GIV2022|毫末智行贺翔：数据驱动的3.0时代，获取数据，把数据转化为知识将是终极目标

2022年12月16日-17日，由安徽省发展和改革委员会作为指导单位，合肥市人民政府、中国电动汽车百人会联合主办的“2022全球智能汽车产业峰会”在安徽合肥召开。本届论坛围绕“全球新变局与智能汽车发展新战略”主题，共设置5个主题论坛和2场闭门会议，与行业机构、高校院所和领先企业代表共同探索我国智能汽车发展新路径。

其中，在12月17日举办的“生态论坛”上，毫末智行数据智能科学家 贺翔发表精彩致辞。以下内容为现场演讲实录：

大家好，我是毫末智行数据智能科学家贺翔，感谢电动汽车百人会的邀请，今天跟大家分享《毫末智行和智能驾驶的3.0时代》。

2022年全球智能汽车市场的发展趋势，有两个关键词，“规模”和“速度”。从规模上来看，中国在全球智能汽车市场的份额占比已经达到57%。从速度上来看，中国智能汽车市场渗透率达到26%，毫末智行预计到2025年中国高级别辅助驾驶搭载率将超过70%。不管是规模还是速度，汽车的智能化，特别是智能驾驶，已经成为这一轮市场爆发的关键点，中国市场已经成为全球智能汽车销售的主战场。

从成立之初，毫末智行就提出了自动驾驶发展遵循的三定律：从低速到高速、从载物到载人、从商用到民用。毫末智行始终坚定地走可行、可靠、可商用的渐进式落地路线，以“风车战略”为核心，步步为营。一直以来，自动驾驶有着决渐进式和跃进式的路线之争。基于真实用户使用数据的渐进式路线，是自动驾驶的最佳路线。因为从时间上，渐进式路线量产的时间更早；从规模上，渐进式路线更容易实现规模化量产；从数据上，渐进式路线是真实的人驾数据，成本低、质量高。

毫末智行一直以来坚定走渐进式发展路线，我们认为辅助驾驶是通向自由驾驶的必由之路，必须通过规模化的量产车，以更低成本获取更大规模、更多场景的优质数据，再以数据驱动的方式促进智能驾驶的提升双向循环。数据驱动使得自动驾驶真正走向成熟。2021年，毫末智行获得“中国量产车自动驾驶第一名”的称号，到目前为止，搭载车型接近20款。在末端物流自动配送车领域，毫末发布的小摩托2.0是业界首款面向商用市场10万元级别的配送车，切实推推动行业规模化商用的进程。经过三年的发展，基于量产车的规模优势，目前毫末用户的辅助自动驾驶里程接近2400万公里，末端物流自动配送也完成了超过12万单。

毫末智行的数据规模、多样性都在快速增长，我们有中国首个自动驾驶数据智能体系MANA，目前已经完成数据闭环的搭建。MANA的学习时长超过40万小时，在虚拟世界相当于人类4.8万年的驾龄。

在过去的十年，自动驾驶的基础技术发生很多变化，例如大算力芯片，从2T增加到1000T，算力增加了500倍；大模型的出现，Transformer大模型的参数量提高了1000倍达到千亿甚至万亿级别；摄像头像素的提升，100万像素提升到1500万像素，摄像头的数量增加了8个，数据的规模相当于提升了120倍。

毫末智行认为，在感知技术已经进展到如此能力的前提下，自动驾驶的实现方式也要发生改变。我们将最近十年的自动驾驶技术分为三个阶段。最早的硬件驱动方式称之为自动驾驶的1.0时代，最近几年的软件驱动方式称之为自动驾驶的2.0时代，即将发生的数据驱动方式称之为自动驾驶的3.0时代。在1.0时代主要依靠激光雷达，成本很高，里程很少，在100万公里左右。2.0时代，AI在车上的广泛应用，那时还是以小模型和小数据为主，自动驾驶的里程达到上千万公里。进入数据驱动的3.0时代，我们所做的一切都是为了更高效地获取数据，并把数据转化为知识。从小模型、小数据转换成大模型、大数据，辅助驾驶的里程需要一亿公里以上。

如果大家关注过毫末智行的成长历程，就会发现，毫末智行一直在为智能驾驶3.0时代做准备，在感知、认知、模式的认识上，都按照数据驱动的方式，冲刺进入自动驾驶3.0时代。

可以通过几个例子看看毫末数据智能体系MANA在感知方向上的进化。在城市场景，红绿灯是最普遍的场景，但是红绿灯的识别是非常有挑战的内容，主要的难点包括：第一，个头很小，是典型的小目标检测问题；第二，状态动态变化，比如闪烁；第三，不规范，有横着的，有竖着的，有单个的，三个、五个的，还有带倒计时的各种各样；第四，每个灯具体管哪条路哪个车道，过去依靠高精地图小范围解决部分问题，如果没有高精地图怎么办？有没有更普适的解决方法？把这个问题分成两步，第一步数据的获取，需要依赖大量数据进行训练，除了大规模的真实数据，还引入了数据增强，得到了大量不同光照、不同背景下的合成数据，来弥补样本不足。我们使用了混合迁移训练的方式，减少核心数据与真实数据在特征空间上的概率分布差异，使得二者的分布更为接近。第二，红率灯的识别与绑路，设计了针对红绿灯的检测与绑路的双路感知模型，首先红绿灯检测出来，输出红绿灯的颜色、形状和朝向等信息，再通过卷积神经网络获得红绿灯位置的概率图，再利用利用空间注意力机制将二者结合出来，输入绑路的红绿灯通信状态。基于这种方法，我们进行了大量的测试，在不同的城市、不同的距离、不同的转向、不同的光线条件下，都能够准确识别出来。

除了红绿灯，城市道路感知另一个复杂问题是车道线的识别，毫末智行在2021年全面引入Transformer方法，引领了技术的潮流。我们根据自己的业务特点设计了BEV Transformer，用于识别车道线。首先对图像提取特征，再进行BEV Mapping，通过多个Cross Attention组成完整的BEV空间，再加上时序特征来提升效果。

实现效果究竟怎样？车道线感知展示了非常强的优势，在3D投射减少了车道线的抖动，面对城市复杂路面，纵向误差上表现更好，对于路面起伏的鲁棒性更强。多相机辅助扩充了检测视野，响应更快。

最后，我们畅想一下，在漫长的历史场合中，人类一直希望能够智能移动，从指南车到木牛马，到达芬奇所绘的无人自动驾驶小车，都是这一愿望的体现，汽车工业正在为这一目标努力。基于深度学习的自动驾驶技术在汽车产业界掀起一场智能革命，在这场革命中，中国的研究者和从业者不仅没有迟到，而且始终站在了全球的最前沿，这是一场决定未来数十年产业升级的革命。而毫末智行有幸在这个时代中，演绎毫末的故事。

非常感谢大家！ 

（注：本文根据现场速记整理，未经演讲嘉宾审阅）