加入星计划,您可以享受以下权益:

  • 创作内容快速变现
  • 行业影响力扩散
  • 作品版权保护
  • 300W+ 专业用户
  • 1.5W+ 优质创作者
  • 5000+ 长期合作伙伴
立即加入
  • 正文
    • L4自动驾驶公司降维做L2前装量产,前景如何?
  • 推荐器件
  • 相关推荐
  • 电子产业图谱
申请入驻 产业图谱

L4自动驾驶公司降维做L2前装量产,前景如何?

2022/05/25
890
阅读需 50 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

L4自动驾驶公司降维做L2前装量产,前景如何?

之前九章发过一篇文章《Robotaxi公司做L2前装量产,机遇与挑战并存》,近两年来,L4自动驾驶公司做L2逐渐为一个趋势,主要是过去这段时间内,Momenta实在是太火了。

2021年,Momenta完成两轮融资,累计金额超10亿美元,投资方也非常豪华,头部车企有上汽、通用、丰田、奔驰等,还有博世这样的国际Tier 1巨头,也接连拿到多个智能驾驶量产项目,这可把苦苦挣扎于商业化落地的L4公司“馋哭了”。

5月18日,轻舟智航官宣进入前装量产方向,还有几家L4公司,虽然没有官宣,也已经在密切地和车企接触,据说有些还拿到了量产项目订单。

世事就是如此让人难以预料。

这边厢,L2赛道,曾因为传感器数据质量不好(缺少激光雷达)和算力不足(只有几Tops),被L4 公司“看不上”,不过随着近两年硬件水平的迅猛发展,情况已大为改观。一方面,新车型开始搭载激光雷达,摄像头数量也越来越多;另一方面,随着像Orin、地平线J5这样的高算力芯片出现,算力已不再是瓶颈。近年来各车企也纷纷宣称,要用L4的技术架构和“硬件预埋”去实现L2+的功能。

那边厢,Robotaxi公司商业化遇阻,技术、成本、政策都限制了规模的扩张,规模不足不仅不能获取足够多的数据,也限制了成本进一步下降。

有Momenta“珠玉在前”,于是这些L4玩家准备进军L2市场,一方面通过商业化获得营收,另一方面也能获取更多数据。

这些从L4“降维”的玩家和坚持做L2“升维”的玩家相比,其优势和短板是什么?整个自动驾驶软件行业现在又遇到了什么问题?如何解决敏感的数据问题?会不会在车企自研成功后被“卸磨杀驴”?行业终局究竟会是怎样? 

带着这些疑问,九章智驾采访了元戎启行CEO周光、福瑞泰克CTO沈骏强、轻舟智航CTO侯聪、Momenta等一些行业内专家。

谈到对L4公司做L2的思考时,轻舟智航CTO侯聪说道:

“像Robotaxi这种开放道路L4场景,离最终商业化落地还有一定的距离,所以L4公司也一直在‍‍探索落地场景。随着这些年乘用车电动化、智能化的趋势越来越清晰,ADAS也开始往更复杂的城区道路场景发展,现在城区NOA的场景其实和L4已经非常接近了。

“硬件上也取得了很大的进展,从‍‍发展角度来看,L2和L4在趋同,这意味着L4公司去做传统L2业务,‍‍尽管可能在某些开发路线或功能定义上会有些差异,但在城区NOA场景下,功能相同点比差异点会更多一些,背后的‍‍研发体系、组织架构和测试开发方式也是‍‍高度重合的。”

除了上述原因外,还有一个原因是,Robotaxi的场景和L2的场景相同,算法复用成本低。“Robotaxi是城市道路,包含高速场景,这部分场景和L2场景是相同的,也是我们熟悉和擅长的,虽然适配有难度,但场景不变,适配工作量不会很大,”元戎启行CEO周光介绍道。

综上可以发现,L2的硬件的快速突破,加上L4和L2的场景趋同、数据可复用,也是L4公司进军L2的重要考虑因素之一。

一、L4公司的优势

一位自动驾驶测试专家说:“L4公司的算法能力肯定更强,特别是规控算法。”

业内也普遍认为这些L4公司的算法能力更强一些,毕竟L4的场景要比L2的场景复杂得多。

在降维做L2场景时,除了算法能力强,L4公司还有以下优势:

01数据闭环能力更强

L4的场景中遇到的问题,比L2要复杂得多,这也要求L4公司要更好地利用数据闭环,挖掘长尾场景,迭代算法能力。

此外,在几年前,L4公司在认知和思维上也领先L2公司,L2公司创始人中硬件背景的较多,软件思维较弱,缺少数据思维,而L4公司的创始人普遍是算法背景,数据思维强大,从一开始就注重数据闭环,有先发优势。

一位算法专家也认为:“L4公司的优势,是通过数据迭代深度学习算法的能力,这一点,比那些基于规则的算法公司的能力要强很多。在未来数据量爆炸时候,L4公司的算法表现会更快地和友商拉开差距。”  

轻舟智航侯聪说:“L4公司在数据闭环和数据链路上投入的资源更多一些,而L2公司则较少,这是L4公司的优势。轻舟打造的仿真系统,对于数据的使用则更加高效,可以更多地‘榨取’数据价值。”

02系统流畅性更好

当前量产和在开发的L2+算法架构中,普遍是通过状态机的切换来确定当前的智能驾驶功能是L2及以下功能(如ACC、AEB、LKA等)还是L2+功能(如高速NOA),在行驶过程中,系统需持续监测当前车辆的状态和周边环境,来决定当前的状态机,所以中间会涉及到不同系统之间的持续性切换。

一位自动驾驶公司项目管理专家认为:“如果L2和L2+的系统是几家供应商合作开发,那么状态机切换其实是双方合作完成,甚至是三方合作完成,无论是逻辑的合理性,还是运作的流畅性,都是不足的。而如果L2和L2+的系统全都交给一家L4公司来做,整套系统能够运转得更加流畅。”

03性能天花板更高

L4系统的架构相比于传统L2的架构,更能适应城区的复杂工况,性能的天花板也更高。

元戎启行周光说:“L4公司做L2,有两种做法:第一种是依靠独立的团队和独立的代码,实现L2的具体细分功能,不过这会让L4的技术积累用不太上;第二种,就是降低L4级软件系统对传感器和算力的需求,把L4软件系统塞到 L2的硬件里面。不过第二种做法也是很难的,因为L4自动驾驶系统算力和功耗都很高,要放在车规级算力平台上,只有对算力和功耗优化特别好的公司才能做到。

“这样做虽然难,但是有很多好处,最大的好处是L4架构,其性能天花板和L2系统是不一样的。主机厂能够以一套L2的硬件成本,让用户可以以同样的价格,买到更加优质的服务,这就是元戎启行的优势。” 

二、L4公司工程能力的短板

诚然,L4公司在算法能力、数据闭环能力、系统流畅性和技术架构上限上占据了一些优势,但是也并不是全然没有短板,他们的集成能力和供应链管理相对较弱,不过最突出的短板还是工程能力。

2.1工程能力的定义

行业内普遍认为L4公司量产经验少,工程能力较弱。那么,大家所谓的“工程能力”具体是指什么?

笔者查阅了很多资料,也和很多位行业专家交流,总结下来,在智能驾驶行业内,大家提到的“工程能力”,具体是指以下三点:

满足车规级要求,如安全性、稳定性、可靠性等;

能够满足功耗成本等目标;

满足1和2的基础上最优化算法功能和用户体验。

在这方面,不少L4自动驾驶公司是算法优先,追求算法的先进性,靠打榜或者发Paper来证明自己多牛,对算力功耗等考虑的较少;而L2公司则是工程优先,面向量产,要解决的问题也要繁琐得多,如成本、功耗和算力限制等,也有很多安全性、可靠性和流程上的要求。

一位细分赛道自动驾驶公司技术副总裁提到“工程化的理解”时说道,在技术验证阶段,一般会为了达到某些性能指标而不惜一切代价堆资源,“一颗orin不行上两颗,两颗不行上四颗”,而不用考虑方案的可量产性;但在考虑商业化落地时不能这么干,激光雷达的感知距离就那么长,芯片的算力就那么大,硬件肯定会不停地迭代,但落地预期在那摆着,来不及等新硬件出来,能做的只能是将现有资源的性能“吃干榨净”,将其价值充分发挥出来。

元戎启行周光也承认这一点:“‍‍整体来说,L4自动驾驶公司,工程能力会偏弱一些,传统L2起家的公司工程能力‍‍会强一些。”

这一点,可以从很多L4自动驾驶工程师的光鲜的职业履历上找到原因,他们普遍名校毕业后,加入知名的互联网公司或明星自动驾驶公司,在此之前和车几乎没打过交道。他们自认为是“摘星星的人”,对于工程化的“脏苦累”的活,是有点瞧不上的,也不屑于去做。曾有人向九章智驾吐槽:“很多算法工程师,真的只懂算法,但车是一个工程,是一个产品,毕竟车能上路跑起来,不是只靠算法。”  

2.2L4公司或将被工程能力拖累?

那么,工程能力的重要性具体体现在哪些方面呢?

一位资深从业者曾举过一个例子说明工程能力的重要性,他说:“纯视觉AEB功能,虽然看起来简单,但却是所有ADAS功能里(‍‍除城区NOA外)最难实现的。”

“纯视觉AEB最难解决的问题是误识别。当前面没有东西而出现‘幽灵刹车’时,用户体验是极差的,甚至会导致被后车追尾。”

“误识别主要因为感知算法不能做到100%准确,为了优化体验,就‍‍需要在后面‘打补丁’,加一些判断条件。比如在拐弯或者一些特殊场景下,加一些场景判断,把容易产生误识别的场景识别出来,剔除出去,从而避免误刹车现象。”

“举个例子,拐弯的时候,路边站着个人,这个人在图像上(自车坐标系下)是从左到右运动的,算法判断这个人有横向速度,跟自车行驶轨迹要重合了,就要刹车,‍‍但实际上他是静止的,是不能刹车的,就需要把这个场景排除掉。这些场景需要通过大量的路试去积累经验和Know-how,这就是工程能力的体现。”  

一位CTO认为算法和技术远没有想象中的重要,甚至可能50%的分量都不到,其他则需要依靠工程经验。

在进一步解释工程经验的重要性,他说:“首先是系统稳定性,大规模量产时,和几百辆车时出现的问题是不一样的。如果样本数量不够,很多问题根本并不会出现。

“其次是成本,目前很多L4公司更多侧重算法开发,对成本考虑较少。”

“第三是安全性,这里面涉及到功能安全、信息安全等,‍‍L4公司考虑较少。”  

按照上述说法,工程能力与工程经验是强相关的,一位资深项目管理专家也表达了类似的看法:“在汽车行业,工程能力更多取决于自身过去经验的积累,短时间很难去弥补,只能靠量产项目去堆。”

不过,元戎启行周光则认为过往L2的工程经验未必能完全复用到L2+上去,他的理由是:“传统L2是由很多独立功能构成,而城区NOA都在往L4技术架构发展了,L4是中心化架构,用一套软件算法解决所有问题,软件架构大不相同。” 

虽然,随着技术架构的变化,工程能力未必能够完全迁移,但是工程能力的重要性是毋庸置疑的。

2.3L4公司也在补工程能力短板

不过,L4公司工程能力弱,并不代表他们在工程能力方面就没有积累,就像一位行业专家说的“L4的公司不一定没有工程能力,工程能力和L几没关系”。 

很多L4公司都向九章智驾表示,在过往的项目中“一直非常重视工程化”,在把算法往嵌入式平台上迁移时,也积累了不少工程能力和工程经验,轻舟智航侯聪介绍说:

“一方面,当一些L4公司还在使用多核工控机的时候,轻舟已经着眼于未来,基于可量产的计算平台去做算法开发,在相对低算力平台的倒逼下,我们在研发过程中不得不关注工程化和性能问题。”

“另一方面,工程化过程中需要的工具链和流程,轻舟也很早就开发完成了。现在我们有一整套性能优化工具链和流程,可以快速将软件迁移到嵌入式平台上去。” 

在安全性方面,轻舟也有很多积累,侯聪介绍道:

“我们也针对安全做了很多冗余设计,比如硬件冗余和软件冗余。硬件上有两套传感器,域控制器部分,有主计算单元和备份计算单元,还有个单独的控制器,可以在单点失效或多点失效下保证车辆安全,如靠边停车或刹停等。”

“这些是L4的做法,对于L2++来说会做一些调整,但整体思路是高度一致的。为了保证安全,内部也有工程质量团队,对工程质量高标准严要求,使系统更安全、更稳定。”

虽然L2做不到L4那么多的硬件冗余,但也说明像轻舟这样的L4公司已经在考虑功能安全了,在这方面也有一定的积累。

元戎启行对于工程化也有一些积累,据周光介绍:“元戎很早就把L4算法架构放在低功耗的量产芯片上跑,也在按照ISO26262功能安全要求开发自动驾驶系统,ASPICE也在认证过程中。”

看上去L4公司在工程化上也在补工程能力的短板,相信后续可以慢慢通过量产项目积累的经验去不断加强。 

三、挑战:定制化程度高,不同项目间软件如何复用?

在采访L4公司过程中,笔者发现一些L4公司人员对“降维”进入L2赛道持高度乐观的态度。当然,在进入一个新领域时,适度的乐观是必要的,正如距离产生美。

不过当近距离观察当前L2面临的现状和问题时,一旦关掉美颜滤镜后,再去看自动驾驶量产软件开发的前景,也许会发现并不如想象中那么“美好”。

很多行业高管在和九章智驾交流时都提到,现在行业极度缺人,尤其是开发岗位。究其原因,在适配不同车企、不同车型平台的项目时,软件的定制化程度太高,可复制性很差,“每拿到一个车厂量产项目,都要铺一堆人去做,现在都不太敢拿项目了,怕项目拿到后,人招不上来,影响交付” ,一位L2软件公司高管曾对九章智驾诉苦道。

如果定制化很高,软件复用性差的问题迟迟不能解决的话,那么令L4公司所向往的“降维”故事,也许就不那么“性感”了,甚至有人开玩笑说,“某自动驾驶公司可能会沦为一个软件外包公司。”

在进一步讨论这个问题的解决方案之前,我们先来探讨下软件可复制性差的背后原因。

3.1 为什么需要高度定制化?

在和行业专家交流时,不少人认为,其实真正算法层的适配成本并不高,反而在其他方面的定制化,要耗费大量的人力和物力,具体可以把原因汇总为:

3.1.1 电子电气架构不同

不同的车企,有不同的电子电气架构,所配置的传感器、域控制器和执行器也不同,稍有不同,就涉及到很多开发工作量,如通讯信号匹配、传感器适配、计算平台的适配、集成调试等。

最复杂的是匹配通讯信号。要做好整个智驾功能的闭环,就需要把信号从传感器到域控制器,再到最后的执行器,所有信号全部做好适配,开发工作量巨大。“在一个平台上能很方便地获取某个信号,到了另外一个平台上,可能要花很多周折才能获取,”一位专家介绍说。

同样,每新增一个传感器,也需要做大量适配。“如果新增一个相机,开发驱动,时间同步、图像大小、帧率稳定问题,这些都要重新搞一遍,” 

各家使用的算力平台不同,也需要做适配,“同样的算法模型,在华为MDC上运行和在Orin上运行也是不同的。 ”

除了算法模型外,不同的计算平台的底层软件也是不同的,底层软件不同,上层的中间件通信框架和算法等,也都要做相应的适配。“华为MDC给不同厂商的底层软件可能是不同的,不同的域控厂家集成Orin时集成电路不同,对应的适配环境也有区别,要基于环境开发集成调测台架和发版环境,其实也很花时间,”上述专家说。   

Momenta相关人员也告诉九章智驾:“定制化程度高的主要原因是每家的车型、传感器的配置、芯片都不一样,算法接口不统一,数据和技术流通受阻。”

3.1.2 产品功能定义不同

不同功能的切换,涉及到状态机的定义和判断。状态机的数量、定义、更新频率以及切换策略等,都有完整的控制逻辑,这些是由车企产品团队负责定义。

不同车企对智驾功能有不同的理解,状态机的定义也不同,在实际功能开发过程中也不太一样。

Momenta相关人员告诉九章智驾,每家客户的功能需求也有差异,如果缺乏良好设计,就会造成大量重复工作。

造成上述两个现象的原因,福瑞泰克CTO沈骏强认为和汽车行业的历史有关,他说:“和IT行业相比,汽车行业还是比较封闭的,各家都有一套标准,按照自己的想法定义系统,要求供应商按照自己定义的系统开发零部件。”  

3.2更省事的标准化方案是否行得通?

既然车企的差异化如此之大,那么Tier 1是否有更省事的方法,那就是建议或推动车企和其他合作伙伴采用一套标准化解决方案呢?

这取决于Tier 1自身的影响力。

国际Tier 1巨头依靠自身的供应链管理能力和自身影响力,对上游(如其他传感器供应商)和下游(车企的需求定义)的话语权要强得多,能减少不少定制化开发的工作量。

“我们对于主机厂的电子电气架构有很大的话语权,对其他接口不一致的硬件,我们也可以推动他们去改,”一位在某国际Tier 1巨头任职软件管理的专家说。

话语权依靠公司本身巨大的体量支持,这对于L4公司是很难的。

“电子电气架构和状态机的定义,虽然我们也会建议主机厂去修改,有些能改,不过大多数都是不能改的。”一位国内自动驾驶软件公司从业者说。

要想提高话语权,L4公司还需要通过量产项目不断积累经验,才能赢得车企的信任,否则也很难推广自己的标准化方案,“就算我们想去推标准方案,客户也得相信才行”,上述从业者说。

3.3如何提高软件的可迁移性?

那么,既然现阶段推进标准化方案比较困难,那么怎么才能提高软件的可迁移性呢?

其实,车企在传感器和芯片的选型上也正在走向趋同,这个趋势对于提升软件可迁移性是非常有利的,轻舟智航侯聪说:“在城市复杂场景下,方案其实在趋同,无论传感器选型还是芯片选型,都没有太多的选择,都倾向于使用目前验证过的硬件组合。”

除了上述趋势外,Tier 1也采取了很多积极主动的措施,他们的思路是,既然不能要求上下游去按照自己的方案去改,那就修炼“内功”,让自己可以更灵活地适配上下游。

行业普遍认为,优化软件架构,对硬件进行“抽象”,可以提升软件的可迁移性。

当前很多公司的软件架构优化得并不好,一位自动驾驶工程师说:“软件设计领域一直有‘先定架构后开发’,还是‘先开发,然后迭代出一个更好的架构’的争论。每一家公司都说自己是‘先定架构后开发’的,因为如果不这样说,会显得决策层很low,但现实往往是‘时间紧,任务重’‘你先给我出个版本,以后有时间再去优化’,架子没搭起来就开始考虑客户的量产交付了。”

这位自动驾驶工程师认为,通过做好硬件抽象可以解决这个问题:“硬件抽象可以类比于模型的Inference框架,只需要开发一套算法,通过这个框架,可以在不同的硬件平台上跑。”

侯聪也认为应该通过“硬件抽象+参数配置”的方式来适配不同的平台,他说:“拿操作系统举个例子,为了能够让自己接入更多硬件,需要对系统大量的功能模块进行抽象实现,如线程等这些概念就是对硬件抽象后形成的。

我们会对基本的算法模块、基本的功能定义,做一些抽象。这样在适配不同车型时,就变成了参数配置。”

除了优化架构外,还有一个方法,就是通过和上下游接口统一,形成行业共识或行业标准,从而降低适配成本。  

一些行业联盟正在牵头制定标准化软硬件接口的定义,沈骏强介绍说:“一些行业联盟‍‍也在逐渐形成,比如欧洲的AUTOSAR联盟,中国汽车基础软件生态委员会(AUTOSEMO)联盟和中汽协软件定义汽车(SDV)工作组。‍‍这些行业联盟,特别是SDV工作组,在各个层面进行标准的软硬件接口的‍‍定义。‍‍基于这些标准接口,再加上SOA架构(面向服务的架构),复制成本高的问题会慢慢改善。

“SOA架构其实最早是计算机行业里‘面向对象’的概念,强调的是保留一个数据接口,把内部的功能实现后,封装起来,基于这样的数据接口,形成可以被行业普遍认同和广泛接受的标准。目前福瑞泰克面向新的E/E架构下SOA分布式中间件开发架构,通过搭积木式的方案推出平台化的软件模块,增强了平台的可拓展性以及提升用户体验。”

相信随着软件架构的优化和软硬件接口的逐渐统一,可迁移性会逐渐提高,从而真的实现“软硬件解耦”。

四、敏感问题:数据驱动如何实现

除了上面提到的复制性差、迁移成本高的问题外,还有一个很关键也很敏感的问题,那就是数据。

数据的价值就无需赘述了,所有自动驾驶公司都称自己是数据驱动,如Momenta宣称自己是“基于数据驱动的飞轮技术洞察,以及量产自动驾驶和完全无人驾驶相结合的‘两条腿’产品战略”,L4公司参与到L2中来,一方面也是看到L2海量数据的价值。

那么,现在就面临一个问题:车企愿不愿意分享数据给这些自动驾驶公司?

这就涉及到自动驾驶数据归属权的问题了。

在量产车辆行驶过程中,传感器采集的数据、车辆的行为数据和底层数据,虽然目前国内法规还没有明确界定数据的归属权,不过2018年,欧盟已经通过相关法律认定,判定自动驾驶数据归属于车企,相信国内在制定相关法规时,也会参考欧盟。目前行业里也默认数据属于车企。

不过现状是,车企也已经意识到数据的重要性了,尤其对于国营车企,他们甚至为了数据安全,不惜花重金自建私有云,对这些企业而言,数据问题一定程度上具有政治敏感性,如果处理不好就容易出问题,这是原则,是底线。

那么,既然车企这么“宝贝”这些数据,Tier 1能否从车企处获得想要的数据呢?车企是否愿意“无私”地分享数据给Tier 1?Tier 1和车企又是什么样的合作模式呢?

对此,行业普遍认为“数据所有权”和“数据使用权”分离是当前的主流做法。

一方面,车企虽然拥有量产车辆回传数据的所有权,但是这些数据中,有价值的数据会被淹没在大量无用数据中,要高效准确地进行数据挖掘才能最大化地发挥数据价值。目前很多车企并不具备这样的技术实力,相当于空有一座金矿而自己又不会挖矿;另一方面,Tier 1虽然有这个技术实力,也希望利用这些数据去迭代自己的算法,但苦于没有数据所有权,最后,车企还要依赖Tier 1利用这些数据持续迭代算法功能,OTA到量产车上。

双方都有意愿最大化地把数据利用起来,于是一拍即合,达成了一个默契:数据所有权还归车企所有,但是开放数据使用权给Tier 1。这基本已成为行业的通用做法,一位Tier 1工程师甚至提到,如果车企特别‘宝贝’数据而不愿意分享使用权,他们会认为合作价值不高而放弃合作。

不过这就出现了一个问题,比如一家Tier 1有不止一家车企客户,如果A车企有30万辆车,B车企有10万辆,假设这两家车企都同意把数据开放给这家Tier 1使用,或者是A车企车上配置的传感器、芯片配置更高从而数据质量更好,那么,A车企是不愿意Tier 1把用他们的数据训练出来的算法卖给B车企的,即希望"你用我的数据迭代的算法只能为我服务"。但在实践中又如何管控呢?

笔者在和车企的工程师交流后发现,车企的心态是比较矛盾的:既希望Tier 1能把其他车企的新特性和corner case同步到自己家,又不希望Tier 1把用自己家的数据训练的算法开放给其他车企使用。

由于这种矛盾心理的存在,车企们的做法也比较多元化,尽管还没有形成共识,不过可以根据车企技术能力的高低大致分成两类:

如果车企的开发能力很强,那就把自动驾驶数据放到车企指定的云上,后续的数据挖掘、模型训练等算法迭代流程都是车企用Tier 1提供的开发工具链来操作,这样就能保证:1.数据只能自己用;2.训练出的算法,也只能给该车企自己用。

如果车企自身的开发能力不强,就可能没有那么多约束和要求,就会把数据挖掘和算法迭代全交给Tier 1来负责,不过这样就很难限制“A车企的数据迭代的算法只能给A使用”了。

不过为了能够有差异化的功能体验,也会有话语权大的车企要求 “功能优先发布权”,即Tier 1的某个新功能要在自家车型上OTA优先发布,而其他车企的车型要稍晚一些发布,这有点类似于前几年的Mobileye的芯片在某款车型上首发一样。

五、风险:传统车企自研成功后会不会“卸磨杀驴”?

不过即使Tier 1可以从车厂拿到数据的使用权,也不代表就可以高枕无忧了,因为还面临一个巨大的风险,那就是“车企自研”。

头部造车新势力如蔚小理,坚定地以特斯拉为榜样,走全栈自研路线,而传统车企里,不仅长城、吉利这些民营车企在自研方面大力投入,国营车企,如上汽、一汽也投入了很多资源。

那么这些Tier 1的客户是谁呢?

目前Tier 1合作的客户还是以自研能力没那么强的车企为主,甚至某Tier 1市场部人员曾对九章智驾直言:“我们的客户,就是不要‘灵魂’的车企”。 

不少车企工程师在和九章智驾交流时,纷纷透露内部是“两条腿走路”:一方面和外部供应商合作,不过只是阶段性的,是为了销量,是“眼前的苟且”;一方面大力投入自研,甚至不惜重金去采购“白盒”算法,同时在和供应商合作的时候,也能边做边学,这是为了“诗和远方”,一旦“师傅领进门”,车企的自研能力成熟后,肯定就不需要这些“师傅”了。 

5.1传统车企自研自动驾驶能否成功

不过,笔者有一个疑问:传统车企自研,能成功吗?

诚然,传统车企自研遇到的阻力和问题并不少。

首先是人才,因为薪酬不够高、团队里缺少技术牛人,传统车企很难招到合适的人,有些技术团队的领导不懂技术,又想掌控,于是出现“外行领导内行”,让研发效率大打折扣。

此外,组织架构也会影响自研效率,比如虽然行泊一体是趋势,但很多传统车企因为行泊是两个部门负责,推进起来也很困难。

不过,更深层次的原因,还是企业文化或者“基因”。自研成功的新势力车企都是有互联网基因的,而传统车企还是生产导向型的企业文化,注重流程,太注重流程就会影响自研的效率,在这一点上,为了自研,要做大量的内部变革,才能形成新的企业文化和组织形式,这个过程很痛苦,也很艰难。

不过车企有钱,有时候为了加快自研进度,或者为了向上面“交差”,也会买现成的白盒方案,基于白盒方案去开发。那么实际上这个方法是否可行呢?

笔者就这个问题和行业专家交流看法时,一些专家持悲观态度,“白盒买了,没人会用啊,被忽悠了”“算法迭代很快,买的白盒算法很快就过时了”。

5.2传统车企有没有必要自研

诚然,传统主机厂自研,存着诸多人才、制度和企业文化上的阻力,不过相比于讨论“传统车企能否自研成功”这个话题,Tier 1更愿意从行业分工、差异化体验等角度来讨论另一个话题,那就是——传统车企到底有没有必要自研?

他们的逻辑是,车企依靠销量生存,做的一切也都是为了销量,为了车能够卖得好,就必须要自己的产品有竞争力,尤其需要在用户体验上有足够的差异化体验。在消费者高度看重的智能驾驶功能方面,表现不能太“拉胯”。只要Tier 1的能力始终领先车企一步,就不用太担心。而德勤在主题为“汽车工程迈入软件领航的新时代”的报告中也显示,供应商在应对产品开发趋势方面领先主机厂一步。

换句话说,并不是车企的自研体系建起来了,算法能跑通了,就可以把量产车辆上切换成自研方案了,而是要做到在体验上能够媲美切换之前Tier 1的水平,否则切换后功能表现会有落差,可能会引起用户投诉,甚至带来安全风险。

元戎启行周光给笔者举了一个例子:“如果其他车企的智能驾驶做到100分的水平,那么你至少要做到90分才可以。如果自研只能做到70分,还要去切换的话,就会影响车的销量,动了车企根基。”

事实上,特斯拉在切换自研的自动驾驶算法后,AEB功能曾缺席了好几个月。同样的遭遇,在国内某头部造车新势力身上也发生过。

不过这个逻辑,车企未必会同意,或者说那些认为车企没必要自研的Tier 1们,可能低估了车企自研的决心。

在一次和赵福全公开对话时,蔚来汽车的李斌提到自研自动驾驶的逻辑:“越是涉及产品及时迭代、改进和反馈的部分,就越应该由车企自己来做。因为整车企业比供应商离用户更近,当用户反馈意见之后,车企可以及时改进并回应。如果要通过供应商才能处理,就等于增加了一个环节,会变得很麻烦和低效。”所以蔚来选择自动驾驶全栈自研,用李斌的话说是“自动驾驶系统,除了芯片外,其余都是自己研发的。”

这些造车新势力之所以坚定的选择自研,一方面是为了更好的用户体验,他们想把自动驾驶打造成自己的核心竞争力;还有一方面就是软件付费的商业模式,国产版特斯拉 Model 3标准续航版本售价为27.99 万元(不含补贴),驾驶辅助软件FSD一次性付费购买价格高达64000元,占车辆售价的23%,且随着FSD功能的不断强大,购买价格也在不断提升中,蔚来、小鹏等也有类似的软件付费购买业务。

不仅造车新势力,传统车企们也意识到了这一点,上汽集团董事长陈虹曾在股东大会上,公开拒绝采用华为全栈自动驾驶技术,称“灵魂要握在自己手里”,上汽集团总裁王晓秋也曾公开说过“任何一家汽车公司不做自动驾驶,就是死”。

看上去,很多车企已经把自动驾驶上升到了“灵魂”和“生死”的高度,可见他们对自动驾驶的重视程度。

一位自动驾驶Tier 1公司创始人也是类似的观点,按照他的说法,可以站在车企的角度,把所有业务按照两个维度分成4部分,一个维度‍‍是车企实现的技术难度大小,另一个维度是对用户的价值高低,该价值高低取决于车企能够形成多少差异化的竞争优势。

‍‍第一部分,技术难度大,差异化价值也高,车企会优先选择自研或者收购,比如自动驾驶系统。

第二部分,‍‍技术难度小,‍‍差异化价值高,该部分‍‍车企会选择自研,比如智能座舱的车载信息娱乐系统

第三部分,技术难度不大,差异化价值也不高,比如底层驱动软件等,可以大量通过外包等方式交给合作伙伴。

第四部分,技术难度高,差异化价值不高,‍‍比如操作系统、中间件、芯片等,车企就没必要自研了。”

按照上述的分类,有能力的车企都会选择自研自动驾驶。

不过,自研需要雄厚的资金和巨大的体量来支持,也许并不是所有的车企都适合自研,尤其是那些“家底不那么厚实”的车企。

也有人认为,比如主机厂掌握适度自研能力是合理的,但是没必要全栈自研,只需要掌握如控制算法等即可,这些功能对舒适性、操控等影响较大,至于其他如感知等算法则选择和外部供应商合作。一方面,这些算法研发难度大,研发投入也大,经济账算不过来,另一方面,这些功能对于终端用户的差异化体验贡献也相对较弱。

其实车企不管是自研还是外部合作,一方面在探索自己的能力边界,另一方面也是在找和外部合作伙伴的最佳合作模式。背后隐藏的诉求,无非是希望在自动驾驶时代,能够获得更高的话语权,得到“安全感”。

5.3车企自研方面的动作及进展

也正因为重视自动驾驶,传统车企在自研方面做出了很多努力。

在团队搭建方面,传统车企除了体系内自建自动驾驶团队外,有些还选择在体系外搭建了团队,比如上汽的零束、长城的毫末、吉利的亿咖通。这些体系外的独立公司,既可以摆脱传统车企体制的束缚,在吸引人才和企业文化建设上,也能够更加灵活和开放,更有利于自动驾驶技术自研。

除自研外,车企通过投资和业务合作等方式进行布局的脚步也一直没有停下。 

长安、一汽等传统车企纷纷与百度、华为、地平线新等企业以投资、建立合资公司等方式进行合作。

上汽去年两次投资Momenta,搭载Momenta泊车、高速、城区等场景的自动辅助驾驶功能的首款车型智己L7也预计将于近期开始交付。

广汽也不例外,今年3月,独家投资了禾多科技,搭载禾多科技行车、泊车功能车型也将于2022年上市。此外,广汽还成为华为智能汽车“HUAWEI Inside”模式的合作方之一,双方将于2023年推出合作开发的车型。

一位传统车企工程师曾说:“目前技术基础薄弱,还要依靠供应商帮助,跟着供应商做一个项目,再加上供参考学习的白盒方案,慢慢地建立起自研能力。”  

这位工程师还提到,等到自研能力成熟了,量产方案切换时,也会稳妥优先,“一开始先在某款销量不大的车型上试点,等成功了再慢慢拓展。”

按照这位车企工程师的思路,虽然车企切自研短期内会付出一定的代价,不过只要自研能力建立起来了,长期来看功能迭代一定会慢慢跟上,这就需要车企在“短期利益”和“长期利益”中间做一个权衡。

为更好地实现自研,传统车企选择供应商的方式也在发生变化——他们开始摈弃过去“所有自动驾驶软硬件全部打包给一家Tier 1来解决”的“交钥匙方案”,逐渐走向“精细化管理”,即把系统软硬件按照功能拆分得很细,分开招标定点,以此来加强自己的掌控力,也能借此机会向供应商近距离学习,可以逐步接触更核心的部分。 

六、行业终局是什么?

笔者在和很多从业者在私下交流的时候,都会聊到一个话题,自动驾驶的行业终局是什么。思考终局能够让我们更好地“以终为始”地做决策。

上述讨论的“主机厂有没有必要自研”,取决于车企的价值判断,这也决定了主机厂自研的投入力度和持久度,也很大程度上影响了行业终局。

一位自动驾驶Tier 1公司的副总裁告诉九章智驾,行业终局会形成三种格局。

第一种,特斯拉模式,全栈自研,从软件到芯片,垂直一体化。

‍‍第二种,类似于PC行业芯片(英特尔)+操作系统(微软),可能会出现自动驾驶芯片厂商‍‍和操作系统厂商为主导、OEM只做简单开发的格局。

不过自动驾驶系统要想成为操作系统,一方面,算法要实现和下层硬件的解耦,另一方面,算法要和上层应用也要隔离,比如,把和用户体验强相关的、能够体现差异化的定义接口开放给车企,这样方便车企根据用户需求来进行定义。

‍‍‍‍第三种,和现状差不多,以主机厂为主,和上游合作伙伴做行业分工。

“这三种格局,有可能并存,或者哪一种胜出,现在还没有完全定论。不过按目前演进的路线,第一种和第二种的概率会更大一些,”上述副总裁说。

目前看下来,蔚小理等头部造车新势力坚定地走特斯拉全栈自研模式,长城、吉利、一汽、上汽、广汽等传统车企,也在往这条路上走,还有车企打算自己做芯片。该模式难度高,投入大,风险也高,如果能成功,那么产品竞争力和收益也是最大的。

从终局看,最终只会有几家头部的车企在该模式下能跑出来,毕竟不管是自研自动驾驶系统还是芯片,都是需要重资金和人才投入的,这样的投入恐怕只有头部的车企才能养活得起,也只有头部的车企,才有足够的销量去分摊成本、形成竞争优势,否则反而成了累赘。

第二种,对于资金没那么雄厚、体量没那么大的车企来说,是个“高性价比”的选择,在控制投入的前提下,还能共享产出。以某几个头部自动驾驶软件公司和芯片厂商为核心,形成一个开放的生态圈,既能让芯片形成规模效应,也能共享算法解决方案和自动驾驶数据,以此来抗衡特斯拉模式。

不少人认为,在独立的自动驾驶软件公司这个赛道,最后很可能只有几家头部的公司才能活下来,其他的大概率会被并购,就像小米收购DeepMotion(深度科技)一样。

李斌在对话赵福全时,也提到自动驾驶行业终局,他认为最终也会形成几个联盟,不过和上述的“强Tier 1+弱OEM”不同,他认为车企之间会相互联盟,每个公司独立运营,但加入某个联盟来共享资源,比如传感器布局、算力平台、基础算法、算法数据等,既合作又竞争。 

其实车企之间“强OEM+弱OEM”的“抱团”的趋势也已经在发生了,2019年,大众集团和福特对外宣称共同投资Argo AI公司,共同分摊Argo AI研发自动驾驶汽车技术的费用。

2018年,本田通过投资7.5亿美元,获得通用汽车收购的Cruise 5.7%的股权,并在自动驾驶领域和通用继续加深合作,于2021年和通用、Cruise一起合作开发出了无人驾驶车辆平台Origin

至于上述提到的第三种维持行业现状的路线,更像是个演变进程中的过渡状态,目前传统界限分明、分工明确的Tier 1、Tier 2,也已经开始慢慢模糊,开始出现Tier 0.5和Tier 1.5这样的角色。Tier 1也在不断调整自己的角色定位,“‍‍对福瑞泰克来讲,新型Tier 1作为主机厂最紧密的合作伙伴,对整个系统开发负责,我们也会更多站在‍‍用户的角度去思考功能的定义和开发,不仅提供最终产品的供应,更重要的是帮助客户一起完成产品的定义和论证,供应商的管理。”沈骏强说。

市场风向在不断调整,车企的关注点也在不断调整,而且往往是在两个极端之间摇摆。

五六年前,车企对智能化的关注点还更多是在智能座舱上,2016年号称“全球首款量产互联网汽车”的荣威RX5发布,一上市中控大屏就惊艳了市场,而那时候智能驾驶领域还在被Mobileye垄断市场,车企都还在用EyeQ系列芯片。

不过市场变化很快,随着智能座舱的同质化,和特斯拉智能驾驶功能FSD的火爆,让用户购车时更多关注智能驾驶功能上了,智能驾驶又成为了车企关注的焦点。

对软件的态度也是如此。传统模式下的产业链分工,车企几乎不做软件开发,由Tier 1将软件封装在ECU里软硬件一起交付,对软件的重要性认识也不够,一位自动驾驶公司创始人说:“四五年前,在和车企交流时提到软件定义汽车,车企觉得‘软件没你说的这么重要’‘还是踏踏实实搞硬件’‘消费者不关心软件’,在提到特斯拉时,也是用鄙视和调侃的语气。”

随着这几年“软件定义汽车”的大火,风向完全逆转了过来,车企都在大规模招聘软件人才,组建软件研发团队。

在产业链分工上也是如此,从传统的Tier 1、Tier 2的分工模式,形势完全逆转,车企纷纷模仿特斯拉做全栈自研,甚至芯片也要自己造,就像手机行业里的苹果的封闭生态一样。

不过,并不是所有的车企都能成为特斯拉,就像不是所有的手机厂商都能成为苹果一样。最后行业的终局,一定会出现类似于手机行业里安卓那样的开放生态,车企借助上游合作伙伴的力量,一起抗衡苹果模式的车企。

最终两个生态相互竞争,互为补充,持续共存,这是自动驾驶行业最有可能的终局。

参考资料:

1.赵福全对话李斌(下):解读汽车产业价值转移https://auto.ifeng.com/pinglun/20210119/1526989.shtml

推荐器件

更多器件
器件型号 数量 器件厂商 器件描述 数据手册 ECAD模型 风险等级 参考价格 更多信息
ACS723LLCTR-10AU-T 1 Allegro MicroSystems LLC Analog Circuit, 1 Func, BICMOS, PDSO8, LEAD FREE, MS-012AA, SOIC-8

ECAD模型

下载ECAD模型
$3.51 查看
A4970SLBTR-T 1 Allegro MicroSystems LLC Brushless DC Motor Controller, 1A, PDSO24, LEAD FREE, MS-013AD, SOIC-24

ECAD模型

下载ECAD模型
$4.16 查看
FSBB20CH60C 1 onsemi Intelligent Power Module, 600V, 20A, 60-TUBE
$26.91 查看

相关推荐

电子产业图谱