如果說2022年是Robotaxi商業化落地元年，那8月就是元年中的元月。8月1日，中國首部智能網聯汽車管理法規在深圳正式生效，深圳由此成為第一個允許全無人自動駕駛汽車上路的城市。過去十年，先行公司和資本在自動駕駛的研發上投入了大量費用，都是在賭一個節點。對自動駕駛這樣的高爆發行業來說，雖然前期等待漫長，到達落地拐點後的成果卻會是一場盛宴。而深圳率先在立法層面做出的這一舉動，無疑是濃墨重彩的一筆。對身在局中的公司來說，這次立法能帶來的是什麼？還有什麼問題未解？8月，36氪在深圳試駕了市民在道路上經常見到、能預約到試運營的自動駕駛車，也來自一家總部在深圳的公司——元戎啟行，並與其副總裁兼合伙人劉軒討論了此刻的自動駕駛正行至何處。在他看來，這次試運營區別於此前所有路測的里程碑式意義在於兩點：1、立法，2、全無人。前者賦予自動駕駛落地合法性，後者則給了自動駕駛的算法系統更多真實的「養料」。此前的路測有諸多限制：主駕有人、測試路段有限制……有限條件下的自動駕駛路測，顯然不能給真實落地提供足夠有力的支撐。全無人還有一重要價值：商業模式的帳更能算得過來了。改裝的硬件費用使得Robotaxi本身就要比傳統出租車貴，如果還要配備安全員，無法節省駕駛員成本，那一輛比taxi更貴的Robotaxi是難以落地的。在法律上獲得全無人的許可後，自動駕駛公司們下一個待解的難題是硬件（車+改裝）成本。方案成本越低的無人駕駛公司，就越容易被主機廠和運營平台接受，手上的錢就越能打持久戰、積累越多的數據。元戎的答案是面向前裝的量產方案，這個去年發布的方案將改裝價格降至一萬美元以下。我們在試駕現場看到，與大部分自動駕駛路測車不一樣的是，搭載元戎L4方案的車頂端並沒有凸起的雷達，取而代之的是嵌入車身的傳感器；車的後備箱不再有裝着工控機和散熱平台的大黑箱，車輛的計算平台也"瘦身」為裝有兩塊英偉達Orin芯片的小盒子。劉軒告訴36氪，制約前裝量產的有兩個因素，一是成本，二是功耗。成本方面，他們通過更換激光雷達解決，棄用行業此前普遍使用的機械式激光雷達，轉而選擇固態激光雷達。雖然固態激光雷達的點雲沒有機械式激光雷達清晰，但勝在價格只有前者的1/50，且損壞率低，在公司自研的多傳感器融合感知算法系統中，仍然能夠清楚感知到周圍超過200米的物體。功耗方面，公司自研的推理引擎使運算加速6倍，支持高級別自動駕駛系統在整體功耗僅150瓦的計算平台運行。以我們試駕的車為例，原車為飛凡MARVEL R，市場價約在21-27萬元之間，元戎改裝後上路成本在30萬元左右。對比許多滴滴司機選擇的比亞迪E6，上路價也要30萬起步。對成本的重視貫穿在這家自動駕駛公司的每一個動作中。這家成立於2019年的公司，主要業務有兩塊：自動駕駛乘用車和自動駕駛輕卡。在自動駕駛輕卡業務上，元戎啟行已經和德邦合作，為其提供同城貨運中轉服務。劉軒告訴36氪，自動駕駛輕卡與Robotaxi的技術棧和應用場景相似，運行經驗可以復用在Robotaxi上，這意味着不必再多一塊研發支出。政策和成本之外，我們還和劉軒聊了關於Robotaxi的一些爭論，比如是否存在路測數據餵養系統之外的路徑、DeepLearning的黑箱是不是制約自動駕駛的核心因素，以及近年盛行的路測里程比拼究竟有沒有意義。對自動駕駛而言，到達臨界點前必然是一條與無數爭論相伴的歧路。這條路可能只有一個路標：低成本、多落地，有質量地活下來。36氪：這次立法在行業內引起了很大反響，這跟之前的路測有什麼不同？劉軒:深圳是第一次從立法的角度，允許了真正全無人的自動駕駛路測。我認為還是一個非常重要的里程碑。而且我們上路的是一個用戶能接受成本的車，不是一個成本三四百萬的實驗車。有可能在未來兩年，普通用戶就能買得到。36氪：成本是自動駕駛的大話題，這點你們怎麼做的？劉軒：最重要的就是前裝量產。主要指的是三個方面。第一方面就是使用量產車上可以用的車規級傳感器。我們使用了固態激光雷達，再加上攝像頭這樣的融合傳感系統。第二方面，我們用了車規級的計算平台，比方說英偉達的Orin、華為的MDC這些更低功耗、更便宜的計算芯片。過去整個後備箱全是密密麻麻的設備，現在新能源汽車有里程焦慮，大家不希望把電都放在做計算上。我們公司通過一個自研的AI推進引擎，可以把我們的計算加速6倍。以上三點結合在一起才能叫一個可前裝量產的 L4，它的成本是低的，是在用戶可以接受的範圍內。控制住功耗和成本，這跟過去舊的自動駕駛是一個本質性的區別。36氪：Robotaxi使用的往往是機械激光雷達，為什麼你們使用固態？劉軒：傳統的旋轉式的機械激光雷達成本特別貴，單個售價可能都是個幾十萬人民幣。並且因為它是個機械結構，可靠性不是特別好。如果傳感器每一兩年就得換一次設備，用戶肯定是不會買單的。固態激光雷達雲成像質量更弱一點，我們軟件方面、算法層面做了很多優化，用一個更弱、更便宜的傳感器做到探測距離不弱於之前的機械式激光雷達，甚至可能會更遠、更安全。36氪：軟件彌補硬件是一個經典路徑，在雷達感知上怎麼做？劉軒：我們的團隊在自動駕駛行業里第一個提出來多傳感器融合技術。我們把激光雷達、攝像頭等等不同的傳感器數據在原始層面就做一個數據融合，類似於把它等效成一個超級傳感器。比如說激光雷達能帶來3D的位置信息，攝像頭能帶來色彩能力相關的信息，這些融合在一塊是一個高維的數據，每一個傳感器只扮演其中的一部分，我們可以用這種深度神經網絡更好的去做一個精確的識別。36氪：元戎的推理引擎可以比主流的框架快6倍，且更低成本，是怎麼做到的？劉軒：深度學習一般分為兩個階段，第一個階段是離線的訓練，第二個階段是在線的推理。比較重要的是在線的推理，我們一定要保證它足夠快足夠高效，還儘量的功耗要足夠低。我們相當於是重寫了一個深度學習的推理系統，專門針對自動駕駛需要的模型進行了優化。行業內用的比較多的是面向一些通用的深度學習框架，用深度學習去做人臉識別或者動物識別等等。但是對於自動駕駛而言，我們只需要支持自動駕駛專用的任務的深度學習框架，這個框架能夠在多傳感器融合的模型下，精確的檢測出來這些障礙物大小是什麼，尺寸是什麼，速度是如何。如何去預測他們該怎麼動，接下來要做如何，該怎麼決策。我們可以把這些通用的深度學習框架裡面那些額外的東西忽略掉，然後就針對專用的任務，可以把他們有共性的一些重複性的工作進行合併跟壓縮。就相當於現在算一步可能就等於過去的算的五六步。劉軒：前裝量產最大的意義在於我們把漸進式和跨越式融合在一塊，而且只保留他們的優點。我們的算法能力是跟跨越式L4是一致的，可以在一線城市的市中心高峰期，不用人接管去跑，同時我們的成本是跟漸進式一樣，我是在用戶可以購買的量產車上去安裝。這樣子我就能把這兩個路線的優點結合起來，跨越式的優點在於算法能力強，就是足夠安全，漸進式的優點在於它是個產品，用戶能幫我積累數據。36氪：現在自動駕駛的核心關隘是需要數據餵養，但很多人也在等待對Deep Learning黑箱的突破。劉軒：我們做的乘用車或者城市內輕卡來講，場景已經足夠複雜了，在這個階段的水平已經足夠幫助用戶解決很多問題。所以我覺得不用等到下一次Deep Learning的大規模的突破，其實已經有很多可以應用的產品，可能也就是未來2~3年就會有這種形態的產品出現。另一方面，自動駕駛是一個非常複雜的系統，Deep Learning對自動駕駛非常重要，但是自動駕駛不是完全依賴於Deep Learning。我們其實有很多還會用到像強化學習、博弈論的這種決策優化等等。它能解決其中的一些比較關鍵的問題，但是還需要有很多其他方面的算法，然後不停迭代，共同來把這個事情做好。這是一個足夠複雜系統，它一定是符合木桶理論的，好壞由最弱的那個決定。36氪：自動駕駛仿真系統可以解決大規模數據採集的問題嗎？劉軒：比較難採集或者成本比較高的場景，可以在仿真系統里測試，它可以幫助我們算法提升迭代。但是如果我們真的希望通過這些數據論證我們算法的安全性，去推動法律法規加速落地，我認為仿真系統其實很難有說服力的。你自己造一個仿真系統，算法在裡面跑得很好，在外界看來是缺乏說服力的。除非有一個第三方打造的具備公信力的仿真系統，但是這個方案其實很難去落實。36氪：自動駕駛行業現在有點刷路測里程的趨勢，這種數據的價值有多少？劉軒：不同自動駕駛公司積累的里程數據沒有任何可比性。因為大家跑的場景是完全不一樣的。就像人一樣，在市中心能開的話，在郊區鄉下一定能開，但是反過來是不一定。另一方面是算法是否足夠激進，它的測試效率是不是足夠高？舉例，假如我的算法像一個新手司機一樣，在路上特別謹慎，只要有人過來我就避讓，這樣其實對於算法來說是沒有太大意義的，一定得要能夠過得了跟人博弈的這關。中國的一線城市，不同的城市的交通方式行為習慣很不一樣，比如北京開車和上海、深圳的差別其實非常大。所以如何能去建立全國性乃至是全世界的標準，目前來看肯定是一個不簡單的事情。劉軒：輕卡的長度尺寸、場景和乘用車是更接近的。城市內公開道路，有紅綠燈、行人、自行車、外賣騎手等等非常複雜的場景。所以兩者在技術上的相似性是非常高的，我們可以去復用這個技術。輕卡和重卡差異性會大很多。兩者牌照就不一樣，其次它跑的場景更多的還是幹線道路：高速，載重大，所以它剎車距離就會很遠，就要求它的感知距離要足夠遠。但是民用激光雷達現在做的最好的極限感知力也就200米，這個是物理特性決定的。另一方面，重卡的載重高，對其控制相對來說也比乘用車難。再加上他有可能會帶掛，並且周身的盲區大，所以它會要布更多的傳感器，傳感器一旦數量夠多的話，計算平台肯定要更多芯片，計算上還涉及到一些同步的問題，所以從技術角度來講的話，它的差異性其實是很大的。
36氪旗下官方公眾號
真誠推薦你關注
來個「分享、點讚、在看」👇
自動駕駛要有質量地活下來
鑽石舞台 發表在 痞客邦 留言(0) 人氣()
留言列表
留言列表