欢迎来到搜虎网

汽车之家行业:智能化能力的强弱将直接决定车企竞争上限

编辑:搜虎网      来源:搜虎网      汽车   自动驾驶   无人驾驶

2023-07-17 06:29:17 

汽车之家产业】智能化、电动化带来的全球汽车产业大变革已初见成效。 在这一轮变革中,技术快速迭代,消费者需求也发生显着变化,甚至在我国形成了“无智能、无电力”的独特现象。 如果审视智能和电动两个标签,后者相对较低的门槛是我国绕过传统壁垒实现竞争的根源,而前者则是“变道超车”差异化竞争的重要依托。

也就是说,在后续的进一步变革中,智能化能力的强弱将直接决定车企竞争的上限。 当今智能座舱的发展可谓日新月异。 大屏、车外语音、手势控制等新配置/功能不断涌现。 在智能驾驶领域,大家的参与度越来越高。

用减法思路破解生鲜宅配难题_高考物理难题破解策略_

事实上,想要实现真正的自动驾驶,无非有两条路:第一是自上而下,直接定位到L4\\L5级无人驾驶,然后逐步下放配置和能力,从而实现低成本解决一些无人场景; 第二种是现在整车厂普遍采用的形式,自下而上,量产低层次的智能驾驶,通过其环节产生的大量数据不断迭代技术,进化到更高层次。 在这条路线中,能否量产是最关键的环节。

汽车之家研究院发布的《洞察中国智能汽车发展趋势》报告显示,2022年,主动制动、车道保持辅助系统、自适应巡航系统等代表性L2智能驾驶功能的市场渗透率将快速成长。 就连此前稍显保守的海外品牌,也将上述部分功能视为新车的标配。

_用减法思路破解生鲜宅配难题_高考物理难题破解策略

但在真正考验“L2+”智能驾驶能力的领域,比如城市NOA(城市领域的高端智能驾驶辅助系统,不同车企的叫法不同),能做到的人少之又少。突破。 大部分宣布城市NOA功能的公司要么是尚未兑现的“未来”,要么是通过内测、早鸟等形式推送的,距离真正的量产还有一段距离。 自动驾驶领域下半年竞争的开始,也隐藏在上述量产问题之中。

★路线战:从【重】地图到【轻】地图

从目前来看,有能力涉足城市NOA领域的球员不在少数。 走自下而上路线的企业有好魔智行、蔚来、理想、小鹏、极读等; 走自上而下路线的公司包括百度、青州智航、小马智行等。 但从投放时间和推广规模来看,这些车企的城市NOA大多集中在广州、深圳、上海三个城市。

用减法思路破解生鲜宅配难题__高考物理难题破解策略

以小鹏为例,2022年9月,小鹏城市NGP智能导航辅助驾驶将在广州正式启动试点。 第一批推送的用户是从广州地区提交过智能辅助驾驶建议的P5车主中随机抽取的,且必须有初期体验。 “新手模式”——即在符合条件的部分路段使用城市NGP 100公里以上,7天以上即可解锁所有路段。 经过一段时间,该功能在深圳和上海逐渐开放。

曾在某上海车展前夕凭借“自动驾驶”视频火遍全网的极虎,虽然在2022年5月交付了极虎Alpha S HI版,但并没有在2022年启动城市NCA功能测试。深圳至九月。 然后扩展到上海。

早期城市NOA之所以集中在广州、深圳、上海,是因为上述三大城市是我国首批发放高精度地图城市试点牌照的城市。 与高速领域不同,城市领域高端智能驾驶面临的复杂路况呈指数级增长,如信号灯变化、潮汐变道、路面行人轨迹预测、非机动车等轨迹预测……所有这些场景对于企业软硬件来说都非常重要。 综合能力要求极高。 数据显示,小鹏城市NGP感知模型数量达到高速NGP的4倍,与预测/规划/控制相关的代码量增加到88倍,可见其复杂程度。

_用减法思路破解生鲜宅配难题_高考物理难题破解策略

面对上述复杂场景,在软硬件综合能力不是那么强的情况下,绝对精度和相对精度都在1米以内,其中包含道路类型、曲率、车道线位置等道路信息如路边基础设施、障碍物、交通标志等环境物体信息,以及交通流量、红绿灯状态信息等实时动态信息,高精度、高新鲜度、高丰富高精度地图成为车企快速推出城市NOA的“捷径”。

但一切都有两个方面。 高精地图的局限性以及资质获取难度也成为制约车企NOA快速量产的关键原因。 在2023中国汽车论坛上,重庆长安汽车有限公司首席专家李伟曾分析“重地图”车型的弊端。 他认为这种模式是增量投资。 虽然前期高速+小量的城市数据采购成本并不高,但随着后期城市规模的扩大,采购成本将会急剧增加。 不仅如此,还长期面临地图新鲜度不足、覆盖范围不足的问题,这必然导致智能驾驶系统鲁棒性较差。

用减法思路破解生鲜宅配难题__高考物理难题破解策略

_高考物理难题破解策略_用减法思路破解生鲜宅配难题

《高精度地图示意图》

至于其长期成本有多高,华为常务董事、终端BG首席执行官、智能汽车解决方案BU首席执行官余承东曾举个例子:“只是采集一两个上海的高精度地图几年、9000公里并没有攻克上海全覆盖,而且从国家安全的角度来说,刷新只允许几个月,但中国的道路每天都在变化,依靠高清地图确实无法广泛应用。 ” 正因为如此,业界逐渐达成了共识——去映射或许是快速实现城市NGP量产的唯一途径。

_高考物理难题破解策略_用减法思路破解生鲜宅配难题

在行业内,陌陌智行无疑是第一批打出“重视感知”招牌的企业。 早在2022年,陌陌智行就正式宣布推出搭载HPilot 3.0系统的量产车型,可实现城市NOH领航辅助功能; 今年4月,第八届陌陌AI DAY上,该公司宣布了新的“航母”——蔚来新摩卡DHT-PHEV和蔚来蓝山。按照目前的规划,陌陌智行的城市NOH功能将率先上线。在北京、上海、保定等城市实施。

高考物理难题破解策略__用减法思路破解生鲜宅配难题

“请点击图片查看清晰内容”

除了陌陌之外,小鹏、华为等此前依赖高精度地图的企业也开始进行“再感知”进化。 其中,小鹏的XNGP已完成无地图测试,预计年底扩展到50个城市; 余承东宣布,华为不依赖高精度地图的城市NCA将于第三季度在15个城市落地,到第四季度还会增加。 到45个城市。 就连地图巨头百度也已经在向重感知解决方案靠拢,其ANP3.0系统已经采用了“BEV环视3D感知”技术作为安全冗余。

用减法思路破解生鲜宅配难题__高考物理难题破解策略

★技术之战:【数据能力】是门槛

根据西部证券发布的预测,未来城市的NOA将是一块大蛋糕,2023-2025年其车型数量可能达到11.9万辆、67.6万辆、243.6万辆。 但想要多吃这块蛋糕,可不仅仅是确定路线那么简单。

_用减法思路破解生鲜宅配难题_高考物理难题破解策略

当没有或不需要依赖高精度地图时,比如处理传感器识别的数据,并利用其实现更大规模的城市概括,适应不同城市“杂乱”的路况和场景。 以识别红绿灯来控制汽车、注意红绿灯这个最基本的功能为例,这对某些人来说可能看起来很基本。 我国不同城市的交通灯规格不一样,有三排灯的,有五排灯的,有的是横式的,有的是竖式的……抛开算法,为了满足以上场景,收集的数据规模将与之前相同。 指数增长。

在这个数据规模下,像以前那样依赖CNN卷积神经网络训练模型似乎已经不适用了。 对此,率先提出摆脱高精度地图甚至取消激光雷达,采用纯视觉解决方案的特斯拉,为大家开了个好头,开始用Transformer大模型替代CNN,采取了其优点是结构简单,基本单元可无限堆叠。 得到大量参数的特性来改进。

与CNN相比,Transformer的数据量越大,效果越好。 研究表明,当训练数据集增加到包含 1 亿张图像时,T​​ransformer 的性能开始超过 CNN。 而当图像数量增加到10亿张时,两者的性能差距就变得更大。

在中国,陌陌智行是第一家推出Transformer模型的自动驾驶公司。 虽然从时间上来说没有特斯拉早,但陌陌智行的创新之处在于与Transformer进行了时间和空间的预先融合。

_用减法思路破解生鲜宅配难题_高考物理难题破解策略

例如,面对一段正常的道路,人眼看到的是双向四车道,是连续的视觉图像,但摄像头的识别并不是连贯的,而是一帧一帧的图片。 假设车向左5厘米,人识别的信息正常,可以调直。 原方案下,摄像头识别比较复杂。 也许路本身就是“弯的”。 如果没有高精度地图进行修正,系统可能会变得“干”,无法有效拼接。

而最终的方法是利用Transformer做时间和空间上的预融合,即通过大模型的attention特征,提取不同图片像素之间的相关性,利用其特征向量进行预融合,并然后利用神经网络进行目标预测。 这不仅可以解决多角度摄像头无法拼接出“上帝视角”的问题,甚至可以融合激光雷达数据来补充视觉效果。

对此,陌陌智行技术总监Pershing曾以城市领域最容易出现的车道线场景为例。 他表示,与高速场景不同,城市道路的车道线极其复杂。 有些地方已经被磨掉了,有些地方可能会重新粉刷,但旧的车道线还没有完全铲除。 在这种场景下,Transformer大模型的注意力机制可以很好地解决问题。

_高考物理难题破解策略_用减法思路破解生鲜宅配难题

值得注意的是,NOA在城市领域面临的类似场景还有很多。 例如,在复杂的路口有多个红灯,车辆应该走哪个灯? 如果你要解决这样上万个场景,你就得识别很多数据,做很多标注,模拟很多场景,做很多学习,做很多调整,写很多东西规则...

如何解决上述“金额大”? 用陌陌智行CEO顾伟豪的话说,这个行业已经从事了20年,每一项预测、规划、决策、控制都被分解成一个个小任务,而且还没有在短时间内完成。 20年。 直到GPT(Generative Pre-trained Transformer)技术开始应用。

今年4月11日,陌陌智行正式发布自动驾驶大规模生成模型DriveGPT。 对于驾驶场景,以感知融合后的文本序列作为输入,以自动驾驶场景的文本序列作为输出,对自动驾驶场景进行分词,形成“驾驶语言”,最终完成决策控制、障碍物预测、自车输出等任务的决策逻辑链。 通俗地说,上述所有小任务都归结为两项大任务,一是感知,二是认知。

_高考物理难题破解策略_用减法思路破解生鲜宅配难题

此外,陌陌智行还开始与生态合作伙伴一起探索智能驾驶、驾驶场景识别、驾驶行为验证、困难场景逃生四大应用能力。 例如在场景识别方面,DriveGPT单针图像的整体标注成本仅相当于业界的1/10。 该技术向行业开放使用,将大大降低行业使用数据的成本,从而促进自动驾驶技术的发展。

陌陌可以逐步将DriveGPT应用到城市NOH、捷径推荐、智能陪练、逃生场景中。 DriveGPT的加入可以让车辆的行驶更加安全,调控动作更加人性化、更加流畅,并且有合理的逻辑告诉驾驶员车辆为什么选择这样的决策动作。

而这就是陌陌给出的图像去除方案,非常考验数据处理能力。 而这种处理能力,再加上自动驾驶的数据量——即谁先量产汽车,通过量产汽车收集更多的数据并进行处理,最终实现滚雪球式的技术迭代。 这就是城市 NOA 函数的阈值所在。

写在最后:

高精地图成本高、采集困难、新鲜度差,依赖大量基础设施的车路协同解决方案的实施难度比高精地图还要大。 在此前提下,想要量产城市NOA并实现正循环,确实不是一件容易的事。

陌陌智行董事长张凯表示,公司之所以能够快速实现量产,无非就是几个闭环:用户需求闭环——不断分析驾驶场景数据改进策略,反馈新功能经验; 研发效率闭环——将数据驱动理念融入到产品需求定义、感知认知算法开发等产品开发流程中,提升整体开发效率; 数据积累闭环——在车端部署诊断服务数据场景标签,覆盖92%的驾驶场景; 数据价值闭环——大模型持续挖掘数据价值解决关键问题; 产品自我完善闭环——实现售后问题处理速度较传统方式提升十倍,实现最快10分钟即可定位售后问题; 业务工程闭环——进一步完善产品研发从采集回流、标注培训、系统标定、仿真验证等环节到最终OTA发布环节的闭环工程流程。 上述闭环光看就已经相当复杂,实现起来更是困难重重。 这样的门槛,其实筛选掉了很多玩家。

_高考物理难题破解策略_用减法思路破解生鲜宅配难题

对此,即使体量(仅指智能汽车)如特斯拉那么大,也有必要通过向其他车企开放FSD来进一步扩大数据采集能力。 对此,依托长城逐步扩大朋友圈的陌陌智行,以及为众多整车厂提供解决方案的华为似乎也具备一定的规模优势。 相信在这样的挑战下,苦苦挣扎于“灵魂论”的主机厂将会越来越少。 毕竟,在自动驾驶下半场竞争紧迫的环境下,这样的数据量和技术能力并不是靠自研和收购就能解决的。 向上。 (文/汽车之家陈灿)

查看类似文章:

搜虎网转载此文目的在于传递更多信息,不代表本网的观点和立场。文章内容仅供参考,不构成投资建议。投资者据此操作,风险自担。

发表我的评论 共有条评论
    名字:
全部评论