關于自動駕駛的實現路徑，此前行業內一直存在爭論，有傾向于以攝像頭為主的視覺派，用更高的性價比降低自動駕駛的應用門檻，也有以激光雷達為主的派系，力求做到對周圍環境更精準的探測能力。然而隨著傳感器的成本逐漸向車規級方向靠攏，核心算法的快速迭代，自動駕駛不同路徑之間的界限正在消融，如何打造出兼顧安全性和高性價比的量產方案，推動高級別自動駕駛進入“量產時代”，成為了當前各大自動駕駛公司競相追逐的方向。
對此，輕舟智航聯合創始人、CTO侯聰給出的答案是，堅持多傳感器融合和更高的數據質量及使用效率，用10%的成本實現99%的L4能力，將量產成本降至最低一萬元人民幣，快速推動高級別自動駕駛的前裝量產。
用10%的成本解決99%的場景問題
在上周輕舟品牌日活動上，輕舟發布了新一代量產車規級自動駕駛方案DBQ V4，其中旗艦版可以實現完全的L4能力，而標配版則能夠以10%的成本即可實現99%的L4能力。不同成本對應不同應對場景的數量，成本越高就越能處理更加復雜的場景需求。侯聰表示，當面對更復雜的場景時，這個解決方案便需要更強的感知能力與計算能力，成本一定會有增加，所以這是一個成本與場景覆蓋度之間的平衡問題。
在品牌日上公布了一萬元成本解決方案之后，輕舟智航被問及最多的問題便是這個標配版的硬件架構究竟由哪些組件構成以及一萬元的成本是否能夠負擔得了這套硬件。侯聰樂觀地表示在輕舟智航的估算下供應鏈量產的成本完全沒有問題，其配置是隨“機”應變的，可以根據主機廠的需求進行更加靈活的搭配。如果用戶只關心如何解決99%的問題，成本只需要一萬元便能做到。但即便是1萬元人民幣的成本，依然還是會包括激光雷達、攝像頭以及域控制器等配置。
在純視覺的解決方案中，95%甚至99%以上的高速場景問題可以得到解決，但是輕舟智航為了保證足夠的安全性，還是增加了激光雷達來解決相關的長尾問題。同樣，單純依賴視覺也不能完全解決城市環境下的長尾問題。如果只是加一顆雷達便能滿足更多用戶在更多場景下的需求，激活更多場景下的自動駕駛能力，并進一步提高安全性，侯聰認為""這個成本非常劃算""。
堅持多傳感器融合的技術發展思路
針對DBQ V4提供的不同配置方案，侯聰表示，輕舟首先關注的還是覆蓋場景的百分比。如果以完全的L4去解決所有場景的自動駕駛需求就需要一個強大的傳感器配置方案，這樣才能增強感知的質量與距離，以應對更多的高速或其他復雜場景，提高覆蓋場景的數量。盡管這樣會用到數量較多的傳感器，但由于其單個成本受到前裝量產半固態方案的影響已經能夠做到較低的水平，并不會為輕舟智航帶來硬件上的成本壓力。
在輕舟智航的感知解決方案中，傳統認知中主傳感器的概念已經極其淡薄，多傳感器融合的思路中更重要的是去判斷在什么場景、哪種感知距離下、哪一個傳感器能夠發揮更大的作用。多場景融合的思路中，光線不理想的場景下，激光雷達的效果更好；雨雪霧等惡劣天氣中，毫米波雷達的識別率更高；200米以上的遠距離感知，則要交給攝影頭發揮作用。
與此相關的便是傳感器數量與成本的問題，輕舟智航將成本放在次要位置，首先考慮的是安全。侯聰認為無論Robobus還是Robotaxi都要保證沒有盲區，尤其是盲區極大的Robobus，必須降低靠近的行人與非機動車的潛在風險。為此，即便出現了傳感器性能的冗余也是必須承擔的成本。
相比數據量，輕舟智航更看重數據質量與使用效率
相對于那些看重積攢用戶行駛里程數據的自動駕駛研發者，輕舟智航在數據方面強調的是數據本身的質量與使用效率。只看公里數的話這個指標在侯聰看來過于單一，他更加關注的是為了進一步提升自動駕駛能力需要什么樣的數據。
在數據采集方面，輕舟智航在開發初期一直堅持做數據定向采集，已經借助上百臺的車隊規模在全國10個以上的城市收集到了大量的有著豐富多樣性的高質量數據，并借此使得數據增量邊際效益最大化。有著幾百萬臺車在路上跑的特斯拉可以通過數據挖掘的方式從海量數據中找到有價值的數據，這固然也是輕舟智航的方向之一，但由于這需要與車企共同努力才能達成目標，在未來和車長達成深度合作以后，則會轉向采用特斯拉的數據獲取方式。
與此同時，輕舟智航認為盲目地做路測與數據采集已經對于技術提升沒有多少幫助，真正有價值的數據來自于那些處理得不理想的長尾問題。針對這些場景的采集，一方面要通過制定系統化的采集策略去完成，后續更要通過與車企的合作以海量數據的挖掘來獲取數據，這樣才能實現采集數據的高效。
除數據采集外，基于精度更高的離線大模型和精心設計的數據工程，輕舟還可以更加高效的實現數據的自動化挖掘和標注系統，大大提高數據的使用效率，也更輕松且準確地完成對數據的自動化標注與篩選。
其中，在數據挖掘方面，據侯聰介紹，輕舟已經搭建完成了整套數據挖掘體系，在和主機廠合作中可以迅速挖掘出大量高價值數據。
在數據標注和模型訓練方面，輕舟利用領先的自監督學習技術，無需通過人工標注的方式來訓練部分感知模型，充分利用全量數據的價值；另外，利用半監督學習技術，可以通過跨傳感器跨時序的知識來進行標簽的自動化標注，極大程度彌補了人工標注成本高效率低的缺點。
在如此高效的數據采集、挖掘、標注和模型訓練基礎上，輕舟智航還實現了大規模的仿真場景的生成和泛化能力。目前，輕舟的測試里程中很大一部分來自仿真里程，這部分的數據量是實際行駛里程的百倍以上，去年已經突破了一億公里，為高效的技術迭代奠定了基礎。
小結
輕舟智航將致力于通過技術深度與場景寬度的持續深耕，向“將無人駕駛帶進現實”的使命不斷邁進。正如輕舟智航創始人、CEO于騫在演講中表示：“擇高處立、向寬處行是輕舟對于’將無人駕駛帶進現實’實現路徑的思考和總結，體現了技術和商業化并重的發展思路。輕舟將與產業伙伴密切合作，不斷探索適合中國自動駕駛商業化落地的道路，通過一個商業閉環推動更大的商業閉環，早日實現我們的終極目標。”
（鈦媒體網）
設為首頁
