融資難以爲繼、商業化落地前景不樂觀、技術突破依然有難度的境況下，押注Robotaxi、純無人駕駛路线的企業已經遭遇明顯的發展瓶頸。越來越多L4 自動駕駛公司被迫加入智能輔助駕駛賽道，以盡快實現自我造血。

輕舟智航就是其中之一。

去年5月，輕舟智航公布了“雙擎”战略：以自動駕駛能力以及研發體系打造“動力引擎”，驅動城市交通出行效率提升；以高性價比的前裝量產的高階輔助駕駛方案打造“創新引擎”，爲廣大車企、Tier1以及產業合作夥伴提供“基於數據、成於感知，用最強PNC引領高速+城市NOA新高度”的高階輔助駕駛方案。

不過除了盡快實現商業化落地，對於輕舟智航來說，從L4降維至L2也是實現無人駕駛的另一個路徑。

輕舟智航技術合夥人李棟近期在接受《出行範兒》採訪時表示，通過城市 NOA 在廣泛場景特別是不常見到的場景中不斷地去累積數據，迭代算法，從而將技術持續提升，爲實現無人駕駛提供助力。

在輕舟智航內部已經達成一個共識，城市 NOA 是輔助駕駛的天花板，更是無人駕駛的入門門檻，是通往無人駕駛目標的必經之路。

在以“5G大時代，勇闖無人區”爲主題的2023世界智能駕駛峰會上，李棟分享了輕舟智航的技術路线以及思考。

01

城市NOA，一顆激光雷達就夠了

針對自動駕駛方案的落地，輕舟智航一直秉承“不堆料”，根據主機廠的量產需要配置多種方案，通過10%的成本實現99%的L4能力。

在硬件選擇上，李棟認爲，現階段特別是在中國復雜的城市道路路況下，激光雷達還是有必要的，可以更好地識別障礙物和場景，但“一顆就夠了”。

輕舟智航的城市NOA方案，通過一顆前向120度激光雷達以及11個攝像頭、5個毫米波雷達，再結合BEV算法就能實現很好的效果。

李棟在接受《出行範兒》採訪時表示，多顆激光雷達盡管能帶來更好的感知效果，但差距越來越小，對芯片的算力、算法要求也更高，所以多顆激光雷達的性價比也會越來越低。

通過一顆激光雷達，以更低邊際成本獲得極高的邊際收益，這主要得益於輕舟智航的超融合感知能力。

主流的融合方案包括前融合（數據級融合）、中融合（特徵級融合）和後融合（目標級融合）三種。輕舟智航的“超融合”感知方案，應用於前中融合階段，首次將時序多模態特徵融合的大模型 (OmniNet) 部署在量產平台上，以一個神經網絡即可實現視覺、激光雷達、毫米波雷達在 BEV（Bird’s Eye View）空間和圖像空間上輸出多任務結果。

OmniNet 取名自 omnipotent，象徵“無所不能的感知融合能力”，作爲輕舟智航的感知主模型，具備完成感知所有核心任務的能力。

相較傳統方案，OmniNet可提供更豐富且准確的環境感知結果，在實際應用中可節省2/3 的算力資源，滿足車規級芯片應用需求，並可低成本適配不同車型不同等級的傳感器配置，通過數據驅動解決實際道路面臨的長尾問題，更好地滿足城市NOA的量產需求。

OmniNet模型架構

通過OmniNet在內的感知算法能力，輕舟智航可讓激光雷達“物盡其用”，實現了行業領先的通用障礙物識別能力和噪聲過濾能力。其不僅可以有效識別車輛、人群、植被、護欄、錐桶、小動物、施工區域等常見的道路交通參與元素，還包括各類陌生或長尾罕見的異形障礙物，更好應對城市中出現的長尾問題。逐層遞進的噪聲過濾方案，還能夠最大限度地排除雨霧、泛光等噪聲對感知的幹擾，充分提高安全性。

即使前向120度的激光雷達看不到後方，但通過時序和空間融合算法，在行駛過程中，前向激光雷達掃過的區域會在系統時刻進行記憶，並在車往前行進後將記憶區域的點雲數據，與側向後向的純視覺信息進行補充和融合，從而保證對前後向區域的充分認知。

此外，120度激光雷達足以處理絕大部分自車需要關心的復雜場景。在行駛過程中，道路上最容易幹擾自車行駛的是前向靜態物體和低速物體，也就是說潛在交互場景主要出現在自車正前及側前方。而倒車場景一般在較低速道路或停車場，自車和其他交通參與者速度都不高，無需依賴激光雷達也可以完成基本倒車場景功能。

02

時空聯合算法

評價一款高階智能駕駛產品是否好用，一個簡單的標准就是應對各種復雜場景的能力，比如進出匝道、無保護左轉等場景，非常考驗智能駕駛對時機的把握、車輛的博弈以及行車效率。

不同於業界傳統的做法，輕舟智航迎難而上選擇了業界公認的效果更優的時空聯合算法，以空間和時間復合的視角看待和解決自動駕駛的各類問題。

據李棟介紹，“時空聯合規劃算法”可以直接在空間和時間構成的三維空間中求解最優軌跡，如同能夠同時控制車輛方向和速度的老司機，可靈活應對國內的各種復雜路況。

時空分離規劃算法

時空聯合規劃算法

相較之下，業界普遍採用的“時空分離規劃”會將軌跡規劃拆分爲路徑規劃和速度規劃兩個問題，無法同時計算路徑和速度，刻板不靈活。不僅如此，“時空分離規劃”的研發非常依賴手寫規則和大量路測，而“時空聯合規劃”只需極少手寫規則，人效更高，且更適宜利用人類駕駛數據通過機器學習不斷提高算法效率。

在實際行駛過程中，當車輛面臨動態障礙物的交互時，“時空聯合規劃”可以讓車輛提前把握最好時機選出最佳行車軌跡，更流暢地完成車輛間的博弈，而不會出現反復急剎的情況。在多車道行駛時，車輛還可以通過判斷前方車流量和車速，靈活地變道選擇更快的路线，而不會“死板地”跟車緩行。

李棟在接受《出行範兒》採訪時表示，時空聯合算法帶來的一大好處是，自動駕駛的表現更像人類的實際駕駛行爲，因此可以直接用人類的駕駛數據來進行不斷訓練和迭代，提高算法。

通過對自動駕駛數據和人工駕駛數據的自動化標注，輕舟智航構建了包含道路、環境、自車行爲意圖等信息的駕駛數據倉庫，可通過“所想即所得”的數據查詢，快速對各類數據和場景進行挖掘和評測，更快發現和解決算法存在的各種問題。

在決策規劃的上遊，輕舟智航也打造了極具優勢的預測算法模型。其自研的Prophnet預測模型能夠提供10秒的長時意圖和軌跡預測。模型可同時計算數百個障礙物，每個障礙物提供3條預測軌跡，推理耗時不到20ms，完全滿足實時運算需求。根據權威公开數據集Argoverse的評測結果，輕舟Prophnet模型無論在預測效果還是預測時間上均領先同行。

而且當障礙物行爲有不確定性時，模型可以預測出多種可能性，比如說直行和右轉，當障礙物行爲一旦出現某種趨勢的時候，模型可以快速收斂到一個高概率的預測。

與此同時，輕舟智航也積累了十萬輛級的場景庫，以及上億公裏的仿真測試，並通過不斷升級場景的復雜度，補充模型的能力。

03

六大矛盾

以智能駕駛爲代表的汽車智能化浪潮已經勢不可擋。據統計，今年上海車展期間，展出的484款量產乘用車中，搭載L2及以上輔助駕駛功能的車型達373款，滲透率高達77%。

據艾瑞咨詢《汽車產業變革浪潮——中國智能駕駛行業研究報告》預測，到 2025 年乘用車輔助駕駛滲透率將達到 65%，L2 級和更高級輔助駕駛將進入普及期。

理想汽車創始人、董事長兼CEO李想也在最新的採訪中提到類似觀點，“到2025年的時候，一輛車如果不具備足夠智能化的智能座艙和智能駕駛，客戶可能完全不會考慮买它。”

經過了去年自動駕駛行業的倒閉、裁員等一系列負面消息後，整車企業對自動駕駛的態度也越來越務實，短期內能夠實現規模量產的解決方案成爲重點，2023年也將成爲城市導航輔助駕駛一分高下的一年。

李棟透露，在給車企提供智能駕駛解決方案落地的過程中，輕舟智航也發現了一些問題並將其總結爲六大矛盾。

第一大矛盾，全棧自研VS全棧可控。

對於主機廠而言，首先更希望像特斯拉一樣通過全棧自研實現統一平台，掌握核心技術和數據閉環。隨之而來的問題是，動輒數十億的研發資金，需要主機廠通過足夠規模的銷量來把成本攤薄，同時漫長的研發時間也難以滿足市場日益增長的快速的車輛化需求。

全棧可控的模式需要進行供應商的管理和上下遊的協調，但是性價比會更高，選擇供應商會更靈活。李棟認爲，主機廠保障全棧可控的基礎上，應該讓供應商有機會參與到智能駕駛的研發和交付過程中，一方面可以幫助主機廠更快完成產品的打磨和落地，另一方面也能夠通過提供一些技術服務，幫助主機廠更快建立自研能力。

除了交付完整的解決方案，輕舟智航還會向車企提供一套工具鏈，可以幫助車企更好地管理流程、管理質量，能夠把數據利用好，從而掌握常用常新的迭代能力。

第二大矛盾，分“步”式供應商VS整合付。

主機廠如果選擇分布式供應商，每一個環節都要一家一家實地考察，不僅要投入大量時間成本，多家供應商上下也協調的時候，也難以發揮出每家的獨特優勢。

李棟舉例稱，比如每家供應商在每個環節做的能力是90分，多家一起合作的時候很可能就是這幾個0.9相乘，最後有可能效果遠遠低於90分。

再比如說現在的行泊一體預控制器會接入所有的行泊傳感器，行車和泊車交給兩家供應商去做，這就很難充分使用裏面的傳感器，在算力分配上也會存在一些問題，最終整個智駕功能的體驗就會打折扣。

所以到底是用多供應商分別管理還是用一個供應商，最終以結果爲導向來要求？輕舟智航的建議是最好能優化整個流程，減少供應商的環節，以結果爲導向做整體性的交付，保證最終的效果。

第三大矛盾，一次付與持續OTA。

如果主機廠的多種車型沒有共享一個智駕平台，一般很難持續投入精力進行足夠車型智駕產品升級，採購也往往是一次性支付所有的研發費用。目前中高階智能駕駛市場需要車企在消費者使用的過程中不斷解決消費者使用時候的一些痛點，保障用戶能常用常新。這種收費模式應該如何進行呢？這是目前產業討論的重點。

輕舟智航建議主機廠要規劃好平台方案，讓多車型基於同一個平台進行產品研發和交付，選擇一家或者多家供應商在該平台上長期合作，這樣就可以做到持續OTA，解決智駕方案優化的問題，不斷提升用戶的體驗。

第四大矛盾，高階產品立標杆與L2普及真剛需。

智能駕駛落地的一個普遍現狀是，通過搭載高階功能來樹立品牌形象，以及對未來技術的探索，但是根據目前的交付能力和用戶的認知程度，很可能無法讓大量用戶快速使用這些高端功能。

與此同時，市場對高速場景的需求已相對成熟，對車企來說也更容易做出非常實用，性價比很高的高速NOA產品，並且可以用這類產品快速佔領市場和用戶心智。

一方面是高端、更少人使用的功能，一方面是技術比較成熟、可以快速普及的功能，這就需要車企在產品战略上做出選擇。爲此，輕舟智航創新地提出了智能駕駛的“小四化”，即“入門體驗標配化、中端體驗標准化、高端體驗大衆化、極致體驗革新化”，倡導階梯式、漸進式的智能駕駛技術發展路线。

第五大矛盾，極致的體驗VS極低的成本。

主機廠在給供應商提產品需求的時候希望能給出體驗最好的解決方案，在具體落地實施中車企往往需要綜合工程化、競爭力多方考慮，將硬件和研發成本盡可能控制，並壓縮到最低。輕舟一直致力於解決這個矛盾，通過軟硬一體的設計，持續不斷進行優化，去打造兼具性價比優秀的方案。

第六大矛盾，全球化方案VS國產化方案。

在智能駕駛發展早期，主機廠更愿意選擇成熟的全球化軟硬件方案，這有利於提高產品的知名度和在消費者面前的認知度，也希望借此保證穩定、可靠的量產交付，但選擇全球化方案往往意味着要付出比較高的成本。

目前中國本土硬件供應商的專業性、工作效率、響應速度和服務質量等都已經相對成熟，而且進步也非常快。所以到底是選擇全球化方案還是選擇國產化方案，不僅是主機廠面臨的問題，也是供應商選擇合作夥伴時候要考慮的問題。

李棟相信，通過輕舟智航與合作夥伴的努力，國產解決方案能夠快速追趕上全球化的解決方案供應商，逐步走向全球，反哺世界。

輕舟智航的“輕舟乘風高階輔助駕駛解決方案”，在芯片上就選擇了國內初創公司地平线的徵程5，也是率先基於地平线徵程5芯片的“高速+城區”NOA輔助駕駛解決方案提供商。

本文作者可以追加內容哦 !