扒一扒輕舟模式：字節美團同時看好的L4自動駕駛路線

賈浩楠 楊凈 發自 凹非寺量子位 報道 | 公眾號 QbitAI

這樣一家自動駕駛公司立足點和發展路線，之前外界看不懂，業內也沒預料到。

輕舟智航，3年來一直是自動駕駛創業賽道上最獨特、“不可能”標簽最多的公司。

一方面，它成立于行業低谷，資本市場一度質疑自動駕駛的商業價值，各個公司普遍收縮業務線求生。

落地路線選擇不太被人看好的賽道——自動駕駛小巴，即便當時連百度這樣的巨頭也遭遇攻堅戰。

還有在行業玩家普遍以“路測里程”、“車隊規模”、“牌照數量”論資排輩時，輕舟卻最早提出以仿真測試為主開發迭代，在當時屬于“少數派”。

但另一面，IDG、美團、阿里、字節等科技巨頭，卻又不約而同看好它。

輕舟智航本身發展也落地頻頻，在蘇州、北京、重慶、武漢、深圳等地公開道路上都有輕舟小巴的身影。

甚至一度還把“自動駕駛小巴”搞成了身上的標簽，成為了行業頭號代表，并且引領了自動駕駛小巴重新火熱。

“輕舟模式”，也開始被業內外越來越多提及。

既指的是它的速度，也指的是其反差，更指向其展現的自動駕駛方法論。

而現在，輕舟智航主動分享了一切。

解開輕舟模式

在今天的QCraft Day輕舟品牌日上，輕舟分享了自己最新的發展戰略，一轉過去行業對輕舟智航是“自動駕駛小巴公司”的傳統印象。

基于自動駕駛方法論“自動駕駛超級工廠”，支撐“雙擎”戰略的發展：

其一是動力引擎，將L4技術做深做透，并實現商業閉環；無論是Robobus還是Robotaxi，都是輕舟驅動L4技術縱深發展的途徑；

其二是創新引擎，面向廣泛乘用車市場，為客戶提供更加安全，成本更加合理的前裝量產方案助力客戶創新，由此在更廣泛的場景下應用并實現技術的驗證。

這個戰略的提出，用輕舟智航創始人、CEO于騫的話說，就是自動駕駛行業正在迎來發展的黃金拐點：

• 政策上，針對自動駕駛產業的政策愈加清晰、友好，越加開放且合規；
• 技術上，自動駕駛模型、算法等越發強大，對整個行業有很大的促進作用
• 傳感器和算力方面：激光雷達從幾年前數萬美元降到了數千人民幣，已經在越來越多的量產乘用車上使用，算力平臺從幾年前的幾個、十幾個TOPS發展到數百TOPS甚至上千TOPS，傳感器和計算都在向車規方向發展；

在于騫看來，這已經非常適合于前裝量產的大規模落地：

如果把算力比喻成環境中的氧氣濃度，把傳感器數據量級比喻成食物，相當于就是環境里的氧氣濃度變得更大，環境里面的食物更多，非常適合高等級自動駕駛公司的發展。”

進軍前裝量產領域，推出最新一代量產車規級自動駕駛解決方案DBQ V4，也是這一次輕舟最引人矚目的產品。

DBQ V4，量產成本低至1萬元的L4自動駕駛套件，為前裝量產而生

幾年前，談到搭載ADAS系統的量產車，其實和L4是沒有什么交集的，它只能完成一些ACC、AEB等非常基本的輔助駕駛能力，相互之間的數據并不通用。

然而隨著行業黃金拐點的來臨，數據的打通成為了可能。

但L4前裝量產的實現也并非就能一蹴而就。于騫表示，L4的困難在于最后1%的場景，這當中涉及到大量底層的安全冗余方案。

然而得益于輕舟高效的自動駕駛方法論，加之傳感器和芯片的快速發展，輕舟已經實現了用10%的L4的成本來實現大部分L4的能力，而不像ACC、AEB這種單點覆蓋。

DBQ V4量產成本最低至1萬元人民幣，這在L4級自動駕駛賽道上是前所未有的。

但輕舟并沒有把焦點全然鎖定在性價比上，在他們看來，領先的工程化能力和交付能力，同樣是自動駕駛的核心競爭力。只有這樣，才能做到“為量產而生”。

DBQ V4是一個高度可配置的方案，客戶可以像勾選菜單一樣根據不同的應用場景選擇相應的配置，相當于把產品的定義權交給客戶。

全部配置可以達到L4級自動駕駛，而標配版則可以用10%的實現99%的L4級自動駕駛能力。這便是隨“機”應變。

面對不同的車型、場景，DBQ V4也能在一套技術棧下快速適配，實現像無保護左轉、狹窄道路通行、自主泊車、自動變道超車、主動繞行動態障礙物等一整套的能力，是為“以不變應萬變”。

詮釋的就是為量產而生。

成本優勢史無前例的自動駕駛套件，必然依托國內成熟供應鏈。

比如品牌日上輕舟智航官宣與國內智能駕駛芯片領跑企業地平線達成合作。

預計在2022年第三季度，雙方基于征程5芯片的自動駕駛樣車將開放路測；到2023年，雙方基于征程5芯片聯合研發的高等級自動駕駛方案將達到量產水平。

從自動駕駛小巴到未來移動空間

就在此次發布活動的前幾日，北京剛頒發高級別自動駕駛示范區智能網聯客運巴士測試牌照。

輕舟智航成為首批獲得此測試牌照的企業，他們將全面接入北京市高級別自動駕駛示范區2.0車路協同場景應用。

此次牌照的發放，為企業自動駕駛快速規模化商業化應用奠定了政策基礎。

與此同時，還填補了北京智能網聯客運巴士測試、示范應用的空白。

而放在三年前，自動駕駛小巴還只是一個巨頭紛紛不看好的賽道——

技術難度比封閉場景高，市場又沒有Robotaxi大。

如今卻有如此明確的政策導向，這當中少不了輕舟智航的快速推動作用。

過去三年中，輕舟智航雖然創立沒占“天時”，但卻后發先至，進展神速。甚至所謂的輕舟速度，已成為行業共識。

• 成立4個月即獲加州路測牌照。
• 一年之后，輕舟智航的自動駕駛小巴龍舟ONE首次在蘇州亮相，并啟動常態化運營模式。值得一提的是，當時基于Driven-by-QCraft的解決方案，首臺小巴出廠到上路只用了一個月時間。
• 同年12月，在深圳落地首個微循環自動駕駛公交線路。
• 隨后在2021年，又在武漢、重慶、北京等地落地運營，還發布自動駕駛網約巴士。截止當年年底，已經有10個城市落地，自動駕駛車隊（Robobus+Robotaxi）超過100輛。
• 與東風悅享聯手打造的Sharing Bus，不到半年時間就已經在武漢、大理、蘇州等多個城市落地運營。

從技術和商業兩個層面，輕舟智航向行業證明了無人巴士這條賽道不但能走通，而且潛力巨大 。

之前一度觀望的玩家又紛紛入局。

而輕舟智航作為無人巴士的先行者，卻又在產品定義上做了新的探索。

品牌日發布的龍舟SPACE，開始朝“移動空間”的方向轉變。

龍舟SPACE的空間可多重變換，靈活覆蓋不同場景需求，更像是一種Mobility As A Service的體現。

龍舟SPACE到底能做什么？既可用于從長途到短途的無縫接駁，又能用于零售、物流等場景。

于騫還舉了個更加典型的例子——建立15分鐘核酸檢測圈，以完全自動化的方式在城市內部進行部署。

因此，自動駕駛車輛未來的應用場景不僅限于交通出行，而是可以成為連接乘客、交通與服務的智能體。

輕舟智航的核心方法論

短短三年時間，輕舟智航不光完成產品、技術迭代，還能將自動駕駛小巴落地這么多城市。

表面上看，是自身技術實力以及產業鏈成熟大背景這內外兩方面加持。但實際上背后，正是前文一直提及的一整套底層方法論的驗證——

自動駕駛超級工廠。

它以數據驅動和效率提升為核心，數據驅動形成一個閉環，效率提升使得這個閉環越轉越快，整體就是一套系統化、自動化的自動駕駛基礎設施。

它主要包含三個板塊。

一是通過數據流水線工具鏈輕舟矩陣打造自動化閉環。通過數據的快速流轉，實現技術的快速迭代。

這也是基礎設施中最為重要的底層支撐，當中包含數據平臺、標注平臺、訓練平臺以及仿真模塊。

其中前三個平臺為基礎架構模塊，可實現數據上傳、篩選、標注、訓練等全流程任務。

隨后通過依照真實路測和生成數據構建的仿真平臺，來幫助企業訓練多個場景算法、測試驗證。

據介紹，這一工具鏈可幫助企業將測試成本降至純道路測試的1%；每天生成數百萬個的Corner Case場景，一周即可完成量產級別的算法測試驗證。

而輕舟矩陣這套工具鏈如今也已經推向市場，幫助客戶實現數據驅動的研發能力，建立數據資產的護城河。據悉已獲得多家TOP車企采用。

二是涵蓋車載軟硬件的平臺級通用全棧技術。既包括傳感器、線控、計算平臺等硬件，也包括感知算法、地圖定位、云端控制等軟件。

三是面向不同場景批量化輸出解決方案，比如城市公開道路、高速公路、封閉園區/景點、公交定點接駁等場景。

從底層數據就開始，再到模型、評測高效開發，也就不難理解輕舟為何能在自動駕駛多場景下快速迭代。

這當中，還誕生了許多獨創性技術，比如時空聯合規劃算法，將路徑和速度結合起來，讓車輛更靈活應對中國特有場景下的復雜路況。

有了這樣一套核心的方法論，輕舟的不同業務模塊之間，就可以實現數據共享、相互支撐、相互反哺，上層的Robobus、Robotaxi、前裝量產等不同業務就可以實現高效的協同發展，而絕非單打獨斗。

這樣的模式，能夠讓輕舟在不同場景下快速驗證，敏銳捕捉到行業發展進程中，每一個商業與技術的平衡點。

小巴，只是輕舟模式的表層

輕舟模式的底層方法論在過去幾年中不斷得到驗證：

• 落地的廣度，比如蘇州、無錫、武漢、大理等等城市的商業化運營；
• 技術的深度，即作為自動駕駛小巴玩家在北京首獲無人化測試牌照，在L4落地這一行業難題上邁出了關鍵的一步。

現在無論在產業界還是投資圈提到自動駕駛小巴，輕舟智航是一個繞不過去的名字。

小巴賽道初獲成功的輕舟智航，下一步路徑該怎么走？

其實這早有揭示，無論是在之前投資人的表述還是輕舟智航官方的透露。

和所有瞄準L4自動駕駛的創業公司一樣，輕舟智航的終極目標是將高階自動駕駛普及到社會各個場景。

而其中社會效益最大、市場前景最好，同時技術難度也最高的就是Robotaxi。

輕舟模式支撐的，就是這樣一條通向全場景高階自動駕駛的路線。

換言之，輕舟智航現在所做的Robobus，其實是Robotaxi的過渡形式，而這個模式投入的時間、成本對于創業公司可承受，是一條L4落地最現實、最快速的路徑。

場景完全相同，Robobus為什么不能是Robotaxi？

Robobus和Robotaxi本質上都是面對城市復雜道路，兩者在應用場景上一脈相承。其中，Robobus可以利用“軌道交通+微循環”這種高效模式，滿足居民“最后三公里”的出行需求。

而相較傳統巴士高峰期緊缺、平峰期空載率高的問題，Robobus結合網約的模式則更加靈活，對公共交通的資源利用更為合理。

網約巴士的自動駕駛化，也更能順應公共交通智能化、綠色化、網聯化、共享化等需求和趨勢。

當巴士實現網約化，也就和Robotaxi沒有什么界限了。

對于城市管理方來說，Robobus比網約車更能緩解交通壓力，提高交通出行效率，所以政策上的支持力度會更大，政策準入、落地范圍方面進度更快。

技術高度復用，卻沒有Robotaxi落地的限制

而在技術層面，Robobus和Robotaxi的使用場景都是城市開放道路，使得它們面對的挑戰、長尾場景都完全一樣。在傳感器方案選擇上，也能做到完全一致。

也就是說，對于后臺研發，除了針對不同車型的控制算法需要單獨適配，L4底層技術的感知、決策核心完全相同。

測試數據的高度復用，大大提高了傳統Robotaxi車隊數量、范圍有限導致的數據同質化的問題。

場景、技術本質相同，政策準入又更友好，數據收集上效率還更高。

既然如此，那么用Robotaxi的技術棧打造Robobus，就成為輕舟智航在一開始“降維打擊”的合理方案。

開啟Robotaxi商業化運營

既然場景相同、技術高度復用，輕舟智航Robotaxi商業化的開花結果也順理成章。T3出行，就是輕舟在Robotaxi領域的最新戰略合作伙伴。

據悉，雙方將在今年7月于蘇州聯合啟動Robotaxi公開運營，為包括蘇州市民在內的廣大用戶提供安全、便捷的無人駕駛服務。

事實上，在Robotaxi領域，輕舟從未離開。

于騫回憶，在硅谷創立的第一天，輕舟的四個創始人打造的第一輛自動駕駛車就是以Robotaxi為模型，三年來，輕舟一以貫之地推動Robotaxi的技術測試和產品打磨。

如今全面開啟Robotaxi的商業化運營，其實是在貫徹Day 1的戰略。

不過無論是落地形態，還是路線選擇，輕舟智航盡管是先行者，卻也能復制。

所以揭開輕舟模式，討論了時機、產業、路徑之后，還是指向一個終極問題，自動駕駛公司競爭的本質，到底是什么？

自動駕駛，競爭的到底是什么？

自動駕駛江湖，圈內圈外爭論最多的，是關于路線、落地模式，角度也是層出不窮。

為人熟知的至少有3種。

最早，大家討論Waymo模式或是特斯拉模式，誰能走到最后。

這兩種路線之爭，核心是自動駕駛到底該采用Waymo測試為主，技術成熟再談量產，還是像特斯拉那樣以量產為先，通過用戶義務貢獻測試數據。

這樣的爭論本質討論的是迭代方法，而目前已經見分曉，特斯拉完勝。

后來，馬斯克又親自挑起了純視覺、融合感知路線之爭，這也成了目前最容易被大眾理解的自動駕駛陣營劃分。

馬斯克認為多傳感器融合不本質，徒增系統復雜性，而反對方認為純視覺并不成熟，多傳感器是一種安全保障。

表面看是在爭論技術、安全，其實背后爭的是成本和量產。

而進入自動駕駛下半場后，業內更加喜歡用“升維”或是“降維”的觀點，來區分自己和友商的比較優勢。

比如百度代表的L4玩家，說自己把高階自動駕駛“降維”在不同場景，天生技術優勢明顯；而從L2切入的自動駕駛公司，強調自己規模量產優勢，迭代快更。

這幾種路線的競爭，分別是關于技術、成本，和業務模式的爭論。

但都不能完美解釋自動駕駛賽道選手的發展現狀。

比如Waymo和百度Apollo、小馬智行，相似的技術和路線，狀態和處境卻不盡相同。

再比如已經倒掉的Uber、Lyft，作為網約車平臺搞自動駕駛，沒人比他們更有規模和場景優勢，卻都以甩賣退場告終。

這樣看來，說自動駕駛競爭在于量產、技術棧、傳感器，或許都不本質。

那么自動駕駛競爭的到底是什么？

輕舟智航的模式，其實給出了一個更加接近本質的參考。

輕舟智航作為一個后發者，從一開始明確了自動駕駛競爭本質，其實不在大家激烈探討的純視覺或融合路線，或是升維降維的方法。

于騫明確了這個核心本質：數據閉環能力，更準確的說是低成本高效率的數據閉環能力。

其實，無論是做L2還是L4，搞前裝量產還是Robotaxi，這都是成敗與否的核心標準。

低成本，包括自動駕駛系統量產的成本，也包括數據收集的傳輸存儲成本，當然最重要的是處理成本。

特斯拉的成功，是建立在對60億目標有效標注的前提上，而這些數據如果完全靠人工分類標注，時間和財力成本是任何公司都無法承受的。

所以，這也是輕舟智航“自動駕駛超級工廠”背后的真正含義：通過不斷提高數據自動化處理能力，降低算法迭代的成本和周期。

高效率，則來自于數據收集的有效性。

自動駕駛公司以往愛以路測里程、MPI（接管率）來宣傳自己的能力，但在平直通暢的路面上刷里程數據很簡單，也能輕松把MPI做到很低，但這樣的系統泛化能力差，并不具備量產價值。

于騫認為，其實對L4來說，99%的場景都很簡單，各家能力也趨于同質化，真正的差異化優勢在于那1%不常遇見的復雜長尾場景。

而要提升系統應對這類場景的能力，關鍵是要有相應的數據提供給AI訓練。

如果依賴路測收集極端復雜場景數據，可能數萬公里甚至更多里程才會出現一例，這導致數據反饋的有效率很低，有效數據的平均成本也很高。

而要收集足量且覆蓋類型齊全的長尾場景，幾乎是不可能的。

所以輕舟智航最早提出以仿真為主的自動駕駛研發，通過對有限路測數據的學習，然后使用系統大量生成針對性的場景對AI進行訓練，這樣將路測數據價值放大到極致，也大大加速了迭代周期。

從數據閉環的角度去看自動駕駛競爭，一下就清晰得多。

Lyft、Uber的失敗，核心則在于后裝傳感器數據有效性不高，反映到開發端，依然是成本問題。

而成功開啟規模化商用的玩家，無論是輕舟智航這樣以L4立身的公司，還是特斯拉這樣從乘用車輔助駕駛的入手，本質都是在打通了低成本數據閉環，讓技術能下放量產場景，場景數據又能不斷反哺技術進步。

以往都說自動駕駛的競爭是路線之爭，只是表象。

如果自動駕駛的本質就是打造AI司機，那決定這個“司機”能力和發展的，跟其他AI模型就不會有不同——都會是數據及其背后的數據能力。

而對于自動駕駛江湖而言，論排名也好、看競爭力也好，或者預測誰會贏得終局之戰也好。

標準已經再明確不過——

是否擁有數據閉環能力，是否擁有低成本、大規模和高自動化的數據迭代能力。