電子發燒友App
“如果下半年能有體驗不錯的通勤模式落地，我會很驚訝。”自動駕駛技術專家Brian向《電動汽車觀察家》表示，“但如果有人做出來了，確實能解決80%的出行需求。”
在特斯拉的NOA（導航駕駛輔助）概念之后，今年中國企業提出了智能駕駛的“通勤模式”——在通勤場景下的端到端智能駕駛輔助。 ? 今年3月，小鵬汽車首個提出“通勤模式”概念，并于6月底在小鵬G6上市發布會上將其命名為Ai代駕；同樣在6月，大疆發布“記憶行車模式”將落地寶駿云朵；理想汽車則直接命名為通勤NOA；6月27日，理想汽車在北京望京地區通勤NOA功能測試，并表示將在下半年開始上線……
覆蓋用戶80%出行場景需求的通勤模式，是解決自動駕駛商業模式困境的殺手級應用？還是城市NOA落地難的權宜之計？
01
無圖？還不行
通勤模式折射出當下中國玩家在量產自動駕駛過程中，難以“脫圖”的現實困境。
盡管目前小鵬、大疆、理想都未公布其“通勤模式”的具體技術方案，但《電動汽車觀察家》在采訪中了解到，多趟建圖+記憶人類駕駛員行駛軌跡是通勤模式的底層技術概念。
零束科技智駕產品線負責人張睿在焉知智能電動汽車年會上也明確表示：“記憶行車采用單趟一鍵建圖、多趟對齊的方式來實現特定場景下，一個低成本方案的出行體驗。”
所謂“低成本”對應的自然是高成本的高精度地圖。
按照四維圖新公布的數據，一公里高精地圖的采集成本約為1萬元。其目前已有30萬公里高精地圖的維護、更新費用為40-50億元，成本、鮮度和覆蓋范圍限制著高精地圖從高/快速路走向城區路段。
但另一方面，高精地圖的好是“誰用誰知道”，其大幅降低了自動駕駛系統完成“定位、路徑規劃和駕駛決策”這些核心任務的難度等級。
在信息豐富、高確定性的高精地圖的幫助下，車輛只需將全球定位系統（GPS）、慣性測量單元（IMU）、輪速計、激光雷達、攝像頭等傳感器獲得的數據與高精地圖數據比對，即可獲得車道級的精準定位。
脫離高精地圖，意味著車輛僅能夠依靠上述傳感器，在車道線模糊/消失、道路被遮擋、交通標示不一定清晰的“混亂”現實中進行車道級的定位。因為“站錯”車道對之后的路徑規劃將是災難性的錯誤。
基于高精地圖精確尺寸的超視距地圖環境信息，車輛在出發前，就能將“從遠通橋上機場高速”這樣模糊的導航信息，捆綁成為“從遠通橋右側兩車道，進入一車道分岔路，進入機場高速左側兩車道”的精確路徑規劃，進而執行時的軌跡規劃可以簡單為拆解成橫向和縱向。
Tesla FSD的導航信息與感知同在Local坐標系下，但是并不精確，也沒有嚴格綁定車道 ? 脫離高精地圖，意味著車輛要捆綁“噪聲”眾多的感知實時地圖和導航路徑，而之后的駕駛決策就要在這樣不確定的環境中做出。
“無圖”意味著自動駕駛系統的感知、定位、規劃和決策能力上限要大幅提升。但顯然，目前自動駕駛系統的能力提升速度追不上城市場景的難度增長速度。“圖”仍是當下自動駕駛玩家量產時的必選項。
? 目前除特斯拉之外，各家已經推送的城市領航功能仍是有圖方案。
四維圖新CEO程鵬公開表示：“終端（車企）現在提SD Pro，即SD地圖（標準地圖，精度10米左右）加上HD（高精地圖，精度10厘米左右）的車道連通性等信息”。使用SD Pro地圖時，高精地圖主要在云端用于訓練，需要時將其賦分給車端的SD地圖。
值得注意的是，即使是從無圖出發，積累了極高的感知和定位Know how的特斯拉，目前在擁擠的城市路況中也表現得頗為掙扎。
02
城市NOA到無圖之間差多少個通勤模式？
通勤模式則試圖為仍在提升感知和定位能力的中國自動駕駛量產玩家們，提供一條當下就能“進城”的捷徑：通過多趟建圖和記憶駕駛員軌跡，不依靠高精地圖實現定位和路徑規劃。
如果將自動駕駛系統的工作過程簡單拆解，可分為感知和決策兩大部分。
感知是基于傳感器數據，通過場景重建、要素識別、關鍵目標重組和自車重新定位，來輸出包括道路全局信息和自車位姿的“可行駛空間”。
決策則基于可行駛空間來進行路徑、運動軌跡的規劃，整個底盤作為執行器，執行這些決策規劃命令。
?
Tesla FSD的感知中灰色區域代表不可通行區域，感知元素的透明度代表感知的置信度 ? 有高精地圖時，感知系統可將“可行駛空間”構筑在高精地圖精確穩定的虛擬空間中，難度相對較小。沒有高精地圖時，感知系統的“可行駛空間”需要無限逼近的現實世界，決策系統才能做出正確的規劃，在“混亂”的城市路況下實現難度極高。
?
? 通勤模式則在有圖和無圖之中構建一個“中間帶”。
具體而言，“通勤系統”在同一路段多趟往返時，完成自車建圖、環境目標語義識別的工作，同時錄制人類駕駛員在該路段的行駛軌跡： ?
利用自身感知系統（攝像頭、激光雷達、毫米波雷達、GPS、IMU、輪速計）數據輸入，構建起通勤路段信息豐富的地圖并永久存儲，獲得局部路段的全局信息；
對路段中的關鍵要素進行語義識別記憶，如一段綠化帶、一個限速牌、一個紅綠燈、一個路口等。將這些檢測到的、描述的和定位的地標永久儲存，以描述車輛軌跡的相對位置；
人類駕駛員的行駛軌跡則直接賦予了系統一條車道級的路徑和運動軌跡。
基于上述信息，車輛便能夠像使用高精地圖一樣，通過檢測、對齊目標，恢復車輛相對于存儲軌跡的姿態。
?
大疆五菱記憶行車方案 ? 相比于目前重建圖的方案，Brian認為，“通勤模式”應以記憶軌跡的為主，以多趟建圖為輔的原則來設計系統實現。
其中記憶軌跡不應僅是一組全局坐標下經緯度姿態組成的點串，同時還應包含在軌跡不同位置自車駕駛的動作信息以及他車和周圍環境的信息等。
記憶軌跡一方面幫助模型直接聯合輸出與靜態道路元素融合一起的導航路徑軌跡；另一方面沿途記憶的各類動作和環境信息可輔助規控在一定的不確定性中來進行行為決策。
而且，多條被跑通的通勤路線組合后，就可能為城市領航功能落地提供“底圖”。小鵬表示，AI代駕的路線可以分享給其他用戶；理想則表示，通勤NOA密集跑通的區域，將能夠更快落地城市NOA。
一位高精地圖專家告訴《電動汽車觀察家》：車端傳感器多趟建圖可實現亞米級的精度，可以滿足低速情況下，城市自動駕駛所需。
均勝電子副總裁郭繼舜也表示，通勤模式可以通過構建語意地圖，幫助企業無需專門投入，通過眾包模式實現地圖數據庫的動態維護工作，降低企業的地圖維護成本。而且通勤模式如果成為眾多用戶高頻使用的駕駛輔助功能，也將通過數據閉環為企業提供更多的感知決策所需的訓練數據。
03
通勤模式解不了城市領航的難
想法很好，但果真能落地嗎？
或許是因為算法是進城最需要提升能力上限的部分，在《電動汽車觀察家》的采訪過程中，高精地圖和工程專家都看好通勤模式，感知、決策的算法專家卻普遍對能否落地及落地可用性抱有疑慮。
疑慮一方面來自對多趟建圖質量的懷疑。
在時間上，地圖采集車多在凌晨、半夜等車少路空的時段出動，通勤車則多在路況擁堵的上下班時段，眾多動態物體會遮擋場景導致建圖質量急劇下降。
?
道路信息極豐富的路口高精地圖 ? 在路徑上，地圖采集車會歷便采集路段的所有路口，以獲得完整的地圖信息。通勤路線建圖通常無法覆蓋所有車道和路口通行方向，對預測其它路口方向的他車軌跡、規劃控制的應變能力造成嚴重影響。
此外多趟建圖通常采用小圖拼大圖的方式。高精地圖在制圖過程中也常碰到兩個區域無法對齊的情況。所以通勤模式建設的地圖最終能否在合理的成本下，拼接成為一定區域內自動駕駛所需的地圖，也值得懷疑。
疑慮的另一面是通勤模式的增益主要在提升靜態信息上，而自動駕駛系統在城市中更大的風險來自于動態信息。
?
復雜的路口動態信息
即使擁有很好的路徑規劃，但如何與其它交通參與者進行高密度，且安全的互動，是同樣跑在城里的通勤模式和城市NOA面臨的核心難題，也是決定系統體驗的關鍵。
L4級自動駕駛公司的BUS模式，是通過過擬合模型來提升對固定路段內的感知和決策能力，即為一段路打造私有模型。但通勤模式將落地萬千用戶，為每條用戶的通勤路線建立私有模型，進行過擬合訓練顯然不現實。
自動駕駛量產玩家或許自己也有這樣的顧慮。盡管能解決80%的出行需求，但目前推出的通勤功能都是隨車附送，而非收費模式。
無論是算法還是工程專家都認同，降低對高精地圖依賴的通勤模式，有利于降低成本，普及駕駛輔助，讓更多人“用上”。但能否“用好”，仍由車端感知和決策能力高低所決定，沒有捷徑可走。
編輯：黃飛
?
工商網監
評論