由蓋世汽車主辦的2022中國商用車自動駕駛-云論壇如期舉行，極目智能人工智能算法專家王雅儒博士受邀參加并發表《技術驅動，破局商用車高階智能駕駛》主題演講，王博士從技術角度出發，分享了當前商用車高階智能駕駛技術趨勢、關鍵感知技術，并介紹了極目智能相關技術研發成果和解決方案。

智能駕駛向上進階趨勢漸顯，域控成為邁向高階的關鍵

據佐思汽研數據顯示，2021年中國商用車ADAS整體裝配率達17.3%，2030年裝配率將達到59%，中國作為世界交通大國，將成為體量巨大的智能駕駛市場。

隨著中國品牌向上突破，國內重卡車企相繼布局高端產品，大量采用先進智能駕駛技術，福田歐曼銀河、一汽解放鷹途、重汽汕德卡等諸多高端車型都配備了 L2級別及以上ADAS功能（如LKA、ACC、PACC預見性巡航等），高端重卡車型上的智能駕駛向上進階趨勢漸顯。

王博士表示：“當前分布式的智能駕駛方案已經不能滿足高階智能駕駛需求，基于先進環境感知技術的智能駕駛域控將成為高階智能駕駛的主流方案”。域控可將AEB、LKA、LCA、ACC、TJA、DMS、NOA、HWA等功能進行整合，其主要優勢在于：1）打破傳統ECU架構信息孤島，實現多攝像頭、多傳感器互聯互通；2）實現更高級別自動駕駛功能；3）提升芯片算力利用率，避免算力浪費；4）降低CAN總線負擔，節約線束；5）顯著降低研發、維護成本，節省時間；6）構建冗余，提升安全性及魯棒性。

高階智能駕駛的感知技術研究與突破

作為智能駕駛算法的最重要板塊，精準的環境感知是實現高階智能駕駛的前提和基石，比如前方目標識別、車身側視感知、后方相鄰車道目標識別、車道線檢測、駕駛員狀態監測等，王博士介紹了目前常規的做法及極目智能的實踐方案。

首先是算法模型設計及優化。我們前面提到，實現L1-L2級智能駕駛的算力需求一般是 2T-5T，實現 L2+級智能駕駛的算力需求一般在 20T 以內。當前主流的智能駕駛算法都是基于深度學習，那么如何在同等算力下實現更好的算法精度非常考驗技術能力。

極目智能旗下方案采用的是自主研發的JMNet深度學習網絡系列，這套網絡的優勢是能根據不同硬件的特點設計最適合的網絡結構，專網專用，充分發掘硬件性能，在同等算力條件下實現更好的性能，其定制的QAT量化方案可實現檢測量化無精度損失，非常適合在端側運行。JMNet易訓練、易拓展，可大幅減少訓練時間，且具有較強的泛化能力，能夠靈活部署在不同算力硬件，同級別硬件性能下準確性大幅領先。此外，極目的專利技術可針對ADAS圖像特點進行計算量壓縮，實現檢測距離加倍。

接下來算法迭代。對于智能駕駛來說，數據是非常重要的，尤其是自動駕駛中的長尾問題，需要采集大量的困難樣本。普通樣本的采集相對容易，真正讓算法失效的場景才更有價值，比如雨天夜間標識牌反光場景、遠處的隧道、倒地的三角錐等都是相對比較困難的場景。

極目智能基于海量精準數據，打造了數據驅動的算法迭代閉環，實現了數據驅動算法升級。在數據采集方面我們分為四個階段：先普遍采集大量樣本，驗證模型算法正確性，之后補充不均衡類別樣本，訓練基線版本，然后根據基線版本測試結果針對典型失效場景進行廣泛采集，階段長期累積困難樣本，這個階段甚至需要持續數年以持續提升困難場景下的魯棒性。

一般來說，行業內普遍使用共用基礎網絡的方法節省算力，之后接多個不同的HEAD網絡完成不同的任務，這樣就涉及到樣本使用的問題。不同場景對于樣本的要求可能不一致，比如彎道場景對于車道線檢測屬于困難場景，而對于目標檢測來說并不屬于困難場景，前者需要較多的相應樣本以提升車道線檢測效果，這對后者來說會降低訓練效率甚至影響其性能。

極目智能采用跨樣本聯合訓練的方式使用，可以更好地利用樣本，檢測、分割、車道線使用不同的樣本，不需要在同一批樣本上分別作出所有標注可以更高效、更靈活、更方便地利用樣本。通過將多種樣本放在一個BACTH中進行訓練，不僅降低了對樣本的要求，避免了不同任務困難樣本不同的矛盾，也可以更好地訓練網絡，提升多任務下的性能。另一方面，跨樣本的聯合訓練在加入額外的任務時，不需要對所有原樣樣本重新進行標注就可以很方便地進行訓練，極大地提升了效率。

接下來是漏檢誤檢的問題。L2 級智能駕駛就已涉及車輛控制，比如 AEB 自動緊急剎車功能。我們認為AEB 自動緊急剎車是一個對于提升駕駛安全性非常重要、同時技術要求比較高的功能，要實現AEB尤其是基于單視覺的AEB功能，需要把漏檢誤檢控制到非常低的水平。為了實現行業最低的漏檢誤檢率，極目智能做了大量的工作，比如通過大量類人類車物的標注和訓練，增加類別之間的差異來降低誤檢，同時采用代價敏感矩陣來對模型進行精細調控，進一步降低漏檢誤檢。

測距的精準度對于智能駕駛是至關重要的，它的難點在于檢測框容易抖動，尤其是商用車，由于載重變化導致相機抖動和高度變化，會造成測距不準。為實現更精準的測距，極目智能采用動態補償技術，可以有效解決誤差問題，同時通過金字塔圖像推理技術，實現多級目標檢測，一方面可有效提升小目標的檢測精度，另一方面構建冗余，提升了回歸的精度，且由于目標被放大，測距的精度也會顯著提升。

接下來是3D目標檢測。傳統的2D感知結果難以體現物體的距離和場景的深度信息，而車輛等動態目標的3D 位姿對于實現高階智能駕駛中的軌跡預測、規劃控制等環節至關重要。我們簡單地將目前的 3D 技術分為偽 3D、升維3D、單目 3D 等類別類。偽3D僅支持2D維度，升維3D、單目3D等可實現3D檢測框。升維3D可僅使用來源于相機的圖像樣本，結合相機的內外參將2D結果升維到3D，因此幾乎能復用所有之前累積的樣本，能有效地保證量產產品的性能。單目3D、BEV等算法可通過網絡端到端預測目標3D信息，包括車輛的長寬高、距離、方向角等信息。Transformer也屬于BEV算法，但是它的某些特性區別于BEV算法，比如計算量大、芯片支持度低。基于Transformer、BEV的算法優勢在于融合難度會更低，相機的多目一致性可以做到更高。

我們認為，基于BEV+單目3D的環境感知技術組合是未來更合理的發展方向?；贐EV算法可以提取周圍各個相機的特征，然后投影到車輛周圍規則的柵格之中，在此基礎上進行推理實現3D的檢測以及分割。因為BEV算法檢測大范圍區域時計算量激增，所以很難檢測較遠距離的目標，可以通過單目3D來實現遠距離目標檢測，然后將二者結果進行融合，達到兼顧融合的一致性和較遠的檢測距離，實現用較少的計算量實現更遠的檢測距離和更高的檢測精度。

在高階智能駕駛中，車輛周視的感知通常會采用魚眼相機。在使用魚眼相機測距時，常規做法是采用矩形框進行標注，但由于缺少了方位角的信息，很難準備判斷目標車輛與自車的距離。為了解決這個問題，極目智能采用了斜目標的方案，可以對目標進行更好的包圍，實現精準測距。此外我們嘗試了box監督的實例分割，其優勢是復用檢測樣本，無需進行復雜的分割標注，其也能有效提升測距精度，是一個很有潛力的研究方向。

另外，針對一般障礙物的檢測，極目智能采用自監督的方法來實現單目深度估計，這樣可以不需要做過多的標注，最主要的工作是動態估計左右相機姿態的變化，達到更好的適應性，更好地解決因外參的變化、形變導致的精度低的問題。通過將2D光流升維到3D光流，再進行前景目標的提取可實現一般障礙物的檢測分割。

最后是 3D車道線檢測。車道線是自動駕駛環境中最重要的靜態目標，如果只是在圖像上進行車道線的檢測，它僅僅是2D的車道線，如果想要將之映射到世界坐標系，只通過外參內參來進行映射，在上下坡等俯仰角發生變化的場景下可能會產生內八外八的情況。極目智能的做法是通過深度估計來校正3D車道線，使得上下坡、顛簸造成的內八外八得到恢復，得到更加精準的3D車道線。

面向量產，從英雄之城到世界級的中國力量

櫛風沐雨十年路，自主科創楊帆遠。當前極目智能產品線已覆蓋L2-L4級智能駕駛，供貨30 余家乘商用主機廠，并得到頭部客戶量產驗證。

回歸本質，強大的“量產落地能力“背后是不斷謀求核心技術突破，不斷進行10倍的技術變革而不是2倍的改良。

作為國內少有的擁有自主感知、融合、規控全棧技術能力的國產智能駕駛方案供應商，極目智能堅持以技術為驅動，破局高階智能駕駛基于自研的JMNet系列深度學習網絡，極目智能旗下產品核心技術指標位列行業第一梯隊，算法性能行業領先，并且是唯一通過韓國KIAPI ADAS技術測試、日本AEB測試標準的中國廠商。強大的技術實力，讓極目智能有與國際巨頭同臺較量的底氣。

不久前，極目智能面向全球商用車市場推出了領先的多路視頻域控解決方案JIMU S7，采用大算力硬件平臺支持MOIS（Moving Off Information System）及BSIS（Blind Spot Information System）功能，并可拓展ReIS（Reversing Information System）、AVM環視感知、DMS等功能，支持L2+級智能駕駛感知需求。作為全球首批視覺MOIS及 BSIS方案，JIMU S7具備感知精度高、感知范圍廣、系統擴展性強等優勢。目前，極目智能已與某世界級主機廠合作推進S7項目的量產落地。

智能駕駛是汽車智能化技術上的璀璨明珠，極目智能將堅持技術創新謀求持續發展，不斷深耕技術科創、持續突破技術壁壘，希望通過極目人的努力，為智能駕駛的發展注入中國智慧！