2834
作者 | 张祥威，编辑 | 德新
深度学习逐渐取代基于规则的研发方式，这一趋势正在自动驾驶赛道愈演愈烈。
11月29日，智驾科技MAXIEYE发布BEV平台架构——青云Hyperspace，并面向行业开放BEV感知标准件，以及发布轻地图NOA量产方案和行泊合一高阶域控产品。
MAXIEYE的思路与特斯拉等头部智驾玩家一致。如今BEV+Transformer已经成为主流的自动驾驶技术路径，也是众多车企关注的核心能力。
青云BEV架构是MAXIEYE在三年前找到的解题思路。
据MAXIEYE创始人兼CEO周圣砚介绍，从最初的几十人，到迅速投入上百人，再到后来全公司三百多人全力以赴，公司在L2的基础上，用了两年时间打磨真值系统、数据闭环等能力，也就是养「鸡」，剩下一年多让这只鸡可以生蛋，也就是推出基于BEV的诸多产品。
基于深度学习的自动驾驶时代正在加速赶来，这家本土智驾公司无形中开始与特斯拉、华为、小鹏等智驾玩家同场竞技。
面对海量Corner Case，MAXIEYE两年养「鸡」
还有几天，MAXIEYE将是一家成立七年的公司，这家公司发展历程中有两个重要节点：
以2020年为界，之前四年布局的是L2赛道，推出了LCC、AEB等功能方案；
2020年之后，布局L2+，基于BEV架构，推出了高速无图NOA、城市记忆行车等功能方案。
也正是在布局L2+初期，团队发现基于规则的CNN去处理道路场景下的问题时，陷入了Corner Case的「汪洋大海」。
周圣砚回忆，「基于传统CNN图像检测做L2产品，算法框架包括前处理、后处理、规划都相对比较完整。这个过程中，我们遇到了很多Corner Case，工程师用一些经验、先验知识，把一些误差约束住，但我们逐渐发现，这种通过打补丁的方式，是不可能做到L4的。」
以「车道居中」功能为例，平面道路时还好，如果遇到上下坡，就需要做一些补丁去修复，才能保证一致性。当车辆通过减速带，发生颠簸又会让传感器映射的后处理模型超出容忍边界，需要打很多补丁。
类似的Corner Case不胜枚举。团队开始转换思路，内部立项一个名为“上帝视角下的真值系统”项目，这是一种类BEV架构的底层技术栈，由20多人主导推进。
半年后，特斯拉在2021年的AI Day发布了BEV架构，MAXIEYE团队惊喜地发现，两家的技术思路是一致的，于是直接将BEV算法团队从20人迅速增加到100人，这在当时比较少见。要知道，许多公司直到今年，才开始搭建真值系统。
今天市场上的「无图城市NOA」、「无图高速NOA」，在周圣砚看来，都属于「蛋」，要获得这些蛋，首先得养「鸡」，也就是打磨真值系统等在内的能力。
这家公司用两年时间做了几件事：搭建真值系统，以及基于真值系统的数据标注，4D结构化的场景重建和仿真。
在BEV下，真值标注的结果是视频序列，而不再是之前的一张张图片。此前，标注100万张图片，L2就可以量产。基于BEV后，100万张图片转换成视频，才两个小时不到。强数据依赖的BEV，对于数据的标注精度、数据标注效率提出了很强的要求。
最终，MAXIEYE推出的青云BEV架构，可实现道路拓扑横纵向精度的显著提升，横向拓扑精度5公分，纵向拓扑精度误差1‰，稳定性趋近于真值。
这个精度相当于什么水平？周圣砚解释，「和高精地图相比，基于BEV横向5公分，比高精地图的精度还要高。纵向拓扑精度误差1‰，指的是在前方100米处发现换道的分叉点，这个分叉点，前后不会差10公分，这是千分之一的精度，完全够做无图（去高精地图）方案了，因为它比高精地图+高精定位两个的组合的精度还要高。」
青云BEV架构，以及技术底座
青云BEV架构包括三大网络：道路拓扑、目标轨迹、占用空间。
其中，利用拓扑元素，加上组合导航算法，青云BEV架构可支持一次性完成自动化建图记忆，奠定记忆共享技术实现的基础。
三大网络下，MAXIEYE还形成了一套技术底座，包含真值系统、4D场景构建、数据自动化处理能力等。
多位熟悉特斯拉的人士告诉HiEV，「抛开数据标注团队，特斯拉的自动驾驶团队大概在两三百人左右。」
作为对比，MAXIEYE用一支300多人的团队，在能力侧搭建了一套包含真值系统的创建、4D的场景还原等的体系能力，可见这支团队的能力之扎实。
据MAXIEYE官方介绍，其发布的海市MAXI-DI数据智能体系，包含量产数据闭环MAXI-DATA、真值系统MAXI-TRUTH SYSTEM、MET-TOOL全流程闭环测试开发工具链，以及仿真极限场景构建。
量产数据闭环系统涵盖了包括功能触发、驾驶行为触发、系统触发、感知触发四大模块 - 30余种触发机制，例如典型的AEB功能触发回传，可有效针对极限场景收集价值数据，打通车端-云端数据通路和算法迭代-OTA的应用闭环。
目前，这套数据闭环系统已实现超3亿公里的驾驶场景数据积累。
针对自研深度学习算法的训练需求，MAXIEYE搭建和开发了MAXI-TRUTH SYSTEM真值系统，实现4D场景构建、自动化数据处理和训练，这为青云BEV算法架构提供了高效的底层技术支持。
MET-TOOL是MAXIEYE为服务于客户高效、敏捷开发需求研发的开发工具链，覆盖智能驾驶系统从原型开发、实车测试、功能量产的全流程闭环，支持分级闭环测试、代码调试和数据回灌等功能。
官方称，MET-TOOL全流程闭环开发工具链，可将客户量产项目研发效率提高20倍，测试效率提升至少10倍，大大缩短项目量产上线周期。
基于青云BEV，重构全平台产品
基于青云BEV架构，MAXIPILOT 2.0平台随之发布。
这是一套BEV重构的全系产品方案，覆盖从单V（牧童Monotogo解决方案）到多V（5V、6V、9V及以上-跨越低中高算力的行泊合一域控方案）的全平台解决方案矩阵，满足城市L2增强、高速NOM（Navigate on MAXIPILOT）、城区NOM、行泊合一、记忆行泊车全场景应用。
借鉴当下流行的车型版本分级方式，MAXIPILOT 2.0 分为Lite、Pro、MAX三个版本。
其中，Lite主打城市增强L2方案，依托青云BEV技术解决当下L2体验不连续的产品痛点，例如L2系统在路口场景容易退出/道路拓扑变化体验不佳等。
Lite包含BEV一体机和MDU20域控两种产品形态，覆盖20万元以下车型细分市场实现智慧化升级，支持极高性价比的轻地图高速NOM（Navigate on MAXIPILOT）应用落地。
Lite版也是行业内唯一支持BEV部署的前视一体机高性价比算力平台方案，定位覆盖日常行车70%以上场景的千元级别产品，基于单个BEV一体机数据闭环，足以驱动关键路口/特殊道路拓扑等场景数据获取，可以帮助车厂客户高效开城。
MAXIPILOT 2.0 Pro基于5R6V的传感器配置，单SOC实现行泊高度合一，是中算力平台又一性价比之选，支持实现高速地图NOM、记忆行泊车等智慧化功能方案。
MAXIPILOT 2.0 Pro支持占用空间网络部署，支持输出BEV特征抽取后的特征地图（DREM-Deep learning REM），以数据合规方式上传云端，通过记忆地图共享实现高效开城。
MAXIPILOT 2.0 MAX主推nR9V的传感器配置方案，能够更好地应对城区复杂交互环境。同时方案可选装前向激光雷达，作为城区视觉冗余的多重保障。
MAXIPILOT 2.0 MAX的亮点在于，方案可以通过复用2.0 Lite和2.0 Pro积累的海量价值数据，实现成本可控、节奏可控的开城。
而在2.0 Pro上的数据闭环，则可以支撑面向下一代端到端的技术新范式。上述产品之外，MAXIEYE还发布了“启明星计划”，面向全行业开放BEV感知标准件。
青云BEV架构感知标准件，支持软硬解耦，实现标准化工具链、标准化规控接口、标准化ISP。通过敏捷的算法移植能力，可支持在6个月内实现高效跨平台开发需求。面向智慧出行产业链上下游合作伙伴，提供应用场景多元化、产品形态多元化、合作模式多元化的感知平台接口，加速高阶智能化产品的应用繁荣。
为了满足车厂客户对芯片战略和平台战略的差异化诉求，MAXIEYE基于行车芯片、行泊芯片、舱驾芯片等硬件平台，实现敏捷嵌入式开发和功能层深度定制化，这可以让车厂大幅降低项目开发成本、提升开发效率，保障方案兼容性、连续性和可扩展性。
同时，青云BEV感知标准件可满足车厂海外芯片和国产化芯片的横向布局。目前，MAXIEYE已经开发了全国产化芯片L2一体机，主打科技平权下的高性价比。
高速、城市NOA竞争的本质，是基于BEV的数据竞争
MAXIEYE的L2产品，已经在诸多乘用车上量产应用，包含哪吒V、广汽传祺ES9、广汽传祺GS8、广汽传祺E8、合创V09、合创A05、广汽埃安S、广汽埃安S MAX、广汽埃安Y、昊铂HT、昊铂GT等车型。
这让MAXIEYE的量产数据闭环系统，积累了超两年前装部署经验。有了前期的数据基础，高速、城市NOA的竞争，本质上将是一场基于BEV的全新的数据竞争。
一是建立BEV架构。特斯拉、华为、小鹏等几家头部公司，已经向行业证明了「BEV+Transformer」是通往自动驾驶终局的解法。高速和城市NOA的竞争，本质上也是基于这条技术路线的追逐。放下传统CNN检测算法执念，基于BEV底层重构，才能解决不断出现的Corner Case，为端到端自动驾驶的到来打下坚实基础。MAXIEYE发布的青云架构，是本土智驾公司的一次硬核发声。华为、小鹏已经在推送无图城市NOA，特斯拉FSD预计很快也将在国内开放。车企要么自建BEV能力，要么依赖MAXIEYE这样的公司，才不至于在智驾时代掉队。
二是获得大量数据。高阶智驾是一场BEV+Transformer下的数据竞争，这一点从技术逻辑上可以得到证明。
MAXIEYE提出的一个思路是：「记忆共享=城市NOA」周圣砚告诉HiEV，「基于深度学习做城市记忆行车，记忆行车的关键是建图成功率，从公司到家，我们可以保证两次建图就能完成，不需要行业里宣传的一周建图完毕。时间太长的建图，消费者的体验度不高。而且，我们是本地化建图，自动化的，存储在域控制器上，不上云，这样的话，可以帮车厂解决合规问题。」
所谓记忆共享，将记忆行车作为城市NOA关联起来，共享车辆记忆下的「图」。
与基于规则的记忆行车不同，基于BEV的记忆行车，是采用深度学习的思路，效率、稳定性、鲁棒性都会更好，不需要像基于规则那样在后期需要人工去调整算法。
MAXIEYE的记忆行车基于5R6V方案，成本大概几千元，比主流的高阶智驾硬件方案更加便宜。搭载了方案后，哪怕车没有使用记忆行车，后台的影子系统也实时记忆经过的道路。
「在记忆共享下，如果有1万辆车在同一个城市，每个人从家到公司的路线都不一样，高频使用的话，一个月就能把城市NOA做出来。」周圣砚说，作为供应商，公司搭了技术底座，需要车厂加入进来，一同把采图这件事做好。
理论上，这与特斯拉、华为、小鹏的思路相似。
行业所谈的「无图」，只是去掉了高精度地图，并非真正的无图，城市NOA必须要用到「图」，只不过这张图是车企自己构建的，是通过海量车主众包出来的图。其「制图」速度很快，更新频率也很快，可以达到秒级更新。车厂有了一张自己定义下的图之后，城市NOA才能大面积落地。
这也是为何，青云BEV架构可以具备高精度、毫秒级的建图能力。
周圣砚的计划是，在做完高速无图NOA和城市记忆行车后，下一件就会推进端到端研发。现在做的所有事情，BEV、激光雷达、目标识别，目标都是为车前的这根轨迹在服务，所有的深度学习也都是为其服务。
自动驾驶研发的深层逻辑，是正由工程、算法驱动转为数据、智能驱动，这一点会在接下来表现得愈加清晰，这会淘汰一大批还无法建立真BEV能力体系的玩家。
下载ECAD模型
