0
今天是理想汽車成立8周年的日子，李想在周五發(fā)布了全員信，稱理想汽車2025年的目標(biāo)是做到中國豪華品牌第一，銷量到一年160萬輛。
支撐李想這一判斷的不僅是今年上半年以來不斷攀升的銷量、組織變革的結(jié)果，還有理想汽車在自動駕駛方面超乎預(yù)期的進(jìn)展。
家庭科技日上，理想汽車不僅發(fā)布了智能空間的MindGPT，還公布了智能駕駛的新進(jìn)展。理想稱會在年底多個(gè)城市開放不依賴于高精地圖的城市NOA，以及推出不挑路段的通勤NOA。
關(guān)于這次理想汽車的城市NOA，核心的邏輯是通過和清華研發(fā)的神經(jīng)網(wǎng)絡(luò)NPN、自研的TIN信號燈識別網(wǎng)絡(luò)以及Occupancy（占用網(wǎng)絡(luò)）去彌補(bǔ)原有BEV算法識別的局限。不過，理想汽車和清華只合作了NPN網(wǎng)絡(luò)，對方提供理想研究和小范圍的實(shí)驗(yàn)數(shù)據(jù)，有關(guān)很多工程化部分都是由理想汽車自己的團(tuán)隊(duì)去進(jìn)行落地。
雷峰網(wǎng)體驗(yàn)了早鳥測試版的城市NOA，總體體驗(yàn)超乎預(yù)期，除了出現(xiàn)1次在施工道路的人為接管、1次樹影誤識別以及在道路中心歸控偏保守之外，其他的操作都很流暢，尤其是路口信號燈的識別以及對周邊車輛的預(yù)測上，識別都很精準(zhǔn)。
在高精地圖還沒有變成自動駕駛瓶頸之前，市面上做自動駕駛的路線大概可以分為三種：1）以特斯拉為代表的純視覺、強(qiáng)感知的路線；2）科技公司：視覺+高精地圖；3）視覺+激光雷達(dá)。
以前理想汽車選擇的是利用高精地圖+規(guī)則的方式去做自動駕駛，高精地圖精度、數(shù)據(jù)維度都比較高，能給自動駕駛提供的信息很豐富；作為輔助作用的規(guī)則也可以在限定場景下很好地去解決場景內(nèi)可能存在的情況。
基于高精地圖的這套自動駕駛方案，優(yōu)點(diǎn)是能在短時(shí)間內(nèi)比較快地做到一套基本可用的城市NOA功能，但是這種做法并不可持續(xù)。
暫且先不提制作成本高、更新頻率低、人力耗費(fèi)巨大、高精地圖資質(zhì)收緊（只有拿到甲級測繪資質(zhì)的廠家才能進(jìn)行自動駕駛數(shù)據(jù)采集）等這些客觀層面的因素，采用高精地圖做自動駕駛方案的廠商，在擴(kuò)大城市NOA覆蓋范圍時(shí)會遇到很大的難關(guān)。
國內(nèi)的城市里程包括一級、二級的鄉(xiāng)道、省道、國道基本上能達(dá)到1000萬公里，按照高精地圖的思路，從一、二線城市擴(kuò)大到三、四線及以下的城市用戶都能用得上的話，需要一個(gè)城市接著一個(gè)城市做路測。
傳統(tǒng)高精地圖路測的過程是用搭載一系列高精度傳感器的數(shù)據(jù)采集車在城市里來回開，把收集來的點(diǎn)云數(shù)據(jù)用Slam的做法做數(shù)據(jù)的拼接和配置，配置結(jié)束后會得到一份高精度的點(diǎn)云地圖，點(diǎn)云地圖并不能直接用來做自動駕駛，還需要一個(gè)人類地圖標(biāo)注員把地圖上的每一個(gè)元素進(jìn)行人工標(biāo)注。
理想汽車自動駕駛研發(fā)負(fù)責(zé)人郎咸朋在接受采訪時(shí)說，“如果有一張高精地圖，覆蓋了中國所有的道路，每分鐘就能更新一次，而且還很便宜，1塊錢就能用一天，我肯定會非常贊同使用高精地圖?！?/p>
由于高精地圖的局限性，理想汽車也加入了“去高精度地圖”的大潮。
目前理想所采用的算法路線，簡單來說，也是和特斯拉一樣，即基于Transformer的BEV算法，再加上Occupancy（占用網(wǎng)絡(luò)）去解決感知問題。
BEV算法分為靜態(tài)BEV和動態(tài)BEV算法。靜態(tài)BEV感知的是物理世界里相對靜態(tài)、變化不大的車道線和道路結(jié)構(gòu)；而動態(tài)BEV感知的便是道路上不斷變化的交通參與者，例如人、騎車人，車等物體。
但是靜態(tài)BEV算法在復(fù)雜路口的實(shí)時(shí)感知狀態(tài)由于目標(biāo)很多、傳感器的視野容易被遮擋，導(dǎo)致車端的感知結(jié)果會丟失一部分局部信息而不穩(wěn)定，抖動會比較嚴(yán)重，這樣一來會影響到車輛在復(fù)雜路口的誤判。
為了補(bǔ)足靜態(tài)BEV的感知不足，理想汽車和清華大學(xué)一起研發(fā)了NPN神經(jīng)先驗(yàn)網(wǎng)絡(luò)（Neural Prior Net），這一網(wǎng)絡(luò)處理的就是超出感知范圍或者視野被遮擋的復(fù)雜路口，它提取的道路參數(shù)的結(jié)果，并不是給人看的，而是給后臺的AI司機(jī)看的。
NPN對BEV算法具體補(bǔ)充的過程是，利用大量用戶車隊(duì)在復(fù)雜路口的多次歷史軌跡，提取他們在該路口所做的行為特征，形成特征庫，保存在云端和車端。同時(shí)車端和云端之間可以相互更新，云端的特征庫會跟車端進(jìn)行實(shí)時(shí)的融合，以此還原出更好的展示結(jié)果。
值得一提的是，NPN提取的道路特征對人來說并不可視（即人沒法看懂圖上的這些東西分別代表了什么），只識別車周圍的高精地圖，而非整個(gè)城市的高精度地圖，所以也不涉及地理采集、地理信息等數(shù)據(jù)安全的問題。（不過新智駕獲悉，目前理想汽車內(nèi)部也在積極推動資質(zhì)問題的落地。）
除了靜態(tài)的車道線、道路結(jié)構(gòu)，以及不斷變化的交通參與者之外，還有一些“通用障礙物”，即那些不需要區(qū)分類型但仍然需要避讓的元素。為了解決這類非標(biāo)物體的感知，理想汽車采用的是用Occupancy網(wǎng)絡(luò)去還原障礙物的物理面積，來達(dá)到避讓的作用。
但是解決了道路信息的感知之后，還需要解決信號燈的識別。
識別信號燈的紅綠、位置并不難，難的是去找到信號燈和道路的匹配關(guān)系，即車燈到底對應(yīng)哪個(gè)車道。
以前在依賴高精地圖的時(shí)候，地圖給出足夠詳細(xì)的匹配度之后，駕駛員只需要通過視覺方法去識別自己行駛道路上應(yīng)該對應(yīng)哪個(gè)車道即可。
但是如果道路出現(xiàn)臨時(shí)情況，比如施工等，高精地圖沒有及時(shí)更新的話，依靠高精地圖的自動駕駛的感知就會出現(xiàn)問題。
對此，理想汽車采用了TIN信號燈意圖網(wǎng)絡(luò)去解決這一問題，即利用NPN特征提取大量人類司機(jī)在路口對于信號燈的行為特征，再去告訴車輛應(yīng)該怎么走。
一句話總結(jié)，目前理想汽車的自動駕駛路徑是：
自動駕駛的算法依然是基于Transformer大模型的BEV感知算法，只不過現(xiàn)在這套算法更先進(jìn)了。理想汽車的做法是，用NPN網(wǎng)絡(luò)去規(guī)避掉靜態(tài)BEV算法在復(fù)雜路口的不穩(wěn)定性，用TIN網(wǎng)絡(luò)解決信號燈與道路的匹配關(guān)系，用Occupancy去識別道路上的非標(biāo)且需要避讓的物體（動態(tài)BEV可以識別標(biāo)準(zhǔn)物體）。
在車端訓(xùn)練了模型并不代表可以直接將自動駕駛直接落地到某一個(gè)城市。
在一個(gè)城市做自動駕駛算法的落地，必須要經(jīng)過測試和驗(yàn)證，以保證產(chǎn)品、系統(tǒng)的功能安全和穩(wěn)定。
一般來說，驗(yàn)證有兩種方式，一種是靠路測，另一種便是特斯拉提出的“影子模式”。
影子模式，簡單說，就是通過捕捉、收集每一個(gè)用戶車在實(shí)際駕駛過程中遇到的路況信息，將相關(guān)數(shù)據(jù)回傳以進(jìn)行算法訓(xùn)練。
這個(gè)模式的好處就在于，量產(chǎn)車就等于是數(shù)據(jù)采集車，上路的車輛都可以進(jìn)行模型測試和數(shù)據(jù)采集，一來既可以在短時(shí)間內(nèi)積累海量的自動駕駛行駛里程數(shù)據(jù)，二來也可以讓自動駕駛模型學(xué)習(xí)到真實(shí)人類的駕駛行為習(xí)慣。
今年上海車展，理想汽車發(fā)布雙能戰(zhàn)略的同時(shí)，稱會在年底在100個(gè)城市落地理想的輔助駕駛。業(yè)內(nèi)人士此前對這一目標(biāo)并不抱有希望，說“落地100城，連路測都做不完?！?/p>
雷峰網(wǎng)請教了理想汽車自動駕駛產(chǎn)品總監(jiān)趙哲倫，對方稱“本質(zhì)上還是研發(fā)體系的問題，如果所有落地都得靠路測，不能去做影子模式的驗(yàn)證，算法訓(xùn)練過程如果還有很多人工標(biāo)注的部分，效率會慢很多?！?/p>
理想汽車落地城市NOA的做法是少量的路測加上大量的影子模式。
對于神經(jīng)網(wǎng)絡(luò)算法來說，數(shù)據(jù)就是它的養(yǎng)料，“影子模式”為它提供了源源不斷的養(yǎng)料，去幫助其不斷成長與成熟。影子模式要發(fā)揮最大的作用，核心在于得發(fā)掘、回收數(shù)據(jù)的價(jià)值，即高效、快速正在海量數(shù)據(jù)中有效的調(diào)取標(biāo)準(zhǔn)化數(shù)據(jù)。
在數(shù)據(jù)使用上，有兩個(gè)維度的能力十分重要，一是數(shù)據(jù)閉環(huán)，沒有閉環(huán)，自動駕駛數(shù)據(jù)的有效性就無法得到驗(yàn)證。二是在數(shù)據(jù)閉環(huán)的基礎(chǔ)上，需要實(shí)現(xiàn)數(shù)據(jù)的高效挖掘和運(yùn)轉(zhuǎn)。
理想內(nèi)部在獲取數(shù)據(jù)、處理數(shù)據(jù)以及應(yīng)用數(shù)據(jù)有一套完整的流程，內(nèi)部叫做數(shù)據(jù)閉環(huán)系統(tǒng)，或者說數(shù)據(jù)驅(qū)動系統(tǒng)。
趙哲倫告訴雷峰網(wǎng)，這一套系統(tǒng)在驗(yàn)證影子模式的完整過程是：首先得自動挖掘有用的數(shù)據(jù)，其次便是自動化的標(biāo)注、自動化的訓(xùn)練，再到自動化驗(yàn)證，閉環(huán)驗(yàn)證通過之后才會OTA到車上。
這一數(shù)據(jù)閉環(huán)系統(tǒng)的優(yōu)點(diǎn)是能通過自動化的方式去讓平臺不斷進(jìn)化。
有了數(shù)據(jù)閉環(huán)系統(tǒng)還不夠，還需要有大量的用戶數(shù)據(jù)。此前雷峰網(wǎng)層報(bào)道過，郎咸朋在赴美宣講時(shí)提到，衡量自動駕駛有3個(gè)維度——算法、算力和數(shù)據(jù)，最后拉開差距的是數(shù)據(jù)量。
算法大家基本上follow特斯拉的路線，算力上的差距也不大，已經(jīng)公開的有小鵬（600 PFLOPS）、吉利（810 PFLOPS）、毫末智行（670 PFLOPS），理想在家庭科技日上公布了目前算力在1200 PFLOPS。
在前三個(gè)要素都拉不開差距的情況下，數(shù)據(jù)將成為關(guān)鍵，而這是理想的優(yōu)勢。6月即將進(jìn)入尾聲，理想三周的銷量已經(jīng)達(dá)2.73萬輛，遠(yuǎn)超蔚來（0.8萬輛）、小鵬（0.64萬輛）。
車賣得多，自動駕駛也不收服務(wù)費(fèi)，每一輛賣出去的在路上的跑的理想汽車，都在給理想訓(xùn)練自己的自動駕駛收集足夠多的數(shù)據(jù)。
事實(shí)上，理想汽車在推出現(xiàn)階段的城市NOA之前，上半年才把和清華一起合作的研究方案落地，實(shí)際測試也只花了3個(gè)月。
正是因?yàn)橛辛送暾臄?shù)據(jù)閉環(huán)訓(xùn)練系統(tǒng)以及大量的用戶數(shù)據(jù)，才能讓趙哲倫在回答新智駕的疑問時(shí)有這樣的底氣，“3個(gè)月的測試時(shí)間并不短。”
行業(yè)里，新勢力的自動駕駛研發(fā)之路，理想研發(fā)要比蔚來、小鵬研發(fā)都要晚，朗咸朋在家庭科技日上說，“今年相信大家會對理想汽車的自動駕駛產(chǎn)生改觀?！?/p>
在理想汽車自動駕駛產(chǎn)品總監(jiān)趙哲倫看來，后發(fā)并不等于落后，后發(fā)有后發(fā)的優(yōu)勢，“拿AD（自動駕駛）來舉例子，當(dāng)AD本身的整體架構(gòu)性還沒有那么成熟的時(shí)候，這個(gè)時(shí)候做大量的投入會被浪費(fèi)掉。后發(fā)因?yàn)檎覍α朔较?，可以省去大部分探索的時(shí)間?！?/p>
這點(diǎn)可以從另一個(gè)側(cè)面得到印證。
特斯拉是自動駕駛研發(fā)的前驅(qū)，在發(fā)現(xiàn)算法并不能達(dá)到理想結(jié)果的時(shí)候，自己重寫了一遍算法。在特斯拉之后，包括小鵬、理想和蔚來在內(nèi)的車企以及華為等自動駕駛方案提供商，都對自己的算法架構(gòu)進(jìn)行了重寫，且都采用了特斯拉Transformer+BEV+Occupancy的算法路徑。且由于后發(fā)優(yōu)勢，蔚小理三家架構(gòu)重寫的時(shí)間都要比特斯拉短。
不過，理想汽車自研的TIN信號燈網(wǎng)絡(luò)也有一定的風(fēng)險(xiǎn)。
傳統(tǒng)的感知算法是用數(shù)學(xué)的方法去做，采用的是一種叫做卡爾曼濾波的融合算法，就是這種算法把衛(wèi)星送上了天、完成了火箭的發(fā)射，是一種比較穩(wěn)定、可靠的算法。它的弊端就在于，如果事物不符合高斯分布（所有帶有誤差的東西就是帶有隨機(jī)性的東西，產(chǎn)生的誤差都是一條弧線，而且這個(gè)弧線是對稱的），它就會失效，表現(xiàn)在自動駕駛上，就會出現(xiàn)非常多的corner case（小概率事件）。
人類寄希望于大模型去解決所有的corner case，但大模型也有弊端。作為一種端到端的大模型，TIN信號網(wǎng)絡(luò)也不例外。
人工智能有典型的三層架構(gòu)，即輸入層、輸出層和中間層，幾十年前因?yàn)樗懔Σ蛔悖虚g層只能構(gòu)建一到兩層；而現(xiàn)在中間層已經(jīng)發(fā)展成為無數(shù)層級。深度學(xué)習(xí)的方法是給輸入層喂海量的數(shù)據(jù)，同時(shí)給輸出層去喂正確的答案，中間層不斷調(diào)整參數(shù)，以使得輸出結(jié)果和正確答案無數(shù)接近。
一位自動駕駛專家告訴雷峰網(wǎng)，“端到端的模型本身是一個(gè)無法解釋的黑盒子，模型內(nèi)部怎么運(yùn)作的人并不知道，只有通過不停地給它喂數(shù)據(jù)，寄希望于有一天模型成長得比卡爾曼濾波（傳統(tǒng)的感知算法）更強(qiáng)。”
而理想汽車這里提到的TIN網(wǎng)絡(luò)，它不僅涉及感知（感知到路口信號燈的變化），也涉及規(guī)控（根據(jù)實(shí)時(shí)感知到的情況告訴車輛往哪走），但因?yàn)樗嵌说蕉说拇竽Ｐ?，無法保證對未知的物體一定適用，也無法保證對某一個(gè)具體的問題做定向的修正。黑盒的整個(gè)決策過程不可推導(dǎo)也不可細(xì)分，一旦出現(xiàn)問題，研發(fā)人員并不能找出問題的存在。
在《當(dāng)我們在談?wù)摱说蕉俗詣玉{駛時(shí)，我們在談?wù)撌裁?？》一文中有提到一般情況下輔助駕駛出現(xiàn)bug的改進(jìn)過程：
假設(shè)出現(xiàn)了一次誤剎，經(jīng)典的自動駕駛技術(shù)棧會分析：剎車指令的來源，是前方動態(tài)障礙物還是靜態(tài)物體？或者是規(guī)劃模塊的速度規(guī)劃出現(xiàn)了問題？或者是在控制模塊在輸出正確的情況下，控制指令出現(xiàn)了問題？
分析之后，就會對具體出現(xiàn)問題的部分進(jìn)行定向優(yōu)化。
但是端到端的模型就只能通過喂大量的數(shù)據(jù)，幫助它更好地做出符合目標(biāo)的決策，找不到是在哪個(gè)環(huán)節(jié)上進(jìn)行優(yōu)化改進(jìn)以及具體應(yīng)該提供哪些數(shù)據(jù)進(jìn)行定向優(yōu)化。
不過，依然不能否認(rèn)理想汽車在這件事情上的開辟作用。拿著剛研發(fā)的結(jié)果去落地，不確定性很強(qiáng)，不少人會覺得理想汽車的做法很激進(jìn)。
一位業(yè)內(nèi)人士告訴雷峰網(wǎng)(公眾號：雷峰網(wǎng))，選擇把學(xué)術(shù)上一些前沿的技術(shù)方案進(jìn)行工程化落地，本身就需要勇氣。理想的做法很像特斯拉，“特斯拉最牛的一點(diǎn)就是能用最快的速度把學(xué)術(shù)研究成果進(jìn)行工業(yè)化驗(yàn)證和落地，讓其價(jià)值發(fā)揮出來，即使最后代價(jià)會比較大?！?/p>
相關(guān)文章：
獨(dú)家丨理想硅谷宣講會實(shí)錄：范皓宇、張驍、郎咸朋、勾曉菲都講了啥？
獨(dú)家｜理想汽車規(guī)劃提升常州工廠產(chǎn)能，原重慶基地投產(chǎn)計(jì)劃已停止
獨(dú)家｜理想汽車智算中心進(jìn)展：牽手火山引擎，定址山西，預(yù)計(jì)三季度建設(shè)完成
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
