撰文 / 周 洲
編輯 / 張 南
設計 / 師 超
“現(xiàn)在行業(yè)上對自動駕駛尤其是無人駕駛非常悲觀，但熟悉輕舟的朋友們都知道，‘將無人駕駛帶進現(xiàn)實’ 是我們輕舟的愿景，也是我們奮斗的方向。今年藍皮書論壇的主題是‘不負’，那么我們也希望不辜負當下最好也是最壞的時代，最終將實現(xiàn)無人駕駛帶入到千家萬戶?！?月16日，輕舟智航聯(lián)合創(chuàng)始人、CEO于騫在第十五屆中國汽車藍皮書論壇上發(fā)表了主題為“不負韶華，將無人駕駛帶進現(xiàn)實”的演講。
于騫指出，無人駕駛的目標一定是前途光明的，但是道阻且長、行則將至。
(資料圖)
他從三個方面進行了闡述：算法、數(shù)據(jù)和量產(chǎn)交付。
于騫在演講中提出，在城市NOA大范圍普及之后，完全的無人駕駛才會出現(xiàn)?！暗紫龋枰敵鞘蠳OA最終得以達到一定的滲透率之后，無人駕駛的大幕才會拉開，城市NOA是輔助駕駛的天花板，也是無人駕駛的入門門檻。這里需要大量數(shù)據(jù)的積累?！?/p>
輕舟智航認為，城市NOA需要大量數(shù)據(jù)的積累才能最終將完全的無人駕駛帶到現(xiàn)實中來。良好的感知、規(guī)控的能力都離不開數(shù)據(jù)方面的積累和使用能力。
在量產(chǎn)交付中，基于自身經(jīng)驗，于騫總結了三大挑戰(zhàn)：
第一，極致體驗和成本的挑戰(zhàn)。目前智能駕駛的體驗尚未達到消費者愿意為其付費的水平，只有通過將體驗提升到極致水平，才能形成正向循環(huán)。而要實現(xiàn)正向循環(huán)，體驗必須達到一定效果，并且在成本方面，需要避免過度堆砌材料以實現(xiàn)更好的客戶價值。
第二，一次性交付和持續(xù)OTA的挑戰(zhàn)。因為智駕的方案不是簡單一手交錢一手交貨，更需要OTA不斷升級，使得它越用越好，常用常新。輕舟可以為主機廠客戶提供一整套的工具鏈產(chǎn)品，大幅度降低開發(fā)的成本。
第三，全棧自研和自主可控的挑戰(zhàn)。相對而言，如果主機廠采用“全?？煽亍钡哪Ｊ剑詢r比將更高，供應商的分工也可以更加靈活。然而，管理供應商需要投入成本，并且在與多個供應商合作時需要解決上下游的沖突問題。
輕舟智航認為，在確保全?？煽氐幕A上，讓專業(yè)的人做專業(yè)的事，一方面專業(yè)的供應商可以幫助主機廠更快地完善產(chǎn)品并交付，另一方面還可以提供技術服務，幫助主機廠更快地建立自主研發(fā)的能力。
輕舟智航在成立之初，就應用類似ChatGPT大模型的方法，采用BEV top-down的模型，實現(xiàn)非常復雜的感知能力，通過在一個車載模型上跑數(shù)十個不同的任務來實現(xiàn)效率的提升。
輕舟智航也是比較早的運用前、中、后融合的技術，包括將時序融合用在車規(guī)級量產(chǎn)芯片的公司。其擁有非常靈活的框架，可以同時支持不同傳感器的信息，適配不同車型的傳感器要求，使其在不同的車型配置上能夠采用同樣的模型來實現(xiàn)完全視覺感知能力，例如在城市道路，過高架、城區(qū)包括擁擠路段、快速路段還有隧道等多任務，還包括一般障礙物和語義的信息等。
在只基于SD MAP的情況下，輕舟智航通過Transformer架構的感知地圖的QmapNet來實現(xiàn)道路幾何的感知和SD MAP融合，具備通過復雜路口以及精確的拓撲的建圖能力，從而將其感知能力和標精地圖實時匹配起來，達到在城市內部實現(xiàn)比較復雜的駕駛能力。
此外，輕舟智航最早在行業(yè)中最早推出時空聯(lián)合規(guī)劃的方法，并實現(xiàn)在實車車規(guī)量產(chǎn)芯片上跑起來。
良好的感知、規(guī)控的能力都離不開在數(shù)據(jù)方面的積累和使用能力。輕舟智航是在行業(yè)里很早就將基于純視覺的NeRF的建圖方式和三維重建的真值標注系統(tǒng)結合在一起，實現(xiàn)大規(guī)模的非監(jiān)督形式標注，來提高整體標注效率的公司。
無人駕駛的落地是一個漸進的過程，還需要政策法規(guī)、保險、運維等各方配套。
于騫在現(xiàn)場倡議如下：一是在安全使用數(shù)據(jù)、共享數(shù)據(jù)方面，需要各行業(yè)協(xié)會、政府、上下游企業(yè)群策群力，共同制定并推動相應法律法規(guī)的出臺和落地，規(guī)范數(shù)據(jù)的使用；二是建立數(shù)據(jù)共享和應用聯(lián)盟，在保障數(shù)據(jù)安全的前提下，構建汽車數(shù)據(jù)共享機制及平臺，實現(xiàn)數(shù)據(jù)的共享和高效流通，提高數(shù)據(jù)利用和閉環(huán)水平。
以下是于騫演講實錄。
無人駕駛到底是不是忽悠？最近這段時間大家對整個無人駕駛行業(yè)進展都非常悲觀，我們與業(yè)內人員也討論過這件事，那么，我今天為什么還要講主題叫“將無人駕駛帶進現(xiàn)實”？
將無人駕駛帶進現(xiàn)實就是輕舟智航奮斗的方向，地平線的余凱總也跟我講過很多次，別講無人駕駛帶進現(xiàn)實了，無人駕駛到底行不行??？我們認為，將無人駕駛帶進現(xiàn)實的這個事兒要干二十年，在二十年里無人駕駛是可以實現(xiàn)的。
今天藍皮書主題是“不負”，我也想表達一下“不負”，是不負我們的初心，我們認為這件事兒是能夠實現(xiàn)的。當然實現(xiàn)無人駕駛的道路是非常曲折的，有很多不同的路線，其中有一條路線大家都非常清楚，就是Waymo的路線。
Waymo從2009年開始在X實驗室就開始做無人駕駛的項目，即便到今天也沒有完全將無人駕駛大范圍的落地。它其實走了一條非常痛苦的一條路，非常難的一條路，當然也取得好的進展。最近大家可以看到完全無人化的車隊已經(jīng)成規(guī)模的運營，這是很挑戰(zhàn)的路。
另外一條路是特斯拉，特斯拉走了非常巧妙的路。它通過以智能電動車的方式在不斷地推進，特斯拉走的路非常符合用戶價值。雖然它們現(xiàn)在講的都是輔助駕駛比較多，但它們給自己的最終目標還是要實現(xiàn)完全的無人駕駛?？梢钥吹剿鼘SD的命名Full Self-Driving，包括它最終給大家描繪的圖景也是無人駕駛的方式。所以我認為這兩條路都可以通過不同的努力路徑來實現(xiàn)最終的無人駕駛。
從整個無人駕駛的發(fā)展來看，我覺得前途是光明的，只不過這個道路很長，行之將至。在這條道路上我覺得最核心的還是要始終圍繞用戶價值，不管是供應商來講還是車廠，大家都希望將無人駕駛帶到現(xiàn)實中來，因為無人駕駛很大程度上能夠讓我們整個出行和交通更加安全，更加舒適，更加便捷，這都是我們希望無人駕駛能夠帶來的，但這條路會非常長。
從早期做ADAS產(chǎn)品開始，就是一步一步這么走過來的，我覺得這條路是非?，F(xiàn)實的路。包括特斯拉也在這條路上一直在狂奔，從最早的基礎ADAS功能，到L2+的功能，再到現(xiàn)在做到的高速NOA和城市NOA，最終將無人駕駛帶進現(xiàn)實的目標。最早特斯拉產(chǎn)品的定義名字叫Autosteer就是基礎的L2的功能，它的Autopilot高速NOA到FSD進入到城市NOA的階段，在這條路上來講，最終是有機會走到完全無人駕駛的。
什么時間完全無人駕駛才會出現(xiàn)呢？很大程度上，我覺得應該在城市NOA大范圍普及之后，完全的無人駕駛才會出現(xiàn)。如果現(xiàn)在公開道路上的車有十分之一或者是五分之一的車能夠在公開道路上使用城市NOA的功能，能夠打開的話，我覺得這個離我們最終將無人駕駛的普及就不遠了。
我們可以參考ChatGPT的發(fā)展，它基本上把地球上有價值的語言文字信號都利用起來以后，就可以打開從量變到質變的過程。類比自動駕駛的行業(yè)，當我們在整個地球上所有有價值的街景的數(shù)據(jù)都能為我們所利用的時候，我們模型能力也能把他們用好的情況下，這時候我覺得完全的無人駕駛就會到來。
但我覺得像高速NOA和城市NOA這樣的階段是必不可少的，一定會度過的，怎么去驗證完全的無人駕駛能夠到來？它一定是通過大量的統(tǒng)計數(shù)據(jù)。比如說機器駕駛的安全程度比人安全十倍，這個時間點是不是就可以真正的完全去實現(xiàn)了？但這個一定要通過更加廣泛的驗證才能得到。也有其他的觀點提到可能不需要十倍，可能五倍搞定了，剩下的那兩倍靠保險或者其他的方式也能夠稿定，但是需要通過大范圍的驗證來實現(xiàn)完全的商業(yè)可行，所以我覺得現(xiàn)在我們所處的這條道路是可以走向完全的無人駕駛，只不過這個道路會比較長。
我們提過，在通向無人駕駛的道路上，有一個非常重要的節(jié)點就是城市NOA，它是輔助駕駛的天花板也是無人駕駛的入門門檻。這里需要大量數(shù)據(jù)的積累。
從自動駕駛的分水嶺來講，早期的ADAS方案是沒有辦法進化到完全的自動駕駛的。因為基本都是采用一手交錢一手交貨這樣的交付方式，沒有辦法觸及到數(shù)據(jù)。
大家知道自動駕駛三個主要要素：算法、算力和數(shù)據(jù)，這個數(shù)據(jù)是非常關鍵的，需要不斷OTA升級有數(shù)據(jù)的觸及才可以最終實現(xiàn)。所以，我們認為城市NOA需要大量數(shù)據(jù)的積累才能最終將完全的無人駕駛帶到我們的現(xiàn)實中來。
當然做到很好的城市NOA體驗，其實挑戰(zhàn)很大。我們現(xiàn)在看到的城市NOA的產(chǎn)品價值還沒有完全體現(xiàn)，大部分做的還是非常基礎的功能，我也非常贊同目前的高速NOA還沒有做好，很多地方的用戶體驗并不好，更別提城市NOA了，很多城市的NOA體驗還是屬于戰(zhàn)戰(zhàn)兢兢的狀態(tài)。
當然我也看到一些產(chǎn)品的體驗在逐漸地變好，有一些泊車的場景已經(jīng)能做到非常好的體驗了。有一些泊車的測試工程師跟我反饋說，測試完泊車的體驗以后，他自己的泊車能力都下降了，發(fā)現(xiàn)自己都不想泊了。從高速NOA到城市NOA的過程中一定會有這樣的過程，使得大家真正愿意為智能駕駛的體驗買單，我覺得這才是我們最終將城市NOA帶到現(xiàn)實，將無人駕駛帶到現(xiàn)實的必經(jīng)之路，要圍繞著用戶價值去打造。
在準備材料之前，我們同事問，到底要不要講技術內容？我說一定要講技術內容，因為自動駕駛的背后需要大量的技術創(chuàng)新，我們不想跟行業(yè)講我們只是拿了哪些認證，我們更希望在技術創(chuàng)新上給大家多分享，在現(xiàn)階段到底怎樣才能真正的把這些非常有挑戰(zhàn)的任務完成好。我盡量會把技術背后的用戶價值和客戶價值講清楚。
大家看到最近的ChatGPT的發(fā)展有兩方面的層次：一方面很重要的是多模態(tài)、多任務的學習，這個在我們自動駕駛是非常關鍵的一步。因為車載的算力是非常有限的，如果我們把這么復雜的自動駕駛的功能，感知的能力切分成很多非常小的模塊的話，我們是沒有辦法在這么有限的資源下實現(xiàn)這樣的能力的。
輕舟智航在成立之初，因為人很少，無法把團隊切分成很多小模塊進行開發(fā)，所以我們很早就采用這種大模型的方法，采用BEV top-down的模型去實現(xiàn)非常復雜的感知能力。我們可以通過在一個車載模型上跑數(shù)十個不同的任務來實現(xiàn)效率的提升，當然也非常感謝地平線的支持，我們很早就在地平線的征程5芯片上實現(xiàn)了BEV，包括時序的BEV模型部署，達到了量產(chǎn)的狀態(tài)。
大家經(jīng)常講的融合是前融合用的比較多，我們在行業(yè)內比較早的運用了前、中、后融合的技術，包括將時序融合用在車規(guī)級量產(chǎn)芯片的公司。我們還有非常靈活的框架，可以同時支持不同傳感器的信息，包括在底層的，像視覺傳感器、毫米波、激光雷達，這樣可以更加方便地適配不同車型的傳感器要求，使得我們在不同的車型配置上能夠采用同樣的模型來實現(xiàn)這樣的能力。這是完全視覺感知能力，例如在城市道路，過高架、城區(qū)，包括擁擠路段、快速路段還有隧道等多任務，這里我們只列了一部分，還包括一般障礙物和語義的信息。
我們在越來越復雜的感知能力上的體現(xiàn)，確實需要多種傳感器的融合，同時需要多任務的網(wǎng)絡來進行。
另外，關于大家提到的行泊一體，我這里舉的例子并不是我們完全要做泊車的任務。為什么很多泊車體驗之前做得不好？一方面是算力有限，另外是資源沒有把算力資源充分利用起來，大部分采用的是拼接或者分時方案把行泊做在一起，我認為真正的行泊體驗一定是與用戶側體驗一致，不需要手動切換，能夠實現(xiàn)真正的完整體驗。
我們把整個泊車感知的能力通過BEV網(wǎng)絡重新體現(xiàn)了出來，包括在泊車的傳感器，我們也可以更多的把它在行車過程中利用起來，實現(xiàn)真正的行泊一體的完整方案。
左圖是我們在行車過程中使用魚眼攝像頭的體驗，包括我們在泊車上利用一些BEV、占據(jù)網(wǎng)格等實現(xiàn)的功能，可以把傳統(tǒng)的技術點在更強算力、更好方法的計算框架下實現(xiàn)能力，所以我們認為新的用戶體驗一定要有新的方法才能真正達到更好。
剛才也提到無圖，在城市NOA里面我認為無圖或者輕地圖的方式是非常必要的。從高速的地圖上來講，通過一定程度更新的采圖，還是比較容易實現(xiàn)的，但是一旦進入到城市的范圍內，地圖的普及擴大會非常有挑戰(zhàn)。
這里為大家介紹我們的感知能力，在只基于SD MAP的情況下，我們通過Transformer架構的感知地圖的QmapNet來實現(xiàn)道路幾何的感知和SD MAP融合，具備通過復雜路口以及精確的拓撲的建圖能力，從而把我們感知能力和標精地圖實時匹配起來，達到在城市內部實現(xiàn)比較復雜的駕駛能力。
除了感知和地圖能力以外，規(guī)控也是在城市導航里面非常具有挑戰(zhàn)的一部分。尤其在中國的道路情況下，有各種各樣的情況，比如匝道、無保護左轉以及窄路的通行，都是具有非常挑戰(zhàn)的，但在城市環(huán)境下，這些情況卻又是不可避免的。
很早以前，輕舟智航對駕駛行為方面做了大量的工作，能夠比較好的應對城市內部的駕駛體驗。同時，在高速上也是很需要這方面的能力，尤其像智慧躲閃的情況，以及對動態(tài)障礙物更好的博弈的策略。我們在行業(yè)中最早推出時空聯(lián)合規(guī)劃的方法，并實現(xiàn)在實車車規(guī)量產(chǎn)芯片上跑起來，目前這種方法也是大家普遍認可了的。傳統(tǒng)的方法大部分通過時空解耦的方法，首先在空間中選擇一條軌跡再去優(yōu)化速度，這樣的方法對于城市內部的道路是基本上不可能的，會造成很多手寫規(guī)則、很多邏輯的問題。所以我們通過一個更好的時空聯(lián)合規(guī)劃的優(yōu)化器大量減少人工參與。
當然良好的感知、規(guī)控的能力都離不開我們在數(shù)據(jù)方面的積累和使用能力，我們在行業(yè)里，也是很早就將基于純視覺的NeRF的建圖方式和三維重建的真值標注系統(tǒng)結合在一起，實現(xiàn)了大規(guī)模的非監(jiān)督形式的標注，使得整體的標注效率非常高。這也可以看到，我們絕大部分的任務都是靠非監(jiān)督學習來實現(xiàn)的。在所謂大模型里另外一個非常重要的基石就是能夠很好的使用非監(jiān)督學習。
在成立四年的時間里，我們也得到了很多認可，包括一些論文。今天我們有三篇入選CVPR頂會的論文，此前也有ICCV、CVPR的論文、期刊的論文，以及一些軟著和專利的申請。我們還在國內外各類重量級的賽事中嶄露頭角，在WAIC世界人工智能大會多任務網(wǎng)絡學習里獲得第一名；在深度估計KITTI也是排名第一；在Argroverse中，2021、2022年，這兩次我們都是前三名，2021年是冠軍。
在這里，我有一個倡導，在城市范圍大規(guī)模的導航能力出現(xiàn)的時候，我們特別需要數(shù)據(jù)方面的積累。尤其在數(shù)據(jù)使用和共享上還有欠缺很多機制，以及規(guī)范的標準，需要全行業(yè)的聯(lián)動和推動，讓我們把數(shù)據(jù)的能力能夠充分建立起來，需要行業(yè)協(xié)會、企業(yè)，還有上下游的合作伙伴群策群力，我覺得地平線和賈可老師推出的“公約數(shù)”服務平臺的方式非常好，能夠讓我們把很多重復的工作在“公約數(shù)”的倡導下建立起來。
我們在量產(chǎn)交付中還遇到了很多挑戰(zhàn)和困難，比如極致體驗和成本的區(qū)分。大部分來講，我們現(xiàn)在智駕的體驗還達不到消費者愿意為它買單的程度，所以只停留在3%-5%的成本，我也非常贊同現(xiàn)在的整個智駕在消費者面前還不是非常必要的選項。
只有把體驗做到非常極致了，讓消費者愿意買單，這件事情才能形成正向循環(huán)，否則大家只能是比成本來殺價格。我覺得正向循環(huán)一定要讓體驗達到一定效果才可以實現(xiàn)。
另外在成本方面，我們一定要避免堆料來實現(xiàn)更好的客戶的價值。這里還涉及到一次性交付和持續(xù)OTA的挑戰(zhàn)，因為智駕的方案不是簡單的一手交錢一手交貨的問題，更多需要不斷OTA升級，使得它越用越好，常用常新，輕舟愿意為主機廠客戶提供一整套的工具鏈產(chǎn)品，可大幅度降低開發(fā)的成本。最后，關于全棧自研和自主可控的討論，這里涉及的行業(yè)比較多，我就不多講了。
現(xiàn)在的行業(yè)發(fā)展屬于非常早期，但在今年車展上，我們看到了基本上有L2及輔助駕駛功能以上的車款已經(jīng)超過77%，所以已處在了行業(yè)非?？斓谋l(fā)期。包括高速NOA滲透率，從行業(yè)的估計來講，也會從個位數(shù)預計到2025年達到25%。
當然，我們希望在2030年可以看到更多具備非常高級的輔助駕駛功能能夠出現(xiàn)在我們的車上，包括L3甚至L4的功能。從整個人工智能發(fā)展過程看，通用人工智能可能離我們不會太遠。如果從未來回看現(xiàn)在的話，很有可能自動駕駛只是很簡單的問題，其他很多問題要比這個更復雜，等我們真正走到那一步的時候，可能會有很多不一樣的感受。這就像剛才吳聲老師講到的，偉大很多情況下是沒辦法設計出來的，說不定某天某家公司就提出非常好的方法或技術能夠將我們整個技術大范圍提升，就像OpenAI在自然語言理解里面實現(xiàn)的東西一樣。
道阻且長，不負韶華，我們非常期待將無人駕駛帶進現(xiàn)實。
關鍵詞：
為你推薦
