中汽創智智能駕駛首席技術官張振林：高階智能駕駛量產之路｜量子位·視點分享回顧

量子位的朋友們 2022-10-08 10:25:23 來源：量子位

視點 發自 凹非寺
量子位 | 公眾號 QbitAI

2022年，自動駕駛領域依舊無比熱鬧。

隨著智能化普及，后疫情時代的到來，車企紛紛提前搶占未來產業制高點，加大對自動駕駛技術研發和投資。與此同時，激光雷達與大算力芯片的技術不斷成熟且成本不斷下降，正越發促進高階智能駕駛的量產加速。

在高階智能駕駛量產之際，智能駕駛公司從算法、算力、數據上的積累，以及技術和成本維度考慮，在前進的道路上走向了不同的賽道，L2升維與L4降維之戰也逐漸呈現，不管是升維還是降維，量產之路依舊布滿荊棘。

智能駕駛公司需從需求與痛點深挖，以技術為核心、流程為保障、數據為驅動，多平臺拓展，才能在量產之路上走的更順更遠。

那么，高階智能駕駛的量產有什么特點？量產路線如何選擇？落地進程又到了哪一階段？

圍繞高階智能駕駛量產的路線、痛點、落地等，中汽創智智能駕駛首席技術官張振林在「量子位·視點」直播中分享了他的從業經驗和觀點。

以下根據分享內容進行整理：

感知路線及升維降維路線之爭的理解

根據國際認可度相對較高的SAE美國汽車工程學會對自動駕駛進行的L0到L5分級，“高階智能駕駛”主要是指L3及以上級別。

L3及以上和L2最主要的區別在于駕駛的主體：L3的駕駛主體是系統而非人類，在個別情況下可能需要人類接管；而L2駕駛主體還是人類，系統僅作為輔助。

談到高階自動駕駛的量產，我們先探討下現在的L3，大家都是怎么做的？

自動駕駛的發展離不開整個產業鏈的發展和成熟，其中有兩個最核心的點：一是感知，二是計算。

從感知側來看，800萬像素相機以及車載激光雷達已快速發展并進入前裝量產時代，4D成像雷達也為自動駕駛提供了一些新的選擇。5年前，一款Velodyne 64線激光雷達價格是幾萬美金，但今天，一些車規量產的激光雷達成本都已控制在萬元以下。

從算力側看，幾年前的自動駕駛更多采用的是X86 CPU+GPU的架構，通過CPU+GPU的算力來為算法提供硬件上的支撐。但今天，大算力的車規SOC已紛紛上車，500Tops到1000Tops已不再遙不可及。除國際巨頭外，我們可以欣喜地看到許多中國自主研發的大算力平臺也已進入上車搭載階段，比如華為的MDC系列，地平線的征程系列，黑芝麻的A1000等。

可以說，整個自動駕駛產業鏈已經非常接近大規模量產的狀態，但在實現量產的具體方式上，自動駕駛的發展路線也呈現出多樣化的特征。

谷歌旗下的自動駕駛公司Waymo采取以激光雷達為主的發展路線，特斯拉采用其代表性的純視覺自動駕駛方案，以百度為代表的一些國內公司試圖推進以路側智能與車端智能互為補充的車路協同技術路線。我們認為無論是激光派還是視覺派，無論是單車智能還是車路協同，從技術本身而言，它們沒有矛盾也不沖突。

對于智能駕駛，尤其是高階自動駕駛來說，“安全第一，成本可控”是量產落地的最核心目標。結合自動駕駛在算法、算力、數據上的積累，從技術和成本的維度綜合考慮，中汽創智提出以視覺感知為主、其他傳感器為輔的高階自動駕駛前裝量產方案，同時兼顧中國特色協同式自動駕駛的落地應用，逐步實現安全、高效和平穩的出行方式。

我們結合網上公開的渠道信息分析中國自動駕駛量產方面做得比較不錯的智能駕駛公司及主機廠，可以看到，這些量產車型中搭載的攝像頭數目前最高已達到12個，毫米波雷達最多達6個，激光雷達最多達3~4個。采用的算力平臺覆蓋英偉達的Xavier、Orin系列、Mobileye、華為mdc810等。在軟件功能上，這些車型已具備L2甚至L2+應用場景實現能力，功能包括ADAS、城市及高速NOP等行車功能，并且搭載了從APA、HPP到RPA甚至AVP的泊車功能。

但目前主流車企的新車型大部分采用超前硬件預埋和軟件迭代的量產方式，也就是說，車輛已經具備L2的軟件功能和成熟的L3的硬件。萬事具備，只待OTA，但是誰來提供一整套的解決方案和核心的算法？

其實，業內也呈現出“升維”和“降維”兩種不同的聲音。其中，傳統ADAS或者說L2級供應商正采取的是升維的策略，而最近一些L4級供應商更多采用了降維策略。供應商之所以采取不同的路線，是因為其自身的優勢差異。ADAS供應商的優勢在于工程化能力，而L4供應商優勢更多在于算法能力。但實現量產其實要求我們既要有高階的算法能力，也要具備強大的工程能力，更重要的是具有大數據積累能力。

所以，不同的企業結合自身優勢和發展路徑會采取不同的實現方式，但目前還沒有一家公司完成真正L3級別自動駕駛的方案量產。

高階智能駕駛量產痛點解析

在這里，我想套用蘋果CEO庫克的一句話：“自動駕駛是所有人工智能項目之母，它同時也是所有人工智能項目當中最難的一個。”

我最早看到這句話是在2017年左右，我相信當時聽聞庫克這句話的時候，蘋果應該已經開展了相應的自動駕駛相關業務。但到幾年后的今天，蘋果的自動駕駛汽車還是遲遲沒有露出真容，這背后的原因到底是什么？

結合自身經驗與行業分析，要實現自動駕駛真正的量產落地，我們認為要面對6大挑戰。

第一塊挑戰更多是從人工智能項目本身來看，包括了數據、算力和核心算法層面。其中的每一項都需要豐富的資源、優秀的人才進行持續投入和鉆研提升。

除了技術和算法問題本身，要真正達到量產性的落地，工程化能力、成熟的政策法規以及成本和市場接受度都是自動駕駛是否能夠實現量產的核心挑戰。

高階智能駕駛量產落地思路

針對高階智能駕駛量產落地，中汽創智結合自身定位、業務以及過往的量產經驗，總結出一些思路。

首先，注重開創未來汽車產業合作新格局。中汽創智團隊不僅聚集了主機廠、零部件供應商，同時還擁有大量從頭部自動駕駛公司、科技公司、互聯網公司來的優秀人才。我們群策群力、頭腦風暴，確立了公司定位和智能駕駛業務規劃。在此，我來分享下中汽創智團隊如何看待未來的汽車行業格局。無論自動駕駛玩家多少，大家始終承認主機廠仍是其中最重要的玩家之一，而傳統的Tier 1跟主機廠的合作模式在這個軟件定義汽車的新時代發生了一些變革。因此，中汽創智結合自身優勢提出“Tier 0.5”的新角色，希望創造一種主機廠-供應商和供應商-供應商之間的新型合作關系，并結合“產學研用”和國家戰略打造創新型企業。

此外，確保實現系統全棧自研。依托中國一汽、東風、長安三大主機廠，并結合三家主機廠的平臺優勢，我們深度挖掘股東方們的共性與前瞻性需求。從自研的工具鏈、車規級協議適配、RTOS適配、核心模塊的算法交付，以及前裝高階AD控制器研發，中汽創智已擺脫對傳統Tier 1的依賴。中汽創智智能駕駛業務是基于全棧的系統自研能力，面向行業客戶提供多維度的智能駕駛量產解決方案以及技術服務，從域控制器到系統設計、工具鏈到場景數據、核心自研算法及軟件，中汽創智提供一種完全解耦的、完全開放的、完全適配的Tier 0.5供應商模式。這就是我們的業務邏輯，也是我們在后續量產過程中最強有力的保證。

算法、數據、工程化上的思考與實踐

要實現前裝量產以及量產中不同的車型搭載必然會受到產品的定位、成本以及價格的約束，需要考慮到車型的傳感器選型、數量、域控制器的算力大小和功能個性化等各種因素。

面對此類復雜場景，中汽創智開發了一套統一的算法框架——可按照原子化組件化的開發模式，滿足多場景可復用的特點。從底層的跨硬件平臺、跨操作系統、跨原子化組件、到算法及工程組件，再到上層的應用軟件，這一框架兼容多個硬件平臺，可實現動態編排，提高部署效率。把算法模塊化部署到設備端進行工作流的編排、算法布置、文件解析，通過中間件接口的抽象和信息接口的統一，可自動生成所面臨的硬件平臺和功能場景以及所需要的軟件系統。

在統一的自動駕駛系統框架下，核心的感知算法模塊也在進行相應創新，其中值得一提的是從經典感知到下一代感知算法的迭代。經典感知常基于二維的圖像感知算法，即數據端結合二維的單幀圖像做相應識別，標注端更多采用人工標注方式。

為此，我們提出“下一代感知算法”，即從算法上結合視頻流感知、多相機BEV融合、相機-激光雷達前融合以及多模態感知，通過多種方式提供端到端更高精度的感知算法。在數據端，不僅依靠單幀數據，還結合包括相機、激光雷達和定位等多傳感器的視頻數據。此外，我們研發出長尾數據挖掘系統以擴展數據挖掘能力，還提出在標注端采用4D標注方式并提取豐富的時空序列信息。

端到端的感知模型設計方案的最大亮點是共享主干極大地降低了訓練資源的開銷，并節省模型嵌入式部署算力。此外，通過引入自注意力機制及對全局特征和局部特征的深層融合，模型特征表征能力得以提高。結合相關的網絡設計和訓練技巧，我們在YOLOP基礎之上提出融入YOLOPV2的概念，該方案的性能和精度在BDD100k公開數據集三項感知任務中均達到了SOTA級別。

另外，中汽創智3D端到端的感知方案能夠直接輸出目標位置、大小和朝向，利用激光雷達的深度監督訓練提升遠距離目標檢測精度。這一方案結合視覺3D和激光3D，共用一體化目標級后融合方案，實現多傳感器融合、感知輸出互補，目前我們能感知的距離已達到最高200米的可用范圍。

我們采取的BEV前融合感知算法是以BEV特征編碼和特征融合模塊為核心，開發出多源異構輸入下的大一統多模態前融合感知算法。它是一種松耦合算法，可以結合不同的傳感器配置，如Camera-Lidar、Camera-Radar以及Camera-Lidar-Radar等多種傳感器的融合方式。此套感知算法直接支持端到端的輸出，利用Transformer Decoder操作來直接預測目標3D候選集，省略掉非常繁瑣的后處理過程。

除了感知側外，可能在實際行車中遇到的問題更多涉及的是決策側。經過實踐，我們認為不僅要結合傳統的基于規則的決策，即按照場景的分類器，還要結合最新的學習與強化學習算法，比如說POMDP等。將兩種決策方法和策略融合起來，一方面用傳統的方法來保證它的魯棒性，另一方面針對特殊的corner-case場景，用大量人類“老”司機的駕駛行為作為訓練數據，使得自車在不同路況下的決策更加智能，更加魯棒，最終大幅提高系統的行為決策能力。

在人工智能時代，如果將算法比喻成發動機的話，那數據就像燃料，其重要性不言而喻。數據方面的核心問題是數據量，針對此，中汽創智有著得天獨厚的優勢——結合股東方一汽、長安、東風和兄弟單位T3出行，我們具備一個數據生態聯盟來共同支撐數據的獲取。目前，大部分車企都具備大量的數據，但如何利用好海量數據、提高數據的使用率是值得思考的問題。中汽創智結合標注、采集、多模態融合、序列提取，用4種串行方式來實現1個融合的自動標注，從而降低80%以上的人工標注成本。

在技術工程學會的支持下，中汽創智也正在計劃和推動結合相關股東方以及核心合作伙伴建立一個數據共建、共享的生態聯盟，通過聯盟形成統一的開發流、統一的標注標準，以及合理合規的數據共享交易機制。為實現此生態聯盟，我們應更好地推動數據建設，特別是結合專用采集車和可能量產搭載的車輛，以及像T3出行這樣的網約車、Robotaxi。

中汽創智有一套非常成熟的數據采集方法——收集不同感知設備的原始數據（包括車輛行為的總線數據、環境信息數據等），通過開發分類器自動篩選自動觸發的方式，來采集Corner-case以及結構化信息。同時，我們還利用數據壓縮的技術進行抽幀裁剪等，通過物理方式實現數據的交換，最終實現數據閉環和平臺共享。數據會也同時反饋到量產車和T3出行的車輛上，通過OTA不斷升級自動駕駛算法，也不斷地對數據采集進行針對性的重新思考和界定。

前面陳述了算法和數據的量產實踐，但規模化量產這件事的難度不僅在于技術問題，更重要的還有工程化問題。

在此方面，以前我在做L4的創業公司時，發現我們的同事和團隊對于車企V模式了解并不多。但在實際開發過程中，為了更好地跟結合車企現有流程并融入其體系，量產車規級的系統開發流程是必不可少的。以領航輔助功能為例，在需求挖掘、功能定義、需求分析、系統設計、軟件開發的不同階段，通過 V模式從需求到實踐到集成到反饋形成相應的閉環。通過用這套方法可以更好地適應現在整車廠頻繁發現的問題需求變更，來更好地實現對于車企自動駕駛量產需求。

另外，在包括前面提到的算法和感知等整體的開發過程當中，功能安全應該是貫穿到整個開發流程的體系當中的。中汽創智也結合 ISO26262中功能安全模塊的要求，增加到現有的ASPICES開發流程當中，從設計、從頂層的架構到后期的具體的代碼、開發接口的設計等提出新的流程和體系，來確保開發質量和產品可靠性。除了開發流程，我們也認為在高階的自動駕駛中，既然系統要承擔駕駛的主體任務，那么安全冗余的架構也是必不可少的。

冗余方面也有不同的階段，第一代實踐之初是通過一個個相對來說較小較輕的智能前視的控制器再連接智能駕駛域控實現的，它是一個非對稱的安全冗余架構。當自動駕駛域控制器失效時，智能控制器應具備獨立控制能力，可以讓車安全停下或者說避障等。但是，從成本的角度和實際的操作來看，這一架構還有很大的提升空間。針對高階的系統、針對ASIL-D級的需求，我們提出物理級的安全冗余架構，即當前研發的對稱表決邏輯架構，當SOC1和MCU1失效的時候，SOC2和MCU2會進行take over 安全冗余進階，同時配合冗余的一個電源和傳感器方案，可以實現剛提到的物理級安全冗余和系統ASIL-D的等級。

在這方面，中汽創智可以比較自豪地說，目前整套的開發體系已經在2021年獲得了相應的ASIL-D級認證。

最后，我給大家介紹下中汽創智的路測實踐，地點是在南京江寧區的核心路段，時間是在7月底的晚高峰，我們這套算法目前已能在相對繁忙的公開城市道路上，自由地實現跟車變道，以及紅綠燈的識別等。

如果大家對于加入中汽創智有興趣，歡迎聯系我們的招聘郵箱：t3caic@jobapply.cn。

關于中汽創智

中汽創智科技有限公司成立于2020年6月，由中國一汽、東風公司、南方工業集團、長安公司和南京市江寧經開科技共同出資160億元。作為一家汽車科技公司，聚焦于智能底盤、新能動力和智能網聯三大業務領域，開展前瞻、共性、平臺、核心技術和關鍵零部件的研發及產業孵化。公司圍繞“車端+云端+通信端”生態體系，做技術創新的引領者、產業孵化的踐行者、數據服務的驅動者，致力于成為汽車產業安全的守護者、原創技術的策源地，智能駕駛是其中最主要的業務之一。

關于「量子位·視點」

量子位發起的CEO/CTO系列分享活動，不定期邀請前沿科技領域創業公司CEO/CTO，分享企業最新戰略、最新技術、最新產品，與廣大從業者、愛好者探討前沿技術理論與產業實踐。歡迎大家多多關注 ～