轻舟智航（QCraft）在首届「技术工坊」中首次对外公布了轻舟全新的商业模式与技术分享。

从底层的 PNC 架构到超融合的感知方案，从整合 L4 技术反哺到 L2 级城市 NoA，并且公布了自动驾驶解决方案品牌Driven-by-QCraft 的中文名“乘风”。

作为轻舟智航的一次加速转型，又会有哪些看点呢？

一、一颗激光雷达，实现城区 NoA ？

相比 L4 公司寻找运营公司合作不同，轻舟此次的方向性明确，也就是锁定面向大规模量产的乘用车市场，同时是面对领航辅助驾驶。

轻舟对智能辅助驾驶解决方案共划分了三个定义：

• 最低阶的入门功能是实现基础的高速 NoA；
• 高阶版本是实现高速 NoA 下，实现部分城市 NoA 的点到点智能驾驶；
• 基于此不断扩大功能的使用边界，也就是系统的 ODD 使用范围。

不同版本在硬件上有不同差异，从基于纯视觉低算力平台的低配方案，然后在带激光雷达，搭载双 Orin或双地平线征程 5 计算平台的高配方案。

当然不同的传感器数量也可以根据车企不同的技术路线做不同选择，此次一个激光雷实现城市 NoA 也成为此次两点，当然不同版本也可以不同激光雷达，例如旗舰版本为三个。

轻舟为何在现阶段有一个新的转型思考呢？

目前大家都知道数据是驱动自动驾驶发展的核心，但如何驱动却有很大的争议。

比如 Robotaxi  运营商，它们利用多种高端传感器的自测车以及高阶算法，在「特定区域内」进行商业化运行，对各类场景做「针对性」的收集与仿真训练，但短期内依旧无法实现真正但无人化。

另一派为车企，它们有大规模车队，用户在各大开放道路中跑，数据量庞大，但定向收集以及存储难度高。

而作为无人驾驶解决方案出身的轻舟，则想通过 L4 数据积累以及工具链，采用和车企合作，通过车企的车队数据驱动来反哺城市 NoA 的技术演进，伴随着激光雷达、大算力芯片等实现前装量产，让这一商业模式逐步成为可能。

在今年 5 月，轻舟也公布了一套「双擎」战略，也就是基于公开道路的 L4 的能力与面向前装市场的两条腿走路，双方技术与数据共享。

这样的技术路线更像 Momenta的“飞轮”策略，实现L4就必须要有海量的数据，所以通过一条腿定义 L2 级定位的智能驾驶产品，以低成本获取海量数据，以另一条腿奔L4自动驾驶系统，以此反哺给量产产品。

那轻舟会应用哪些算法优势？又会带来哪些实际作用？

二、「超融合」感知方案是最佳亮点

感知就像是驾驶者的眼睛，也是实现城市 NOA 的重要基础，轻舟此次提出了“超融合”感知方案。

「超融合」指的是基于量产的计算平台上实现一个多传感器融合的大模型，这个大模型称为 OmniNet，也就是通过一个神经网络来实现视觉、激光雷达、毫米波雷达在 BEV 空间和图像空间上输出多任务结果。

会带来哪些优势？

目前市场中主流的融合方案包括前融合（数据级融合）、中融合（特征级融合）和后融合（目标级融合）三种。

不同融合方案也各有优劣，前融合就像把多个传感器融合成一个超级传感器，可以实现更高质量的融合效果，但对于不同传感器的时间同步和空间标定要求苛刻。

而后融合通过各个传感器对目标物进行感知，后融合后输出后已经是一个结果，所以后融合也被称为决策级融合，虽然各个传感器因为属性独立，但需要依赖工程人员编写基于经验的规则，同时需要大量的仿真、实车测试结果。

OmniNet 则采用“穿插融合”，也就在在前、中融合阶段，OmniNet 利用神经网络模型先多传感器的数据进行数据级的前融合，同时在 BEV 中进行空间融合，而 OmniNet 输出的多任务结果在后融合阶段可相互补充，互相验证。

数据级融合就像是指挥官，它汇总了各个传感器「眼观六路」下收集来的各种信息。

BEV 空间融合则为指挥官提供了一个上帝视角，也就是不再像过去新手倒车一样，只依赖后视镜或者某个独立视角，而是把它集成在全景 360 影像中，同时这个视角也像一个“记忆”大脑，能让指挥官了解路面上信息的前后关系，懂得“联想”甚至“想象”。

基于这两者模型能够在不同阶段利用不同传感器信息，更好的发挥各个传感器的优势，避免某些传感器在部分场景中“失效”。

穿插融合就像是一个精良的部队，它们各司其职，但分工明确，能够在每场战役中就能提前进行规划谋略，再根据具体的情况制作策略，既发挥每个部队的最佳能力，也确保没有遗漏。

而有了“想象空间”，系统则可以为下游的规划提供一个好的预测，有一个好的预测则是做好规划的前提。

在预测上，轻舟提供了 10 秒级的意图和轨迹预测方案，同时主模型可同时支持预测 256 个目标，推理时间小于 20 毫秒，例如在识别 cutin 意图中，系统可以提前预测到车辆的切入行为。

而在规划上，轻舟此次提出了「 时空联合规划 」算法。

过去我们大部分规划算法是把路径规划和速度规划独立成两个板块，路径规划就像是铺轨道，让火车在轨道上行驶，随后在铁轨上再计算实时的速度，最后再获得行驶轨迹。

而联合规划也就是直接在“轨道”的平面空间加上时间维度，直接得出最佳轨迹路线。

联合规划最显著的提升是提高通行效率，车辆可以根据周围的车流和速度，可以更灵活的选择变道时机，另外在遇到逆行、静止障碍物等场景时，可以提前把握最佳变道时机，让避让策略更为灵活，避免「死板」。

三、发布解决方案 品牌名「轻舟乘风」

2020年，轻舟智航推出了第一代城市复杂交通场景的自动驾驶解决方案「Driven-by-QCraft」，适应于城市公开道路上的多种复杂路况，而在今年 Driven-by-QCraft 方案正式命名为轻舟乘风。

它涵盖了包括软件、硬件和数据闭环等多个项目集成，通过在 L4 级自动驾驶领域的数据和工具链积累，可以降维在城市 NoA 中进行迭代。

例如在城市中常见的特定行为行人的识别，全国各地不同形态红绿灯的识别等。而针对目前大家常提及的「 重感知，轻地图 」的方案，也就是没有高精地图的情况。

轻舟也回应道，地图更新维护成本高，同时受限于法律法规，终极的方案应该是尽量摆脱对地图的依赖，通过感知的方式对场景进行一个环境的认知，来解决这个问题，但目前地图本身确实仍具备价值。

轻舟则利用自动化标注工具，可以通过高精地图的优化大规模生成车道线的自动标注数据，在路口、匝道、坡道等场景，能检测到行驶车道线。对于城市中各种静态的交通设施，轻舟采用自监督学习方式，可在未标注数据基础上快速学习物体特征，确保安全。

而关于城市 NoA 的体验，我们也会在轻舟正式亮相后的车型中为大家带来实测体验。