毫末AI DAY：自動駕駛新時代的6大挑戰(zhàn)
[汽車之家 行業(yè)] 日前,，第六屆HAOMO AI DAY正式舉辦。據(jù)悉，HAOMO AI DAY品牌日系列活動始于2021年，以季度為周期召開,，用于展示當(dāng)下自動駕駛領(lǐng)域最新趨勢以及毫末智行最新發(fā)展動向。
在活動中,，毫末智行董事長張凱分享了當(dāng)下智能駕駛領(lǐng)域的發(fā)展趨勢,。根據(jù)該企業(yè)提供的數(shù)據(jù),，2022年，中國市場在全球智能汽車份額中所占比例已達(dá)到57%,，滲透率達(dá)到26%,。相比之下,，歐洲所占比例為27%,；美國所占比例為10%。中國市場已呈現(xiàn)絕對領(lǐng)跑之勢,。
而從國內(nèi)數(shù)據(jù)來看,，2020年-2022年6月，是中國市場各品牌高級別輔助駕駛功能搭載的快速攀升時段,，尤其是2022年上半年,，高級別輔助駕駛的前裝搭載率達(dá)到26.64%。據(jù)張凱預(yù)測,，上述數(shù)據(jù)還將快速增長,，預(yù)計到2025年，中國高級別輔助駕駛搭載率超過70%,。
市場繁榮可期,，但競爭也愈發(fā)激烈。一直以來,，自動駕駛領(lǐng)域中都有著“漸進式”與“躍進式”兩種發(fā)展策略,。所謂“漸進式”策略，指的是優(yōu)先量產(chǎn)L2級輔助駕駛,、高級輔助駕駛,，并由此低成本地獲取數(shù)據(jù)，不斷完善,、迭代算法,，最終做到L4、L5級別的自動駕駛,。
“躍進式”策略指跳過L2,、L3，直接一步到位做到L4,、L5級別自動駕駛,。選擇躍進式策略的大都以科技公司為主，比如谷歌旗下的Waymo,，畢竟在不造車的前提下,，這些科技公司也難以找到大規(guī)模量產(chǎn)車為其提供數(shù)據(jù)。
在張凱看來,，兩種策略相比之下,，漸進式才是推動人類實現(xiàn)自動駕駛的最佳路徑,。“首先,，漸進式路線量產(chǎn)時間更早,，能夠更早形成規(guī)模化,。相對躍進式路線,，漸進式更容易獲得足夠數(shù)量的數(shù)據(jù)。其次,，漸進式路線是從用戶真實使用場景中獲得的數(shù)據(jù),，相對躍進式定向采集數(shù)據(jù)方式而言，成本更低,，質(zhì)量更高,。”
而在漸進式策略中,，成功的關(guān)鍵就在于數(shù)據(jù),。背靠長城汽車這種規(guī)模龐大的主機廠，毫末智行的規(guī)�,；涞卮嬖谝欢ǖ乇Ｕ闲�,。為了更好發(fā)揮龐大數(shù)據(jù)優(yōu)勢，對車輛所產(chǎn)生的數(shù)億自動駕駛里程的數(shù)據(jù)進行智能分析,，以支持更大規(guī)模的應(yīng)用,。毫末智行于2021年底發(fā)布了自動駕駛數(shù)據(jù)智能體系——雪湖（MANA）。
據(jù)毫末智行CEO顧維灝表示：“目前用戶使用我們輔助駕駛產(chǎn)品所產(chǎn)生的輔助駕駛里程,，已經(jīng)接近1700萬公里,；我們的數(shù)據(jù)智能體系MANA的學(xué)習(xí)時長已經(jīng)超過了31萬小時，虛擬駕齡達(dá)到4萬年,。末端物流自動配送車也為附近用戶運送了超過9萬單的物資,。數(shù)據(jù)的規(guī)模和多樣性都在快速地增長�,！�
除路線之爭外,，毫末智行也將自動駕駛技術(shù)發(fā)展分為了三個階段：硬件驅(qū)動時代、軟件驅(qū)動時代以及數(shù)據(jù)驅(qū)動時代,。在硬件驅(qū)動時代,，車輛被武裝到牙齒，感知能力的強弱往往取決于誰的激光雷達(dá)數(shù)量多,、線束多,。但由于整體成本高，導(dǎo)致量產(chǎn)車型有限,，自動駕駛里程規(guī)模較少,。
隨著更大算力的中央計算芯片,，自動駕駛也走入了軟件驅(qū)動時代，AI在車上開始廣泛應(yīng)用,。在感知方向,，各個傳感器各自為戰(zhàn)，用一些小模型和少量數(shù)據(jù)做訓(xùn)練,，得到單個傳感器的識別結(jié)果,，然后進行感知結(jié)果級的融合；在認(rèn)知方向,，則依舊以人工規(guī)則為主,。在此階段中,，整體成本逐步下降,，效果則逐漸提升，自動駕駛里程也迅速提升,，達(dá)到上千萬公里,。
如今，自動駕駛領(lǐng)域已開始進入3.0時代——數(shù)據(jù)驅(qū)動時代,�,！皵�(shù)據(jù)驅(qū)動時代，是完全不一樣的時代,，是數(shù)據(jù)自己訓(xùn)練自己的時代,，我們所做的一切的，都是為了能夠做出數(shù)據(jù)通道和計算中心,，以便可以更高效的獲取數(shù)據(jù),，并把數(shù)據(jù)轉(zhuǎn)化為知識。在感知方向,，是用多個傳感器,、不同模態(tài)傳感器的原始數(shù)據(jù)聯(lián)合輸出感知結(jié)果；在認(rèn)知方向,，通過大量人駕數(shù)據(jù)抽取可解釋的場景化駕駛常識,，在配以AI的實時計算，可以更加擬人化的融入社會交通流中,；訓(xùn)練的方式,，也發(fā)生了很多變化，主要是從小模型少數(shù)據(jù),，轉(zhuǎn)成剛才提及的大模型和真正的大數(shù)據(jù),，是那種1億公里以上的輔助駕駛里程所產(chǎn)出的數(shù)據(jù)�,！�
目前,，毫末智行正在加速進入數(shù)據(jù)驅(qū)動時代,，擺在這家企業(yè)面前的則是新時代的六大挑戰(zhàn)。挑戰(zhàn)一是如何在自動駕駛領(lǐng)域應(yīng)用大模型,。對此,，業(yè)界常用的方式是監(jiān)督學(xué)習(xí)。雖然毫末智行擁有自動標(biāo)注的手段,，樣本標(biāo)注的時間成本和金錢成本還是很高,。在顧維灝看來，應(yīng)對這一挑戰(zhàn)的關(guān)鍵還在于能夠直接使用大量無標(biāo)注數(shù)據(jù)的方法,，毫末智行選擇的是將所有的感知任務(wù)backbone都統(tǒng)一,，然后利用無標(biāo)注數(shù)據(jù)先訓(xùn)練好這個統(tǒng)一backbone并鎖定，模型剩余部分再用標(biāo)注樣本來訓(xùn)練,。
挑戰(zhàn)二是存量數(shù)據(jù)規(guī)模巨大的前提下,，如何讓模型能夠?qū)π聢鼍氨３置舾校粫萑肟膳碌倪z忘性災(zāi)難,。為此,，毫末智行構(gòu)造了一個增量式的學(xué)習(xí)訓(xùn)練平臺。在訓(xùn)練過程中抽取部分存量數(shù)據(jù)加上新數(shù)據(jù)組合成一個混合數(shù)據(jù)集,。相比于用全量數(shù)據(jù)再次精細(xì)的訓(xùn)練模型,，毫末智行，在同樣的精度下可以節(jié)省80%以上的算力,，收斂時間也可以提升6倍以上,。
挑戰(zhàn)三是如何使用重感知技術(shù)解決空間理解問題。在顧維灝看來,，城市場景里的道路環(huán)境發(fā)生變化的頻率遠(yuǎn)遠(yuǎn)高于高速場景,，如果把地圖看作一個傳感器的話，那么這個傳感器的置信度是有些問題的,，不知道什么時候什么地方它就會失效,。所以毫末智行選擇了重感知輕地圖的路線，在城市實現(xiàn)導(dǎo)航自動駕駛只用普通導(dǎo)航地圖,，不依賴高精地圖,。
為了提升自動駕駛系統(tǒng)的時空理解能力，毫末智行用時序的transformer模型在BEV空間上做了虛擬實時建圖,，通過這種方式讓感知車道線的輸出更加準(zhǔn)確和穩(wěn)定
挑戰(zhàn)四是如何讓自動駕駛系統(tǒng)能夠使用人類世界的交互接口,。此前，業(yè)界做法是用傳感器感知和算法預(yù)測周圍交通參與者的意圖,。而在城市環(huán)境下,，交通參與者的活動變得更復(fù)雜，預(yù)測的難度加大,。為此,，毫末智行升級車上的感知系統(tǒng),，加入了對車輛信號燈狀態(tài)的專門識別，包括剎車燈和轉(zhuǎn)向燈,。以達(dá)到在前車減速,，周圍車輛切入等場景中開的更安全和更舒適。
挑戰(zhàn)五是如何讓仿真更真實,。在顧維灝看來,，對于仿真，主要有三個層次的工作,。一個是基礎(chǔ)仿真能力,，仿真環(huán)境和運動的基礎(chǔ)能力，主要衡量的是精準(zhǔn)性,；一個構(gòu)建場景的能力,，主要看的效率；另一個定義場景的能力,，主要看有效性,。
以城市路口的場景為例，毫末智行通過與阿里以及相關(guān)部門合作,，利用路端設(shè)備將路口處每時每刻的真實交通流都記錄下來，再通過log2world的方式導(dǎo)入到仿真引擎里面,，加上駕駛員模型之后,，就可以用于路口場景的調(diào)試驗證。
挑戰(zhàn)六是如何讓車運動起來更像人,。毫末智行的做法是對覆蓋海量人駕進行深度理解,，構(gòu)建毫末自動駕駛場景庫，并基于典型場景挖掘海量司機的實際駕駛行為,，構(gòu)建taskpromt,，訓(xùn)練一個基于時空Attention的駕駛決策預(yù)訓(xùn)練大模型，使得自動駕駛決策更像人類實際駕駛行為,，以保證實現(xiàn)自動駕駛決策的可控,、可解釋。（文/汽車之家 陳燦）
加載中
好評理由：
差評理由：