撰文 / 周 洲
編輯 / 張 南
設計 / 師 超
" 現在行業上對自動駕駛尤其是無人駕駛非常悲觀，但熟悉輕舟的朋友們都知道，‘将無人駕駛帶進現實’ 是我們輕舟的願景，也是我們奮鬥的方向。今年藍皮書論壇的主題是‘不負’，那麽我們也希望不辜負當下最好也是最壞的時代，最終将實現無人駕駛帶入到千家萬戶。"6 月 16 日，輕舟智航聯合創始人、CEO 于骞在第十五屆中國汽車藍皮書論壇上發表了主題爲 " 不負韶華，将無人駕駛帶進現實 " 的演講。
于骞指出，無人駕駛的目标一定是前途光明的，但是道阻且長、行則将至。
他從三個方面進行了闡述：算法、數據和量産交付。
于骞在演講中提出，在城市 NOA 大範圍普及之後，完全的無人駕駛才會出現。" 但首先，需要當城市 NOA 最終得以達到一定的滲透率之後，無人駕駛的大幕才會拉開，城市 NOA 是輔助駕駛的天花闆，也是無人駕駛的入門門檻。這裏需要大量數據的積累。"
輕舟智航認爲，城市 NOA 需要大量數據的積累才能最終将完全的無人駕駛帶到現實中來。良好的感知、規控的能力都離不開數據方面的積累和使用能力。
在量産交付中，基于自身經驗，于骞總結了三大挑戰：
第一，極緻體驗和成本的挑戰。目前智能駕駛的體驗尚未達到消費者願意爲其付費的水平，隻有通過将體驗提升到極緻水平，才能形成正向循環。而要實現正向循環，體驗必須達到一定效果，并且在成本方面，需要避免過度堆砌材料以實現更好的客戶價值。
第二，一次性交付和持續 OTA 的挑戰。因爲智駕的方案不是簡單一手交錢一手交貨，更需要 OTA 不斷升級，使得它越用越好，常用常新。輕舟可以爲主機廠客戶提供一整套的工具鏈産品，大幅度降低開發的成本。
第三，全棧自研和自主可控的挑戰。相對而言，如果主機廠采用 " 全棧可控 " 的模式，性價比将更高，供應商的分工也可以更加靈活。然而，管理供應商需要投入成本，并且在與多個供應商合作時需要解決上下遊的沖突問題。
輕舟智航認爲，在确保全棧可控的基礎上，讓專業的人做專業的事，一方面專業的供應商可以幫助主機廠更快地完善産品并交付，另一方面還可以提供技術服務，幫助主機廠更快地建立自主研發的能力。
輕舟智航在成立之初，就應用類似 ChatGPT 大模型的方法，采用 BEV top-down 的模型，實現非常複雜的感知能力，通過在一個車載模型上跑數十個不同的任務來實現效率的提升。
輕舟智航也是比較早的運用前、中、後融合的技術，包括将時序融合用在車規級量産芯片的公司。其擁有非常靈活的框架，可以同時支持不同傳感器的信息，适配不同車型的傳感器要求，使其在不同的車型配置上能夠采用同樣的模型來實現完全視覺感知能力，例如在城市道路，過高架、城區包括擁擠路段、快速路段還有隧道等多任務，還包括一般障礙物和語義的信息等。
在隻基于 SD MAP 的情況下，輕舟智航通過 Transformer 架構的感知地圖的 QmapNet 來實現道路幾何的感知和 SD MAP 融合，具備通過複雜路口以及精确的拓撲的建圖能力，從而将其感知能力和标精地圖實時匹配起來，達到在城市内部實現比較複雜的駕駛能力。
此外，輕舟智航最早在行業中最早推出時空聯合規劃的方法，并實現在實車車規量産芯片上跑起來。
良好的感知、規控的能力都離不開在數據方面的積累和使用能力。輕舟智航是在行業裏很早就将基于純視覺的 NeRF 的建圖方式和三維重建的真值标注系統結合在一起，實現大規模的非監督形式标注，來提高整體标注效率的公司。
無人駕駛的落地是一個漸進的過程，還需要政策法規、保險、運維等各方配套。
于骞在現場倡議如下：一是在安全使用數據、共享數據方面，需要各行業協會、政府、上下遊企業群策群力，共同制定并推動相應法律法規的出台和落地，規範數據的使用；二是建立數據共享和應用聯盟，在保障數據安全的前提下，構建汽車數據共享機制及平台，實現數據的共享和高效流通，提高數據利用和閉環水平。
以下是于骞演講實錄。
無人駕駛到底是不是忽悠？最近這段時間大家對整個無人駕駛行業進展都非常悲觀，我們與業内人員也讨論過這件事，那麽，我今天爲什麽還要講主題叫 " 将無人駕駛帶進現實 "？
将無人駕駛帶進現實就是輕舟智航奮鬥的方向，地平線的餘凱總也跟我講過很多次，别講無人駕駛帶進現實了，無人駕駛到底行不行啊？我們認爲，将無人駕駛帶進現實的這個事兒要幹二十年，在二十年裏無人駕駛是可以實現的。
今天藍皮書主題是 " 不負 "，我也想表達一下 " 不負 "，是不負我們的初心，我們認爲這件事兒是能夠實現的。當然實現無人駕駛的道路是非常曲折的，有很多不同的路線，其中有一條路線大家都非常清楚，就是 Waymo 的路線。
Waymo 從 2009 年開始在 X 實驗室就開始做無人駕駛的項目，即便到今天也沒有完全将無人駕駛大範圍的落地。它其實走了一條非常痛苦的一條路，非常難的一條路，當然也取得好的進展。最近大家可以看到完全無人化的車隊已經成規模的運營，這是很挑戰的路。
另外一條路是特斯拉，特斯拉走了非常巧妙的路。它通過以智能電動車的方式在不斷地推進，特斯拉走的路非常符合用戶價值。雖然它們現在講的都是輔助駕駛比較多，但它們給自己的最終目标還是要實現完全的無人駕駛。可以看到它對 FSD 的命名 Full Self-Driving，包括它最終給大家描繪的圖景也是無人駕駛的方式。所以我認爲這兩條路都可以通過不同的努力路徑來實現最終的無人駕駛。
從整個無人駕駛的發展來看，我覺得前途是光明的，隻不過這個道路很長，行之将至。在這條道路上我覺得最核心的還是要始終圍繞用戶價值，不管是供應商來講還是車廠，大家都希望将無人駕駛帶到現實中來，因爲無人駕駛很大程度上能夠讓我們整個出行和交通更加安全，更加舒适，更加便捷，這都是我們希望無人駕駛能夠帶來的，但這條路會非常長。
從早期做 ADAS 産品開始，就是一步一步這麽走過來的，我覺得這條路是非常現實的路。包括特斯拉也在這條路上一直在狂奔，從最早的基礎 ADAS 功能，到 L2+ 的功能，再到現在做到的高速 NOA 和城市 NOA，最終将無人駕駛帶進現實的目标。最早特斯拉産品的定義名字叫 Autosteer 就是基礎的 L2 的功能，它的 Autopilot 高速 NOA 到 FSD 進入到城市 NOA 的階段，在這條路上來講，最終是有機會走到完全無人駕駛的。
什麽時間完全無人駕駛才會出現呢？很大程度上，我覺得應該在城市 NOA 大範圍普及之後，完全的無人駕駛才會出現。如果現在公開道路上的車有十分之一或者是五分之一的車能夠在公開道路上使用城市 NOA 的功能，能夠打開的話，我覺得這個離我們最終将無人駕駛的普及就不遠了。
我們可以參考 ChatGPT 的發展，它基本上把地球上有價值的語言文字信号都利用起來以後，就可以打開從量變到質變的過程。類比自動駕駛的行業，當我們在整個地球上所有有價值的街景的數據都能爲我們所利用的時候，我們模型能力也能把他們用好的情況下，這時候我覺得完全的無人駕駛就會到來。
但我覺得像高速 NOA 和城市 NOA 這樣的階段是必不可少的，一定會度過的，怎麽去驗證完全的無人駕駛能夠到來？它一定是通過大量的統計數據。比如說機器駕駛的安全程度比人安全十倍，這個時間點是不是就可以真正的完全去實現了？但這個一定要通過更加廣泛的驗證才能得到。也有其他的觀點提到可能不需要十倍，可能五倍搞定了，剩下的那兩倍靠保險或者其他的方式也能夠稿定，但是需要通過大範圍的驗證來實現完全的商業可行，所以我覺得現在我們所處的這條道路是可以走向完全的無人駕駛，隻不過這個道路會比較長。
我們提過，在通向無人駕駛的道路上，有一個非常重要的節點就是城市 NOA，它是輔助駕駛的天花闆也是無人駕駛的入門門檻。這裏需要大量數據的積累。
從自動駕駛的分水嶺來講，早期的 ADAS 方案是沒有辦法進化到完全的自動駕駛的。因爲基本都是采用一手交錢一手交貨這樣的交付方式，沒有辦法觸及到數據。
大家知道自動駕駛三個主要要素：算法、算力和數據，這個數據是非常關鍵的，需要不斷 OTA 升級有數據的觸及才可以最終實現。所以，我們認爲城市 NOA 需要大量數據的積累才能最終将完全的無人駕駛帶到我們的現實中來。
當然做到很好的城市 NOA 體驗，其實挑戰很大。我們現在看到的城市 NOA 的産品價值還沒有完全體現，大部分做的還是非常基礎的功能，我也非常贊同目前的高速 NOA 還沒有做好，很多地方的用戶體驗并不好，更别提城市 NOA 了，很多城市的 NOA 體驗還是屬于戰戰兢兢的狀态。
當然我也看到一些産品的體驗在逐漸地變好，有一些泊車的場景已經能做到非常好的體驗了。有一些泊車的測試工程師跟我反饋說，測試完泊車的體驗以後，他自己的泊車能力都下降了，發現自己都不想泊了。從高速 NOA 到城市 NOA 的過程中一定會有這樣的過程，使得大家真正願意爲智能駕駛的體驗買單，我覺得這才是我們最終将城市 NOA 帶到現實，将無人駕駛帶到現實的必經之路，要圍繞着用戶價值去打造。
在準備材料之前，我們同事問，到底要不要講技術内容？我說一定要講技術内容，因爲自動駕駛的背後需要大量的技術創新，我們不想跟行業講我們隻是拿了哪些認證，我們更希望在技術創新上給大家多分享，在現階段到底怎樣才能真正的把這些非常有挑戰的任務完成好。我盡量會把技術背後的用戶價值和客戶價值講清楚。
大家看到最近的 ChatGPT 的發展有兩方面的層次：一方面很重要的是多模态、多任務的學習，這個在我們自動駕駛是非常關鍵的一步。因爲車載的算力是非常有限的，如果我們把這麽複雜的自動駕駛的功能，感知的能力切分成很多非常小的模塊的話，我們是沒有辦法在這麽有限的資源下實現這樣的能力的。
輕舟智航在成立之初，因爲人很少，無法把團隊切分成很多小模塊進行開發，所以我們很早就采用這種大模型的方法，采用 BEV top-down 的模型去實現非常複雜的感知能力。我們可以通過在一個車載模型上跑數十個不同的任務來實現效率的提升，當然也非常感謝地平線的支持，我們很早就在地平線的征程 5 芯片上實現了 BEV，包括時序的 BEV 模型部署，達到了量産的狀态。
大家經常講的融合是前融合用的比較多，我們在行業内比較早的運用了前、中、後融合的技術，包括将時序融合用在車規級量産芯片的公司。我們還有非常靈活的框架，可以同時支持不同傳感器的信息，包括在底層的，像視覺傳感器、毫米波、激光雷達，這樣可以更加方便地适配不同車型的傳感器要求，使得我們在不同的車型配置上能夠采用同樣的模型來實現這樣的能力。這是完全視覺感知能力，例如在城市道路，過高架、城區，包括擁擠路段、快速路段還有隧道等多任務，這裏我們隻列了一部分，還包括一般障礙物和語義的信息。
我們在越來越複雜的感知能力上的體現，确實需要多種傳感器的融合，同時需要多任務的網絡來進行。
另外，關于大家提到的行泊一體，我這裏舉的例子并不是我們完全要做泊車的任務。爲什麽很多泊車體驗之前做得不好？一方面是算力有限，另外是資源沒有把算力資源充分利用起來，大部分采用的是拼接或者分時方案把行泊做在一起，我認爲真正的行泊體驗一定是與用戶側體驗一緻，不需要手動切換，能夠實現真正的完整體驗。
我們把整個泊車感知的能力通過 BEV 網絡重新體現了出來，包括在泊車的傳感器，我們也可以更多的把它在行車過程中利用起來，實現真正的行泊一體的完整方案。
左圖是我們在行車過程中使用魚眼攝像頭的體驗，包括我們在泊車上利用一些 BEV、占據網格等實現的功能，可以把傳統的技術點在更強算力、更好方法的計算框架下實現能力，所以我們認爲新的用戶體驗一定要有新的方法才能真正達到更好。
剛才也提到無圖，在城市 NOA 裏面我認爲無圖或者輕地圖的方式是非常必要的。從高速的地圖上來講，通過一定程度更新的采圖，還是比較容易實現的，但是一旦進入到城市的範圍内，地圖的普及擴大會非常有挑戰。
這裏爲大家介紹我們的感知能力，在隻基于 SD MAP 的情況下，我們通過 Transformer 架構的感知地圖的 QmapNet 來實現道路幾何的感知和 SD MAP 融合，具備通過複雜路口以及精确的拓撲的建圖能力，從而把我們感知能力和标精地圖實時匹配起來，達到在城市内部實現比較複雜的駕駛能力。
除了感知和地圖能力以外，規控也是在城市導航裏面非常具有挑戰的一部分。尤其在中國的道路情況下，有各種各樣的情況，比如匝道、無保護左轉以及窄路的通行，都是具有非常挑戰的，但在城市環境下，這些情況卻又是不可避免的。
很早以前，輕舟智航對駕駛行爲方面做了大量的工作，能夠比較好的應對城市内部的駕駛體驗。同時，在高速上也是很需要這方面的能力，尤其像智慧躲閃的情況，以及對動态障礙物更好的博弈的策略。我們在行業中最早推出時空聯合規劃的方法，并實現在實車車規量産芯片上跑起來，目前這種方法也是大家普遍認可了的。傳統的方法大部分通過時空解耦的方法，首先在空間中選擇一條軌迹再去優化速度，這樣的方法對于城市内部的道路是基本上不可能的，會造成很多手寫規則、很多邏輯的問題。所以我們通過一個更好的時空聯合規劃的優化器大量減少人工參與。
當然良好的感知、規控的能力都離不開我們在數據方面的積累和使用能力，我們在行業裏，也是很早就将基于純視覺的 NeRF 的建圖方式和三維重建的真值标注系統結合在一起，實現了大規模的非監督形式的标注，使得整體的标注效率非常高。這也可以看到，我們絕大部分的任務都是靠非監督學習來實現的。在所謂大模型裏另外一個非常重要的基石就是能夠很好的使用非監督學習。
在成立四年的時間裏，我們也得到了很多認可，包括一些論文。今天我們有三篇入選 CVPR 頂會的論文，此前也有 ICCV、CVPR 的論文、期刊的論文，以及一些軟著和專利的申請。我們還在國内外各類重量級的賽事中嶄露頭角，在 WAIC 世界人工智能大會多任務網絡學習裏獲得第一名；在深度估計 KITTI 也是排名第一；在 Argroverse 中，2021、2022 年，這兩次我們都是前三名，2021 年是冠軍。
在這裏，我有一個倡導，在城市範圍大規模的導航能力出現的時候，我們特别需要數據方面的積累。尤其在數據使用和共享上還有欠缺很多機制，以及規範的标準，需要全行業的聯動和推動，讓我們把數據的能力能夠充分建立起來，需要行業協會、企業，還有上下遊的合作夥伴群策群力，我覺得地平線和賈可老師推出的 " 公約數 " 服務平台的方式非常好，能夠讓我們把很多重複的工作在 " 公約數 " 的倡導下建立起來。
我們在量産交付中還遇到了很多挑戰和困難，比如極緻體驗和成本的區分。大部分來講，我們現在智駕的體驗還達不到消費者願意爲它買單的程度，所以隻停留在 3%-5% 的成本，我也非常贊同現在的整個智駕在消費者面前還不是非常必要的選項。
隻有把體驗做到非常極緻了，讓消費者願意買單，這件事情才能形成正向循環，否則大家隻能是比成本來殺價格。我覺得正向循環一定要讓體驗達到一定效果才可以實現。
另外在成本方面，我們一定要避免堆料來實現更好的客戶的價值。這裏還涉及到一次性交付和持續 OTA 的挑戰，因爲智駕的方案不是簡單的一手交錢一手交貨的問題，更多需要不斷 OTA 升級，使得它越用越好，常用常新，輕舟願意爲主機廠客戶提供一整套的工具鏈産品，可大幅度降低開發的成本。最後，關于全棧自研和自主可控的讨論，這裏涉及的行業比較多，我就不多講了。
現在的行業發展屬于非常早期，但在今年車展上，我們看到了基本上有 L2 及輔助駕駛功能以上的車款已經超過 77%，所以已處在了行業非常快的爆發期。包括高速 NOA 滲透率，從行業的估計來講，也會從個位數預計到 2025 年達到 25%。
當然，我們希望在 2030 年可以看到更多具備非常高級的輔助駕駛功能能夠出現在我們的車上，包括 L3 甚至 L4 的功能。從整個人工智能發展過程看，通用人工智能可能離我們不會太遠。如果從未來回看現在的話，很有可能自動駕駛隻是很簡單的問題，其他很多問題要比這個更複雜，等我們真正走到那一步的時候，可能會有很多不一樣的感受。這就像剛才吳聲老師講到的，偉大很多情況下是沒辦法設計出來的，說不定某天某家公司就提出非常好的方法或技術能夠将我們整個技術大範圍提升，就像 OpenAI 在自然語言理解裏面實現的東西一樣。
道阻且長，不負韶華，我們非常期待将無人駕駛帶進現實。
加入軒轅之學 成就新汽車人
巨浪班——頂級産業鏈創新課程
鈴軒班——頂級供應鏈創新課程
金軒班——頂級營銷創新課程
軒轅之學與裏昂商學院共創課程
點擊閱讀原文
▼
