「內卷」

當我在與汽車行業的朋友聊今年的行業態勢時，聽到最多的詞。

銷量見頂，增速下滑，遲遲找不到新的增長點。從東風雪鐵龍官宣降價開始，眾多車企只能無奈跟牌，讓渡利潤，保證自己在牌桌上停留的時間更長。

2023 年 7 月，梅雨季節，整個上海被籠罩在濕潤高壓的的氣流里，悶熱卻又無可奈何，就像今年的汽車行業，在等待一個出口。

自動駕駛行業也未能幸免，2023 年，行業急轉直下，明星獨角獸小馬智行宣布裁員，美國頭部自動駕駛公司 Argo AI 宣布解散，擎天智卡清盤。

從炙手可熱到視作敝履，竟然不到一年時間。

原因其實并不復雜，L4 商業規模化推廣遲遲未能到來，而從 L4 到 L2 的轉型必然面臨阻礙，也必然會有人被淘汰。

那么中國自動駕駛行業如何了？

這次嘉定舉辦的中國汽車行業論壇上，于騫給出了輕舟智航的答案：致力將中國方案打造成為全球標準，我們相信中國智造和中國標準的自動駕駛汽車將在全球范圍內擁有一席之地。

01

自動駕駛公司轉型的陣痛期已過

2021 年底，L4 自動駕駛公司降維 L2 的浪潮開始顯現，轉型必然面對質疑。學術能力似乎與工程能力成了首鼠兩端，關于 Demo 如何推廣到量產，沒有人可以很快回答。

缺乏經驗的自動駕駛公司們進入一個陌生的工程領域，競賽榜單刷點的榮耀并沒有讓工程化變得更加輕松。

舒適區是一個小范圍運轉的自動駕駛算法，可以單獨測繪高精地圖，可以在地圖上埋點，可以對某條路做好定向優化，Demo 出來永遠是驚艷的無接管。

面對量產車，無法被定義好的可用范圍，你永遠不能假定用戶到底要把這輛車開去哪里，也不知道未來到底會發生什么。

轉型的自動駕駛公司被架在火上烤，主要有兩個核心：

一，OEM 的降本需求。

以前 L4 級別的硬件不能被使用，激光雷達無法裝在車頂，無法提供 360 度的感知，一般只有 120 度左右的范圍。

相當于本來正常開車的人，眼前被蒙了一層白紗，而且眼睛不能左右看。

算力無法無限制使用，需要時刻滿足時延要求，感知的結果必須要實時給出，還需要為其他功能預留算力。

這就像工程隊原來有 100 人，現在可能只有 50 人了，還要分一半給別的工程。

當產業解決了硬件的布置問題，最核心的是硬件的成本無法下降，至少目前行業的整體成本能力還沒有達到自動駕駛公司和主機廠的理想型。

二，對功能的水準的要求。

上面我們說了成本，從 L4 動輒百萬的自動駕駛系統，現在已量產的乘用車方案里在成本上已經有了長足的進步，目前一套滿足城市 NOA 的系統（軟件 + 硬件）一顆禾賽/圖達通；7 顆攝像頭；兩塊 Orin X；四顆毫米波雷達，綜合成本大約可以做到 3 萬以內。

但這作為整車的 BOM 成本依然不便宜，而現在隨著車企對于功能水準的要求變大，高速 NOA、城市 NOA、自動泊車，可用范圍要比競品車型要大。

也就是說，硬件推倒重來，算法可能需要重寫。

不同的運行范圍和傳感器配置，數據需要重新調整，與原有工控機完全不一樣量產芯片適配，對應的神經網絡算子也可能有重寫的必要。

L4 公司從室內游泳池里學會的高超游泳技巧，面對開放世界的大江大河，很多經驗失效了。

一切幾乎重新開始。

例如一個看似簡單的 AEB 功能，為了保證功能安全，為了保證誤觸發次數在安全范圍內。那么需要海量的數據進行訓練，保證不因為異形車、路面低矮障礙物、鬼影等等進行誤觸發。

這些在之前的 L4 工程里，可能并不重要，因為 L4 的策略標定只要保證絕對的「安全」優先級第一。

這些完成之后，還有一個靈魂拷問，這個誤觸發率和正向觸發表現為什么比不上 Mobileye？

而 Mobileye 成立于 1999 年，2008 年就提供了 Eye Q1 芯片，目前出貨量已經超過一億片。

也就是說，Mobileye 至少是 15 年的視覺 AEB 積累和超過一億量產車集成的經驗。自動駕駛公司們，需要用自己的算法和工程能力與這些經驗進行賽跑。

一個嗷嗷待哺的孩子，對手是經驗豐富的成年巨龍，難度可想而知。

幾乎從零開發的 L2 功能的自動駕駛公司們，面對 OEM 提出的對標 Mobileye 的需求時，都發現算法不是全部，開始手足無措。

因此在過去的兩年，質疑聲四起，算法能力面對工程能力是否不重要。

好在依然有著務實的自動駕駛公司，低下了高昂的算法工程師的頭顱，認真理解 OEM 的交付需求，并一點點實現，并且用工程化的能力成功打動了主機廠，拿到量產訂單，安全度過了陣痛期。

Momenta 成功地在智己上量產高速 NOA 功能，也開始開發城市 NOA 功能；

地平線用開放的姿態與車企合作，在 L2+ 智能駕駛芯片領域與 Nvidia 平分秋色，獲得 49.05% 的市場占有率；

大疆在五菱宏光 KIWI 上成功證明自己智能駕駛絕對實力；

輕舟智航也獲得幾家車企定點，尤其是高速NOA功能受到好評。不久我們將會看到輕舟的方案跑滿大街小巷。

質疑聲開始逐漸變小，車企在逐漸接受本土供應商們，這不是一件容易的事。

那么這些公司做對了什么？

自動駕駛系統是一個軟硬結合的產品，即要有對自動駕駛技術趨勢的前瞻判斷，又要求供應商具有極強的工程能力，對自動駕駛科技公司的要求更是如此，地平線是一家芯片公司，但余凱博士要求團隊要有極強的算法能力，從理想 AD Pro 的能力來看，顯然地平線做到了。

輕舟智航這樣的軟件算法公司，同時要具備硬件定義的能力。此前輕舟設計的 Driven-by-QCraft multi-sensor fusion suite(Gen 4)第 4 代多傳感器套件方案，在最新的 IF 2023 年度獲獎名單中，從來自 56 個國家的參賽作品 11000 件殺出重圍，成為唯一一件自動駕駛公司打造的獲獎作品。

輕舟智航，正式宣布戰略轉型甚至是在 2022 年5月，一年多時間，如何以「輕快 、高效」的輕舟速度拿到量產定點的？

02

輕舟智航做對了什么

L4 的技術積累讓輕舟快速轉型

從 L4 的感知切換到 L2 級別感知，為什么難度這么大？

感知硬件不一致，整體傳感器輸入格式和內容與L4差異太大了。如果L4感知算法沒有足夠好的魯棒性，或者說為了Demo 做了過多規則化妥協，諸如某個路口檢測到某個紅綠燈應該如何反應；某種檢測結果如果置信度，但是在某個路口可以提高置信度。

這也就是我們常說的 Overfitting。

顯然這種算法不具備泛化能力，魯棒性很差，很難推廣應用。

而輕舟自成立到現在積累的感知和多傳感器融合能力，經受住了泛化性和魯棒性考驗。

其實自動駕駛的算法，從感知到規控存在明顯分層，一方面學術界的論文層出不窮；另一方面工程界為基礎的工程開發絞盡腦汁。從 L4 邁向 L2+ 的量產并不容易，它需要開發團隊具有對未來算法演進的判斷，這就是核心難點。

因為行業把注意力主要集中在特斯拉、蔚小理這樣的自研主機廠身上，忽略了輕舟其實是國內最早開始規劃并量產 BEV 大模型網絡的科技公司，同時，輕舟智航在發展過程中積累出的對感知系統評價方式的創新，也為感知和規劃控制的統一優化提供了更多機會，這也與端到端的自動駕駛趨勢非常吻合。

根據最近機器學習頂會輕舟智航發表的文章，他們評價感知系統并不是通過單一的感知結果的真值對比進行評測，而是將規劃控制的結果作為重要的評價指標。

也就是說，感知的誤差如果沒有讓規劃控制產生失敗的結果，那么這種感知誤差在某種程度上是可以被接受的。并不是直接去評價看得準不準，而是去評定感知結果出來之后，算法做的對不對。

這種直接面向功能表現的評價指標，讓輕舟智航在面對主機廠苛刻的功能要求時，反而有了更多底氣。算法開發時的目標與需求已經基本對齊，能夠防止感知和規劃各自進入局部最優，但是組合起來反而效果不好。

BEV 多任務模型感知能力

相較于 Mobileye EyeQ5 的方案，BEV 能夠對周圍環境做更加精準的感知。

從俯視圖的角度，看到更多周圍的交通參與者，多個攝像頭共享的信息能夠對半遮擋的物體做到精準感知，也能通過時序來推導物體的運動狀態。這與傳統的 2D 檢測后轉 3D 方案有著本質的區別，感知能力幾乎是降維打擊。

上帝俯視視角和人類視角有著本質的區別。

輕舟智航BEV 的多任務感知結果非常優秀，車道線識別、周圍車流的精準語義識別、深度識別，都在同一個 BEV 任務中輸出，共享同一個基礎骨干網絡的 Feature 有效節省了算力需求。

也就是說，原來多個神經網絡才能完成的任務，現在主要由一個神經網絡實現主要部分的計算，最終的任務都是在這個主要的神經網絡上的結果進行推理。

在 BEV 整體架構的基礎上，輕舟也做了工程化創新，通過前視 + 側視 + 環視?眼共 11 個相機輸?，來生成統一的 BEV 特征圖，同時又將 BEV 特征圖設計為不同分辨率的兩層，根據近距離高精度的需要使用高分辨率，遠距離使用低分辨率。

這樣分別對行車和泊車有不同的子任務，滿足行泊一體化的精度要求上，也能有效降低算力的使用。

高速 NOA 上典型的主動變道，上下匝道出現的功能失效退出，大部分都是感知對距離和速度估計準確度不夠，而BEV方案的高準確度，能夠讓規劃控制算法有著更多空間。

這也就為高速 NOA ，城市 NOA 打下了堅實的環境感知基礎。

多傳感器融合感知能力

說到融合算法策略，常見的有前融合（傳感器信息共享之后輸入網絡），后融合（各個模塊輸出結果之后對結果進行融合），而輕舟智航提出超融合的概念，并沒有將前融合和后融合嚴格個區分，而是按需使用傳感器 Raw 數據，中間層特征，目標，時序信息等等。

確實，類似人類如何理解世界，我們可能是用眼睛看（感知），看的過程中可能回想起以前的經驗（時序信息），結合聽到的聲音之后進行推理（后融合）；也有可能我們一邊聽一邊看，互相驗證，共同得到對世界的認知（前融合或者中融合）。

這幾種在人類認知世界的過程中并不會被顯著區分，每個人都有自己的習慣，每個場景也不一樣（超融合），但是都得到當下最優的感知結果。

這也是是輕舟智航的 OminiNet 的設計原則，將原始數據，一些神經網絡中間層參數或者是神經網絡輸出結果進行融合，甚至在時序層面也可以共享多個時間窗口信息進行融合。

所以我們看到，整個感知從 3D 檢測，到實時地圖構建；從預測，到多物體的跟蹤；從攝像頭視覺感知到 Lidar 感知；多個任務被融合在一起，構建成一個多傳感器特征和時序融合的大模型。

這種統一又靈活的構建方式，讓每個傳感器的信息得到充分利用。

這與 CVPR 2023 Best Paper UniAD 的思路非常相似，可以使用 BEV 的 Feature 或者某個模塊的融合結果作為輸入，保證整個網絡能夠有足夠多的信息，進行環境精準的感知。

例如異形大車的識別和跟蹤，也不再是一個非常難以解決的任務。

這是輕舟對于解決感知的一些工程實踐。

低成本的輕地圖方案

很多 L4 公司早期的技術棧可能是地圖埋點，高度依賴高精地圖的路徑信息進行規劃控制。這也是很多 L4 公司無法進行大規模推廣的原因之一。

在某一個小范圍地圖里進行大量的測試、適配，進而得到比較好的表現。

這就帶來了非?？膳碌慕Y果，整個自動駕駛系統與這部分地圖進行了高度綁定，整體的推廣泛化的成本極高，對每一個新的區域都需要再次適配。

而量產輔助駕駛的運行范圍顯然不能只局限于某一個區域，甚至區域的拓展性也是互相競爭的重要指標。

輕舟智航自研的 QmapNet，實現了實時感知與導航地圖（區別于高精地圖，例如我們日常使用的高德，騰訊地圖都屬于此列，輕量化、成本低，但是定位精度和車道線需要算法保證）融合得到實時地圖構建，支持城市復雜道路的行駛。

不需要依賴高精地圖，也就不需要經常更新高精地圖，同時在一些密級較高無法提供高精地圖測繪的城市區域，也能夠保證功能開啟。

輕地圖方案，為城市 NOA 的推廣提供了非常廣闊的空間。而輕舟已經具備這樣的能力。

眾所周知，由于城市布局的原因，輕地圖在短時間內并不容易實現。但我相信，具有這一能力的輕舟智航，未來可以通過和圖商攜手實現「輕地圖」的路線。

數字基建為核心的公司戰略

在成立之初，輕舟就將數字基建放在了一個非常高的位置，例如數據閉環與仿真。 在自動駕駛行業內，公認輕舟智航擁有最強大的數據閉環工具鏈之一，內部可以自動化進行危險場景挖掘，可以支持算法不斷的快速迭代和升級。

在 L4 為主要戰略目標的時候，這部分基建就耗費了非常大的資源，當時甚至還有人看不懂輕舟的戰略部署，將工程能力提升到如此的高度是否是舍本逐末。

事實證明，這些積累極大縮短了輕舟的轉型之路。

優秀的數據閉環系統在開發 L2 級別的輔助駕駛方案時能夠被直接復用，也大大降低了數據標注的時間成本，而當時積累的 L4 級別 仿真技術更是讓輕舟的驗證過程高度虛擬化并大大縮短。

行業內較早使用基于純視覺的 NeRF（一種神經體素訓練網絡，可以使用純視覺傳感器完成周圍環境的重建，但是計算資源耗費較大，重建精度需要算法保證）3D 重建技術和標注系統，這與 Tesla 的技術路徑非常類似，可以從視覺中獲得真值。

就像人類一樣，可以直接通過眼睛學習整個世界的 3D 空間。

與此同時數據采集時，由于輕舟智航也有部分 Lidar 回傳結果，也能直接獲得一部分 3D 位置，精度也會大大提升。

數據回傳之后，通過數據自動標注系統，很快能夠得到真值，并且及時進行算法訓練。同時，利用離線點云大模型，可以實現很多場景的自動挖掘，自動積累場景庫。

這是其他公司不曾具備的優勢。

而 3D 重建后的世界，也就保存了當時數據采集時行車的狀態，這可以進入虛擬測試仿真世界，自由地對場景進行修改，例如添加某個危險物體，或者刪除某個交通參與者，進行虛擬測試，也加快了驗證的速度。

厚積薄發，執著得到了回報。

03

自動駕駛下半場的關鍵詞：中國自動駕駛

L4 級別自動駕駛遲遲無法商業化的今天，自動駕駛公司們躬身降級，用自己 L4 自動駕駛開發的積累賦能 L2，過程也許很艱難也會面臨質疑。

但是真正優秀，堅韌的公司從來不會被行業趨勢淘汰，而是在變化中開發更加優秀的產品。

我看到小鵬和華為在城市 NOA 上的巨大突破，引領行業發展；

我也看到了地平線在高算力芯片上的突圍，斬獲上百個車型定點；

我看到中國激光雷達廠商們后來居上，用出貨量宣布王座易主；

我還看到輕舟智航們在算法和工程集成上的努力和車型定點回報，用行動反擊質疑。

從軟件到硬件，從算法到工程集成，都有對應的公司占據了關鍵位置，時刻準備參與全球競爭。

作為智能駕駛行業的觀察者，我覺得我極度幸運，能看到整個產業鏈逐漸成熟，一幅巨大的，全球唯一的智能駕駛產業版圖正在徐徐在我面前展開。

在 2023 年 6 月 21 日，工信部也宣布要支持 L3 級別的自動駕駛立法。

幾乎同時，CVPR，全球計算機視覺頂級會議中最佳論文由中國自動駕駛團隊獲得。

編輯：黃飛

?