自動駕駛無疑是截至目前，今年最受投資青睞的一個細(xì)分領(lǐng)域。

據(jù)業(yè)內(nèi)人士介紹，這是繼 2014、2015 年以來，自動駕駛領(lǐng)域的又一次投資熱潮。有專業(yè)人士認(rèn)為，這次投資熱潮中有明顯的投資趨勢轉(zhuǎn)變特征出現(xiàn)。具體表現(xiàn)在，與 2022 年 Q1 偏向 ADAS 以及高級別自動駕駛系統(tǒng)級解決方案提供商不同，Q2 獲投技術(shù)領(lǐng)域分布比較均勻，從感知層的毫米波雷達(dá)、激光雷達(dá)到?jīng)Q策層的芯片、計算平臺，再到執(zhí)行層的智能底盤領(lǐng)域，均有企業(yè)獲得了新一輪融資。

這種轉(zhuǎn)變的背后，是否展現(xiàn)了自動駕駛未來技術(shù)演進(jìn)的方向？帶著這樣的疑問，InfoQ 編輯采訪了智行者 CTO 王肖和智行者聯(lián)合創(chuàng)始人、研發(fā)中心副總經(jīng)理張放，以及多位機構(gòu)投資人。

難以突破的自動駕駛核心技術(shù)

多位機構(gòu)投資人和創(chuàng)業(yè)者均表示，投資方向的轉(zhuǎn)變并不是近期發(fā)生的。事實上，投資方向轉(zhuǎn)變需要放置到自動駕駛及其相關(guān)產(chǎn)業(yè)的整體發(fā)展進(jìn)程來判斷。從風(fēng)險投資早期階段來看，投資是緊跟隨產(chǎn)業(yè)發(fā)展需求的脈絡(luò)進(jìn)行的布局。

比如，早期投資機構(gòu)聯(lián)想之星 2014 年就入局投資自動駕駛，稱得上是行業(yè)的先行者。2014 年起，聯(lián)想之星投資了 ADAS、毫米波雷達(dá)、 AEB （自動緊急制動）、激光雷達(dá)自動駕駛零部件方案的供應(yīng)商。2015 時，自動駕駛研發(fā)迎來大爆發(fā)，聯(lián)想之星投資了解決方案提供商 Pony 。

2018 年開始，聯(lián)想之星先后投資了以小馬智行為代表的自動駕駛整體解決方案的初創(chuàng)公司。2018 年后，自動駕駛從此前追求單車智能，逐漸轉(zhuǎn)變?yōu)椤奥斆鞯能?+ 智慧的路”。聯(lián)想之星的投資也向著更廣的方向發(fā)展，投資了地圖、智慧交通等領(lǐng)域的公司。不難看出，聯(lián)想之星的投資布局動線圖，緊跟著自動駕駛及其相關(guān)產(chǎn)業(yè)的整體創(chuàng)業(yè)趨勢。不少投資人坦言：“最近，我們并沒有觀測到有新的技術(shù)突破?！?/p>

軟硬件在短時間內(nèi)很難發(fā)生實質(zhì)性的突破。所以，智行者 CTO 王肖認(rèn)為：“L4 未來的趨勢是要滿足常用場景的商業(yè)化落地，把實現(xiàn)無人駕駛的成本降下來。產(chǎn)品策略方面也是需要自動駕駛提供商需要突破的關(guān)鍵所在?！?/p>

自動駕駛是人工智能深度學(xué)習(xí)的一種應(yīng)用。自動駕駛汽車關(guān)鍵技術(shù)主要包括環(huán)境感知、精準(zhǔn)定位、決策與規(guī)劃、控制與執(zhí)行、高精地圖與車聯(lián)網(wǎng)以及自動駕駛汽車測試與驗證技術(shù)等。簡單說，自動駕駛核心技術(shù)體系可概括為“感知、決策與控制執(zhí)行”（如下圖所示）。

圖 1：自動駕駛核心技術(shù)

感知與決策與是無人駕駛中最難突破的兩個模塊，也正是這兩個模塊決定了自動駕駛等級。這兩個模塊可通過車載攝像機、激光雷達(dá)、毫米波雷達(dá)、超聲波等傳感器來感知周圍環(huán)境，實時動態(tài)監(jiān)測周邊環(huán)境變化，并依據(jù)所獲取的信息進(jìn)行決策判斷，形成安全合理的路徑規(guī)劃。

市面上推出的自動駕駛解決方案，也基本是圍繞著這兩個模塊展開。這兩個模塊構(gòu)成了自動駕駛的決策規(guī)劃能力。面對人工智能算法以及以毫米波雷達(dá)為代表的感知系統(tǒng)方面的現(xiàn)有局限性，自動駕駛方案提供商需要在極度安全與極度智能這兩個維度中找到平衡點。投資人普遍認(rèn)為，軟硬件的突破確實不易，如何在產(chǎn)品策略方面推出能夠落地商業(yè)化綜合應(yīng)用是眾多玩家未來的主要策略。

深度學(xué)習(xí)算法以及感知能力的 瓶頸該如何解決？

目前，深度學(xué)習(xí)還有尚未突破的痛點。比如，在高速路上行駛，廣告牌上若有人像，汽車“大腦”會誤認(rèn)為是人，發(fā)出提示音。原因是深度學(xué)習(xí)尚未達(dá)到與人類相同的判斷能力。“基于深度學(xué)習(xí)的視覺系統(tǒng)，不可能把萬事萬物都學(xué)習(xí)一遍?！蓖跣そ忉尩?。

再有，近期出現(xiàn)的多起電動汽車安全事故，都是撞上了高速路上的靜態(tài)物。這不僅有上述的深度學(xué)習(xí)原因，也有感知層面中毫米波雷達(dá)的固有弊端。最常見的有，由毫米波雷達(dá)對金屬比較敏感，有時會誤將龍門架識別為汽車。

以上提及的深度學(xué)習(xí)算法以及感知能力到底該如何解決？如果是特斯拉這樣單純使用視覺識別是否可行？縱觀業(yè)內(nèi)眾多解決方案，主要是兩種方法。一是多融合感知方案，用決策邏輯彌補感知問題；二是在云端自動化的實現(xiàn)算法迭代，通過數(shù)據(jù)驅(qū)動的強化學(xué)習(xí)來訓(xùn)練決策邏輯。在本月 17 日，召開了新品發(fā)布會的智行者，向外界發(fā)布了“輕地圖，重感知”的解決方案。這套解決方案包含了以上兩種方法。

張放直言，智行者不是純視覺支持者。“如果后端決策規(guī)劃能力沒有上來之前，采用純視覺識別永遠(yuǎn)是有問題的。最典型的是夜間場景。我們推出的 H-INP 系統(tǒng)恰恰彌補了這一缺點?！?/p>

據(jù)悉，H-INP 采用了 6 顆攝像頭 +5 個毫米波雷達(dá)的多融合感知方案。這種解決方案可以減少對高清地圖的依賴，從而實現(xiàn)“輕地圖，重感知”。不依賴高清地圖，也是中國自動駕駛廠商未來拓展海外市場必須具備的能力。

此外，在硬件架構(gòu)配置方面，H-INP 還采用了智行者自主研發(fā)的車規(guī)級高算力域控制器，算力可達(dá) 128TOPS，CPU 計算能力達(dá) 30K DMIPS。結(jié)合上述的多融合感知方案，實現(xiàn)了成本的有效控制，既滿足了車輛安全運行的需求，又達(dá)到了前裝量產(chǎn)的標(biāo)準(zhǔn)。據(jù)智行者介紹，目前 H-INP 的成本在數(shù)千人民幣。智行者希望通過低成本的方式，快速推進(jìn)自動駕駛落地，進(jìn)而形成商業(yè)閉環(huán)。目前，這套系統(tǒng)還處于原型測試階段，預(yù)計今年第四季度推出量產(chǎn)版本。

據(jù)張放介紹，H-INP 采用了平臺化設(shè)計，可在此統(tǒng)一架構(gòu)下開發(fā)出系列產(chǎn)品，滿足不同場景的需求。在整體系統(tǒng)架構(gòu)的設(shè)計方面，H-INP 具有功能模塊化、接口抽象化等特點，具體表現(xiàn)為：

1. 將架構(gòu)進(jìn)行了分層解耦，可以更加便利地利用最新技術(shù)成果；

2. 算法模塊化復(fù)用，通過圖形化工具實現(xiàn)應(yīng)用設(shè)計、開發(fā)、集成和調(diào)試，將研發(fā)聚焦在算法本身；

3. 深度優(yōu)化的通信和調(diào)度機制，提供多級通信機制與模塊部署的局部性特點相適應(yīng)，提供確定性和 CPU-GPU 聯(lián)合調(diào)度。

在構(gòu)建多融合感知方案中，智行者實施了以下三個步驟，以通過語義理解生成一個實時的云端地圖。整個過程，還原和模擬了人在開車時的真實情境?！巴ㄟ^眼睛感知外部事物，從而在大腦中形成了外界地圖?！?/p>

第一步是準(zhǔn)確的目標(biāo)和準(zhǔn)確的檢測能力。通過傳感器準(zhǔn)確傳回所需要的數(shù)據(jù)，要精確的“看到”車道線、標(biāo)志牌等道路元素。

第二步 3D 場景重建的能力。在感知算法的基礎(chǔ)上，盡可能在 3D 場景中準(zhǔn)確還原傳感器傳回的“圖景”，并把離散在不同時空中的每一幀融合為一個完整的物理世界。

第三步是語義理解，理解周遭環(huán)境的能力。只有經(jīng)過邏輯關(guān)系和拓?fù)潢P(guān)系處理之后，才能做出最終的決策規(guī)劃。比如，經(jīng)過前兩步實現(xiàn)了完整清晰的物理世界，抓取到了車道線等道路基本相關(guān)信息。那么，接下來，車輛在行駛中要如何利用這些抓取到的這些信息，來判斷是左拐還是右拐？這就需要第三步邏輯關(guān)系去處理，形成決策規(guī)劃，然后輸送給控制單元進(jìn)行實施。

用數(shù)據(jù)驅(qū)動迭代算法，從而提升自動駕駛能力也是智行者著重提升的能力維度之一。這其中涉及到如何去快速挖掘數(shù)據(jù)，清洗數(shù)據(jù)和更新云端的算法模型。張放認(rèn)為，有用的數(shù)據(jù)才能反饋出真實問題，提升算法?？焖侔l(fā)現(xiàn)數(shù)據(jù)就是要自動化的挖掘有意義的數(shù)據(jù)。這些數(shù)據(jù)通常是在邊界或者目前尚未解決的場景。張放補充到，在此環(huán)節(jié)，智行者先采用仿真系統(tǒng)測試一遍算法模型，之后再將有效的數(shù)據(jù)運用到真實車輛進(jìn)行試驗。這樣做可以提升開發(fā)效率。

綜上，智行者用在夯實能力的基礎(chǔ)上，使用了產(chǎn)品策略來實現(xiàn)其從特殊場景、特種車輛等場景延伸至乘用車領(lǐng)域。

“必經(jīng)戰(zhàn)事”：商業(yè)化場景落地

今年 8 月初，百度發(fā)布了一個聲明：已獲得中國武漢、重慶兩個城市的批準(zhǔn)，可以向乘客提供全無人駕駛網(wǎng)約車（ Robotaxi ）有償服務(wù)。但這并不意味著無人駕駛可以進(jìn)行大范圍商業(yè)應(yīng)用。只有達(dá)到現(xiàn)有網(wǎng)約車相同的實用性，徹底拿掉安全員、不限目的地、不限區(qū)域的自動駕駛，才是真正的商業(yè)化。我們熟悉的理想、蔚來、小鵬以及特斯拉實質(zhì)上應(yīng)用的都是 L2 級別的輔助駕駛系統(tǒng)。L5 級別的自動駕駛（完全無人駕駛）實現(xiàn)還需要很長時間的探索和落地試驗。傳感器、算法軟件等將是無人駕駛技術(shù)本身需要攻克的難關(guān)。另一方面，能否在現(xiàn)實場景中實現(xiàn)無人駕駛與整個交通體系密切相關(guān)，這又取決于智慧交通的發(fā)展。

在這篇文章創(chuàng)作之初，InfoQ 編輯曾聯(lián)系過多家曾經(jīng)投出了自動駕駛明星項目的早期投資機構(gòu)。事實上，已經(jīng)有投資機構(gòu)將注意力轉(zhuǎn)移到了其他領(lǐng)域。有關(guān)人士指出，目前各個賽道的競爭格局已經(jīng)形成，加之技術(shù)創(chuàng)新周期長的原因，接下里的競爭主要集中在商業(yè)化落地場景中。此前，畢馬威中國則預(yù)測，中國主要城市將在 2030 年實現(xiàn)自動駕駛的大規(guī)模應(yīng)用。自動駕駛很可能在下個十年以網(wǎng)約車或物流配送車的形式進(jìn)入市場。

據(jù)智行者介紹，其已在特種場景和室外無人環(huán)衛(wèi)車細(xì)分市場中進(jìn)行了布局，且所占市場份額不低。此次發(fā)布的高速領(lǐng)航系統(tǒng) H-INP（Highway – Idriver+ Navigation Pilot）表明智行者正式進(jìn)入了乘用車領(lǐng)域。未來，還將打造適用于城市場景的城市領(lǐng)航系統(tǒng) C-INP 系統(tǒng)，可實現(xiàn)不同時段（白天 / 夜間），人車混行交通流下的輔助駕駛。

上述的感知與決策模塊，以及商業(yè)化場景落地探索問題，都可以采取產(chǎn)品策略進(jìn)行緩解。但是，還有許多業(yè)內(nèi)人士指出，算力已是制約當(dāng)前自動駕駛向前發(fā)展的一個重大考驗，同時也是自動駕駛系統(tǒng)得以大規(guī)模落地以及進(jìn)一步實現(xiàn)商業(yè)化的前提條件。在提及算力之前，當(dāng)前芯片短缺已成為汽車行業(yè)的巨大痛點。

審核編輯 ：李倩