[汽車之家 行業(yè)]  由智能化、電動化帶來的全球汽車產(chǎn)業(yè)的大變革已經(jīng)取得成效。在這一輪變革中，技術(shù)快速迭代，消費(fèi)者需求也發(fā)生了明顯改變，甚至在我國形成了“無智能，不電動”的特有現(xiàn)象。若將智能、電動這兩個標(biāo)簽拆分來看，后者相對較低的門檻本就是我國繞過傳統(tǒng)壁壘實(shí)現(xiàn)競爭的根源所在，前者則是“換道超車”的差異化競爭的重要倚仗。

　　也就是說在隨后的進(jìn)一步變革中，智能化能力的強(qiáng)弱，將直接決定車企的競爭上限。如今的智能座艙發(fā)展可謂日新月異，巨屏、車外語音、手勢操控等新配置/功能不斷涌現(xiàn)，而在智能駕駛領(lǐng)域，大家越來越卷。

　　其實(shí)想實(shí)現(xiàn)真正的自動駕駛，無非是兩條路徑：第一條是自上而下，直接定位到L4\\\\L5級別無人駕駛，再將配置、能力逐步下放，從而實(shí)現(xiàn)低成本解決絕大部分無人場景；第二條則是如今主機(jī)廠們慣用的形式，自下而上，量產(chǎn)低級別智能駕駛，并通過其環(huán)節(jié)中產(chǎn)生的大量數(shù)據(jù)不斷迭代技術(shù)，向更高級別演進(jìn)。在這條路線中，能否量產(chǎn)是最關(guān)鍵一環(huán)。

　　據(jù)汽車之家研究院公布的《中國智能汽車發(fā)展趨勢洞察》報(bào)告中顯示，2022年，主動剎車、車道保持輔助系統(tǒng)、自適應(yīng)巡航系統(tǒng)等L2級智能駕駛代表性功能的市場滲透率高速增長，哪怕此前略顯保守的海外品牌，也將上述部分功能當(dāng)成了新車標(biāo)配。

　　但在真正考驗(yàn)“L2+”智能駕駛能力的領(lǐng)域，比如城市NOA（面向城市域的高階智能駕駛輔助系統(tǒng)，不同車企間叫法不同），能實(shí)現(xiàn)向上突破者寥寥。大部分公布了城市NOA功能的企業(yè)，要么屬于“期貨”尚未兌現(xiàn)，要么是采用內(nèi)測、早鳥等形式推送，距離真正的量產(chǎn)尚有距離。而自動駕駛領(lǐng)域的下半場競爭的開端，也就藏在上述量產(chǎn)難題之中。

★路線之爭：從【重】地圖到【輕】地圖

　　從目前來看，有能力涉足城市NOA領(lǐng)域的玩家并不在少數(shù)。走從下到上路線的企業(yè)有毫末智行、蔚來、理想、小鵬、集度等；走從上到下路線的企業(yè)有百度、輕舟智航、小馬智行等。不過從推出時間和推廣規(guī)模來看，這些車企的城市NOA大多集中在廣州、深圳、上海這三個城市。

　　比如小鵬，2022年9月，小鵬城市NGP智能導(dǎo)航輔助駕駛在廣州正式開啟試點(diǎn)，首批被推送的用戶是從廣州提交過智能輔助駕駛建議的P5車主中隨機(jī)選取，且初期必須得經(jīng)歷“新手模式”——即在部分條件適宜路段使用城市NGP超過100公里，時長超過7天后才可解鎖全部路段。自此一段時間后，該功能才逐漸面在深圳、上海開放。

　　曾在某次上海車展前夕憑借“自動駕駛”視頻火遍全網(wǎng)的極狐，雖然在2022年5月就交付了極狐阿爾法S HI版，但到9月才于深圳開啟城市NCA功能測試，并于隨后延伸至上海。

　　之所以早期城市NOA集中在廣州、深圳、上海，是因?yàn)樯鲜鋈�大城市是國�?nèi)最早一批頒發(fā)高精地圖城市試點(diǎn)的許可的城市。與高速域不同，面向城市域的高階智能駕駛要面對的復(fù)雜路況呈指數(shù)級增長，信號燈變化、潮汐車道變化、路面行人軌跡預(yù)測、非機(jī)動車軌跡預(yù)測……這一切場景對于企業(yè)軟硬件綜合能力要求極高。曾有數(shù)據(jù)顯示，小鵬城市NGP感知模型的數(shù)量已經(jīng)達(dá)到高速NGP的4倍，預(yù)測/規(guī)劃/控制相關(guān)代碼量則提升至88倍，其復(fù)雜程度由此可見一斑。

　　面對上述復(fù)雜場景，在軟硬件綜合能力沒那么強(qiáng)大時絕對精度和相對精度均在 1 米以內(nèi)的，蘊(yùn)含道路類型、曲率、車道線位置等道路信息，以及路邊基礎(chǔ)設(shè)施、障礙物、交通標(biāo)志等環(huán)境對象信息，同時包括交通流量、紅綠燈狀態(tài)信息等實(shí)時動態(tài)信息的，高精度、高新鮮度、高豐富度的高精地圖高精地圖就成為了車企快速上馬城市NOA的“捷徑”。

　　但事物都有兩面性，高精地圖的局限性，以及其資質(zhì)難獲取等特性也成為局限住車企NOA快速量產(chǎn)的關(guān)鍵原因。在2023中國汽車論壇上，重慶長安汽車股份有限公司首席專家李偉曾剖析過“重地圖”模式的弊端。他認(rèn)為該模式屬于遞增式投入，雖然前期高速+少量城市數(shù)據(jù)采購成本不高，但后期隨城市擴(kuò)展，采購成本激增，不僅如此，還面臨地圖鮮度不足、覆蓋不足的長期問題，這必然導(dǎo)致智駕系統(tǒng)魯棒性差。

『高精地圖示意圖』

　　至于其長期成本有多高，華為常務(wù)董事、終端BG CEO、智能汽車解決方案BU CEO余承東曾舉過一個例子：“僅僅采集上海市高精地圖，采集了一兩年、9000公里，都沒有把上海完全覆蓋。并且從國家安全的角度，幾個月才允許刷新，但是中國的道路天天在改，所以說依賴于高精地圖真的沒法廣泛使用�！闭�因?yàn)榇耍瑯I(yè)內(nèi)也逐漸達(dá)成共識——想讓城市NGP快速實(shí)現(xiàn)量產(chǎn)，去圖化可能是唯一途徑。

　　在業(yè)內(nèi)，毫末智行無疑是第一批打出“重感知”派招牌的企業(yè)。早在2022年，毫末智行便官宣了搭載HPilot 3.0系統(tǒng)，可實(shí)現(xiàn)城市NOH領(lǐng)航輔助功能的量產(chǎn)車型；今年4月，在第八屆毫末AI DAY上，該企業(yè)又宣布上述功能的新“載體”——魏牌的新摩卡DHT-PHEV和魏牌藍(lán)山(參數(shù)|詢價(jià))。根據(jù)現(xiàn)有規(guī)劃，毫末智行旗下的城市NOH功能將率先在北京、上海、保定等城市落地。

『請點(diǎn)擊圖片查看清晰內(nèi)容』

　　除毫末外，小鵬、華為等此前依賴高精地圖的企業(yè)也開始進(jìn)行“重感知”進(jìn)化。其中小鵬的XNGP已經(jīng)進(jìn)行無圖化測試，預(yù)計(jì)在年底擴(kuò)展到50個城市；余承東則宣布華為不依賴于高精地圖的城區(qū)NCA將在第三季度內(nèi)實(shí)現(xiàn)15城落地，到四季度將增加到 45城。就連地圖巨頭百度都已經(jīng)在向重感知方案靠攏，其ANP3.0系統(tǒng)已經(jīng)將“BEV 環(huán)視三維感知”技術(shù)作為安全冗余。

★技術(shù)之爭：【數(shù)據(jù)能力】才是門檻

　　根據(jù)西部證券公布的預(yù)測顯示，未來城市NOA將是一塊大蛋糕，其車型數(shù)量規(guī)模可能會在2023-2025年分別達(dá)到11.9萬輛、67.6萬輛和243.6萬輛。但想在這塊蛋糕中多吃多占，可不僅僅是確定路線這么簡單。

　　在沒有或不依賴高精地圖時，如將傳感器識別到的數(shù)據(jù)進(jìn)行處理，并通過其做到更大規(guī)模的城市泛化，適應(yīng)不同城市“亂七八糟”的路況、場景。以最基本的識別紅綠燈控車、別紅綠燈這一在部分人看來可能很基礎(chǔ)的功能為例。我國不同城市的紅綠燈規(guī)格都不甚相同，有三排燈、有五排燈，有橫著的、有豎著的……先不提算法，為了滿足上述場景，收集來的數(shù)據(jù)規(guī)模就會和以前實(shí)現(xiàn)指數(shù)級增長。

　　在這種數(shù)據(jù)規(guī)模下，像以前一樣依靠CNN卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型似乎就不再適用了。在這方面，率先提出擺脫高精地圖，甚至取消激光雷達(dá)，采用純視覺方案的特斯拉給大家開了個好頭，開始用Transformer大模型替代CNN，利用其結(jié)構(gòu)簡潔、可無限堆疊基本單元得到巨大參數(shù)量的特性來提升。

　　相比于CNN，Transformer在的數(shù)據(jù)量越大，其效果就越好。有研究表明，當(dāng)訓(xùn)練數(shù)據(jù)集增大到包含 1億張圖像時，Transformer的性能開始超過CNN。而當(dāng)圖像數(shù)量增加到10億張時，兩者的性能差距變得更大。

　　在國內(nèi)，毫末智行則是率先引入Transformer大模型的自動駕駛公司。雖然時間上沒有特斯拉早，但毫末智行的創(chuàng)新在于用Transformer做時間和空間上的前融合。

　　比如面臨一段在正常不過的路，人眼看到的是雙向四車道，是連續(xù)的視覺圖像，而攝像頭的識別卻并非連貫的，而是一幀一幀的圖片。假設(shè)車往左偏5厘米，人識別出來的信息很正常，掰直即可，原有方案下攝像頭識別的可就復(fù)雜了，也許以為路本身就是“歪的”，這種時間上的“斷點(diǎn)”再加上前后左右、側(cè)前側(cè)后等方向攝像頭識別出的空間上的“亂象”，若沒有高精地圖進(jìn)行糾正，則很可能成把系統(tǒng)“干懵”，無法進(jìn)行有效拼接。

　　而毫末的方法是用Transformer 做時間和空間上的前融合，也就是通過該大模型的注意力特征，提取不同圖片像素之間的相關(guān)性，用其特征向量進(jìn)行前融合，再通過神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)預(yù)測。這樣不僅能解決多角度攝像頭無法拼接出“上帝視角”的問題，甚至還能融合激光雷達(dá)數(shù)據(jù)，來給視覺效果進(jìn)行補(bǔ)充。

　　對此，毫末智行技術(shù)總監(jiān)潘興曾用城市領(lǐng)域最容易出現(xiàn)的車道線場景作為范例。他表示，和高速場景不同，城區(qū)道路車道線極為復(fù)雜，有的地方被磨沒了，有的地方可能重新粉刷，但舊的車道線還沒完全鏟除。這種場景下，Transformer大模型的注意力機(jī)制可以很好的解決問題。

　　值得注意的是，城市域NOA所面臨的類似場景還有很多。比如復(fù)雜十字路口處有多個紅燈，到底哪個燈亮了車輛才應(yīng)該走？想解決諸如此類的千千萬萬個場景，就得識別大量的數(shù)據(jù)、做大量的標(biāo)注、模擬大量的場景、進(jìn)行大量的學(xué)習(xí)、加以大量的調(diào)整、寫大量的規(guī)則……

　　上述“大量”要怎么解決？用毫末智行CEO顧維灝的話說，行業(yè)里搞了20年，把預(yù)測、規(guī)劃、決策、控制，每一項(xiàng)都分成一個個小任務(wù)，20 年也沒搞成。直到類GPT（Generative Pre-trained Transformer）技術(shù)開始應(yīng)用。

　　今年4月11日，毫末智行正式發(fā)布自動駕駛生成式大模型DriveGPT，中文名為“雪湖·海若”和爆火的ChatGPT類似，只不過ChatGPT采用自然語言進(jìn)行輸入與輸出，DriveGPT則面向自動駕駛場景，用感知融合后的文本序列輸入，以自動駕駛場景文本序列作為輸出，將自動駕駛場景Token化，形成“Drive Language”，最終完成自車的決策規(guī)控、障礙物預(yù)測以及決策邏輯鏈的輸出等任務(wù)。通俗來說就是，把上述所有小任務(wù)縮減為兩個大任務(wù)，一個是感知，一個是認(rèn)知。

　　另外，毫末智行也開始和生態(tài)伙伴探索四大應(yīng)用能力，包括智能駕駛、駕駛場景識別、駕駛行為驗(yàn)證、困難場景脫困。比如，在場景識別中，毫末DriveGPT單針圖片的整體標(biāo)注成本，僅相當(dāng)于行業(yè)的1/10。而這項(xiàng)技術(shù)向行業(yè)的開放使用，將會大幅降低行業(yè)使用數(shù)據(jù)的成本，從而提升自動駕駛技術(shù)的發(fā)展。

　　毫末可以逐步將DriveGPT應(yīng)用在城市NOH、捷徑推薦、智能陪練以及脫困場景中。DriveGPT的加入，能夠讓車輛行駛會更安全，規(guī)控動作更人性、更絲滑，并有合理的邏輯告訴駕駛者，車輛為何選擇這樣的決策動作。

　　而這就是毫末給出來的去圖方案，極為考驗(yàn)數(shù)據(jù)處理能力。而這種處理能力，加上自動駕駛數(shù)據(jù)量——也就是誰先量產(chǎn)，通過量產(chǎn)出來的車收集更多的數(shù)據(jù)并加以處理，最終實(shí)現(xiàn)滾雪球式的技術(shù)迭代，這才是城市NOA功能的門檻所在。

寫在最后：

　　高精地圖成本高、采集難、鮮活度差，而依賴大量基建的車路協(xié)同方案的實(shí)現(xiàn)難度要更高于高精地圖，在此前提下，想量產(chǎn)城市NOA，實(shí)現(xiàn)正向循環(huán)，著實(shí)不是一件容易的事。

　　據(jù)毫末智行董事長張凱表示，該企業(yè)之所以能快速實(shí)現(xiàn)量產(chǎn)，無非是做好了一下幾個閉環(huán)：用戶需求閉環(huán)——對駕駛場景數(shù)據(jù)持續(xù)分析完善策略，并進(jìn)行新功能體驗(yàn)反饋；研發(fā)效能閉環(huán)——將數(shù)據(jù)驅(qū)動理念深入到產(chǎn)品需求定義、感知與認(rèn)知算法開發(fā)等產(chǎn)品開發(fā)流程，整體開發(fā)效率提升；數(shù)據(jù)積累閉環(huán)——在車端部署診斷服務(wù)數(shù)據(jù)場景標(biāo)簽覆蓋92%的駕駛場景；數(shù)據(jù)價(jià)值閉環(huán)——大模型持續(xù)挖掘數(shù)據(jù)價(jià)值解決關(guān)鍵問題；產(chǎn)品自完善閉環(huán)——實(shí)現(xiàn)售后問題處理速度較傳統(tǒng)方式的十倍效率提升，實(shí)現(xiàn)最快10分鐘定位售后問題；業(yè)務(wù)工程化閉環(huán)——進(jìn)一步完善了從采集回流、標(biāo)注訓(xùn)練、系統(tǒng)標(biāo)定、仿真驗(yàn)證等環(huán)節(jié)到最終 OTA 釋放環(huán)節(jié)的產(chǎn)品研發(fā)全流程工程化閉環(huán)。上述閉環(huán)光是看起來就已經(jīng)頗為復(fù)雜，實(shí)現(xiàn)起來就更不容易，這種門檻實(shí)則已經(jīng)篩選掉了很多玩家。

　　對此，即便體量（單指智能汽車）龐大如特斯拉，也要通過開放FSD給其余車企的形式進(jìn)一步擴(kuò)大數(shù)據(jù)收集能力。在這方面，背靠長城并逐漸擴(kuò)大朋友圈的毫末智行、給眾多主機(jī)廠提供方案的華為似乎也有一定的規(guī)模優(yōu)勢。相信在這種挑戰(zhàn)下，糾結(jié)“靈魂論”的主機(jī)廠會越來越少，畢竟在自動駕駛下半場競爭的急迫環(huán)境中，如此數(shù)據(jù)體量、技術(shù)能力，已經(jīng)不是靠自研和收購能解決的了。（文/汽車之家 陳燦 ）

查看同類文章：

行業(yè)視角

更多精彩內(nèi)容：

資本運(yùn)作

新車效果圖/假想圖

企業(yè)/品牌解讀

汽車之家行業(yè)-大數(shù)據(jù) 全領(lǐng)域 新視點(diǎn)