自動駕駛江湖重新排位：毫末智行“重感知、輕地圖”優勢初現

原創贊收藏評論

舉報 2022-09-23

掃描,分享朋友圈

城市輔助駕駛正在進行高段位的比拼。

繼毫末智行官宣毫末城市 NOH（城市導航輔助駕駛）將在第四季度交付的消息后，小鵬汽車也在新品發布會上同步了小鵬XNGP即將落地的消息。再加上特斯拉可能將FSD Beta引入中國市場，華為在“城市導航輔助駕駛”領域秀肌肉的動作，2022年被認為是中國城市輔助駕駛的元年。

同樣是城市導航輔助駕駛，技術上卻可以分為兩個流派：一是毫末智行代表的“重感知、輕地圖”路線，另一個是小鵬等選擇的“多傳感器融合 + 高精地圖”路線。隨著自動駕駛技術越來越近，圍繞兩個流派的口水戰也越來越激烈。

相較于輿論場上的爭論，似乎有必要探討這樣一個問題：剛剛穿越創業公司1000天生死線的毫末智行，為何會成為最早量產落地的玩家？

自動駕駛的第一性原理

可能在不少人的印象里，自動駕駛屬于剛剛出現的新概念和新物種。可對自動駕駛的歷史稍作盤點，答案或許會超出很多人的預期。

即使不考慮古典意義上的自動駕駛探索，單單是這一波自動駕駛浪潮，就可以追溯到2009年谷歌自動駕駛部門的成立。按照當時流行的預言，自動駕駛將在2020年前后上路，2025年將不再有人類司機。

讓人始料未及的是，整整13年過去后，曾經喊話取代人類司機的自動駕駛，似乎成了一張空頭支票。其中的原因有很多，比如算力、算法、數據的制約，再比如交通法律法規上的紅燈，其實也可以在某種程度上歸罪于“高精地圖”。

自動駕駛曾經有很多技術路線，2019年后形成了兩個主要流派：

一個是高精地圖+激光雷達的地圖派，高精地圖和激光雷達就像是自動駕駛車輛的“兩根拐杖”，靠激光雷達增強感知能力，高精地圖提高規劃能力，然后在算法的輔助下實現車輛的自動駕駛功能。

只是激光雷達在2016年才開始加速，高性能車規級激光雷達產品的成熟量產，在2021年才逐漸實現。高精地圖還要“命途多舛”，分米級地圖的測繪成本可能達到每公里上千元，直接限制了自動駕駛在非一二線城市的應用場景。自然資源部于日前收緊了高精地圖資質，對依賴高精地圖的玩家不亞于釜底抽薪。

另一個是擺脫了高精地圖限制的感知派，簡單來說就是丟掉了高精地圖的拐杖，依賴于激光雷達+毫米波+攝像頭的感知能力。“感知系統”就像是自動駕駛的“眼睛”與“耳朵”，然后對路況做出實時判斷。

最著名的“感知派”正是特斯拉，也是第一家采用純視覺技術方案的自動駕駛企業，埃隆·馬斯克甚至多次吐槽“傻瓜才用激光雷達”。毫末智行也是“重感知”路線的重視擁躉，毫末智行的HPilot 3.0系統降低了對高精地圖的依賴，即使在沒有高精地圖覆蓋的城市場景里，也能夠通過強大的感知能力實現高級輔助駕駛。

根據自動駕駛的第一性原理，底層邏輯在于利用AI在行駛過程中進行識別、判斷和決策。在高精地圖價格昂貴且無法及時更新的局面下，通過實時路況感知來提高自動駕駛系統的規劃能力，可以說是現階段的最優解。

不管是特斯拉、毫末智行，還是其他感知派玩家，無疑都選對了自動駕駛的技術路線，最終在落地環節率先開花結果。

“重感知輕地圖”的新路徑

如果說“重感知”是毫末智行的第一個技術標簽，另一個鮮明的技術主張在于“輕地圖”，在國內首次開辟了“重感知、輕地圖”路線。

回到三年前的語境里，毫末智行的技術戰略不可謂不冒險。彼時“感知、決策、控制”被奉為自動駕駛技術的三個核心要素，其中“感知”與“決策”都離不開高清地圖，有著不可或缺的作用。

因為高精地圖的“高精”在于數據精度更高、維度更多，譬如道路的彎度、坡度，車道線位置、類型、寬度，以及交通信號燈、交通標志、路邊地標等元素，都在高精地圖的采集范圍內。國內的一些自動駕駛企業開始高舉“重感知”的旗號，卻仍然不愿舍棄對高精地圖的依賴，即使深知其弊端。

然而高精地圖的短板遠不只是貴，特別是在國內的城市場景，城市道路養護頻繁、大型車輛密集、變道空間狹窄、城市環境多樣......高精地圖想要起到“感知”與“決策”的價值，還需要以“天”為單位更新的保鮮期。

以至于埃隆·馬斯克在吐槽完激光雷達后，將矛頭直指高精地圖，“高精地圖是一個‘很糟糕的想法’，會導致自動駕駛系統過于依賴已存儲的高精地圖而失去靈活性，不能像真正的司機那樣根據路況靈活應變。”

和特斯拉有所不同的是，毫末智行很少公開討論高精地圖的價值，卻在技術上大膽去高精地圖化。按照毫末智行技術總監潘興的解釋：“在重感知的技術下，不需要精度極高的地圖即可實現城市輔助駕駛功能。”

相對應的是毫末智行在“重感知”方面的苦功：

首先，就是毫末智行的數據智能體系MANA。數據是人工智能最大的驅動力，也是自動駕駛能力進化的養料。自動駕駛想要走出實驗室，需要大量的真實路況數據，并對數據進行規模化的標注、仿真與驗證。通過“目標粗定位”和“屬性精細估計”，MANA實現了數據標注過程的自動化，目前自動化率已經達到80%。

其次，毫末智行是國內第一家應用Transformer的自動駕駛企業。參考毫末智行CEO顧維灝的說法，毫末智行在一年多的時間里完成了訓練平臺的改造升級、數據規格和標注方法的切換準備以及針對感知、認知具體任務的細節探索。通過Transformer的全局注意力機制，MANA解決了自動駕駛在實際路況中的許多復雜難題。

結果印證了毫末智行的正確性，毫末城市 NOH是國內最早落地的城市輔助駕駛系統，哪怕是華為這樣早期押注高精地圖的玩家，也開始主動對高精地圖“進行降權”，試圖重押重感知路線。

城市場景的實戰拉力賽

最應該被聚焦的信息點，可能不是毫末智行與特斯拉們的先后之爭，而是毫末城市NOH在第四季度的交付落地。

似乎有必要重新解釋下什么是城市導航輔助駕駛，簡單來說就是幫助用戶實現從城市A點到城市B點，比起半封閉、道路結構化的高速場景，城市路況復雜度高，行人、非機動車、機動車等道路因素較多。

兩種流派最大的不同也在于此。“地圖派”的落地往往會限制在特定城市中，無法在缺少高精地圖測繪數據的城市落地，而毫末智行“重感知、輕地圖”的路線，直接避開了高精地圖的種種局限，將重心放在車輛本身的感知和決策，沒有高精地圖的場景里也能夠實現高級別的輔助駕駛。

落地時間的早晚、落地場景的寬窄，直接影響著自動駕駛企業的真實路況數據，甚至左右下一賽段的競爭。因為只有大規模前裝輔助駕駛系統，才有能力收集到足夠規模和足夠多樣的數據，進而加速自動駕駛的能力進化。

就像毫末城市NOH之所以能夠領先友商量產交付，原因可以追溯到毫末智行在北京、保定等城市的落地測試。兩個北方重鎮城市均以路況過于復雜著稱，有著其他城市不具備的復雜性和不確定性，積累了大量的真實路況數據，讓毫末智行的自動駕駛系統“學習”到了有價值的經驗。

畢竟左右“老司機”養成速度的，除了足夠多的行駛里程，還有路況的難易。如果每天在人少的鄉間公路上開，車技的進步可能并不明顯。可如果是行人、自行車、機動車來回穿梭，紅綠燈、斑馬線、綠化帶處處可見，有時候一堵就是二三里的城市道路，恐怕很快就會成為“老司機”。

毫末智行“重感知、輕地圖”的路線優勢才剛剛顯現。按照長城汽車的銷量，意味著毫末智行將在短時間內積累海量的真實路況數據，遠非幾十輛測試車可以比擬的，一場有關城市場景的實戰拉力賽即將打響。

可以找到的另一個佐證在于，毫末智行在兩年前就開始研究Attention大模型，為了滿足大模型訓練所需的算力，毫末智行官宣了中國自動駕駛科技公司的首個超算中心，目標是滿足千億參數大模型，訓練數據規模100萬clips，整體訓練成本降低200倍。一旦大模型和海量數據“雙劍合璧”，自動駕駛將全面進入到數據驅動時代，里程數據將在自訓練模式下迅速飆升到1億公里以上。

自動駕駛已經經歷了硬件驅動的1.0時代、軟件驅動的2.0時代，正在走向數據驅動的3.0時代。隨著毫末城市NOH的規模化交付，毫末智行將是國內第一個擺脫測試車進行數據采集，繼特斯拉后第一家進入自動駕駛3.0時代的中國企業。

寫在最后

做一個大膽的判斷，2022年將是中國自動駕駛的分水嶺。

諸如毫末智行等已經具備城市導航輔助駕駛的企業，早已躋身國內自動駕駛的第一梯隊，而那些缺少城市級輔助駕駛能力，或者短期內無法打通城市場景的企業，將不可避免地退居第二梯隊，甚至遠離自動駕駛的話題中心。

因為數據驅動已經加劇了自動駕駛的迭代速度，等待市場上大中小玩家的，將是一場無法避免的降維打擊。

本文系作者授權數英發表，內容為作者獨立觀點，不代表數英立場。
轉載請在文章開頭和結尾顯眼處標注：作者、出處和鏈接。不按規范轉載侵權必究。