如何打造更好用、消费者更爱用的智能驾驶解决方案

盖世汽车 Seven

2023年5月9日-10日，在2023捷途汽车电子架构与智能驾驶论坛上，轻舟智航联合创始人、COO汪堃表示，电动化大势已成，智能化逐鹿群雄，为消费者带来更具吸引力的智能化功能将成为核心竞争力。

轻舟智航将坚持标配化、标准化、大众化和革新化，在辅助驾驶的用户价值方面，达成良好的高速NOA体验并实现较大ODD范围内的城市NOA点对点自动驾驶。

汪堃 | 轻舟智航联合创始人、COO

以下为演讲内容整理：

轻舟智航是2019年成立的自动驾驶解决方案公司，核心团队来自于Waymo、特斯拉、英伟达、Facebook、百度等世界顶级自动驾驶公司和科技公司，研发人员占比高达80%，研发人员中硕博占比近80%，拥有5年以上相关行业经验的员工占比超过60%。

公司从硅谷起家，现在主要在国内发展，技术基础是自动无人驾驶的前瞻技术，并基于此推出产品。

轻舟智航对智能化趋势的思考

下图是轻舟的“双擎战略”，左边是动力引擎，将前瞻技术落地在L4级别的相关产品方案，包括在全国落地10个城市的无人小巴；右边是创新引擎，把前瞻技术用在量产解决方案上，目前也在与一些主机厂进行量产规模化落地，打造L2+级的解决方案。下边是技术底座，即自动驾驶超级工厂，包括数据回传和数据闭环的轻舟矩阵，迭代技术的进步和产品方案的生成。

图源：轻舟智航

电动化大势已成，智能化逐鹿群雄，对此我们也提出了轻舟的小四化：

第一入门体验的标配化，我们希望将智驾较基础的功能更快速地部署到各个车上，能将之标配化到产品端。

第二中端体验的标准化是把高速NOA相关的产品功能，推向更标准化的体验，用户知道功能上车后应该有怎样的期待。

第三高端体验的大众化，把更高级的功能通过技术的发展进步不仅用在高端车型上，中低端车型也可以体验到城市NOA产品。

第四极致体验的格式化，将创新性的技术，包括从L4级的技术可以降维到L2级，为大众带来产品的体验。

智能辅助驾驶解决方案的能力升级

下图是产品功能图我们圈出了不同级别智驾功能覆盖的场景，在高速上定速巡航和轨道保持辅助驾驶是常见的L2功能，高速NOA属于L2+，并会增加自动变道，高速闸道分流、合并，智慧避让等功能。城市更复杂，包括在城市地面道路的红绿灯入口、U Turn掉头、窄道通行以及泊车场景等。

图源：轻舟智航

我们认为辅助驾驶，用户的价值在于更好用和更爱用。更好用指满足基础的高速NOA体验，并实现部分城区NOA的点对点驾驶，司机接管率更低，提供更安心、更信赖的管家式体验。更爱用指实现较大ODD范围内的城市NOA点对点自动驾驶，达到更朴实的自动驾驶，让开车像打车一样轻松，让司机对辅助驾驶形成依赖，更加轻松地享受驾驶过程。

在刚刚过去的上海车展上，中端车型的主流智驾方案大致分为两类：一类是基于激光雷达的方案，另一类以视觉为主。大致的配置以计算芯片为例，主要是以Orin和地平线为主。

图源：睿思齐咨询

轻舟智航的智能辅助驾驶解决方案

基于市场需求，轻舟提出了两套解决方案，一套是包括高速和城市NOA的1L11V5R解决方案，支持单/双征程5芯片，要做到高性价比，需要要优化单双J5，传感器也是优化方向。第二套性价比更高，基于6V1R以高速NOA+L2功能为主的解决方案，该方案是较传统的前视、后视和四个环视的相机，当前主要在单J5芯片上实现。

下面是简单的配置图，轻舟率先成为基于国产大算力高性能“征程5” 芯片的城区自动驾驶解决方案提供商之一，与地平线强强联手，搭载首个实现前装量产的国产百TOPS大算力芯片，打造从能用、好用、到爱用的量产智能驾驶方案。

图源：轻舟智航

同时轻舟的全栈算法也高度适配兼容了英伟达Orin DRIVE 平台，在2022年英伟达GTC大会上也得到了官方对双方合作的认可，下图中间是轻舟基于英伟达双Orin方案的展示图。

图源：轻舟智航

领先的工程化能力加速轻舟产品落地

为什么轻舟能做到用户体验良好的产品？本质在于解决方案的特点：基于数据；成于感知；精于PnC。

首先讲感知，我们提出超融合概念，即多传感器时序穿插融合，包括Lidar、Radar、Camera的输入，时序化可以把过去的传感器输入融合到网络中，从而更准确的输出。整个大模型叫OmniNet，基于BEV的特征空间，加上多传感器融合，最后是通过共享主干网络Backbone，融合多传感器特征，加上时序特点，输出多个感知任务的模型。

下图中，左边是BEV结果，可以看到鸟瞰图象识别的车。这是一颗激光雷达识别的效果，能到150米-200米的视觉感知结果，中途的结果都可以直接输出，包括2D车道线、全景、深度估计的效果、分割的效果。最后可以得到多任务互补，得到最终感知结果，给到归控进行决策和规划。

图源：轻舟智航

下图左侧是把Lidar去掉后，网络设计依然可以支持输出，整个鸟瞰图下对6个摄像头的输入后，车的视觉输出，包括在高速路和快速路、对不同的车道线的输出等都可以在网络上输出。

图源：轻舟智航

在城市道路的输出，包括深度、视觉障碍物的检测、分割、车道线的几何都可以用到视觉中，解决危机障碍物的检测；在隧道中，其感知输出结果一样稳定。

OmniNet提供丰富且准确的环境感知结果，能够有效提升感知的精度和准确性；同时遵循更好利用车载芯片算力的设计，用输入输出的方式优化任务性能，比单任务的算力要节省1/4-1/5。感知模型还可以根据不同传感器配置，只要最终配置和数据搜集过程中做新的确定，就可以适配整个车型，可以做到高速适配和低切移成本，达到高性价比的初衷。

除感知外，轻舟还推出了行业公认更优的时空联合算法。普通的或行业惯用的方法是时空分离算法，即把路径和速度分开优化的过程。比如红色是自车，要做超车或变道的过程，会先规划路径，在路径下再规划不同时间采取什么样的速度通过。劣势是如果路径规划后发现车超不过去，可能采取的行动就是先刹车再避让，或者变道失败。

图源：轻舟智航

时空联合优化的优点是车预测的模型也加入其中，不单单考虑自车的路径，还会把对方的行动路径考虑进去，综合考虑后再做加速度，再超车，可以解决更多复杂场景。

当然好的规划也离不开好的预测模型，我们自研的预测模型ProphNet，在自动驾驶领域世界杯Argroverse 国际预测挑战赛是获得了2021年冠军，2022年获得了季军。整个预测算法达到了10秒的预测长度，可以支持数百个目标，推理的耗时小于20毫秒。针对J5平台也进行了优化，特别对于中国路口出入模型的准确率可以达到90%以上。

除了算法、感知、归控和预测，数据效率也是至关重要的一环，因为它决定了算法迭代的效率。数据平台，标注平台，训练平台，仿真平台，所有的算法都在平台上快速流转，去迭代算法效果。我们也构建了一套属于闭环的工具链，从实车测试、仿真测试、数据处理，到实际仿真场景以及虚拟仿真场景，包括标注数据的训练都在这个工具链里快速解决。