{{detailStore.author.is_follow?'已关注':'关注'}}
原创文章
管理
轻舟智航切换地平线征程 5 寓意为何?
新出行原创 · 文章

近期轻舟智航推出了基于征程5的“轻舟乘风高阶辅助驾驶解决方案”,也就是地平线征程 5 完成“高速+城区”NOA辅助驾驶解决方案。

根据计划,基于地平线征程 5 的 轻舟乘风不只是高速或者城市域的方案,而是支持城市多场景+高速+快速域的点到点辅助驾驶,并且计划在在2023年中达到量产水平。

而轻舟智航与地平线两家科技公司的合作也给行业带来一个新考,轻舟以过去 L4 的身份将整合 L4 技术反哺到 L2 级城市 NoA,而地平线也让轻舟将手里的英伟达平台成功切换为征程 5 ,也成为市场中首个征程 5 落地点到点辅助驾驶的案例,今天我们也探讨双方合作的契机与思路。

一、成本,依旧是成本

如何探讨落地智能驾驶方案,L4 无人车似乎比谁都明白这其中的困点与难点,而轻舟此次取消了过去双 Orin 芯片的方案,而是提供单或者双征程 5 芯片的纯视觉和激光雷达的适配方案,以此打造不同等级的高性价比辅助驾驶解决方案,进一步降低成本。

轻舟智航提出了“双擎”战略,也就是以公开道路 L4 级别自动驾驶能力为“动力引擎”,提升技术能力的深度,而高阶辅助驾驶前装量产则利乘用车规模来拓宽场景应用的宽度。

基于“双擎”战略,轻舟智航可以发挥过去在数据闭环、感知算法以及 PNC 的技术理念,在面向城市公共交通上轻舟智航 Robobus 在苏州、深圳、武汉、北京、无锡、嘉兴等 10 座城市开展测试及运营,在面向主机厂和产业上下游,轻舟智航则注重探索方案的落地,以降维的方式拓展使用范围。

在这个方案中,除了地平线征程 5 还有一个关键信息点,也就是基于一颗激光雷达的城市 NOA ,可在保证安全性的前提下实现更多场景。用低成本的方案实现高阶能力的智能驾驶,这也得益于轻舟过去的三大优势:

第一是轻舟智航在 L4 数据优势积累。 L4 的众多场景实际上与当前 L2 级进入城市场景相类似,背后的研发体系、数据复用成本低,而 L4 的时降维可以提高城市 NOA 的上限,在具备有 L4 级别的工具链同时可不断加速城市 NOA 研发迭代。

第二是 L4 的算法闭环能力更强。因为一开始的目标是朝着无人化的方向,也就是一开始就必须完成数据闭环,在数据以及算法使用上必须更为高效。而轻舟也提到其独特的「超融合」感知方案,也就是时序穿插融合,让各个传感器发挥其价值,并在行业内首次将时序多模态特征融合的大模型( OmniNet )部署在量产平台上。

第三是降维后系统的边界更大。用 L4 的能力降维做 L2 一般会有两种主流方法,第一是通过 L4 团队独立一支 L2 团队,重新规划起步。第二是通过把过去 L4 的方法论变“轻”,把传感器、车载芯片的优化以及算法调整,来满足 L2 级系统的车规级需求,这其中相应的挑战,但能够充分发挥 L4 的算法框架,提高系统的能力边界。

轻舟的 PNC 也是城市 NOA 的超级大脑,这也是轻舟 L4 方案中一个很好的延续,相较于业内常用的时空分离算法,轻舟提出了一种「时空联合规划算法」,在哦城市复杂环境中整车系统的通过性更为流畅,而不像一个新手司机。

二、算法:如何「自上而下」赋能?

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。

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。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。

例如把点云和图像在前融合阶段,这时候对图像本身来讲会有一个深度的增强,反应在BEV下就可以对周围一些物体特征的具体信息提取更加准确,对于图像特征提取会很有帮助。

而走完了前融合,在中融合中便是把特征提取的点云特征和图像特征在BEV空间下进行一次平级融合,这样为了其在后续的多任务、检测、分割等其他任务作准备,可以充分利用点云和图像的特征,以达到一个更好的整合效果。

持续融合实际上就是把上面融合完的特征在时序上进行融合,实际上在进行多任务的时候,它可以充分考虑当前的特征以及历史特征。这样一方面它可以有效增强检测的效果,尤其是在物体被遮挡的情况下。通过历史的一些特征分析以及预测,预估出被遮挡物体的状态,包括速度、方向等。

最后后融合实际上是传统的一种融合方式,它融合了以点云和图像为主,包括也会融合毫米波的特征输入,通过在目标层级上去进行融合,这样可以更好的去对不同的传感器进行一个互补,特别在特殊天气等场景下毫米波的效果会更具备优势。

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。

视频上传成功

「时空分离规划」在面对动态障碍物时,不容易灵活应变。

视频上传成功

采用「时空联合规划」的车辆表现,提前预判对向车辆的轨迹。

但这种前后的计算关系在城市场景中效率并不高,例如我们常见的遇到慢车或者避让事故车时,系统可以根据周围的车流和速度,可以更灵活的选择变道时机,避免「死板」。

三、征程 5 赋能:为什么是地平线?

从 5 月到 11 月份的发布,轻舟智航联合创始人 CTO 侯聪提到这段时间轻舟主要做的事模型适配的工作,同时也得益于地平线开放的态度以及供应链,轻舟也在整个训练的流程做了一些调整。

他共总结了三个点:

首先是地平线的的开放性。轻舟充分利用了地平线提供出来的供应链,训练、量化、部署优化等工具,这样可以迅速实现了过去的所有模型,从以前的平台到地平线征程5平台的一个移植、迭代,并且从性能上满足需求。

同时在服务上,地平线持续提供工具链的培训,可以更有效的使用好征程5芯片。

第二是自身的工程能力。在拿到域控制器的样件以后,轻舟需要在上面去开发,并最后推出方案,这中间考察的是工程化能力。

相比过去的平台,嵌入式的平台尤其是CPU的算力上略有下降,这就需要把以前的整个系统要去做移植和优化,包括大量的一些嵌入式的开发,整个代码上的调整、性能的优化、系统上的一些调优等工作,才能基于征程5芯片的应用上跑起来。

第三,算力并不代表峰值算力。算力不能体现为最终的性能,FPS 指标可以更客观的描述芯片真实的性能,也可以看到大部分的一些常见的模型,在征程 5 上的性能能跑的更优的,其中也有诸多模型结构做适配,同时轻舟也可以按照地平线的参考模型提出建议,重新对轻舟的模型进行了一些调整,最终实现了一个很好的性能。

第四更具备高性价比。推出更高性价比的产品是轻舟转而使用地平线方案的一个重要的考量,性价比是极具有竞争力的,目前客户确实是非常重视整个方案的性价比。

而对于地平线而言,地平线联合创始人 CTO 黄畅则提到,在高端市场中如何与英伟达的产品竞争,还是需要回归到技术本源,也就是将软硬件结合一起充分的联合优化去挖掘硬件的潜能,将其发挥到极致。

“这也使得我们能用 16 纳米的工艺去跟英伟达的 8 纳米的工艺,用更低的功耗,但同样能够交付一个具备竞争力的方案最根本原因。”

在地平线的核心竞争力上,黄畅提到地平线需要具备优势是技术创新,第二才是通过服务形成差异化竞争,第三是生态,生态的核心是在于如何让更多人能够以尽可能合理的方式在一起各施所长,然后共同的为一个目标各司所长。

“现在行业里造轮造的还是有点多,硬件上做轮子是一方面,但是软件上造轮子造的就更多了,我们也希望未来这种情况能够少一点,东西最终会形成一个生态方面的护城河,生态方面的优势。”

可以看到在智能驾驶的合作模式迎来了新的发展,伴随着 L4 公司的降维思路,硬件与软件公司似乎迎来了一个重要拐点。轻舟利用双擎策略构建技术体系,将 L4 所面临的场景复用到 L2 辅助驾驶上,同时也在探索一种更低的成本方案,也就是更为轻激光雷达、轻地图方案,更赢得市场的青睐。

而地平线作为一家 Tier 2 的供应商,征程系列芯片也在不断拓展“朋友圈”的同时,也将服务以及生态系统开放,并且这也是地平线与科技公司的一种全新尝试,相比较主机厂,L4 公司在算法优化、数据闭环以及感知能力上都有更高的门槛,而量产点到点的能力也是地平线征程 5 的一次重要证明。

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