作者 | 章漣漪

今年下半年，圖森未來會發布一個“數據集”，至少是百小時級別的、干凈的。

如何做負責任的自動駕駛。

(相關資料圖)

7月27日，首屆AI DAY上，自動駕駛卡車公司圖森未來主要就講了這一件事。

在圖森未來CTO王乃巖看來，過去3至4年里，輔助駕駛系統在乘用車領域飛速發展，功能不斷增加，但依然是L2級輔助駕駛產品，無法突破至L3，乃至L4級自動駕駛。

“這其中很大原因在于，L3和L4從功能上來說可能并不比L2更復雜，但可靠性上是質的飛躍，因此輔助駕駛產品開發方法論，不適用于L3級及以上產品”。王乃巖表示，圖森未來基于更高階自動駕駛設計了一整套全冗余架構。

那么，圖森未來自動駕駛系統方案具體如何設計？從技術研發到大規模量產落地還需要多久？

01、從車輛到算法，全冗余架構解讀

全冗余，這是圖森未來L4級自動駕駛系統的最大特點之一。

根據王乃巖介紹，圖森未來設計了一套全冗余的架構，包括了最底層車輛，到上層系統、傳感器，以及最上層算法模塊。

車輛方面，圖森未來使用車輛配備了冗余的轉向系統和制動系統，來保證出現單路失效狀況時，車輛仍然能夠在其控制之下。

實現方式是，在系統設計層面，圖森未來設定了兩套完全獨立的系統，即主系統和備系統。其中主系統L4駕駛的“主力”，使用的是高算力平臺和全套傳感器，可以實現完整的L4駕駛的功能。

與此同時，圖森未來還配置了與之完全獨立的備系統，其使用了低算力，但可靠性很高的車規級芯片和比較有限的傳感器。備系統只需要完成在主系統失效時候的降級功能。

兩套系統都實現了完全獨立的供電，可減少因為供電導致供電故障的可能，進一步提升了系統的可靠性。

在系統運行模式方面，除了正常的L4級別自動駕駛外，圖森未來還設計了兩種最小風險狀態，分別是車輛側后方感知及轉向系統可用時，可以實現應急車道靠邊停車；在一些非常極端情況下，比如說徹底失去了后向和側向感知時，設計了相應的在當前車道安全剎停等待救援模式。

傳感器冗余方面，圖森未來設計原則是使用全波段的電磁波感知，使用了相機、激光雷達和毫米波雷達三種傳感器，基于他們不同的特點和優劣勢，圖森未來設計了一套使用全類型傳感器、高可靠冗余方案。

算法冗余是圖森未來非常關注的領域。王乃巖稱，算法設計中最關鍵的點是如何處理失效問題。圖森未來在設計算法架構時最核心的思想是：假設沒有一個傳感器是永遠可靠的，沒有一個算法不會犯錯。

基于這樣的一個想法，圖森未來車上運行的算法分成了兩大類：Data-Driven算法和Principle-Based算法。前者為數據驅動算法，它的原理是使用大模型驅動AI算法，來實現像物體識別、車輛識別，以及包括動態道路的環境感知等；后者的特點是能夠對問題和過程進行精確建模。

王乃巖展開介紹稱，算法架構設計的第一個模塊是感知模塊，這是冗余設計最困難的模塊，因為在該模塊中，圖森未來大量使用了數據驅動算法。

基于此，圖森未來在感知模塊實現了三重冗余。一方面，其把三種感知方法分為兩大類：基于識別的物體感知和基于場景的障礙物感知。由于兩者原理不同、假設不同，這就意味著圖森未來已經實現了一套冗余。

與此同時，在基于識別的物體感知中，又使用了兩套完全獨立的系統去分別使用激光雷達和相機在第一階段生成候選框和候選物體，這兩套傳感器及算法都是完全獨立的。

在基于場景的障礙物感知方面，使用的也是層次化或者說漏斗式設計方案，去逐層提高識別準確率，其中最底層，圖森未來基于激光雷達幾何性很強的特征，去初篩所有可能存在的通用障礙物，在此之上使用高精度地圖和相機，去實現準確率的逐步提升，以滿足下游規控算法需求。

這兩套系統一起提升了整個感知模塊的冗余程度。

除了冗余挑戰之外，卡車場景還有一個天然的挑戰：遠距離感知。由于卡車的載重、車身長度等因素，導致其相比于乘用車需要更長的緊急剎停距離和完整變道距離，這對算法的性能和可靠性都提出了很大的挑戰。王乃巖稱，根據其經驗，卡車的車道感知距離最好是400米至500米，乃至更遠距離。

02、從感知到產品，實踐經驗分享

在王乃巖演講過程中，不斷有圖森未來技術專家基于實踐，針對感知模塊、定位模塊、預測規劃和控制、端到端仿真、數據自動標注和產品六個方面進行了分享。

感知模塊方面，正如前面所言，圖森未來L4級自動駕駛方案需要做到感知算法的冗余，這要求視覺能夠獨立感知周圍環境。以3D目標檢測為例，其所要做的是，通過環視攝像頭來獲取物體在3D空間下的大小位置和姿態信息。

目前主流3D目標檢測的方式是BEV方法。但如果直接應用到場景中，會遇到兩個問題：一是長距離感知需要構建長距離BEV空間，這會消耗大量的計算和空間資源；二是算法設計沒有考慮到相機之間互補冗余，如果出現漏檢，會造成整個系統消失。

針對上述兩大問題，圖森未來給出的方法是：基于物體多視覺的3D檢測框架，在環視鏡頭輸入后，會對每個相機進行2D檢測，并融合各視角信息，最終形成3D檢測結果。在實現相對魯棒的同時，也能保證算法內部的冗余。

定位模塊方面，作為無人駕駛汽車模塊中非常重要部分，它對于可靠性的要求比感知模塊更高。畢竟如果在300米范圍內漏檢了一輛車，可能不會立即導致事故，但如果定位算法偏差超過半米可能直接沖出車道，碰撞障礙物。

因此，在定位算法里，對于精度和魯棒性的要求遠高于其他模塊。基于此，圖森未來選擇了多傳感器融合方案，包括相機、激光雷達和組合導航。

預測規劃和控制模塊方面，圖森未來稱，由于卡車不是單體結構，而是由兩部分組成，會導致出現非常復雜的動力學和運動學模型；同時，因重量和尺寸原因，卡車只有非常有限的加減速性能。

為應對上述挑戰，業界流行做法是，將對其他車輛預測、自車決策、自車控制，以及自車軌跡橫向和縱向規劃五個部分分別取優化，這樣的好處是整個系統比較可控，且每個模塊可以獨立完成自己目標，但劣勢是分塊的系統難以去實現統一優化目標服務于一輛車。

業界第二代的做法是實現橫縱聯合規劃，即把整個橫向規劃和縱向規劃耦合在一起，變成同樣一個模塊。而圖森的做法是“一步到位”，實現五個部分的聯合優化，實現預測為決策服務。

端到端仿真模塊，常見的仿真是做規控的仿真，在規控仿真中只運行規控模塊和底層車輛模型，它對于低級別自動駕駛系統可行，但圖森未來的感知系統及規控系統間有非常復雜的耦合關系，簡單的仿真測試不足以滿足。

為此，圖森未來在仿真測試中采用到了端到端的仿真測試框架，將整個算法系統作為黑盒進行測試，實現更高級別的集成測試，也是HIL測試的基礎。

仿真測試系統是怎么構成的呢？首先，它是一個離線閉環系統，目的是測試我們整套算法系統，同時也支持多場景測試，包括真實場景導入仿真場景庫后測試和人工編輯長尾問題測試。

在工程上，端到端仿真系統架構主要分為兩部分：有仿真引擎及仿真底層物理世界引擎和車輛動力學模型構成的仿真系統；另一部分是由運行整套算法自駕的域控，以及一些虛擬車輛控制單元組成的測試環境。兩套系統通過傳感器的輸出，以及一些看的消息進行通訊。可以通過回放路測場景和虛擬引擎渲染方案實現，但兩者都存有一些弊端。

為此，圖森未來采用了神經渲染的方法。即，基于錄采數據重建3D場景，并在相機中渲染出來，而對于路上遇到的各種交通參與物，只需要傳感器掃到他們，再離線通過一套處理將其加入仿真場景庫。

據介紹，圖森未來循環運行所有的離線仿真場景只需要不到30分鐘，每小時運行成本小于10元。

此外，數據自動標注模塊，圖森未來的核心思想是在一個序列里面，一旦檢測到一幀會使用跟蹤算法，把整個序列上的物體關于它的點源全部找到，然后堆疊起來，以保證比較高的效率；產品模塊，圖森未來的主要工作是用戶研究和需求挖掘、需求定義、需求驗收和ODD定義。

03、實現自動駕駛數據很重要，下半年會分享數據集

在詳細介紹完技術情況后，圖森未來還組織了一場圓桌論壇，去談論從限定區域自動駕駛到全場景L5級別自動駕駛需要多久。

上海人工智能實驗室青年科學家李弘揚指出，作為學術界，“如何實現L4、L5級自動駕駛”是他們非常關心的問題。其中，大模型是非常重要的技術。

至于“什么是大模型”，李弘揚也坦言，怎么定義其實大家都沒有想得很清楚。但可以換個方式思考，大模型應該是什么樣子。在他看來，它應該是個感知、決策相關的，追求自動駕駛穩定、安全、可靠的。從這個角度思考，大模型至少需要有預測環節的能力，這背后需要海量數據的支持。

“每家車企都在說自己有海量數據，但這其實和我們關系不大，我們要的是公開演講，需要能夠爬到的數據”。李弘揚稱，但如果沒有海量、高質量的數據，無法實現大模型。這意味著，想要實現L4、L5級自動駕駛，需要先建立擁有海量數據的自動駕駛大模型。

對于李弘揚的觀點，復旦大學工廠與應用技術研究院青年研究員丁文超部分認同。他也認為，自動駕駛實現需要海量數據。但車企并非不愿意開放數據，而是不知道怎么處理。所以，如何把數據規整出來，比如時間戳標定同步，是當下需要解決的問題，這也是制約真正的自動駕駛大模型建立、實現的因素。

“關于數據，主機廠一直希望能夠得到咱們的訴求，或者說一起合作去做一些事情。”福田汽車智能駕駛研究中心副主任金大鵬也表示，愿意支持學界、自動駕駛公司去做更多數據的工作。“我們有大量的需求和數據，能夠給到學術界和自動駕駛公司使用，以持續迭代。”

同時，他也就主機廠的需求進行了探討。他指出，這些年主機廠也有了思想轉換，大家更多的不去想L3、L4、L5的問題，而是思考如何滿足客戶的需求，當然是在符合法規的前提下。比如，用戶需要降低長距離行駛疲勞、降低司機成本。作為主機廠就會優先考慮怎么解決這些訴求，而不是局限在級別定義里。

對于上述嘉賓們提到的問題，王乃巖深表認同。他認為，數據問題確實是當下非常大的挑戰，特別是在數據清洗這一塊，不止學術界，企業內部也面臨這樣的問題。

不過，在活動最后，王乃巖放出彩蛋表示，今年下半年，圖森未來計劃發布一個“數據集”，可能沒有上千小時那么大，但是至少是百小時級別的，并且很干凈，會是完整環視的、多視覺的，包括商用車、甚至乘用車，給學術界使用。

此次AI DAY，是圖森未來宣布業務優化后首次對外正式活動。今年5月中旬，圖森未來宣布業務重組計劃，會減少美國業務，進一步擴招中國團隊；6月28日圖森未來再發公告，稱正在探索美國業務的戰略替代方案，包括可能出售美國業務，并更加重視亞太地區和全球其他主要市場。

一直以來，圖森未來被認為是自動駕駛卡車領域的“技術”擔當，此前因為內外部問題，一度陷入“混亂”。此次在上海舉辦AI DAY，為再次對外表達回歸技術、回歸中國的決心。

關鍵詞：