劃模塊做出安全的決策。

但真實(shí)的交通場(chǎng)景中，可能有近百個(gè)交通參與者，每分每秒存在上千個(gè)軌跡。

在過去，預(yù)測(cè)主要以規(guī)則驅(qū)動(dòng)為主。即人工制定規(guī)則，對(duì)于極端案例的覆蓋來說，這種方案有明顯的局限：許多corner case無法被歸類，而且人工制定規(guī)則難以窮盡長尾問題。

Momenta的思路是通過100%數(shù)據(jù)驅(qū)動(dòng)（Data-driven）的方式構(gòu)建出準(zhǔn)確的預(yù)測(cè)算法，并通過海量真實(shí)路面場(chǎng)景的數(shù)據(jù)回流，自動(dòng)化地提高預(yù)測(cè)算法的性能。

這其中藏著兩個(gè)關(guān)鍵詞：多任務(wù)學(xué)習(xí)、集體智慧。

“多任務(wù)學(xué)習(xí)”是指從車和人的位置信息、角度信息、軌跡信息及速度四個(gè)維度對(duì)預(yù)測(cè)算法模型進(jìn)行聯(lián)合訓(xùn)練。

比如在速度估計(jì)的任務(wù)學(xué)習(xí)中，當(dāng)算法判斷一輛車的行駛速度很快，那么它5秒后的行駛軌跡自然應(yīng)該也較長，也就是跑得比較遠(yuǎn)，那么如果此時(shí)算法預(yù)測(cè)它未來5秒的所在位置卻很近，這樣的預(yù)測(cè)則顯然是不準(zhǔn)確的。

如此數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)模型就可以在算法內(nèi)部進(jìn)行自我矯正，不斷地進(jìn)行自主迭代，相應(yīng)地預(yù)測(cè)準(zhǔn)確性也就越來越高。

目前Momenta在各類道路交通參與者的軌跡預(yù)測(cè)上，誤差值為分米級(jí)別。

“集體智慧”則是數(shù)據(jù)驅(qū)動(dòng)的算法非常形象的表達(dá)方式。通過融合海量數(shù)據(jù)中成熟人類司機(jī)的駕駛行為，來理解周圍環(huán)境，理解不同車之間的交互以及車和路之間的交互，從而更準(zhǔn)確地預(yù)測(cè)目標(biāo)的未來行駛軌跡，讓算法更可靠地處理復(fù)雜路況。

也就是匯聚海量人類司機(jī)的“集體智慧”，打造“更像人”并最終可能“超越人”的智能駕駛。

基于上億數(shù)量級(jí)的龐大數(shù)據(jù)庫，通過3周數(shù)據(jù)驅(qū)動(dòng)的AI自主迭代，這樣訓(xùn)練的結(jié)果是，IM AD能夠更早、更準(zhǔn)、更及時(shí)地預(yù)判其他車輛的加塞意圖，使自車的減速時(shí)機(jī)提前了800毫秒。

在測(cè)試中，面對(duì)同樣的極近距離加塞場(chǎng)景，IM AD可以及時(shí)減速，制動(dòng)都比頭部玩家至少提早一個(gè)車輪的距離。

△?遭遇惡意加塞對(duì)比，來自智己發(fā)布會(huì)，左側(cè)為IM AD，右側(cè)為頭部玩家

數(shù)據(jù)驅(qū)動(dòng)的感知、預(yù)測(cè)在底層技術(shù)上其實(shí)是屬于L4及以上自動(dòng)駕駛系統(tǒng)的先天優(yōu)勢(shì)。

將這套“高階版”算法適配到量產(chǎn)車型上，其實(shí)是Momenta L4完全無人駕駛算法賦能到L2+智能駕駛產(chǎn)品的實(shí)例。

背后支撐的核心是Momenta數(shù)據(jù)驅(qū)動(dòng)的飛輪戰(zhàn)略。

飛輪一共有三個(gè)關(guān)鍵因子：數(shù)據(jù)驅(qū)動(dòng)、海量數(shù)據(jù)和閉環(huán)自動(dòng)化。

數(shù)據(jù)驅(qū)動(dòng)的算法是指Momenta投入大量精力打造的統(tǒng)一框架，可以自動(dòng)解決數(shù)據(jù)中存在的各種的問題，實(shí)現(xiàn)低成本、高效率的迭代。

在這個(gè)技術(shù)框架下，隨著海量量產(chǎn)數(shù)據(jù)的流入，算法會(huì)變得越來越「聰明」，系統(tǒng)不斷迭代，自動(dòng)化解決問題的比例也會(huì)越高。

這里的海量數(shù)據(jù)，既可以來自于商業(yè)運(yùn)營的Robotaxi，也可以來自搭載了Momenta量產(chǎn)自動(dòng)駕駛系統(tǒng)的乘用車。

在Momenta的技術(shù)架構(gòu)中，量產(chǎn)自動(dòng)駕駛產(chǎn)品Mpilot和L4完全無人駕駛產(chǎn)品MSD采用的是統(tǒng)一的傳感器方案和軟件架構(gòu)。

這也就意味著，量產(chǎn)車輛的數(shù)據(jù)，可以有效助力L4完全無人駕駛產(chǎn)品的提升。與此同時(shí)，Momenta的完全無人駕駛算法也能反饋?zhàn)钚碌募夹g(shù)給到量產(chǎn)自動(dòng)駕駛產(chǎn)品，從而不斷提升量產(chǎn)自動(dòng)駕駛的能力。

獲取海量數(shù)據(jù)之后，閉環(huán)自動(dòng)化工具鏈則包含數(shù)據(jù)采集、回流、分析、標(biāo)注、模型訓(xùn)練及驗(yàn)證環(huán)節(jié)，用來幫助數(shù)據(jù)和算法之間形成快速迭代的反饋閉環(huán)，這個(gè)工具鏈可以自動(dòng)篩選出海量黃金數(shù)據(jù)，驅(qū)動(dòng)算法自動(dòng)迭代，讓“飛輪”越轉(zhuǎn)越快。

這個(gè)過程不斷循環(huán)，自動(dòng)「消化」海量長尾問題，從而低成本、高效率地打通整個(gè)鏈路，而不是依靠「?jìng)鹘y(tǒng)」的人工驅(qū)動(dòng)，耗時(shí)耗力地調(diào)參來解決問題。

舉例來說，通過閉環(huán)自動(dòng)化工具鏈，自交付以來，IM AD功能迭代迅速，10天內(nèi)預(yù)測(cè)能力提升42%。海量真實(shí)場(chǎng)景數(shù)據(jù)驅(qū)動(dòng)的自我迭代，可以高效解決復(fù)雜交通場(chǎng)景，快速覆蓋規(guī)則驅(qū)動(dòng)無法處理的長尾問題。

所以，智己 IM AD 展現(xiàn)出來超越行業(yè)普遍水平的能力，僅憑基于規(guī)則的ADAS系統(tǒng)，很難做到。

核心是基于AI本質(zhì)的方法：數(shù)據(jù)驅(qū)動(dòng)。

這套方案，應(yīng)對(duì)加塞是拿下了最難場(chǎng)景下的一個(gè)展示。而在其他方面也有獨(dú)到的表現(xiàn)。

比如大車避讓：

IM AD可以精準(zhǔn)地識(shí)別出旁車道大車/異型車是否壓線或即將壓線行駛。

在與壓線或即將壓線的大車/異型車并行時(shí)，IM AD的行駛軌跡將略微向另一側(cè)偏移，與大車之間拉開30cm的“安全距離”，安全通過后再回歸車道中線，這樣的設(shè)計(jì)在保障安全的同時(shí)，也可以讓車主在行駛過程中感到更加安心。

這背后依然是基于數(shù)據(jù)驅(qū)動(dòng)的算法，通過日產(chǎn)量400萬的海量數(shù)據(jù)和100%的自動(dòng)化標(biāo)注，IM AD目前積累了累計(jì)生產(chǎn)一億量級(jí)的大車數(shù)據(jù)，其中有近2500萬為異型大車，覆蓋全量中國典型大車、異型車場(chǎng)景。

一個(gè)真實(shí)研發(fā)例子是：通過3周的算法快速進(jìn)化，IM AD成功開發(fā)出大車的壓線屬性。

這是建立用戶信任與產(chǎn)品舒適性的一個(gè)重要功能，也是區(qū)分諸如特斯拉這樣立足海外，和上汽、Momenta這樣立足國內(nèi)路況的自動(dòng)駕駛玩家的一個(gè)重要標(biāo)志。

另外，IM AD 的泊車成功率可達(dá)到95%以上，可實(shí)現(xiàn)極限條件下的自主泊車，在超級(jí)狹小空間下，車位空間和通道寬度僅為自車的外延的30cm：

得加塞者得L2天下

為什么這么說？

首先，從技術(shù)角度來講，加塞場(chǎng)景復(fù)雜度最高、技術(shù)要求最高。一個(gè)典型的加塞避讓過程，不但全面考驗(yàn)感知、預(yù)測(cè)等能力，還對(duì)系統(tǒng)的反應(yīng)時(shí)間、操控細(xì)膩程度提出更高的要求。

可以熟練應(yīng)對(duì)加塞的智能駕駛產(chǎn)品，在車道保持、定速巡航等功能上自然更加得心應(yīng)手。

從用戶角度來看，通勤場(chǎng)景內(nèi)擁堵路況下的頻繁加塞，是日常用車中最令人疲憊、惱火，也是最需要由智能駕駛系統(tǒng)代勞的場(chǎng)景。

這項(xiàng)能力其實(shí)才是L2一系列功能中用戶價(jià)值最高的。

L2的人機(jī)共駕，必須要邁出的一步就是：建立人對(duì)系統(tǒng)的信任。

加塞場(chǎng)景做得讓人心驚肉跳，讓車主不信任不敢用，其他的功能做再好，也很難體現(xiàn)出智能駕駛的本來價(jià)值。

但這項(xiàng)能力一直被主流自動(dòng)駕駛玩家忽略，直至智己IM AD。

拿下加塞場(chǎng)景，意味著什么？

IM AD，以及背后的Momenta，開始真正親力親為踐行自動(dòng)駕駛第一性原理。

所謂數(shù)據(jù)驅(qū)動(dòng)，意義不止于表面上獲取海量數(shù)據(jù)喂給AI，然后等待結(jié)果是否符合需求。這只能算“刀耕火種”的自動(dòng)駕駛系統(tǒng)。

數(shù)據(jù)驅(qū)動(dòng)的真實(shí)含義，不是執(zhí)行設(shè)定好的規(guī)則，而是讓AI自己從浩如煙海的數(shù)據(jù)中總結(jié)規(guī)律自我成長，在各個(gè)方面與人類駕駛行為無限接近。

這還代表著Momenta在有效數(shù)據(jù)的處理、訓(xùn)練、部署等等閉環(huán)環(huán)節(jié)上，已經(jīng)十分成熟，為日后超大規(guī)模數(shù)據(jù)處理和更短的迭代周期奠定基礎(chǔ)。

對(duì)于用戶來說，數(shù)據(jù)驅(qū)動(dòng)的算法自動(dòng)迭代，能帶來更安全、安心的駕駛體驗(yàn)。

比如上文提及的，在典型加塞場(chǎng)景中，IM AD可以將制動(dòng)時(shí)機(jī)提前800毫秒。

這意味著如果車主的時(shí)速為80km，IM AD可以提前17.8m制動(dòng)，如果車主的時(shí)速為60km，IM AD則可以提前13.3m制動(dòng)。

10余米的空間距離對(duì)于緊急情況來說意味著什么，沒人比各位老司機(jī)更清楚了。

在中國落地智能駕駛，要“更像人”，才能讓用戶敢用、愿意用，這才是系統(tǒng)有實(shí)用意義、能規(guī)模上量并形成數(shù)據(jù)閉環(huán)的前提。

所以，在智能駕駛領(lǐng)域，得加塞者得天下，IM AD和Momenta已經(jīng)快人一步了。

最后再做個(gè)互動(dòng)調(diào)查。在日常生活中，還有沒有別的用車場(chǎng)景，讓你覺得比加塞更煩人、體驗(yàn)感更差，而智能駕駛又解決得不好的？