2418
整理?|?睿思，編輯 | 祥威
編者注：本文是HiEV出品的系列直播「智駕地圖之變」第二期問答環(huán)節(jié)內(nèi)容整理。元戎啟行副總裁劉軒與連線嘉賓奧維咨詢董事合伙人張君毅、北汽研究總院智能網(wǎng)聯(lián)中心專業(yè)總師林大洋、主持嘉賓周琳展開深度交流，并進行了答疑。
本期元戎啟行分享內(nèi)容《Mapfree決定自動駕駛未來》的主題演講，可前往#視頻號：HiEV觀看直播回放。關于「智駕地圖之變」系列直播的更多內(nèi)容，可添加微信號Yuting199701，加入「智駕地圖」交流群。
今年以來，輕地圖逐漸成為熱門關鍵詞。高精度地圖由于在地圖鮮度、維護成本以及覆蓋范圍等局限性，逐漸被輕地圖取代。
元戎啟行是行業(yè)中布局輕地圖方案較早的公司之一，通過重構技術框架，以及進行大量的泛化測試，在安全、效率與體感三者之間找到平衡點，最終做出了一套成本僅有傳統(tǒng)高精地圖成本十分之一的方案，讓無圖化方案成為可能。
據(jù)劉軒介紹，元戎啟行的技術路線和特斯拉不完全一樣，并不需要讓車輛記住某個路口的具體數(shù)據(jù)，而是希望能夠讓這個模型本身學會，像人一樣思考，在行駛操作中各個數(shù)據(jù)可能在一個什么樣的范圍之內(nèi)，然后由系統(tǒng)自主完成操作。
按照計劃，今年元戎啟行會提供傳統(tǒng)的L2+輔助駕駛和高速NOA方案，明年將提供城市NOA的純視覺產(chǎn)品。
實時感知為主，SD Map作為參考輸入
Q：雖然行業(yè)內(nèi)大家都在提無圖，但大部分車廠與供應商的核心還是采用了所謂SD Pro或者Lite地圖。元戎只用SD Map就可以實現(xiàn)高階輔助，這背后的技術支持是什么？
A：無論是SD Pro或者HD Lite，它里面依舊包含了高精地圖的信息，它基本上是用高精地圖向下閹割，提供一些更豐富的信息，能夠幫助算法做得更好。但有關高精地圖的更新，以及更新成本的問題依舊是繞不開的。如果能從算法層面解決掉這個問題，那么它可能就不再是一個特別大的強依賴項。
去地圖化肯定是未來一個發(fā)展方向，因為它能減少維護成本。有關維護更新的部分，本質上類似人工智能中人工的那一部分，如果從智能的角度能解決這個問題，成本可以減少很多。
我們最早從2020年開始研發(fā)，技術上已經(jīng)相對成熟，因此根據(jù)我們的經(jīng)驗認為，對高精地圖的依賴是可以去除的。
Q：行業(yè)內(nèi)研發(fā)重點由依賴高精地圖轉化為去高精地圖，是單純的成本問題還是高精地圖發(fā)展跟不上落地速度呢？
A：其實早先在行業(yè)內(nèi)，包括主機廠，一些創(chuàng)業(yè)公司也考慮過去高精地圖，但可能主要還是前幾年技術不夠成熟，因此不太往這個方向投入。后來特斯拉，包括元戎做出來之后，大家發(fā)現(xiàn)這個技術是可行的。因此今年大家認為這項技術接近到了突破點，越來越多的人認可了這項技術。
Q：無圖方案進行量產(chǎn)的話，是否需要對每一個城市都需要泛化？由于無圖方案重感知的情況，這是否意味著系統(tǒng)需要強數(shù)據(jù)閉環(huán)？
A：首先，因為城市中大部分道路都比較規(guī)則，泛化的意義不是特別大?；拒囕v在比較規(guī)整的簡單路段開過一次后就能學會，因此換到另外的城市也可以運行。
難點是對于那些不規(guī)則的corner case，比如修路或者高架場景，這些人看著地圖都可能開錯的路口，我們需要更多的數(shù)據(jù)。因此在城市的復雜道路，還包含一些鄉(xiāng)村的道路，都需要大量的數(shù)據(jù)去進行泛化，所以當然這里面一定要依賴于一個強數(shù)據(jù)閉環(huán)的系統(tǒng)。
這套系統(tǒng)是非常綜合的，它包含感知，定位，規(guī)劃等，有一整套的交互式的流程。我們需要非常多的數(shù)據(jù)，尤其未來想要過渡到純視覺的話需要更多數(shù)據(jù)。所以如何從海量的數(shù)據(jù)中找到有用的，把這個算法迭代的更好，它對能力要求是非常高的，比以前的傳統(tǒng)方案更難。
Q：在這種模式下，主機廠和集成商怎么高效地合作，才能把數(shù)據(jù)閉環(huán)打通？
A：數(shù)據(jù)的所有權一般歸屬主機廠，但主機廠會將數(shù)據(jù)共享給我們進行共同建設，讓我們進行算法模型上的更新，能夠適應更多路況，得到更好的表現(xiàn)。最終希望這個產(chǎn)品能夠不斷地迭代，升級服務提供給用戶。另外這些數(shù)據(jù)都會在可控、可信的云平臺上，我們只需要讓它能夠訓練模型就行。
Q：Mapfree方案對于組合慣導這些定位設備的需求或者變化點在哪里？
A：我們目前的組合慣導產(chǎn)品包含IMU、GNSS，大概是百元級。不需要帶差分定位，僅需要它能夠提供十米左右位置的定位精度就可以了。然后通過算法讓它能夠滿足安全的需求，這樣也可以給車企降低一定的成本。
Q：無圖系統(tǒng)在智駕的過程中怎么去利用好SD地圖？
A：對于SD地圖的應用，我們主要將其作為一種參考的信息，更多的以實際感知到的信息為主，然后將導航地圖作為參考，讓它能夠學到更像人的一個價值行為。
Q：有圖、輕圖和完全沒有圖分別給車廠減掉多少成本上的壓力？
A：純SD的一輛車一個月大概幾十塊錢的成本，但是HD的一輛車一年可能是幾百塊，然后SD Pro或是HD Lite這個級別可能是一年一百到兩百塊。但是現(xiàn)在的問題是，HD和SD Pro覆蓋的城市數(shù)據(jù)還不夠多，目前只有六個城市，未來開更多城市的話，成本勢必是要增加的，所以這個成本并不一定是固定值。
Q：輕地圖成本和高精度地圖相比，采集的過程中所產(chǎn)生的費用差距不大是嗎？
A：對，并且它采集數(shù)據(jù)，后續(xù)更新時，同樣需要經(jīng)過審圖的時間周期，所以更新的頻率可能不會那么快。如果完全依賴于高精信息，更新頻率不夠高的話，可能對算法的性能表現(xiàn)也會有一定影響。
Q：城市泛化節(jié)奏是怎樣的？前期從一個城市泛化到另外一個城市大概需要多久？
A：目前，測試車輛在16個城市做泛化性的數(shù)據(jù)采集和測試。因為完全不依賴高精地圖，所以只需要將車投入城市進行測試就可以。因為如道路的交通燈等信息的識別，模型本身是經(jīng)過一定的魯棒性、泛化性的訓練。其次不同城市最具挑戰(zhàn)的，并非感知結果，而是道路結構是否復雜。
其實，所謂泛化測試，更多是采集路網(wǎng)的靜態(tài)信息，讓它學到不同的城市道路中難解決的，有挑戰(zhàn)的場景。因為是Mapfree，不依賴于導航地圖，因此不太需要做提前的準備，因此泛化需要的時間比較少。
與特斯拉不完全一樣，更注重模型學習
Q：元戎這套無圖方案，針對ICV/L3的功能安全方面的準入需求是如何應對考量的？
A：首先對于算法本身我們有具體的指標，與我們自己的使用高精地圖的算法或者市面上采購到的算法定期做對比。從產(chǎn)品的效果上，包含系統(tǒng)的安全性，舒適性，行駛的效率等進行比較。
關于功能安全，現(xiàn)在合作的車企對此要求也是非常高的。在合作過程中，我們會把車企對于安全的方面的需求進行分解，然后根據(jù)其中的每一個模塊，按照要求比如去進行系統(tǒng)層級的軟件乃至硬件方面的監(jiān)控。例如針對汽車MCU的芯片，我們會有對應的監(jiān)控，然后對于Orin芯片上的一些故障事件，我們有對應的模塊進行監(jiān)控，保證系統(tǒng)有一些故障或者失效的時候，對應的信息能夠達到車企需要的功能安全的狀態(tài)。
Q：當?shù)缆翻h(huán)境復雜，出現(xiàn)盲區(qū)時，是否能夠及時預判當前道路環(huán)境？交通擁堵產(chǎn)生感知盲區(qū)時，功能實現(xiàn)的效果和安全性是否會下降？
A：對于路口有遮擋的信息，如果之前已經(jīng)識別到物體進入，那么在較短時間內(nèi)，感知系統(tǒng)通過多幀的融合感知可以追蹤到這個物體，并且我們內(nèi)部有一些Benchmark，它的精度非常高。除非是對于之前是沒有任何信息的鬼探頭，可能難度比較高，但這種情況對于任何算法都是非常難的挑戰(zhàn)。
更難的一點是Mapfree去認路時，如果由于堵車識別不到停止線，此時算法會通過機器學習的方式去猜測停止線的位置，根據(jù)大量人類駕駛員或是基于強化學習的經(jīng)驗來進行判斷。
其實Mapfree比起傳統(tǒng)的高精地圖，對于堵車或者修路的情況，我認為是帶來更多的便利性。
因為如果真實道路和地圖不匹配的時候，導航地圖會由于更新不及時有很多錯誤信息，那么傳統(tǒng)車輛可能就會失去方向，但是Mapfree一切以實際道路發(fā)生的事情為準，這個是最準確的信息。所以我認為從安全性角度來是更可靠的。
Q：元戎在技術上走的是比較激進的路線，如何保證系統(tǒng)有足夠的穩(wěn)定性和安全性？
A：其實是把過去靜態(tài)的高精地圖的信息，轉化為動態(tài)的實時去識別的信息。所有的安全性的認證指標還是沿用了L4 Robotaxi，并且因為現(xiàn)在需要考慮到用戶的體感以及通行的效率，添加了很多指標。我們在軟件算法方面，是盡力保證安全性的。但是在一些特別極端的情況下，也會去提醒乘客，讓駕駛員進行一定程度的人工干預。所以其實它和用HD map的系統(tǒng)不會有太大的本質區(qū)別。
Q：你們提供的方案會放棄激光雷達嗎？
A：我們今年純視覺的產(chǎn)品是先提供傳統(tǒng)的L2+輔助駕駛，加上高速NOA，后續(xù)我們計劃明年讓它也能夠提供城市NOA。因為純視覺需要的數(shù)據(jù)量更大一些，目前它給用戶的體感和帶激光雷達的還是有一些差距的。
Q：對于L2+或 L3級別未來的方向，實現(xiàn)城市的高階輔助駕駛中激光雷達是必要的嗎？
A：對于現(xiàn)階段而言，要實現(xiàn)城市的L3高階輔助駕駛，激光雷達還是必要的。由于目前量產(chǎn)的車不夠多，純視覺的數(shù)據(jù)不夠多，所以現(xiàn)階段用戶的體驗和安全性還不能完全和帶激光雷達相比。但是我認為到明年這個很可能會有突破。往未來最終看，當數(shù)據(jù)足夠多的時候，純視覺應該是能夠取代激光雷達。
Q：如果有激光雷達的話，還能做一層冗余，后續(xù)做純視覺，如果硬件本身出了問題，安全性應該如何保障？
A：其實現(xiàn)在所有的車上的傳感器都不會做兩套備份，都是只有一套。比如，攝像頭的視角是能夠互相覆蓋其中一些數(shù)據(jù)，所以如果失效其中一個攝像頭，可能依舊可以以降速的方式正常駕駛的。如果在純視覺影響比較大的情況下，可能會降速限制更多。對于這種情況有安全降級的概念，比如降到最基本的L2＋，撥桿變道等等傳統(tǒng)的L2+的功能。
Q：在某些城市比如上海，有一些左轉的路口需要在最右側車道進行，這與我們平常的習慣相悖，如果此時堵車，無法識別馬路上的箭頭指示怎么辦？
A：這種擁堵情況相對來說可能會難一些，但是基本上我們會結合實時識別，加上導航給的信息綜合考慮。類似這種路口，包括可變車道等等，相對來說都是比較難的，但現(xiàn)在基本上只要多跑幾次都能學習處理。
Q：特斯拉在最新版本 HW4. 0硬件方案里面，設計了4D毫米波的接口，你們是否有測試過4D毫米波雷達，性能上跟基本的補盲雷達有什么區(qū)別？
A：4D毫米波可以看作激光雷達的平替版本，能生成點云，但點云質量比激光雷達差，價格也更便宜。它可以根據(jù)車企的需求使用，但也需要測試它的成本跟實際產(chǎn)出的效果。目前4D毫米波好像還未大規(guī)模出貨，不是很成熟，另外激光雷達以后也有可能會降價，如果降價多的話，可能跟4D毫米波價格相差不大。那時可能車企又會有不同的想法。
Q：現(xiàn)在這個系統(tǒng)會記錄歷史的行駛信息嗎？比如Model Y其實在所謂的眾包地圖上是有歷史的，無論是車速信息還是軌跡信息，是可以去不斷地去學習優(yōu)化的，讓它能更像人。元戎這套系統(tǒng)是否也會把之前行駛過的信息能夠有存儲和體現(xiàn)然后不斷學習？
A：我們的技術路線和特斯拉不完全一樣，并不需要讓車輛記住某個路口的具體數(shù)據(jù)，這不是這個技術路線的目標，我們的目標是希望能夠讓這個模型本身學會，像人一樣思考，在行駛操作中各個數(shù)據(jù)可能在一個什么樣的范圍之內(nèi)，然后自己完成操作。我們更希望讓模型自己去學習如何操作，而不是說把這個路口的信息記錄下來，因為記錄下來還會涉及到一些更新的問題，很多信息更新不及時也會帶來一些問題。
?追逐降本，打造平臺化產(chǎn)品
Q：作為一個L4的公司，進入到 L2+的領域，有哪些優(yōu)勢，又有哪些不足需要補充？
A：無論是L4還是L2+，其實都在進一步精進技術。進入L2+的領域，能夠讓我們的技術適配在這種可量產(chǎn)的硬件上面，比如去高精地圖依賴，其實技術是更向前進步，同時也更難的。因此在算法方面，我們的技術應該還是非常領先的，綜合一下能夠提供對這個行業(yè)更有競爭力的產(chǎn)品。
在量產(chǎn)定點等方面其實涉及很多難點，比如工程化的能力。因為在跟車企合作的過程中，車企會給我們很多具體的硬性的時間節(jié)點，在指定的節(jié)點需要交付什么技術。在進行合作的過程中公司的能力也提升了很多，畢竟之前沒有走過這個流程，但是經(jīng)歷過一遍之后培養(yǎng)起來了這個能力。
Q：對于主機廠的不同要求，怎樣引導他們做產(chǎn)品化，而不是項目制的交付要求？如何在滿足主機廠要求的同時將自己的定制化要求降到最低？
A：我們目前打造的平臺化的產(chǎn)品，通過平臺提供一些基礎的能力，同時可以針對不同主機廠的個性化需求，定制性開發(fā)其中某些特性。這樣就不需要針對每一個主機廠或者每一個車型去單獨開發(fā)，因為中間有很多是通用的能力。
據(jù)我們了解，現(xiàn)在越來越多的主機廠為了降本，內(nèi)部的智能化也是走這種平臺化的方案。我們作為供應商和車企進行交流的時候，發(fā)現(xiàn)這種平臺化的方案很多時候是不謀而合的，所以在這方面上其實還是挺有優(yōu)勢。
Q：目前你們的L4和L2+是同時在進行研發(fā)嗎？
A：L4和L2+的軟件算法是同一套。并且我認為智能駕駛最終都是趨近這個方向的，未來Robotaxi想要實現(xiàn)單車盈利一定需要通過量產(chǎn)車完成，否則商業(yè)上很難形成閉環(huán)。因為傳統(tǒng)的Robotaxi的傳感器非常多，在商業(yè)上很難回本，所以目前包括國外的趨勢也是往量產(chǎn)車這個方向考慮的。
Q：未來的Robotaxi 還需要地圖嗎？
A：可以不用。因為地圖本身是人為地給車加上一些規(guī)則，人工編輯的一些信息，因此如果數(shù)據(jù)足夠多，算法能讓車按照人的思維去駕駛，實現(xiàn)真正人工智能的話，L4乃至L5是可以達到的。
下載ECAD模型
