• 正文
    • 感知分快慢,PNC决胜负
    • L4玩家的PNC技术细节披露
    • 升维?技术上不存在的
  • 相关内容
  • 电子产业图谱
申请入驻 产业图谱

没有L4的金刚钻,揽不了城市辅助驾驶的瓷器活

11/09 09:09 作者:智能车参考
阅读需 16 分钟
加入交流群
扫码加入
获取工程师必备礼包
参与热点资讯讨论

雷刚 发自 副驾寺

智能车参考 | 公众号 AI4Auto

L4很冷,L2很热。

最近无人驾驶坏消息很多,被舆论走入寒冬,辅助驾驶量产新车一个接一个,迎来新高潮。

曾经自动驾驶竞速的两条路线,不少人说无人驾驶、L4级以上、打造Robotaxi的玩家们,融资烧钱之后难以为继。

最后还是得量产路线、辅助驾驶上车,用马斯克开创的特斯拉路线,赢得升维式的胜利

但别被新硬件加持的表面繁荣迷了眼,除了特斯拉,国内大小车厂的新车型,智能化离不开上车的激光雷达,以及大算力的英伟达Orin

技术上的事实是,没有L4的金刚钻,揽不了辅助驾驶的瓷器活,特别还是城市开放道路下的辅助驾驶。

按照自动驾驶技术划分的四大栈:感知、定位、决策和控制。当前已经和即将上路的大部分量产新车型,还没有触及最关键的决策和控制

而这最重要的一环,除非是L4玩家,否则远水解不了近渴。

感知分快慢,PNC决胜负

实际上,自动驾驶的四大技术栈,也正在实现融合和统一。

感知和定位,可以合二为一,解决的都是“面对怎样的环境”的问题。

决策和控制,也称规划和控制(PNC),同样在合二为一,解决的是“AI系统该怎么开”的挑战。

所以通俗来说,自动驾驶的本质,就是搞清楚自己面对的是怎样的环境,然后如何高效移动。

这两年来,因为激光雷达上车,大模型风靡,感知话题热度一浪高过一浪,各种基于BEV(Bird’s Eye View)的新效果,层出不穷。

但感知域再变,都是基础层面的数量增减。

理论上,司机“能追逐的目标”越多、范围越广,越利于作出更好的驾驶决策。

 

然而实际上,有效区域和高效追踪,才是真正体现技术能力的地方。人类开车的感知半径空间,远不及激光雷达和超清摄像头加持下的智能车感知系统,依然能把车开好。

所以感知讲得再天花乱坠,在玩家与玩家之间,影响的也只是速度的快与慢。

真正决定成与败,是PNC。

PNC,Planning and Control,在车端涵盖导航、预测、决策、规划、控制等核心模块。

通常,业内采用的是时空分离规划来做PNC,把对轨迹的规划拆分成两个子问题:路径规划(path planning)和速度规划(speed planning)。

路径规划对应于横向控制,即方向盘;速度规划对应于纵向控制,即刹车或油门,这种决策机制也就是所谓的横纵分离。

这种方法,类比来说就是先为车辆铺好一段铁轨,再在铁轨上计算速度。

这种方式的特点也非常突出:非常依赖手写规则调整车辆行为,也非常依赖大量路测来验证算法。

实际上,之前已经推出高速和快速路上的导航辅助驾驶的车企,采用的就是这种方法,在高速和快速路场景效果不错。

但一旦到了城市区域,一来没了高精度地图加持,二来手写规则的依赖,弊端也开始在体验上显现。

即便有激光雷达加持,该车企L2产品的体验,与高速和快速路上天上地下。最明显的就是前车车距保持很长很长,随时会被加塞,一旦加塞就会刹车,体验糟糕。

更差劲的是面对摩托车等快速行驶的“小型异型物体”,往往会触发急刹,车主稍不注意或应对不当,还容易造成后车追尾。这就是“手写规则”之下预设的场景处理逻辑。

而这,还是国内以智能驾驶领先知名的车企。

这种面对城市路况的PNC无能,当然有具体车企本身的原因,但更本质的还是车企L2研发和产品定位惯性,先“手写规则”更容易短期能用,车主还能紧急接管。

这也决定了长期来看,除非大规模路测数据后模型能重写重构,否则体验上难以质变。

特斯拉车主或许有过感知,AutoPilot系统是忽然在一次大升级后“质变”的。

而那个版本之前,特斯拉用相同的传感器方案,用百万量产车的影子模式,累积到了一个相当大的数量级数据。

L4玩家则不同,因为从第一天开始就已经明确Robotaxi方向产品,上路产品必须摆脱人类依赖应对复杂城市路况。

所以“手写规则”从第一天就不Work,L4玩家需要设计的系统,跟AlphaGo下棋一个道理,真正用深度学习的方式,让AI系统根据车流、车速等实时数据,给出最优解。

这个最优解的求解,一是规划好,二是预测到位,背后是对空间、运动轨迹和时间的综合把握。

并且出于流程体验和高效通行的追求,常态化落地和运行的Robotaxi物种,基本都要时空联合规划,长时间的意图轨迹预测。

所以在智能车纷纷放话挺进城市场景,实现停车场、高速快速路、开放城市道路点到点导航辅助驾驶的时候,L2玩家们追求的天花板,其实是L4落地玩家们最初的起点。

这也是为什么众多L4明星玩家,纷纷开启辅助驾驶降维上车的内在前提——可以提供主机厂智能转型中最渴求但又无法自然生长出的能力。

并且这当中,PNC就是最关键一环。

否则按照“数据积累”的单纯想法,出货量大且很早就有L2功能配置的日本、德国大厂,早就实现智能驾驶的领跑了。

L4玩家的PNC技术细节披露

有意思的是,因为L4玩家纷纷开启面向量产车赛道的转型,更多核心看家本领的技术细节,开始不得不披露——有理有据说服更多潜在的车企客户。

这当中,就有今年声势浩大开启高级辅助驾驶引擎的L4明星玩家轻舟智航

稍微熟悉业界的人对轻舟不会陌生。轻舟是Waymo的青年才俊在2020年创办的公司,从起步就瞄准了L4级自动驾驶打造,但经历了Waymo的洗礼,深知Robotaxi落地之难和数据闭环重要性,所以选择了小巴公交场景率先落地。

 

小巴公交这个场景,后来被反复称赞,原因一是其ODD区域和数据和Robotaxi被无二致,经历的技术检验基本也差不多;二是始终能保持高阶技术维度构建技术引擎;三则是踩在了碳中和的大趋势上,共享和集体交通的方式得到了政策更大的鼓励。

而对于轻舟来说,还有更具体的意义。作为自动驾驶创业领域的后起之秀,它能够用最具标签性的方式快速被认知,很快就成为了自动驾驶小巴的代名词,并且因为技术和产品上的展现,获得了包括字节跳动、美团等战投资本的加持。

在L4赛道上树立起大旗后,轻舟智航于今年正式开启了另一条引擎——面向量产车供应高级辅助驾驶方案(取名:乘风),希望给转型中的车企快速提供城市NOA,特别是中国城市路况下的智驾能力。

按照轻舟最新的披露,分享了PNC方面的技术方法。

首先,就是时空联合规划算法。

同时考虑空间和时间来规划轨迹,而不是先单独求解路径,在路径基础上再求解速度从而形成轨迹。将「横纵分离」,升级为「横纵联合」,能直接在x-y-t(即平面和时间)三个维度的空间中直接求解最优轨迹。

基于这种策略,不仅能可以让AI司机稳如老司机,还能在面临动态障碍物的交互时,能提前把握最好的时机,选出最佳行车轨迹,更流畅地完成车辆间的博弈,并且不会出现反复急刹的情况。

此外在多车道行驶场景,车辆还可以通过判断前方车流量和车速,灵活地变道选择更快的路线,而不会死板地跟着前车缓行。更聪明、更灵活,行车效率更高效。

其次,意图和轨迹预测。

轻舟用L4级的预测模型,能做到10秒之久的长时预测——简单类比就是有10秒的时间来做决策。

这背后是轻舟主预测模型里有至少三条带概率的轨迹,可以同时最大概率轨迹和真值的平均误差是 3.73 米,即10 秒整体轨迹的平均误差 3.73 米——一个业内相当领先的水平。

轻舟还披露自己的主模型可同时支持预测 256 个目标,推理整体耗时小于 20 毫秒,可以满足实时运算的需求。

所以轻舟智航展示的,其实就是为何L4玩家能够更快更有效的车厂L2+解渴方案。

不过这套方案里,PNC只是其中最值得关注的项目,还并非方案全部。

轻舟还披露了感知和数据闭环迭代方面的细节,感兴趣的朋友自行官网吧。

需要强调的是,这种L4解渴车企L2的潮水,不是趋势,已然有层出不穷的案例。

比如Momenta之于上汽智己L7,毫末智行之于长城摩卡新能源车型,大疆之于五菱宏光Kiwi,华为之于北汽极狐和阿维塔。

上述案例中,虽然各家在汽车供应链中的角色定位各不相同,但打造技术方案和产品的时候,其实都是以L4为基准的。

而且都是技术公司,都没有车企内部包袱——即便是毫末智行,也跟长城内部智能驾驶部门有本质不同,完全从机制上被激活了创业组织活力。

不过即便可以供应L4级技术能力的公司不算少,但市场机会还相当巨大。

一方面是量产车市场足够大,另一方面是技术方案目前还不是标准产品,需要车企和供应商深度合作。

这也是为什么在“上汽不希望失去灵魂”时,华为给出的回应是:也不是谁都能得到,自动驾驶大脑,现在还很稀缺。

而且出于车厂相互竞争的因素,往往不会选择同一家供应商,或者都让某一家供应商供应所有车型,所以从特斯拉、蔚小理等开始展现智能化竞争力后,传统车企慌了,L4公司向下融合的案例也多了。

可以预计,包括小马智行、文远知行以及上述提到的轻舟智航等在内的明星L4玩家,都会进展顺利,“转型”比外界预期的更快更猛。

毕竟L2的天花板,不过是L4的入门门槛。

升维?技术上不存在的

特斯拉不是证明了可以升维吗?

这是不少传统车企或主机厂拥趸最容易误解的观点。

因为关注马斯克的分享的话,其实他不止一次讲过,特斯拉不是为了造车而造车,造车是更快实现自动驾驶的载体,特斯拉本质是AI、自动驾驶公司。

马斯克很早就想清楚了统一传感器方案、统一数据输入、闭环迭代的路径方法。

为了利用深度神经网络推进AutoPilot,他不惜得罪OpenAI董事会,公器私用,把AI天才安德烈·凯帕西半哄半骗拐到了特斯拉——后来导致OpenAI董事会把创始成员及主要出资人马斯克踢出了OpenAI。

 

但马斯克和特斯拉的历程,证明了升维在数据模型和迭代上是有效的,而且效果明显。

于是在上海工厂解决了特斯拉产能后,大号自动驾驶传感器——Model 3帮助特斯拉自动驾驶性能从量变到了质变。

可在特斯拉内部,一直用的是可以用在L4甚至L5的技术方案,甚至还会有带激光雷达的特斯拉测试车。这也是为什么自研芯片推出时,自动驾驶方案从AutoPilot更名到了FSD——Full self-Driving。马斯克更是公开场合放话:FSD就是L5。

 

所以对于自动驾驶的迭代和发展,降维释放有技术原理支撑,升维却只存在于想象中。

这就好比打造火箭的技术,可以打造宇宙飞船,或者是卫星轨道通行工具。

但飞机玩家往身上绑很多引擎,能飞更高更快后,认为能跟火箭一样——简直跟汽车上绑螺旋桨离开地面一样滑稽。

 

总而言之,发生在智能驾驶领域的变革和趋势已经再明显不过。

也不必因为有L4玩家倒闭而唱衰无人驾驶技术——Argo倒下的根本原因跟选择的技术关系不大,接触过被大厂收购后的Argo,基本就知道为啥他们会停滞不前了。

这也是传统车企甚至大厂面临的问题,组织太大,包袱太多,惯性太强,祖宗之法不可变……于是最后像奔驰标榜的自研L3,开启后让人怀疑自动驾驶的意义。

不少常识听起来像是废话,但逃命的时候最重要的是命在,而不是自尊和体面。

当然也不是命和自尊不可兼得。

大众汽车24亿欧元砸出一个和地平线的合资子公司,既在寻求逃生门票,也保留着体面,甚至还做了一波中国市场的GR。这种合资但车企控股的自动驾驶技术方案子公司,或许会是高阶辅助驾驶开发中,越来越常见的组织形态。

最后,回到自动驾驶竞速的两条路线开端:Waymo路线和特斯拉路线。

 

如果说马斯克是什么时候拥有的“车是自动驾驶硬件载体”的认知……

或许最早可以追溯到2009年。

那时候谷歌完成了自动驾驶原型车的里程碑,一经曝光后轰动全球。

其中有一个看到新闻的人,凭借和谷歌创始人布林的绝好私交,光速前来,虚心求教,很快掌握了自动驾驶技术从0到1的实践心得。

这个人是伊隆·马斯克。后来所谓的两条自动驾驶路线,从一开始就是一个源头,中间分岔,现在只不过又开始合流归大海。

 

更多相关内容

电子产业图谱