{{detailStore.author.is_follow?'已关注':'关注'}}
原创文章
管理
L4 公司做城市NoA?解读轻舟智航转型思路
新出行原创 · 文章

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。

视频上传成功

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。

写评论
积分赞赏
点赞
评论区
  • 编辑
  • {{is_favourite ? '已收藏' : '收藏'}}
  • {{is_personal_top ? '取消主页置顶' : '个人主页置顶'}}
  • 举报
  • 加入黑名单
  • 删除
  • 取消置顶
  • 置顶推荐
    • 6小时
    • 12小时
    • 24小时
    • 3天
    • 一周
    • 长期
  • {{digest?'撤销精华':'设为精华'}}
回到顶部
  • 全部评论{{detailStore.commentnum}} 条
  • 只看作者
  • 最热
  • 最新
  • 最早

「待审核」

{{ comment.relativeTime }} 已被赞赏 {{comment.integral}} 积分 回复

暂无相关评论

发表一下个人看法吧