智能駕駛技術(shù)推動城市NOA落地的過程

一、為何智能駕駛技術(shù)優(yōu)先應(yīng)用于高速公路車輛駕駛道路按其性質(zhì)可分為高速公路以及一般城市道路兩種，其中，高速公路具有駕駛工況簡單、障礙物種類少、道路拓?fù)淝逦?、道路狀態(tài)更新慢等特性，而相較之下，城市道路工況復(fù)雜多樣、障礙物種類多且類型不一，同時道路四通八達(dá)，存在拓?fù)浣Y(jié)構(gòu)復(fù)雜且狀態(tài)更新快的特點(diǎn)。在新能源汽車由電動化進(jìn)入智能化的初步階段，基于此前的相關(guān)技術(shù)、軟硬件、設(shè)施、芯片平臺等多方因素的限制，應(yīng)用于此階段的智能駕駛技術(shù)還處于較低階水平。但在面對具有更加復(fù)雜場景的城市道路時，智能駕駛技術(shù)的應(yīng)用需考慮更多的條件及制約因素。因此為確保車輛的行車安全，應(yīng)用于此類道路的智能駕駛技術(shù)需具備更高階的水平，在技術(shù)狀態(tài)與需求水平相矛盾的當(dāng)下，優(yōu)先在道路復(fù)雜度低的高速公路上實現(xiàn)車輛智能駕駛技術(shù)的商業(yè)應(yīng)用便成為了首選。圖1

智能駕駛技術(shù)優(yōu)先高速應(yīng)用流程示意二、智能駕駛從小模型到大模型智能駕駛技術(shù)的實現(xiàn)按系統(tǒng)運(yùn)行漸進(jìn)順序可分為感知層、判斷層以及執(zhí)行層三大模塊，其中判斷層是通過軟件模型實現(xiàn)對感知層數(shù)據(jù)的處理并完成行車路徑規(guī)劃，從而輸出相關(guān)決策行為，進(jìn)而生成具體的加速、轉(zhuǎn)向和制動等指令，以此來控制車輛相關(guān)的執(zhí)行器完成目標(biāo)動作，是實現(xiàn)車輛精準(zhǔn)控制的關(guān)鍵所在。圖2

智能駕駛技術(shù)的構(gòu)成在傳統(tǒng)的智能駕駛技術(shù)的應(yīng)用中，國內(nèi)外車企主要是通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等傳統(tǒng)小模型的應(yīng)用，再結(jié)合后融合技術(shù)來完成車輛對感知信息的處理，進(jìn)而實現(xiàn)車輛具體的智能駕駛能力，其過程如下示意：圖3

后融合技術(shù)的應(yīng)用如在面對應(yīng)用場景較為簡單的高速工況時，采用小模型配合后融合技術(shù)可對車輛運(yùn)行過程中的絕大多數(shù)障礙物進(jìn)行識別，再通過結(jié)合車載導(dǎo)航所規(guī)劃的路徑，可實現(xiàn)車輛的自動變道、自動進(jìn)入/駛出匝道口等功能，進(jìn)而實現(xiàn)高速工況的點(diǎn)到點(diǎn)智能駕駛能力。在此點(diǎn)到點(diǎn)技術(shù)的應(yīng)用過程中由于融合了車載導(dǎo)航功能，因此為了車輛可安全、精準(zhǔn)的實現(xiàn)自動變道、進(jìn)入、駕出，便要求導(dǎo)航地圖必須具備高準(zhǔn)確、高精度、高可靠的特點(diǎn)，以防止因地圖誤差或錯誤而導(dǎo)致的行車路徑、準(zhǔn)確性出現(xiàn)異常，于是通過融合高精地圖的高速領(lǐng)航輔助駕駛（NavigateOnAutopilot，NOA）也便由此誕生了，同時此技術(shù)的實現(xiàn)對于高精地圖的依賴便由此埋下了種子。圖4

傳統(tǒng)高速NOA依賴高精地圖隨著市場對智駕需求的擴(kuò)展以及相關(guān)技術(shù)的提升，智能駕駛技術(shù)在城區(qū)道路的應(yīng)用已甚囂塵上，但在面對更加復(fù)雜應(yīng)用場景尤其是行人、異形障礙物等大量存在的環(huán)境時，小模型及后感知技術(shù)存在感知精度差、識別率低等問題，此問題的存在會讓判斷層無法做出準(zhǔn)確的路徑規(guī)劃以及合理的決策行為，為此基于BEV（Bird’seyeview，鳥瞰）+Transformer大模型的方案得以被研發(fā)出來，以此來解決感知層對障礙物感知精度低等問題。三、大模型降低對高清地圖的依賴我們知道在城區(qū)道路中，除了存在大量不易識別的障礙物之外，行人、車輛等物體的狀態(tài)也在隨時發(fā)生著變化。同時，城區(qū)道路不像高速公路那般具有較強(qiáng)的狀態(tài)穩(wěn)定性，由于城市的發(fā)展，基建的進(jìn)行，常促使城區(qū)道路狀態(tài)發(fā)生變化，而地圖的更新頻率并無法與道路的變化狀態(tài)保持實時性。為此，依賴于高精地圖的智能駕駛技術(shù)在城區(qū)道路的應(yīng)用中常顯得難以施展手腳?；诖朔N種因素制約，通過傳統(tǒng)的小模型配合后融合技術(shù)實現(xiàn)的智能駕駛功能由于精度差、對高精地圖的依賴等因素不再適合于此環(huán)境的應(yīng)用，而基于特征融合的BEV+Transformer大模型方案依托其強(qiáng)大的功能可快速適應(yīng)城區(qū)道路的復(fù)雜環(huán)境。其工作流程可大致分為如下五個步驟：圖5BEV+Transformer大模型工作流程在此大模型的加持下，智能駕駛的感知能力明顯得以提升，同時，由于大模型具有多任務(wù)輸出的特性，在其運(yùn)行過程中車輛根據(jù)傳感器采集的周圍數(shù)據(jù)信息，可實時自動生成動態(tài)語義地圖，此根據(jù)周圍實際環(huán)境瞬間生成的地圖讓智駕系統(tǒng)在當(dāng)下階段減少或擺脫了對高精地圖的依賴。圖6

高精地圖涵蓋城區(qū)道路詳細(xì)信息不過基于BEV+Transformer大模型的方案多是通過pixel點(diǎn)格（即像素點(diǎn)）的應(yīng)用，并使用矩形框（bondingbox）來框定物體，進(jìn)而對物體進(jìn)行識別。此技術(shù)在面對障礙物與周圍環(huán)境相似度較高的情況時，會存在誤判的情況。因此為進(jìn)一步提升車輛的感知精度，避免車輛碰撞發(fā)生的概率，通過在原有BEV+Transformer大模型的基礎(chǔ)上對其進(jìn)行了升級，從而新的占用網(wǎng)絡(luò)（OccupancyNetwork）大模型誕生。此模型是在原本2DBEV的基礎(chǔ)上增強(qiáng)對于物體高度信息的感知，即將真實三維空間劃分為無數(shù)個微小立方體以形成3D點(diǎn)格，每一個3D點(diǎn)格即為一個voxel，在面對障礙物時不考慮此物體是什么，而僅考慮此空間是否被占用，因此每一個voxel具有0和1兩種狀態(tài)，即此空間是被占用還是空閑，此技術(shù)的應(yīng)用可在無法對前方物體進(jìn)行識別時，讓車輛能夠根據(jù)障礙物的大小來執(zhí)行路徑規(guī)劃并實現(xiàn)躲避操作。同時根據(jù)感知信息，對可識別的物體賦予其不同的語義（如運(yùn)行的車輛等），并可為物體標(biāo)注不同的顏色。注：為顯示界面的整潔且不妨礙駕駛員，語義并非一定會顯示。圖7

占用網(wǎng)絡(luò)技術(shù)結(jié)合不同應(yīng)用場景需求，可通過具有更高感知精度的占用網(wǎng)絡(luò)大模型的應(yīng)用讓整車實現(xiàn)更高的智能化水平，并可進(jìn)一步擺脫對高精地圖的依賴，或可將占用網(wǎng)絡(luò)大模型與Transformer大模型進(jìn)行融合后應(yīng)用，讓智駕技術(shù)在維持市場應(yīng)用的同時更具性價比。通過大模型的應(yīng)用可讓點(diǎn)到點(diǎn)的智能駕駛不再依賴于高精地圖，從而實現(xiàn)L2+級別城市NOA的盡快落地。試想一下，未來城市NOA的落地將解決大部分人每日固定的兩點(diǎn)一線通勤方