基于量产、数据与场景库的自动驾驶升维探索

在智驾科技MAXIEYE创始人周圣砚看来，自动驾驶行业的第一增长曲线主要基于企业的算法、技术和经验，在L2向L3突破的阶段，企业需要在原本的算法基础上，以数据驱动的方式进入第二个增长曲线。

2022年上半年，ADAS新车上险量达416.4万辆，渗透率超过45%。从技术研发走向量产阶段，智能驾驶系统拿到了驾照，成为了可以上路的新手司机，基于数据闭环进行场景拓展，则是智能驾驶系统从新手向“老司机”转变的必经之路。

图片来源：MAXIEYE

冗余vs臃肿：“堆料”能实现自动驾驶吗？

2019年，华为宣布进军汽车领域之后，苹果、小米相继加快在智能汽车领域的布局，手机厂商跨界“造车”，印证了智能汽车和智能手机技术发展逻辑的相似性。2021年，安信证券就指出，智能手机与智能汽车作为移动互联网浪潮下划时代的产物，皆遵循着“交互的变革—架构的升级—生态的演化”这一发展路径。

数据来源：安信证券研究中心

在手机行业大为火热的性能参数指标对比，也自然而然落在了智能汽车上，智能座舱和智能驾驶成为汽车玩家们“堆料”以彰显系统性能的重点区域。

知名车企的顶配车型往往具备上千TOPS的算力预埋；高清摄像头、毫米波雷达、超声波雷达、激光雷达等传感器全套配置，然而，根据法规落地进度，中国预计2025年实现乘用车在高速公路、交通拥堵等场景下的L3级自动驾驶，在代客泊车等场景实现L4级自动驾驶。

在法规尚未落地前，部署上车的顶配级部件主要起到“硬件预埋”的作用，并不能真正落实到终端用户感受上，此外，专家指出，不合理的传感器组合也会带来信号传输之间的相互干扰，在功耗散热上的隐患也需要考虑在内。

“我们好像走向了自动驾驶的误区，大家就好像在进行军备竞赛一样，不断地堆砌硬件，这实际上反映了现实的自动驾驶系统和理想中自动驾驶系统之间的差距。”

周圣砚表示，不管是企业还是消费者，都希望自动驾驶系统拥有“老司机”式的应变能力和可靠性，要实现自动驾驶系统的升维，不能仅仅依赖技术的突破，还需要持续的数据累积和闭环。

自动驾驶的升维逻辑如何定义？

要理解自动驾驶升维的逻辑，不妨类比人类认识和理解世界的逻辑。

人类会通过视觉、听觉、嗅觉、味觉、触觉去摸索和探察周围世界，会利用逻辑思维进行分析和总结，进而创造了力学、声学、电学等不同的学科，抽象出事物运行的基本规律，利用规律进一步测量和试图理解整个世界。

自动驾驶系统则是通过传感器类比人类的五感，采用摄像头、激光雷达、毫米波雷达、超声波雷达、IMU惯性导航单元等探测汽车及汽车周围事物的状态，结合卫星地图，利用深度神经网络和算法进行分析，利用拓扑建构模型，经由执行器和控制系统实现自动驾驶的全套操作。

人类和自动驾驶系统认识和理解世界的对比图 图片来源：MAXIEYE

本质上，人类和机器理解世界的逻辑是一样的，要想让汽车智能系统很好地理解世界，就需要为其提供足够的数据养料以构建更精准的模型，这也正是自动驾驶系统升维的逻辑所在：数据迭代闭环、算法及技术突破。

MAXIEYE如何在量产中部署数据闭环？

从自动驾驶的视角出发，积累数据几乎等同于不断拓宽系统的运行场景边界，除了一般场景（common case）的数据，边界的数据（corner case）更为关键，从而实现在算法不变的情况下，让自动驾驶系统的设计运行范围能够向暴雨、雨雾、以及其他极端场景拓展。

如何获得边界案例？周圣砚认为，在量产产品中部署数据闭环不失为一种有效方法，设计好的数据收集机制，比如在人类驾驶的情况下，后台运行的影子系统可以分析人类的驾驶决策与行为，基于回传数据，企业就可以为这些场景积累相应的技术算法，在明确系统边界的情况下，商业使用和数据增量并行，确保系统持续迭代。

基于自研智能驾驶系统MAXIPILOT®+传感器+T-BOX组合解决方案，MAXIEYE已经走在构建量产车辆数据闭环系统的前列。

其中，MAXIEYE在车端部署了33种触发机制，典型有功能触发、驾驶员异常行为触发、系统触发、感知触发等。以功能触发为例，这一机制会将AEB等功能启动前后5-10秒的场景视频经由MAXIPILOT®进行压缩，回传至服务器并进行复盘分析。

感知触发主要是针对传感器融合精度，将不同传感器之间测量目标的速度误差数据进行触发。周圣砚介绍，“MAXIEYE的团队会把视觉检测的目标速度与毫米波雷达进行比对，并将有价值的视频流回传回来，进行视觉与毫米波雷达的精度对标。”

图片来源：MAXIEYE

值得一提的是，MAXIEYE构建的数据闭环工具在回传之前就会在车端完成脱敏处理，针对例如人脸、车牌等隐私信息在车端进行清洗。

除了车端触发机制的部署，MAXIEYE还会服务主机厂搭建云端索引，将纵向控制、横向控制等细分技术路径与车道偏移、压线等具体事件进行交叉对应，方便工程师进行检索与监测。周圣砚特别提到，目前MAXIEYE已积累的量产里程数据达100,000,000公里。

自动驾驶系统低成本升维之路：数据众包+场景库

“开发下一代领航辅助驾驶系统时，能否用低阶系统对高阶系统提供一定的数据支撑和帮助？”

针对这一供应商与车企在共同思考的问题，MAXIEYE给出的回答是：从数据的维度出发，在量产低阶智能驾驶系统部署数据闭环，采用“成本减法”和数据众包的方式拓宽运行范围（边界案例与关键案例），为高阶智能驾驶提供“场景库”。

周圣砚提出，“高阶自动驾驶或者领航辅助驾驶的关键点不在于道路中的大量一般案例（common case），而在于解决‘路口’问题。”

图片来源：MAXIEYE

何为“路口”问题？简单而言，就是通过触发机制，将汽车经过路口前后5秒的场景视频进行记录、回传与分析，实际上也泛指在汽车总体道路行驶里程中占比较小，但复杂度和技术难度极高的关键案例。

周圣砚表示，这一方案在行业内普遍施行的主要难点不在于技术，而在于智能驾驶系统Tier 1技术链的封闭性，数字闭环的部署必须打通全栈技术链，从而帮助主机厂建立从低阶智能驾驶系统转换至高阶的升维逻辑。

这也正是MAXIEYE的优势所在，作为技术方案商，MAXIEYE打通了从核心技术、产品到服务的全栈自研创新，能够运用覆盖感知、规划到控制的全栈视角解决问题，采用商乘双驱动的商业模式，可以将数据采集、研究成果覆盖至更广大的用户群体。

图片来源：MAXIEYE

值得一提的是，MAXIPILOT® 1.0自2021年发布之后，就已在合创、合众等品牌多款车型上实现量产，支持NOM领航辅助驾驶的MAXIPILOT®1.0 PLUS也将在2022年内实现量产。日前，MAXIEYE又获广汽传祺L2级ADAS量产项目定点，定点车型将标配MAXIPILOT® 1.0全速智能巡航系统。

实际上，通过规模效应和数据驱动实现降本增效，本身即是业界与学界公认的可行路径。周圣砚表示，在数据多样性不足的初始阶段，深度学习网络模型需要很强的泛化能力（指模型经过训练后，应用到新数据并做出准确预测的能力），进而催生了对高算力的需求。一旦“数据库”搭建完毕，行业内的“算力热”也会得到一定的缓解，关键是系统成本可以实现一定程度地下探，最终达成向产品、C端用户、OEM客户的多维赋能。

“实现人人可享的智能驾驶”是MAXIEYE的企业愿景，周圣砚希望，基于这种全栈创新、数据驱动的方式搭建“场景库”，MAXIEYE可以助力主机厂智能驾驶系统的降本增效，在行业内实现规模效益，最终达成正向循环。