毫末智行的第一性原理，以“重感知”的資料智慧跑贏自動駕駛角逐賽

2022年，自動駕駛的競爭毫無懸念的來到了乘用車輔助駕駛的規模之戰。圍繞這場大戰，業內已經陷入到車上到底要搭載幾個鐳射雷達才能算高階的“內卷之爭”。

商業的歸商業，技術的歸技術。回到自動駕駛的技術發展路線上，我們還是要注意到行業的這樣一個趨勢，那就是自動駕駛的感知路線到底該怎麼走？

很多行業人士可能注意到了，在今年4月由毫末智行舉辦的2022 HAOMO AIDAY上，在一如既往地對外進行自動駕駛技術佈道的豐富資訊中，可以捕捉到一個非常明確的訊號，那就是毫末智行在感知智慧當中對於“重感知”方案的重視。

具體來說，基於毫末智行資料智慧體系MANA的HPilot3。0會降低對高精地圖的依賴，即使在沒有高精地圖覆蓋的城市場景中，也能依靠強大的感知能力實現高階輔助駕駛。這就是所謂的“重感知”。

這是一個非常值得討論的變化。根據毫末智行CEO顧維灝的解釋，這是毫末智行對於自動駕駛第一性原理思考的一個結果——毫末智行自動駕駛的進化更多依賴資料智慧體系MANA的進步，其中依賴視覺資料的感知智慧的進化是其關鍵。

那麼，毫末智行這樣做的具體思考是什麼呢？對於自動駕駛技術路線的發展有怎樣的借鑑意義呢？

自動駕駛的第一性原理：感知智慧優先

當然，毫末智行並不是最先提出選擇“重感知”路線的自動駕駛企業。

眾所周知，特斯拉是第一家採用純視覺技術方案的自動駕駛企業。這一轉變從去年7月特斯拉釋出FSD9。0開始，同時特斯拉也推出了支援城市場景的高階輔助駕駛功能。

今年4月，海外一位特斯拉車主釋出影片，稱其在FSD的幫助下，實現了從洛杉磯開車到舊金山近600公里的零接管長途駕駛，場景包含城市、快速路與高速，一時間再次引起輿論對純視覺方案的關注。

除特斯拉與毫末智行外，華為也在近期談到了其對自動駕駛技術路線的思考。餘承東在5月北汽極狐新車釋出會上表示，華為ADS將加強對視覺感測器的應用，不過度依賴高精地圖，以快速實現對城市場景的覆蓋。

和毫末智行的城市NOH一樣，華為在北汽極狐阿爾法S華為HI版上也採用了高精地圖+鐳射雷達+攝像頭的多感測器融合感知方案，但華為也強調會透過對高精地圖的主動“降權”，ADS可以在今年實現對城市場景的覆蓋。

頭部自動駕駛企業的快速轉變與發展，無疑對自動駕駛技術的發展方向帶來了強烈的衝擊，而這一切都源於其對第一性原理的剖析。

基於第一性原理我們可知，不論是漸進式路線還是跨越式路線，自動駕駛的底層邏輯是不變的，即依靠AI在行駛過程中進行視覺識別和判斷決策。

正如人類主要透過視覺感知世界、實現人工駕駛一樣，汽車也應該依靠魯棒性更強的視覺進行感知和判斷，實現自動駕駛。

人類透過不斷的觀察、學習、模仿與實踐，逐步實現由“新手司機”向“老司機”的蛻變，汽車也可以透過大規模真實與模擬道路資料的學習和訓練，不斷迭代升級輔助駕駛的演算法能力，逐步升級到自動駕駛。

在這一過程中，算力、演算法與感知硬體的進步為輔助，能夠為自動駕駛的到來提供加速。特斯拉、毫末智行、華為便是基於技術進步快速實現了城市域高階輔助駕駛技術的規模化落地，但其核心依舊是資料，資料才是建立並推動自動駕駛進化的真正基石。

由此可見，當下的自動駕駛技術發展正在處在關鍵抉擇期，而關鍵則是要從根源處找到獲取自動駕駛技術聖盃的金鑰匙。誰能夠率先認識到並付諸實踐，誰就能在自動駕駛的下半場競爭中贏得為數不多的席位。

資料智慧體系MANA驅動視覺感知進化

毫末智行在僅僅2年多的時間便成為了乘用車輔助駕駛和末端物流自動配送車領域的領先者，其背後的邏輯正是源於對第一性原理的思考和應用。

毫末智行CEO顧維灝認為，算力、演算法與感知硬體將隨著自動駕駛行業的快速發展迎來效能突破，而資料才是決定自動駕駛實現質變的核心。

此外，毫末智行也認識到，自動駕駛本質上是對人工駕駛的效仿與超越，所以視覺感知能力的強大與否，將成為毫末能夠贏得自動駕駛下半場競爭的關鍵。

以資料智慧體系MANA為全新基石假設，毫末智行在2022 HAOMO AI DAY上推出了搭載城市NOH功能的HPilot 3。0；而作為HPilot3。0的依託，MANA也在不到半年的時間內，完成了感知層面的進化。

對於城市域高階輔助駕駛，毫末智行CEO顧維灝介紹，業記憶體在兩個共同的難題，一個是對紅綠燈的識別與對應的路口綁路，另一個則是對車道線的識別。

對紅綠燈識別的困難首先來自於全國紅綠燈標準的不統一。僅以倒計時來舉例，在北京，有的紅綠燈採用數字倒計時，有的完全沒有倒計時；而天津的紅綠燈則採用計時條倒計時。

同樣的問題還有紅綠燈與對應路口的綁路。以保定三豐路、建國路與朝陽南大街交匯的“十字路口”為例，6個路口對應6組紅綠燈，並且路口還分有主路與輔路，即使是真人司機也很難保證不走錯。

對此，MANA給出的解決方案是，採用毫末獨創的“雙流”感知模型，分兩步並同步處理紅綠燈識別與路口綁路，保證識別正確率與識別速度。

首先是紅綠燈識別問題。針對紅綠燈的不同形態與執行邏輯，MANA首先會從車主真實資料中進行紅綠燈部分的篩選，並且也會在模擬系統中吸取經過驗證的模擬資料。

與真實資料不同，模擬資料與其在真實世界中的對映終究會存在一定差異，所以MANA在這裡又引入了混合遷移學習的概念，透過將兩種資料進行混合與拉齊，實現對混合資料的高效應用。

在正確識別紅綠燈的同時，MANA還要確認與紅綠燈對應的路口究竟是哪一個，而這正是Transformer的優勢領域。

透過Transformer的全域性注意力機制，MANA首先能夠搭建出一張解釋道路特徵的FeatureMap，透過其道路形狀、地圖導航等因素，判斷紅綠燈對應路口的大致位置。

之後則是將其與紅綠燈識別結果進行重合，最終得出“我要去哪一條路，那條路現在是紅燈還是綠燈”的結論。

當前搭載L2級駕駛輔助系統的車輛都具備車道保持的功能，但在實際使用過程中，很多車都會出現車道內左右橫擺的現象，其原因之一便來源於系統對車道線的識別邏輯。

此外，城市道路中很多車道線都存在新舊重疊、磨損褪色、中斷丟失、潮汐變更的問題，同樣也能夠對真人駕駛帶來不小的迷惑，並導致輔助駕駛系統直接退出。

就像人低著頭走路遲早會撞牆一樣，傳統駕駛輔助系統之所以會經常栽在車道線這一領域，很大原因在於其演算法無法捕捉全域性資訊，僅能透過區域性資訊進行決策。

此外，融合、糾正由攝像頭捕獲的車道線影象，並基於這一資訊進行時序輸出，也是傳統輔助駕駛系統難以完善的，這同樣是導致很多自動駕駛企業依賴高精地圖的原因。

基於Transformer的全域性注意力機制，MANA同樣可以輕鬆應對這一難題。HPilot3。0擁有6顆攝像頭，視角覆蓋車輛四周，而Transformer則可輕鬆將這6角資訊進行拼接，並在這一過程中消除感測器本身存在的標定誤差，拼接出連貫、真實的車道線。

此外，基於Transformer全域性建模的能力也能讓MANA看得更遠，即使車道線出現磨損、丟失、位移等情況，MANA也能建立更準確的道路拓撲與時序結構，提升系統魯棒性。

毫末智行的“重感知”方案為自動駕駛的發展帶了全新的認知，但並不意味著毫末智行要徹底放棄高精地圖。根據2022 HAOMO AIDAY提供的資訊，毫末智行城市NOH的路口透過率超過70%，變道成功率超過90%，交通流處理能力高達4級，並將在今年落地，但得益於“重感知”路線，城市NOH將是國內第一個實現大規模量產的城市輔助駕駛產品，也將是國內第一個最實用高效的城市輔助駕駛產品。

“重感知”趨勢下，自動駕駛開始“拼內功”

不論業界對“重感知”評價如何，在以特斯拉、華為、毫末智行為代表的頭部自動駕駛企業的集體轉型下，自動駕駛未來將發展如何，已經一目瞭然了——視覺感知將是自動駕駛企業建立優勢地位的護城河，也將是實現自動駕駛的核心要義。

於自動駕駛而言，高精地圖、鐳射雷達就如兵器之於習武者，即使屬性再好，也終究是身外之物、不可過於依賴，何況好的兵器更需要好的內功驅動；而視覺感知之於習武者，則是真正內功的體現。習武者修煉好的內功，不僅可以做到神形合一，也可以駕馭外界各種兵器，做到強強聯合、以一敵百。

在第一性原理的啟迪下，毫末智行在激進的純視覺路線和保守的融合感知路線中正在探索一條更具優勢的技術賽道，這為自動駕駛技術發展提供了一份非常好的參考模板。當然，這也給自動駕駛下半場的群雄角逐提供了更多看點。

（本內容為廣告，相關素材由廣告主提供，廣告主對本廣告內容的真實性負責，內容僅供讀者參考。）