[汽車之家 行業]  日前，第六屆HAOMO AI DAY正式舉辦。據悉，HAOMO AI DAY品牌日系列活動始于2021年，以季度為周期召開，用于展示當下自動駕駛領域最新趨勢以及毫末智行最新發展動向。

　　在活動中，毫末智行董事長張凱分享了當下智能駕駛領域的發展趨勢。根據該企業提供的數據，2022年，中國市場在全球智能汽車份額中所占比例已達到57%，滲透率達到26%。相比之下，歐洲所占比例為27%；美國所占比例為10%。中國市場已呈現絕對領跑之勢。

　　而從國內數據來看，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到26.64%。據張凱預測，上述數據還將快速增長，預計到2025年，中國高級別輔助駕駛搭載率超過70%。

　　市場繁榮可期，但競爭也愈發激烈。一直以來，自動駕駛領域中都有著“漸進式”與“躍進式”兩種發展策略。所謂“漸進式”策略，指的是優先量產L2級輔助駕駛、高級輔助駕駛，并由此低成本地獲取數據，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模量產車為其提供數據。

　　在張凱看來，兩種策略相比之下，漸進式才是推動人類實現自動駕駛的最佳路徑。“首先，漸進式路線量產時間更早，能夠更早形成規�；�。相對躍進式路線，漸進式更容易獲得足夠數量的數據。其次，漸進式路線是從用戶真實使用場景中獲得的數據，相對躍進式定向采集數據方式而言，成本更低，質量更高�！�

　　而在漸進式策略中，成功的關鍵就在于數據。背靠長城汽車這種規模龐大的主機廠，毫末智行的規�；�落地存在一定地保障性。為了更好發揮龐大數據優勢，對車輛所產生的數億自動駕駛里程的數據進行智能分析，以支持更大規模的應用。毫末智行于2021年底發布了自動駕駛數據智能體系——雪湖（MANA）。

　　據毫末智行CEO顧維灝表示：“目前用戶使用我們輔助駕駛產品所產生的輔助駕駛里程，已經接近1700萬公里；我們的數據智能體系MANA的學習時長已經超過了31萬小時，虛擬駕齡達到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。數據的規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發展分為了三個階段：硬件驅動時代、軟件驅動時代以及數據驅動時代。在硬件驅動時代，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數量多、線束多。但由于整體成本高，導致量產車型有限，自動駕駛里程規模較少。

　　隨著更大算力的中央計算芯片，自動駕駛也走入了軟件驅動時代，AI在車上開始廣泛應用。在感知方向，各個傳感器各自為戰，用一些小模型和少量數據做訓練，得到單個傳感器的識別結果，然后進行感知結果級的融合；在認知方向，則依舊以人工規則為主。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，達到上千萬公里。

　　如今，自動駕駛領域已開始進入3.0時代——數據驅動時代。“數據驅動時代，是完全不一樣的時代，是數據自己訓練自己的時代，我們所做的一切的，都是為了能夠做出數據通道和計算中心，以便可以更高效的獲取數據，并把數據轉化為知識。在感知方向，是用多個傳感器、不同模態傳感器的原始數據聯合輸出感知結果；在認知方向，通過大量人駕數據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；訓練的方式，也發生了很多變化，主要是從小模型少數據，轉成剛才提及的大模型和真正的大數據，是那種1億公里以上的輔助駕駛里程所產出的數據�！�

　　目前，毫末智行正在加速進入數據驅動時代，擺在這家企業面前的則是新時代的六大挑戰。挑戰一是如何在自動駕駛領域應用大模型。對此，業界常用的方式是監督學習。雖然毫末智行擁有自動標注的手段，樣本標注的時間成本和金錢成本還是很高。在顧維灝看來，應對這一挑戰的關鍵還在于能夠直接使用大量無標注數據的方法，毫末智行選擇的是將所有的感知任務backbone都統一，然后利用無標注數據先訓練好這個統一backbone并鎖定，模型剩余部分再用標注樣本來訓練。

　　 挑戰二是存量數據規模巨大的前提下，如何讓模型能夠對新場景保持敏感，而不會陷入可怕的遺忘性災難。為此，毫末智行構造了一個增量式的學習訓練平臺。在訓練過程中抽取部分存量數據加上新數據組合成一個混合數據集。相比于用全量數據再次精細的訓練模型，毫末智行，在同樣的精度下可以節省80%以上的算力，收斂時間也可以提升6倍以上。

　　 挑戰三是如何使用重感知技術解決空間理解問題。在顧維灝看來，城市場景里的道路環境發生變化的頻率遠遠高于高速場景，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，在城市實現導航自動駕駛只用普通導航地圖，不依賴高精地圖。

　　為了提升自動駕駛系統的時空理解能力，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確和穩定

　　 挑戰四是如何讓自動駕駛系統能夠使用人類世界的交互接口。此前，業界做法是用傳感器感知和算法預測周圍交通參與者的意圖。而在城市環境下，交通參與者的活動變得更復雜，預測的難度加大。為此，毫末智行升級車上的感知系統，加入了對車輛信號燈狀態的專門識別，包括剎車燈和轉向燈。以達到在前車減速，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。一個是基礎仿真能力，仿真環境和運動的基礎能力，主要衡量的是精準性；一個構建場景的能力，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部門合作，利用路端設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試驗證。

　　 挑戰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，構建taskpromt，訓練一個基于時空Attention的駕駛決策預訓練大模型，使得自動駕駛決策更像人類實際駕駛行為，以保證實現自動駕駛決策的可控、可解釋。（文/汽車之家 陳燦）

查看同類文章：

行業視角

更多精彩內容：

企業/品牌事件

銷量風云榜

預售價

汽車之家行業-大數據 全領域 新視點