最近自動駕駛圈子發(fā)生了兩件事情，對比起來看會很有意思： 一件發(fā)生在大洋彼岸，曾被兩大國際汽車巨頭（福特和大眾）青睞的 L4 級自動駕駛獨角獸 Argo AI 突然官宣倒閉。福特 CEO Jim Farley 表示關(guān)停 Argo AI 是因為 L4 級自動駕駛（主要指 Robotaxi）商業(yè)落地前景不明，投入大且收效甚微，所以決定先停止燒錢，集中資源做 L2、L2+ 級自動駕駛，推動前裝量產(chǎn)。這引起了國內(nèi)自動駕駛從業(yè)者的廣泛關(guān)注。 L4 還要不要燒錢做？無人駕駛到底能不能實現(xiàn)？何時實現(xiàn)？觀察者們發(fā)出了一連串靈魂拷問。

? ? 另一件發(fā)生在國內(nèi)，11 月的頭一天，自動駕駛技術(shù)公司輕舟智航正式將其自動駕駛解決方案「Driven-by-QCraft」命名為「輕舟乘風(fēng)」，它涵蓋自動駕駛車載軟件、車載硬件和數(shù)據(jù)自動化閉環(huán)等多個方面，可以提供輕舟智航最新的感知、PNC（規(guī)劃和控制）等能力，是一套非常有競爭力的自動駕駛前裝量產(chǎn)方案，里頭最主打的功能就是城區(qū)導(dǎo)航輔助駕駛（城市 NOA）。 ?

福特作為主機廠的代表，現(xiàn)在正式擁抱自動駕駛前裝量產(chǎn)；輕舟智航作為方案供應(yīng)商的代表，現(xiàn)在也投入了自動駕駛前裝量產(chǎn)的懷抱。行業(yè)里的車企和自動駕駛公司正在進行某種意義上的「雙向奔赴」。 拋開所謂「靈魂」與「肉體」之爭，現(xiàn)階段還是自動駕駛功能規(guī)?；占暗拈_始，需要主機廠和供應(yīng)商雙方通力合作，把蛋糕做大，分蛋糕那是后話。 主機廠目前也很需要智駕供應(yīng)商：集度、比亞迪、東風(fēng)嵐圖需要百度 Apollo；上汽、智己、通用需要 Momenta；極狐、阿維塔需要華為 ADS；大眾需要地平線；而且這些車企絕不僅僅只用一家供應(yīng)商，一定會是多方案策略。

01

從L2 還是 L4？趨勢逐漸明朗

過去的幾年，自動駕駛技術(shù)商業(yè)化分出了兩條路：一條是直接 L4，發(fā)展 Robotaxi 和其他場景的無人駕駛；一條是乘用車智能輔助駕駛的前裝量產(chǎn)，屬于 L2+ 級自動駕駛。 市面上，已經(jīng)有幾家的 Robotaxi 將主駕安全員拿掉并開始收費運營；各種量產(chǎn)車上的 Pilot 系統(tǒng)、導(dǎo)航輔助駕駛系統(tǒng)、自動泊車系統(tǒng)開始被更多消費者接受，成為他們買車的一個重要考量點。

特別是最近，導(dǎo)航輔助駕駛功能開始開進城市，這批搞 L2+ 輔助駕駛的殺到了 Robotaxi 的主場，兩股勢力正在交匯。 ? 城市 NOA 所使用的計算平臺和傳感器其實和 Robotaxi 逐漸趨同，成本上雖略貴但也處于一個可控范圍，而且在能力規(guī)劃上也接近，都包括穩(wěn)定的車道保持、識別紅綠燈、自動左轉(zhuǎn)右轉(zhuǎn)、自動繞行等等。最大的區(qū)別是主駕上有沒有司機，不過這也只是形式上的。 看上去，從前裝量產(chǎn)出發(fā)的企業(yè)，已經(jīng)在商業(yè)化道路上領(lǐng)先于從 Robotaxi 出發(fā)的企業(yè)，而且在技術(shù)上并不落下風(fēng)。 這兩年，也有蠻多的 L4 公司，或快或慢介入到自動駕駛前裝量產(chǎn)業(yè)務(wù)，想以此來獲得一部分現(xiàn)金流，也為了收集更多道路駕駛數(shù)據(jù)，比如百度 Apollo、Momenta、輕舟智航、元戎啟行、文遠知行、智行者等等，而且他們也沒有放棄部署 Robotaxi 車隊，等于是兩條腿走路，不再單吊 Robotaxi。其中還有些企業(yè)的業(yè)務(wù)重心越來越多地偏向于前裝量產(chǎn)業(yè)務(wù)，Momenta 最典型了，陸續(xù)拿到了很多主機廠的合作訂單。

福特這一次的壯士斷腕，關(guān)停 Argo AI，其實也表明，現(xiàn)階段還是應(yīng)該做好自動駕駛系統(tǒng)的前裝量產(chǎn)，主機廠們目前更需要 L2、L2+ 自動駕駛系統(tǒng)，而不是 L4。這么看來，國內(nèi)這一批提前轉(zhuǎn)型的 L4 公司們還是蠻有預(yù)見性的。 但是軟件公司要做系統(tǒng)的車規(guī)級量產(chǎn)，又何嘗是件容易的事情，算法的穩(wěn)定成熟度、算法的適配度、計算硬件的車規(guī)級、算法和硬件的互相匹配、成本的壓縮、團隊和工具鏈的支持力度等等，都是擺在算法公司面前的難題。

極致控制成本、極致壓縮開發(fā)周期，現(xiàn)在的自動駕駛前裝量產(chǎn)就是這么「卷」，即使「硬件預(yù)埋」已經(jīng)幫很多主機廠和供應(yīng)商爭取了時間，但是消費者們一定不愿意自己花錢買的功能在提車后 1-2 年都用不上。供應(yīng)商們必須又快又好保證系統(tǒng)的交付。 誰如果能把這些都做好，不斷構(gòu)筑長板、補齊短板，誰就更有機會跑出來。 正好借著「輕舟乘風(fēng)」方案的發(fā)布，我們以輕舟智航為藍本，來看看一家自動駕駛技術(shù)供應(yīng)商要做好 L2+ 系統(tǒng)、城市 NOA，做好前裝量產(chǎn)服務(wù)，到底需要具備哪些素質(zhì)。

02

「雙擎」驅(qū)動，「乘風(fēng)」發(fā)布

輕舟智航在過去一年中完成了企業(yè)發(fā)展戰(zhàn)略的調(diào)整，將業(yè)務(wù)從只有 L4 拓展到 L4 以及前裝量產(chǎn)「雙引擎」。

輕舟智航成立于 2019 年，一開始是朝著 L4 級自動駕駛技術(shù)的研發(fā)目標(biāo)前進的，其落地的相關(guān)車型主要是無人小巴 Robobus，還包括正在測試并與 T3 出行合作運營的 Robotaxi 車隊，一開始也是高舉高打，以此來積累自己的自動駕駛軟硬件算法，構(gòu)造自己的數(shù)據(jù)庫、場景庫、模型庫、打造一整套自動駕駛算法工廠。

2020 年，輕舟智航推出了第一代專注城市復(fù)雜交通場景的自動駕駛解決方案「Driven-by-QCraft」，適應(yīng)于城市公開道路上的多種復(fù)雜路況，并可高效部署于多類車型。 積累了快 3 年之后，當(dāng)這些技術(shù)逐漸成熟，而且通用性、可移植性非常高的時候，輕舟智航?jīng)Q定開拓新的業(yè)務(wù)，進軍高階自動駕駛系統(tǒng)的前裝量產(chǎn)。 2022 年 5 月，輕舟智航推出了最新一代「Driven-by-QCraft」車規(guī)級前裝量產(chǎn)自動駕駛方案，助力車企實現(xiàn)城市 NOA 方案的全面落地。這套方案因為軟件對硬件的適配能力很強，所以從 L2+ 到 L4 自動駕駛都能做。 ?

基本上，輕舟智航走出了一條從 L4 出發(fā)——積累技術(shù)能力（包括感知、PNC 技術(shù)、數(shù)據(jù)驅(qū)動、算法大模型等）——拓展前裝量產(chǎn)業(yè)務(wù)——L4 業(yè)務(wù)和前裝量產(chǎn)業(yè)務(wù)在技術(shù)上互相反哺，并形成自動駕駛開發(fā)的「雙擎」的道路，其目標(biāo)就是把好用的自動駕駛能力賦能給主機廠并最終讓消費者用上這樣的產(chǎn)品。 2022 年 11 月 1 日，輕舟正式將其自動駕駛解決方案「Driven-by-QCraft」命名為「乘風(fēng)」，是一整套軟硬件解決方案，里面適配了像地平線征程 5、英偉達 Orin 這樣的計算平臺，同時也適配不同數(shù)量的激光雷達及攝像頭感知硬件組合。這套算法包含了融合感知、預(yù)測規(guī)劃控制、數(shù)據(jù)驅(qū)動以及算法大模型等核心技術(shù)。

「輕舟乘風(fēng)」的到來，讓輕舟智航的企業(yè)定位、市場定位更為清晰：自動駕駛科技公司，做智能汽車的新型 Tier 1。 輕舟智航認為，城市 NOA 是輔助駕駛的天花板，也是無人駕駛的入門檻，所以他們當(dāng)下的目標(biāo)是讓更多車主能享受到城市 NOA 帶來的便捷。

03

輕舟智航治好車企的算法焦慮

?算法難題怎么求解？

既然城市 NOA 是輔助駕駛的天花板，那么在技術(shù)難度方面也是天花板。 有多難？ 小鵬汽車自動駕駛副總裁吳新宙給過一組數(shù)據(jù)來量化：小鵬的城市 NGP 代碼量是高速 NGP 的 6 倍，感知模型數(shù)量是其 4 倍，預(yù)測/控制/規(guī)劃（PNC 模塊）的代碼量是其 88 倍。從這組數(shù)據(jù)來看，PNC 模塊是自動駕駛進城最難的一個部分。 ? 為什么難？

首先就是交通參與者復(fù)雜，大貨車、小客車、三輪車、工程車、市政車、行人、自動車、電動車等等，各種人車混行場景；

其次是交通規(guī)則和行為復(fù)雜，城市道路包含了各地的各類永久性、臨時性紅綠燈，以及環(huán)島、復(fù)雜立交橋等，在市區(qū)還時常有大量行人、自行車、電動車不遵守交通規(guī)則的情況；

還有就是市區(qū)高精地圖覆蓋里程有限，需要大量借助視覺信息來處理各類路口、道路標(biāo)識和車道線以及其他靜態(tài)交通設(shè)施；

從車輛本身來看，傳感器和計算平臺還需要符合車規(guī)級，由此帶來的成本、功耗限制，需要通過更強的算法框架優(yōu)化和工程化能力來解決。

正因為這些難題存在，有些車企在好幾年前就宣揚無人駕駛，結(jié)果到今天還只是能實現(xiàn)高速導(dǎo)航輔助駕駛，甚至大多數(shù)車型上的自適應(yīng)巡航 ACC、車道保持輔助 LCC 等功能都沒做好；要么就是現(xiàn)在新造車企業(yè)推出的更好用的 L2+ 輔助駕駛功能，但是使用場景受限，大部分自動駕駛只能在 10% 的高速場景使用，一旦進入城區(qū)，自動駕駛的體驗遠遠達不到消費者的預(yù)期。而且現(xiàn)在這樣的功能也價格不菲，基本上很少有人能夠用上。

如特斯拉、小鵬汽車這些佼佼者，F(xiàn)SD Beta 的用戶到現(xiàn)在也就 16 萬人，而小鵬汽車到現(xiàn)在賣了 20 多萬臺車，選裝了 NGP 功能的用戶不會超過 30%。 ? 如今，能真正量產(chǎn)城市 NOA 的車企或者供應(yīng)商少之又少，像小鵬、華為目前也只是在單一城市進行試點，離大規(guī)模鋪開還相差甚遠。更別說中國市場上還有這么多的傳統(tǒng)主機廠，他們未來的車型上要如何擁有好用、用戶愛用的輔助駕駛系統(tǒng)？是現(xiàn)在他們正在焦慮的事情。 我們也應(yīng)該看到好的一面，經(jīng)過這么些年的發(fā)展，傳感器的性能、成本以及計算平臺的算力、功耗和成本都已經(jīng)到了一個比較好的量產(chǎn)時機，目前看眾多智能電動汽車在硬件上是趨同的，區(qū)別無非是芯片用幾顆、激光雷達用幾顆、800 萬像素攝像頭用幾顆。

隨著小鵬、蔚來、理想等車企率先把這些硬件套件量產(chǎn)上車，也證明其車規(guī)級驗證難題已被征服。 既然硬件沒問題了，那么比拼的重點就落在了軟件上，軟件決定了自動駕駛系統(tǒng)能力的上限，軟件也決定了消費者愿不愿意用、愛不愛用這些功能。就算是一堆高性能硬件堆在車上，軟件沒做好，它依然是擺設(shè)，好食材還得有懂美食的廚師來烹飪。 作為烹飪城市 NOA 的主廚，輕舟智航也非常清楚的知道自動駕駛軟件算法的重要性，所以在過去幾年，一直在構(gòu)建這方面的能力。

輕舟智航的自動駕駛算法有何玄機？

在這次的輕舟智航技術(shù)工坊上，他們提出了在自動駕駛算法上的開發(fā)理念：基于數(shù)據(jù)、精于感知、成于 PNC（規(guī)劃控制）。

大家知道自動駕駛的主要模塊包括了感知、定位、規(guī)劃、控制?；诖?，輕舟這個理念簡單理解就是：

自動駕駛算法的進步是強依賴于數(shù)據(jù)量的，需要有大規(guī)模質(zhì)量好的數(shù)據(jù)來喂養(yǎng)；

而感知方面需要做的精度非常高，無論是激光雷達還是視覺，無論是二維還是三維，都需要做到精準且快速，感知做好了，能力便不會太差；

最終，與用戶體驗強相關(guān)的就是 PNC 了，什么時候該變道，什么時候該超車，以什么速度超車，這都依賴于 PNC 技術(shù)能力，這也直接決定功能體驗的好和不好，做好 PNC 更是難上加難。

所以基本上，輕舟智航的自動駕駛算法，是圍繞著感知能力、PNC 能力以及大數(shù)據(jù)驅(qū)動這些核心能力來來打造出自己的特色。

（1）融合感知：時序穿插融合以及統(tǒng)一大模型 先從感知技術(shù)來看，目前輕舟走的是融合感知的路線，激光雷達、攝像頭、毫米波雷達都配上，同時用高精地圖做定位。輕舟認為純視覺很難應(yīng)對中國城市 NOA 的需求，Corner Cases 還是需要激光雷達來解決。 輕舟這套方案僅用了一顆固態(tài)激光雷達，配合上 11 顆攝像頭以及 5 顆毫米波雷達，這樣一套傳感器組合兼顧性能和成本。

當(dāng)然，如果主機廠一定要用兩顆激光雷達，輕舟也不會拒絕，畢竟越多系統(tǒng)的冗余就更強。 ? 也許有人會問，一顆激光雷達如何應(yīng)對盲區(qū)？和小鵬汽車現(xiàn)在采用兩顆以及其他企業(yè)采用的 3 顆、4 顆方案比會不會依然有缺陷？ 輕舟智航已經(jīng)在技術(shù)上解決了這個問題。 一顆激光雷達肯定是用于前向，目前已知視場角是 120 度，這個性能和輕舟智航的「時序和空間融合算法」相配合，在車輛行駛的過程中，前向激光雷達掃過的區(qū)域會在系統(tǒng)時刻進行記憶，并在車往前行進后將記憶區(qū)域的點云數(shù)據(jù)，與側(cè)向后向的純視覺信息進行補充和融合，從而保證對前后向區(qū)域的充分認知。

而針對車輛后向的感知，一般是出現(xiàn)在倒車場景，但是倒車場景憑借雷達和攝像頭就可以很好的實現(xiàn)相關(guān)功能，也不太需要再配一顆激光雷達。 這里面，輕舟有一個核心的技術(shù)起了大作用，那就是「時序和空間融合算法」。 在重點介紹「時序和空間融合算法」之前，我們來看看業(yè)內(nèi)其他玩家都是怎么做的。

主流的融合方案包括前融合（數(shù)據(jù)級融合）、中融合（特征級融合）和后融合（目標(biāo)級融合）三種。 不同融合方案各有優(yōu)劣，有效的融合結(jié)果才能給下游任務(wù)輸出可靠的信息，為車輛做出安全的預(yù)測和決策提供保障。

前融合可以實現(xiàn)更高質(zhì)量的融合效果，但對于不同傳感器的時間同步性和空間標(biāo)定的要求非常苛刻；

后融合的解耦性更強，但依賴經(jīng)驗豐富、工程素養(yǎng)良好的工程人員編寫基于經(jīng)驗的規(guī)則，同時需要大量的仿真、實車測試以獲得更廣的覆蓋度，并且可擴展性有限，工程投入邊界收益低。

業(yè)內(nèi)有像飛凡汽車在前段時間提出了所謂「全融合感知」，但實際上只是包括了「前融合」和「后融合」兩步，「中融合」是沒有做的，所以還不能稱之為真正意義上的「全融合」。 而輕舟智航的全融合感知算法則包括了「前、中、后融合」，而且在時間順序上是穿插進行的，通過激光雷達、毫米波雷達、視覺等多傳感器融合，感知模型可在不同階段充分利用不同傳感器信息，讓不同傳感器優(yōu)勢互補（也就是多模態(tài)感知信息），可以避免單模信息丟失，實現(xiàn)更早的多傳感器信息共享，得到更優(yōu)傳感器融合結(jié)果，避免各類誤檢和漏檢，精度高且魯棒性強。 這里頭最重要的一點就是加入了「中融合」，也就是特征級融合。為什么輕舟智航能做這一步，是因為隨著 BEV（Bird's Eye View，一種多傳感器融合框架）技術(shù)的迭代，他們發(fā)現(xiàn)在特征層面上對激光雷達點云和視覺圖像做特征融合變得更為現(xiàn)實，輕舟就應(yīng)用了這個技術(shù)，來實現(xiàn)一個更好的融合結(jié)果。

此外在「時序融合」方面，輕舟肯定不只靠單幀的結(jié)果來做感知，以前是通過一些傳統(tǒng)的跟蹤技術(shù)，實現(xiàn)了對時序的一個利用，但這種利用本身也是有很大的信息損失，通過時序的融合，輕舟可以充分利用時序中的信息，來達成更好的最終感知效果。 為了配合「前中后穿插融合」感知算法，輕舟智航還打造了自己的神經(jīng)網(wǎng)絡(luò)大模型 OmniNet，這個網(wǎng)絡(luò)模型和特斯拉的 HydraNet 以及小鵬汽車的 XNet 是一類東西，不過 OmniNet 最獨特的地方就是引入了激光雷達感知信息的融合（HydraNet 和 XNet 是純視覺融合模型），且獨家支持「時序融合」。

? OmniNet 將視覺、毫米波雷達、激光雷達等數(shù)據(jù)通過前融合和 BEV 空間特征融合，讓本來獨立的各個計算任務(wù)通過共享主干網(wǎng)絡(luò)（backbone）和記憶網(wǎng)絡(luò)（memory network）進行高效多任務(wù)統(tǒng)一計算，最終同時在圖像空間和 BEV 空間中輸出不同感知任務(wù)的結(jié)果，為下游的預(yù)測和規(guī)劃控制模塊提供更豐富的輸出。 而且，OmniNet 也是可以部署在量產(chǎn)計算平臺上的，因為相較傳統(tǒng)方案，OmniNet 在實際應(yīng)用中可節(jié)省 2/3 的算力資源。 怎么做到的呢？統(tǒng)一的時序多模態(tài)特征融合的大模型，讓各模型的主干網(wǎng)絡(luò)部分可以共用，避免了大量重復(fù)計算，也無需再對不同任務(wù)開發(fā)不同的網(wǎng)絡(luò)模型。 正因此，輕舟的感知方案可以靈活適配不同車型的傳感器配置，而無需針對不同的硬件配置進行單獨的模型訓(xùn)練，帶來了更低的遷移成本。這也就是前文所提到的「輕舟乘風(fēng)」可以支持不同傳感器方案，支持 L2+ 到 L4 自動駕駛的不同能力。

總結(jié)起來就是：OmniNet 讓融合感知的效率更高、效果更好（特別是能夠準確且穩(wěn)定地識別超長車輛、異形車輛、跨相機截斷物體等）、且能夠適配不同的傳感器方案、也不占用太多算力資源，很適合在車端部署。

引入了大模型 OmniNet 之后，也非常利于輕舟智航采用數(shù)據(jù)驅(qū)動的算法開發(fā)模式，通過數(shù)據(jù)閉環(huán)實現(xiàn)算法的高效迭代，能減少模型維護成本，同時效果也更加可靠，對于解決一些自動駕駛的長尾問題非常高效。 傳統(tǒng)的開發(fā)模式是它教給你什么，你就學(xué)到了什么，而 OmniNet 支持的這種數(shù)據(jù)驅(qū)動的模式，其實就是讓系統(tǒng)擁有了自學(xué)和自我成長的能力，無論以后遇到什么交通場景，車輛都可以辨別和應(yīng)對。 多傳感器時序穿插融合算法，配合上統(tǒng)一的神經(jīng)網(wǎng)絡(luò)大模型 OmniNet，讓輕舟智航的感知融合技術(shù)在業(yè)內(nèi)還是非常有獨特性的，而且整體的感知效果也足夠出色。

這樣一套感知體系，在應(yīng)對城市 NOA 的場景挑戰(zhàn)時，肯定是不怵的，從目前輕舟釋放出的測試車的測試視頻來看，完全可以應(yīng)對各種復(fù)雜甚至是極端場景的感知需求。 講完感知，我們再來看更難搞定的 PNC（規(guī)劃和控制）模塊。 （2）城市 NOA 的 PNC 模塊代碼量是高速 NOA 的數(shù)十倍 提到 PNC（全稱 Planning and Control），大家都知道是規(guī)劃和控制，但其中還有更多內(nèi)涵。 輕舟智航的 PNC 模塊包含了車端核心模塊和支持模塊：

車端核心模塊包括導(dǎo)航、預(yù)測、決策、規(guī)劃、控制；

車端支持模塊包括 HMI（人機交互）、環(huán)境感知、地圖定位等；

PNC 的離線模塊可以收集、查詢、測試數(shù)據(jù)，訓(xùn)練模型，通過仿真分析模型和算法效果，最后再將模型和算法效果反哺給車端模塊。

PNC 中的「規(guī)劃」其實就是自動駕系統(tǒng)會幫車輛規(guī)劃出一條行進軌跡，到底是直行，還是轉(zhuǎn)彎，或者是超車、繞行，這里就涉及到車輛方向盤的調(diào)整和速度的調(diào)整，也就是 PNC 中的「控制」。 車輛橫縱向控制和速度的控制直接影響到車里面乘坐者的感受，所以說 PNC 也是決定用戶體驗的重要模塊。 當(dāng)然了，大家也都關(guān)心通行效率的問題，畢竟人開車遇到前面車開得慢肯定會超車，那自動駕駛狀態(tài)下會不會及時超越慢車，其實也和 PNC 強相關(guān)，所以這個模塊做得好不好也會影響車輛的通行效率。

安全、上好的乘坐體感以及不低的通行效率，其實就是 PNC 模塊要追求的高境界。特別是城市 NOA 要面對復(fù)雜城市交通環(huán)境，車多人多交通行為復(fù)雜，PNC 模塊就很難做，做好了那就非常有競爭力。 在 PNC 這塊，輕舟智航應(yīng)該算得上是業(yè)內(nèi)首家采用了「時空聯(lián)合規(guī)劃」算法的方案商。 什么是「時空聯(lián)合規(guī)劃」？

簡單理解就是系統(tǒng)同時考慮空間和時間來規(guī)劃車輛軌跡，而不是先單獨求解路徑，在路徑基礎(chǔ)上再求解速度從而形成軌跡。將「橫縱分離」，升級為「橫縱聯(lián)合」，能直接在x-y-t（即平面和時間）三個維度的空間中直接求解最優(yōu)軌跡。 人類司機其實每天都在用「時空聯(lián)合規(guī)劃」，比如說加速超車，就是在變道的過程中帶點油門，絲滑完成超車。輕舟智航的這套算法正是為了更像人開車、絲滑應(yīng)對各類交通場景而打造的。 在最為典型的「鬼探頭」場景，「時空聯(lián)合規(guī)劃」讓自動駕駛車輛不拘泥于固定的路徑，可以實時計算出來一個最佳的避讓軌跡，更好地保證安全性。

和「時空聯(lián)合規(guī)劃」相對的就是「時空分離規(guī)劃」，這也是目前業(yè)內(nèi)比較常用的 PNC 策略。這個策略把「軌跡規(guī)劃」拆分成兩個子問題，即路徑規(guī)劃（path planning）和速度規(guī)劃（speed planning）。路徑規(guī)劃對應(yīng)于橫向控制，即方向盤；速度規(guī)劃對應(yīng)于縱向控制，即剎車或油門，這種決策機制也就是通常所謂的「橫縱分離」。 這種方式非常依賴手寫規(guī)則來調(diào)整車輛行為，也非常依賴大量路測來驗證算法，所以有一些先天的缺陷。

輕舟智航 CTO 侯聰這樣評價「時空分離規(guī)劃」：「在時空分離算法中，可以通過增加對本車未來速度的規(guī)則性的預(yù)估彌補路徑計算中的不足。但這種預(yù)估理論上是存在缺陷的，因為預(yù)估的時候，本車最優(yōu)的速度還沒有規(guī)劃出來?！?輕舟選擇「時空聯(lián)合規(guī)劃」也不是拍腦袋決定的，在公司創(chuàng)立之初，他們就去中國的幾個一線城市進行了考察，發(fā)現(xiàn)在中國城市的道路環(huán)境過分復(fù)雜，考慮到長遠的發(fā)展，所以決定不用業(yè)內(nèi)主流的「時空分離規(guī)劃」，而是走一條更難但更適合的路。

「時空聯(lián)合規(guī)劃」的難點在于，這個算法的計算量很大，而且參數(shù)眾多，實現(xiàn)起來以及后續(xù)的優(yōu)化難度巨大，輕舟為此投了大量的研發(fā)資源來打磨這個算法。 為了應(yīng)對該算法對計算性能要求高的難題，輕舟的 PNC 策略是當(dāng)算力足夠的時候，會計算出較多軌跡，選取最優(yōu)軌跡，充分利用多核做并行計算；算力有限的情況下，生成的軌跡會相應(yīng)減少，但也能保證行車安全、穩(wěn)定。

當(dāng)然，理論的歸理論，具體實車表現(xiàn)如何還需親身體驗來驗證，筆者此前已經(jīng)體驗過輕舟 Robotaxi 的早期測試車，在繞行路邊車輛的操作方面確實有很好的體感。 在 PNC 之前，還有一個比較重要的模塊是預(yù)測，系統(tǒng)需要預(yù)測交通其他參與者的行進意圖，才能更好的進行軌跡規(guī)劃和控制。 輕舟也自研了預(yù)測模型 Prophnet，在一些國際比賽里成績也是名列前茅。

具體用幾個數(shù)字指標(biāo)來看看輕舟的預(yù)測做得如何：

輕舟智航能提供 10 秒長時的意圖加軌跡預(yù)測，主模型預(yù)測有至少三條帶概率的軌跡，同時最大概率軌跡和真值的平均誤差是 3.73 米。總之就是預(yù)測很精準。

主模型可同時支持預(yù)測 256 個目標(biāo)，推理整體耗時小于 20 毫秒，可以滿足實時運算的需求。

模型支持地平線征程 5 和英偉達 Orin 雙平臺。輕舟的預(yù)測模型算子也是國內(nèi)首家適配征程 5 BPU 的。

一整套的預(yù)測+ PNC 的算法，讓輕舟智航的自動駕駛車輛能夠很好的應(yīng)對中國的城市 NOA 功能需求。 （3）數(shù)據(jù)不僅驅(qū)動感知算法，也驅(qū)動 PNC 算法 大家都知道優(yōu)質(zhì)的數(shù)據(jù)對于自動駕駛系統(tǒng)的研發(fā)和優(yōu)化來說非常重要，「數(shù)據(jù)就是石油」。 大量的數(shù)據(jù)喂給系統(tǒng)，讓它不斷豐富自己的「學(xué)識」，以往不認識的東西，現(xiàn)在認識了，這更多的指的是感知層面。毋庸置疑大數(shù)據(jù)對于自動駕駛感知提升非常顯著。 而在 PNC 模塊，大數(shù)據(jù)也非常重要，因為從「新手司機」變成「老司機」，也很需要大數(shù)據(jù)的喂養(yǎng)。 任何一家自動駕駛公司都有一套數(shù)據(jù)采集、存儲、清洗篩選、標(biāo)注、仿真訓(xùn)練的體系，輕舟智航也不例外，而且還做得很深入。

過去幾年，輕舟建立起了「駕駛數(shù)據(jù)倉庫」，可自動化地對實際駕駛數(shù)據(jù)和「影子模式」（在人類司機駕駛時，軟件會以「影子模式」 在后臺運行）下的人工駕駛數(shù)據(jù)打上標(biāo)簽。這些標(biāo)簽非常豐富，數(shù)量多達成百上千個，包括道路信息（道路級別、種類、車道類別等）、坐標(biāo)環(huán)境信息（周圍障礙物、車流密度、行人、其他車輛是否 cut-in 等）、自車信息（自車的速度、位置）、從影子模式中獲得的人類司機的開車數(shù)據(jù)，由此就可以得知人類司機在哪個時間點剎車變道、什么時候打了轉(zhuǎn)向燈，這對于提升算法能力非常寶貴。 舉個例子，比如有一天輕舟的一輛自動駕駛測試車在碰到一輛大車 cut-in 的時候，沒有很好的應(yīng)對，那輕舟就可以調(diào)用數(shù)據(jù)倉庫里所有類似的場景，做成場景庫進行仿真測試。

通過仿真測試即可驗證算法當(dāng)前存在的問題。在修改算法或者重新訓(xùn)練模型之后，如果模型效果表現(xiàn)得好，則可以把結(jié)果用在車上；讓車開得更好，從而完成了一個數(shù)據(jù)閉環(huán)。 這就是數(shù)據(jù)驅(qū)動在 PNC 模塊應(yīng)用的一個典型例子。 那輕舟的數(shù)據(jù)從哪里來？ 目前主要是自己采集。這里不得不提到輕舟的 L4 級 Robotaxi 業(yè)務(wù)。 ? 目前，輕舟智航已經(jīng)在全國 10 座城市公開道路常態(tài)化運營，包括蘇州、深圳、武漢等等，常態(tài)化運營的小巴車輛超過 100 臺，這些車輛的運營為輕舟積累了豐富的行車數(shù)據(jù)。

截止 2021 年年底，輕舟智航已經(jīng)測試了百萬公里的城區(qū)道路，有大量的L4級別的激光雷達、攝像頭和毫米波雷達等傳感器數(shù)據(jù)，以及長期積累的司機駕駛行為數(shù)據(jù)積累，這些數(shù)據(jù)規(guī)模還將持續(xù)擴大。 等到「輕舟乘風(fēng)」真正量產(chǎn)上車之后，輕舟智航又多了一個數(shù)據(jù)來源，就像特斯拉、小鵬汽車、Mobileye 這些公司一樣，有大規(guī)模的量產(chǎn)車在路上收集實際行駛數(shù)據(jù)。

3、量產(chǎn)向小鵬看齊，路線上殊途同歸

在城市 NOA 這條路上，毋庸置疑現(xiàn)在小鵬汽車是走得最快且效果最好的一家企業(yè)之一，輕舟現(xiàn)在要在城市 NOA 領(lǐng)域展開角逐，無疑就是要和小鵬的城市 NGP 斗一斗法，畢竟要比就和最好的比。 實際上，輕舟和小鵬在開發(fā)自動駕駛技術(shù)和功能的戰(zhàn)略規(guī)劃上，已經(jīng)是殊途同歸、戰(zhàn)略合流了：

輕舟從 L4 Robobus、Robotaxi 出發(fā)，走到現(xiàn)在以「輕舟乘風(fēng)」為重要業(yè)務(wù)，要為車企打造城市 NOA。

小鵬汽車從基礎(chǔ)的輔助駕駛開始做起：G3 上的自動泊車；P7 上的 XPilot、高速 NGP、記憶泊車；P5 上的雙激光雷達/城市 NGP，現(xiàn)在也計劃推出自己的 Robotaxi。

小鵬希望為自家的車型產(chǎn)品配備好用的城市 NOA，輕舟智航希望為更多主機廠的車型產(chǎn)品配備好用的城市 NOA。他們一家是主機廠，一家是供應(yīng)商，最終的目標(biāo)都是實現(xiàn)無人駕駛的遠景。 從整個產(chǎn)業(yè)來看，小鵬的自動駕駛開發(fā)只能成就小鵬，而輕舟智航的自動駕駛開發(fā)可以成就任何主機廠，省得主機廠再重復(fù)造輪子。 未來輕舟智航要在前裝量產(chǎn)中證明自己的技術(shù)實力，賦能更多的主機廠，讓這些主機廠的車型產(chǎn)品也有非常好用的自動駕駛功能，至少在輔助駕駛這個領(lǐng)域，可以和特斯拉、小鵬這樣的領(lǐng)先選手掰掰手腕。 「輕舟乘風(fēng)」應(yīng)該是解決車企智能駕駛焦慮的一劑良藥。

04

助力主機廠智能駕駛突圍

為主機廠提供量產(chǎn)自動駕駛方案這個戰(zhàn)略規(guī)劃無疑是正確且有錢景的，畢竟 Mobileye、Momenta 珠玉在前。 但要當(dāng)好自動駕駛技術(shù)供應(yīng)商，是綜合能力的考量。 這里面有三個重要的點。

1、其一是技術(shù)過硬：除了在感知、規(guī)控以及數(shù)據(jù)驅(qū)動方面的硬實力，還要有軟實力，軟實力這一部分包括生態(tài)伙伴的構(gòu)建。 輕舟已經(jīng)積累了一批智能汽車上下游合作伙伴，包括計算平臺領(lǐng)域的英偉達、地平線；激光雷達領(lǐng)域的禾賽、速騰聚創(chuàng)；軟件領(lǐng)域的的阿里云、亞馬遜云服務(wù)、火山引擎；主機廠方面的東風(fēng)、金龍等。 ? 據(jù)輕舟透露，其「乘風(fēng)」方案已經(jīng)有意向合作車企。且據(jù)知情人士透露，輕舟的仿真技術(shù)模塊已經(jīng)被國內(nèi)的造車新勢力采用。

2、其二是高效開發(fā)：一套可擴展的自動駕駛算法體系；豐富的開發(fā)工具鏈；得力的開發(fā)支持；低配、中配、高配的快速適配。 前文我們已經(jīng)多次提到「輕舟乘風(fēng)」方案的可擴展性，算法模型可以無縫支持不同配置的傳感器套件方案，在不同的車型上進行高效率遷移。無論主機廠需要 1 顆激光雷達，還是 2、3、4 顆激光雷達，都可以支持開發(fā)。 工具鏈方面，輕舟有數(shù)據(jù)工具鏈產(chǎn)品「輕舟矩陣」，這些數(shù)據(jù)鏈工具包括用于傳感器數(shù)據(jù)采集、傳輸、管理與挖掘的數(shù)據(jù)平臺；大規(guī)模的自動化標(biāo)注產(chǎn)生真值的標(biāo)注平臺；高效的模型訓(xùn)練和評估的機器學(xué)習(xí)訓(xùn)練平臺；大規(guī)模的回灌測試仿真平臺；硬件在環(huán)測試平臺。可以非常好的支持量產(chǎn)自動駕駛系統(tǒng)的迭代升級，大規(guī)模的 OTA 不再是問題。 可能目前一個小短板就是對于主機廠的開發(fā)支持了，畢竟早期還是需要比較大規(guī)模的人力投入的，以華為 ADS 在阿維塔 11 項目上的千人團隊來看，這對于創(chuàng)業(yè)公司輕舟來說壓力還是比較大的。另外在工程化能力上，輕舟的團隊還是有所欠缺的，畢竟現(xiàn)在都是算法人才，不過輕舟已經(jīng)在補強這塊的短板。

3、其三是成本可控：這里的成本體現(xiàn)在研發(fā)成本和方案本身的成本上。 研發(fā)成本方面，車企自研自動駕駛系統(tǒng)需要付出很大的代價，包括資本、時間等等。那么輕舟作為一家供應(yīng)商，可快速幫助主機廠構(gòu)筑這樣的能力，規(guī)避了主機廠自己組建團隊投入資本最后做出來的產(chǎn)品達不到預(yù)期的風(fēng)險，這也是輕舟這樣的自動駕駛科技公司最大的行業(yè)價值。 在方案本身的成本方面，目前輕舟的城市 NOA 采用的是單激光雷達方案，成本也是非?？煽氐?，而且未來下探的空間也足夠。 如果把這三點都做好，補齊其中某些短板，那么以輕舟為代表的新型供應(yīng)商未來還是大有可為的。 ? 行業(yè)內(nèi)，Robotaxi 公司都在轉(zhuǎn)型做量產(chǎn)，東方不亮西方亮，轉(zhuǎn)型決心更強的公司，可能在未來會有更強的競爭力。 主機廠也需要輕舟智航這樣的供應(yīng)商，化解智能化、智能駕駛的焦慮，以免走入「諾基亞時刻」。

編輯：黃飛

?