文|極智GeeTech
2024年，被很多中國車企稱為“智駕規(guī)模商用元年”，但是智駕領域的競爭如果沒有特斯拉這條“鯰魚”參與，顯然有些成色不足。
近日，據(jù)媒體報道，上海已向特斯拉發(fā)放了道路測試牌照。此前有外媒報道，特斯拉計劃為中國市場注冊FSD軟件，預計今年推出，并可能以月度訂閱方式向用戶收費。若注冊成功，特斯拉員工將可在中國的公共道路上進行FSD的內部測試。
回顧特斯拉自2021年發(fā)布FSD Beta版本（測試版本）至2024年發(fā)布FSD v12（Supervised）版本（受監(jiān)管版本）以來走過的3年路程，馬斯克把FSD的30多萬行代碼刪到只剩下2000多行。而這背后，是FSD端到端的全新升級。
也正因如此，“端到端”“BEV”“Transformer”成為了智能駕駛圈中的熱詞，引發(fā)車企的爭相研究，華為、小鵬、理想、蔚來等主流主機廠、自動駕駛方案商均推出了基于BEV+Transformer的智駕方案。
全球車企瘋狂押注端到端大模型的背后，新一輪智駕技術軍備競賽號角已經(jīng)吹響。
路線之爭愈演愈烈
在智能駕駛領域，中美兩國呈現(xiàn)出一超戰(zhàn)多強的態(tài)勢，特斯拉在某種意義上代表了美國自動駕駛的基本面，中國這邊則是新勢力個個爭先。
特斯拉研發(fā)的FSD采取純視覺方案，完全摒棄掉激光雷達、毫米波雷達等傳感器，僅采用攝像頭進行感知，特斯拉汽車共計采用8個攝像頭分布在車體四周，整體實現(xiàn)360度全局環(huán)視視野，攝像頭就像是“汽車之眼”，為汽車提供類似人類駕駛員的視覺感知系統(tǒng)。
馬斯克對于雷達是極度排斥的，這既有商業(yè)層面的考慮，特斯拉剛上市的時候，雷達的成本還比較高昂，有的高達上萬美元。還有另外一個原因，他信仰“第一性原理”——既然人類是靠眼睛開車，而道路結構和標志也是為人眼設計，作為“汽車之眼”的攝像頭理論上也可以實現(xiàn)同樣的效果。
同時，毫米波雷達技術上的缺陷也是他的一個重要顧慮。毫米波雷達由于無法分辨高度信息，在使用中會將靜止物體識別的置信度降低，如無其他可靠傳感的情況下，可能導致誤剎或漏剎，導致“幽靈剎車”。這些因素讓特斯拉堅定地走出了“去雷達”之路。
持續(xù)的進化能力正是特斯拉FSD的可怕之處。2021年7月，特斯拉正式推出了BEV（鳥瞰圖）+Transformer的技術方案，進一步提升了攝像頭的測距、測速以及適應一些極端場景的能力。
2022年，特斯拉提出Occupancy Network（占用網(wǎng)絡），引入了“體素”的概念——三維空間基本單元，通過占用網(wǎng)絡進一步提升對物體體積信息的識別能力。大幅改進此前視覺算法常常會出現(xiàn)誤檢、漏檢的問題，同時，特斯拉也不斷投喂各類場景的視頻，讓AI算法盡可能多的認識更廣泛的駕駛情況。
2024年3月1日，特斯拉FSD v12完成更新，有業(yè)內人士表示，F(xiàn)SD v12是特斯拉史上最重要的一次更新，它為特斯拉車輛帶來了前所未有的自動駕駛能力。
“FSD Beta v12將城市街道駕駛堆棧升級為端到端神經(jīng)網(wǎng)絡，經(jīng)過數(shù)百萬個視頻訓練，取代了30多萬行C++代碼?！痹诟抡f明中，特斯拉如此說道。FSD v12被視為改變規(guī)則的技術，整個系統(tǒng)中端到端的算法幾乎全部采用神經(jīng)網(wǎng)絡構建，其優(yōu)勢在于其靈活度非常高、應變能力好、上限高，并且可以通過高度擬人化的狀態(tài)駕駛，大幅提升駕乘體驗。
與特斯拉不同的是，國內廠商普遍采取的是激光雷達方案，這個方案依托激光雷達+攝像頭+毫米波/超聲波雷達等硬件設備，依靠實時測繪、AI算法的融合感知，來實現(xiàn)智能駕駛。比如，華為問界系列、理想汽車2024款L系列的Pro版、極氪007、阿維塔12、小鵬G9、問界M5等。
中國車企關于智能駕駛的技術主線比較簡單，雷達的裝載量越來越多，雷達的線程越來越高，成本越來越低。由此帶動的，智能駕駛技術也不斷由高價車向低價車滲透，乘聯(lián)會發(fā)布的汽車智能網(wǎng)聯(lián)洞察報告數(shù)據(jù)顯示，2023年全年新能源乘用車中，裝備L2級及以上輔助駕駛功能的比例達到55.3%。
而隨著雷達路線的不斷進步，2024年中國車企們開始大規(guī)?！斑M城”了，極氪007、阿維塔12、小鵬G9、華為問界等都已經(jīng)開通了城市和高速NOA功能。城市場景下的自動駕駛具有重大的現(xiàn)實意義和象征意義，“進城”也被認為是邁進高階自動駕駛的重要標志。
不過，從特斯拉的開發(fā)經(jīng)驗來看，端到端自動駕駛所需的數(shù)據(jù)規(guī)模、算力規(guī)模遠遠超出國內企業(yè)的承受能力。除了成本高昂，端到端自動駕駛的技術難度也非常之高，想要實現(xiàn)端到端產(chǎn)品落地和持續(xù)進化，對于車企的技術迭代能力也提出了更高的要求。
小模型VS大模型
智能駕駛行業(yè)，經(jīng)歷了一個模型“從小到大”的過程。
目前已量產(chǎn)的智能駕駛，絕大多數(shù)采用的是模塊化架構。簡而言之，模塊化是將智能駕駛系統(tǒng)拆分為多個典型任務，并由專門的AI模型或模塊處理。
現(xiàn)階段的自動駕駛模型框架主要由感知、決策、控制三個部分組成。感知模塊就像是人的眼睛和耳朵，負責對外部環(huán)境進行感知；控制模塊就像人的雙手和雙腳，負責最終的加減速、轉向等操作；而決策規(guī)劃模塊就像人的大腦，基于接收到的感知等信息進行行為決策和軌跡生成。
在此架構下，每個大模塊可能包含多個小模型的組合。如感知模塊可能包含分類、追蹤和定位等不同AI模型，各司其職。
不過，隨著軟硬件升級與逐步深入，自動駕駛對于計算能力和海量數(shù)據(jù)處理能力的需求暴增，傳統(tǒng)各個小模型“堆疊”的方案，已經(jīng)無法滿足城市自動駕駛的需求。比如，“堆疊”造成信息失真以及算力浪費，而每個小模型的技術天花板也會導致整體解決方案受限。
這個時候，大模型開始進入業(yè)界視野。
2021年8月，特斯拉AI高級總監(jiān)Andrej Karpathy展示了一項新技術——基于Transformer的BEV（鳥瞰視角）感知方案，這是大模型技術首次應用于自動駕駛領域，也是特斯拉實現(xiàn)純視覺智能駕駛方案的關鍵。
BEV可以實現(xiàn)將360度環(huán)視的時間、空間融合，相當于車輛正上方10-20米有一個直升機俯視車輛與周圍環(huán)境。Transformer架構可以輸出靜態(tài)、動態(tài)信息，以及端到端的預測能力。更具象化來說，就是將攝像頭、毫米波雷達、激光雷達等感知元件采集到的實時數(shù)據(jù)通過Transformer模型轉換成3D圖景，最后形成車輛周圍的鳥瞰圖，實現(xiàn)對車輛周邊環(huán)境的精準感知，甚至可以實時形成一張車輛周圍的實時地圖。
需要指出的是，Transformer不等于大模型，它是模型的底座，目前的大模型都是在Transformer的基礎上進行開發(fā)的。
在特斯拉使用Transformer之后，大模型早已經(jīng)不限于智能駕駛感知領域。目前，智能駕駛已從僅使用模型進行圖像感知，使用規(guī)則算法的方式，轉變?yōu)楦兄?、融合、預測全面使用模型。
盡管BEV+Transformer相較于過往的智駕技術路線優(yōu)勢眾多，但也并非十全十美，仍存在諸多挑戰(zhàn)。
首先，為了確保視覺感知重疊，汽車感知硬件中攝像頭數(shù)量會有所提升，硬件成本增加。
其次，Transformer模型體量龐大，運算會消耗大量存儲與帶寬空間。同時對芯片性能要求嚴苛，除需進行算子適配以及底層軟件優(yōu)化外，SOC層面還需對緩存與帶寬進行提升。
最后，也是最為重要的是Transformer訓練與迭代需要海量數(shù)據(jù)做支撐，催生出海量的數(shù)據(jù)采集、標注需求。
從高速場景拓展到城市場景，車輛所遇到的長尾問題大幅增加。高速場景相對封閉，交通參與者相對簡單不涉及行人，駕駛狀態(tài)可預測性更強，對數(shù)據(jù)規(guī)模與多樣性要求較低。而城市場景路況則較為復雜，交通參與者眾多，場景異質性強，駕駛狀態(tài)很難進行預測。因此，城市NOA對自動駕駛模型的泛化能力提出了更高的要求。
Transformer大模型量變到引起質變需要數(shù)億公里標注數(shù)據(jù)的投喂，并覆蓋不斷出現(xiàn)的極端案例，才能實現(xiàn)自動駕駛感知算法從輕量的神經(jīng)網(wǎng)絡二維感知到基于Transformer四維感知的升維，這對數(shù)據(jù)標注量產(chǎn)規(guī)模提出了更高的要求，數(shù)據(jù)閉環(huán)能力取代算法范式，成為決定商業(yè)量產(chǎn)從1到N的勝負關鍵。
智能駕駛的另一條路徑
在智能駕駛產(chǎn)業(yè)在發(fā)展過程中，數(shù)據(jù)端和算法端都面臨著一定的發(fā)展痛點。
數(shù)據(jù)處理層面，自動駕駛所需要的數(shù)據(jù)是有價值的極端案例（Corner Case）， 但當前數(shù)據(jù)處理面臨的最大問題是低效率和高成本，無法實現(xiàn)數(shù)據(jù)閉環(huán)。其中，低效率的問題主要是高價值數(shù)據(jù)比例低、各類型數(shù)據(jù)需求同步難、數(shù)據(jù)處理的自動化程度低；高成本問題主要是數(shù)據(jù)采集成本高、數(shù)據(jù)標注成本高、數(shù)據(jù)存儲成本高。
算法模型層面，自動駕駛功能逐步邁向高階功能，自動駕駛系統(tǒng)將承擔駕駛操作和周邊監(jiān)控，人類駕駛員將承擔突發(fā)狀況下的駕駛工作，此時感知和定位的工作將轉移到車端，整個自動駕駛系統(tǒng)被認為是不安全的，使得整個高階自動駕駛陷入了一個低谷中。以城區(qū)NOA為例，車輛將面對更復雜的場景及工況，包括更多的交通參與者、更復雜的交通規(guī)則、更高要求的地域覆蓋率等。
任何技術路線都不止一條，車路云一體化作為智能駕駛的另一條技術路徑被擺到了前臺。車路云一體化是在車路協(xié)同的基礎上進一步發(fā)展而來，其關鍵是人、車、路、云，對應的是交通參與者、車載終端、路側設施和云計算。一體化是將這些要素融合為一體，通過配備智能傳感器設施的道路與智能網(wǎng)聯(lián)汽車聯(lián)動，類似于ETC系統(tǒng)中的路側單元和車載模塊的交互，在智慧公路獲取到車輛數(shù)據(jù)之后，再回傳到后臺進行數(shù)據(jù)分析，進而得到實時路況信息，再下發(fā)給智能車輛、交通部門、城市管理者等相關方，實現(xiàn)全面的系統(tǒng)協(xié)同感知、決策與控制。
從以端到端大模型為代表的單車智能與車路云一體化兩者關系來看，其本質上并非同維競爭。單車智能是“點”的提升，車路協(xié)同是“面”的統(tǒng)籌。車路云一體化誕生之初就是為了解決單車智能無法解決的問題，二者的關系是相互促進、互為補充。車路云一體化可以彌補單車智能在復雜場景下的感知不足，通過整合交通關鍵要素、超視距感知、實時信息共享等方式，提高自動駕駛的可靠性和安全性。
車路云一體化為自動駕駛大模型訓練開辟了新的路徑。與傳統(tǒng)依賴車輛單獨采集數(shù)據(jù)的方式相比，車路云一體化系統(tǒng)能夠收集到更龐大的數(shù)據(jù)量與更豐富的數(shù)據(jù)類型，不僅大幅拓寬了訓練數(shù)據(jù)的廣度與深度，還顯著加速了自動駕駛模型的學習效率與精確度，為實現(xiàn)更高水平的自動駕駛奠定堅實基礎。
通過車路云一體化，自動駕駛車輛的傳感器不再是唯一的眼睛，通過遮蔽或關閉這些傳感器，車輛完全可以依賴路側基站構建的實時數(shù)字孿生系統(tǒng)，將實時路況和環(huán)境數(shù)據(jù)源源不斷地傳輸給車輛，指引其順利完成自動駕駛任務。
目前，車路云一體化主要面臨“兩率低”問題，即路側設備覆蓋率不高且不均勻和車端設備滲透率低。一方面，C-V2X車聯(lián)網(wǎng)路側基礎設施RSU覆蓋率較低，未形成規(guī)模部署，缺乏全域打通；另一方面，車載終端滲透率較低，導致車輛間信息交互和協(xié)作能力不強。車路城協(xié)同基礎設施建設主要集中在各城市示范區(qū)的部分道路路段，無法形成連續(xù)的智能網(wǎng)聯(lián)環(huán)境，難以滿足智能網(wǎng)聯(lián)車輛規(guī)?；瘻y試驗證、數(shù)據(jù)訓練、功能優(yōu)化等需求，進而導致基礎設施使用率偏低。
而中國龐大的公路網(wǎng)絡以及機動車保有量為車路云一體化提供了豐富的驗證場景和數(shù)據(jù)來源。2023年，全國公路總里程544萬公里，其中高速公路18萬公里，機動車保有量是4.35億輛。據(jù)《車路云一體化智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)產(chǎn)值增量預測》報告預測，2025年/2030年我國車路云一體化智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)總產(chǎn)值增量分別為7295億元/25825億元，年均復合增長率為28.8%。
所有的技術路線最終都將殊途同歸。當前，端到端大模型和車路云一體化還處于不斷進化的階段，但其目標都是為了讓更安全的自動駕駛走進千家萬戶。隨著越來越多的企業(yè)投入到相關技術的研發(fā)與應用當中，這些技術的未來發(fā)展圖景也將愈發(fā)清晰。如今，智能駕駛起跑的槍聲已經(jīng)打響，路線是關鍵，而朝著選好的方向狂奔，也是賽道當中的企業(yè)不得不做的選擇。