別再用智駕的激光雷達割韭菜了
加入技術交流群
這年頭，一輛智能汽車不裝個激光雷達，且不吹一波智能駕駛，大概率就不好賣到25萬+了。
畢竟，激光雷達、高算力芯片，以及頻繁刷屏的“全程無干預”城區智駕，已經成為了一款智能汽車上最突出的溢價點。其中，前兩者的硬件成本居高不下，往往只有頂配車型才會搭載。而城區智駕功能由于需要面對相比較封閉道路更復雜的交通環境，因此往往對傳感器精度和算法復雜程度提出了更高要求，需要依賴激光雷達和高算力芯片來實現。
這么一看，消費者要為整套智駕軟硬件動輒支付幾萬元，看起來確實挺合理。對此，也有不少消費者主動去選購了相應配置和方案。但問題是，這套軟硬件真的能給用戶帶來車企宣稱的價值嗎？
更可氣的是，不少用戶在為城區智駕方案支付溢價后，卻在很長一段時間內并沒有得到廠商承諾的功能。
通俗而言，就是當了韭菜。
對于激光雷達，大多數車企還玩不轉
正如前文所說，當前無論是BBA等德系豪華車企，還是售價20多萬元的中國本土品牌，大家都將激光雷達選為了實現城區智駕的關鍵傳感器。但就筆者的了解，盡管大家都在產品宣傳頁中將激光雷達作為關鍵賣點，但實際能讓這款傳感器充分發揮作用的企業并不多。
這里要解釋一下，激光雷達在智能駕駛中扮演的作用。通常一輛車會搭載三類傳感器：攝像頭、毫米波雷達和激光雷達。其中，攝像頭采集的數據為圖像信息。該數據會涵蓋包括道路環境、車道線、交通標志燈信息，相對而言最為全面。同時，其所需的人工智能算法也最為成熟，因此也是智能駕駛系統運行所需的主傳感器。事實上，視覺識別算法也往往由車企和中國本土智能駕駛供應商所研發，迭代速度較快。
毫米波雷達的感知算法則往往由供應商提供，只輸出感知結果，過程數據則不對車廠公開，也就是行業中常說的“黑盒子”。一般來說，毫米波雷達****的電磁波感知范圍很遠，但****角度較小，因此往往只用于探測前車速度、距離信息。但由于其抗干擾能力較強，因此對于車企來說，毫米波雷達探測到的環境信息往往僅作為視覺感知的“校驗”環節，用于給視覺算法查漏補缺。
而“重頭戲”激光雷達，因為其****出的激光射線構成的點云可以直觀地感知到前方道路參與者的距離和位置信息，且不容易收到強光（太陽光直射）的干擾，所以被車企寄予厚望。但問題是，激光雷達的感知算法無論是對于車企還是供應商，都是前所未有的挑戰。說白了，市場中的大多數玩家其實都不善于處理點云數據，并根據其感知到的結果制定駕駛決策行為。
更不用說，如何在感知環節將激光雷達的點云和攝像頭的圖像兩種類型的數據做融合了。事實上就筆者了解，國內某家“遙遙領先”的科技公司，至今也在努力搞定這一問題。因此在實際使用過程中，車企往往也只是用激光雷達的數據和毫米波雷達一樣，做校驗。
筆者在這里提到的問題，并非憑空杜撰。一位在國內頭部智能駕駛供應商企業供職的內部人士就告訴筆者，他們服務的客戶盡管在新車上搭載了激光雷達，但由于算法研發的工程問題，前者在使用過程中甚至會對系統決策的準確性產生干擾。這就導致系統打開激光雷達后，在實際道路測試中的執行準確性甚至比之前還降低了。
對此這位內部人士表示，為了保持產品交付后質量的穩定性，他們最終在后續產品上關閉了激光雷達。也就是說，這款系統采購價格動輒上萬元的高級傳感器，目前只發揮了“擺設”的作用。
真不如上淘寶買個“假的”了！
事實上，一些車企們也發現了這一問題，并已經計劃在后續車型產品，尤其是中端和低端車型序列中“拿掉”激光雷達。但問題是，如果沒有這一傳感器參與校驗和“補盲”，視覺算法無法準確感知到隔壁車道中車輛的準確距離。
國內南方省份一家智能駕駛科技公司的內部人士就曾告訴筆者，他們的技術方案中已經在大部分場景里用視覺算法替代了激光雷達，但對于斜前方的“加塞車”，攝像頭還是不能比激光雷達“看得更準確”，而這就為城區智駕方案帶來了安全風險。
更要命的是，激光雷達理論上最好的位置是放在車頂，以獲得最佳的探測角度。但問題是沒有汽車企業會選擇這么做，因為實在是太丑了。而像部分量產車這樣，將激光雷達融入車身的做法盡管兼顧了設計美觀的需求，但同時限制了其感知性能。因此，車企往往又需要更多激光雷達進行補盲，這就進一步提升了系統的復雜性，并抬高了整車售價。
不過，行業內大多數玩家搞不定的事情，并不代表著沒人能做到。在全球范圍內，已經有兩家汽車企業在量產車上實現了依靠純視覺算法實現城區智能駕駛功能。這兩家車企都僅僅用攝像頭的視覺感知算法，實現了紅綠燈通過、路口無保護左轉、城區道路內的點到點智能駕駛。
其中，特斯拉的FSD（Full Self Driving）在北美地區已經實現了交付。而在業界公認的智能駕駛難度“高地”中國，10月27日上市的極越01，則成為了“先行者”。
那么問題來了，不靠激光雷達，迄今為止最晚交付產品的新勢力極越，是怎么實現了其他競爭對手都沒做到的成果呢？
“占用網絡”——讓攝像頭看到應該看到的信息
作為全球唯二在量產車上實現城區智駕的車企，極越和特斯拉都在使用了BEV+Transformer 純視覺大模型算法的基礎上，加入了占用網絡（Occupancy Network）技術。這里的技術名詞比較多，筆者會盡量簡要地向各位解釋其在智能駕駛中扮演的角色。
我們最近一年常聽說的BEV，全程是Bird Eye View（鳥瞰圖）。在進行環境感知時，車企和科技公司會將車身周遭的攝像頭信息進行拼接，最終實現360°的環向感知。而為了讓系統進行同步處理和實時運算，工程師們將感知到的結果泛化為BEV，以便車輛進行駕駛決策。而Transformer大模型的引入，則讓車輛能夠根據周圍環境和威脅的輕重緩急來優先處理緊迫的事項，從而在保證效率的基礎上，守住安全底線。
事實上在過去一段時間內，正是BEV+Transformer技術的成熟幫助車企紛紛成功量產了高速智駕功能。但如果將使用場景放在交通環境更加復雜多變的城區道路上時，這項技術就有些不夠用了。
因為，相比較高速公路、城市快速路這樣相對規范的封閉道路，城區道路中的交通環境參與者更加多樣，大多數極端場景都發生在這里。而在過去，智能駕駛系統都是基于數據庫中已經被標注過的障礙物進行決策和避讓，依靠既定規則實現感知和決策BEV+Transformer就顯得力不從心。
也就是說，車輛系統需要“先知道這個東西是什么”，然后再進行駕駛決策。
例如上圖這樣，過去的智駕系統對于道路障礙物的標注往往只能借助既有數據庫的已標注信息，依靠“畫方框”的方式進行。而在方框外的部分僅通過視覺算法，往往無法識別。
簡單來說，如果面對一輛完全展開作業，伸出“四腳”的工程車，智能駕駛系統可能就認不出來“它”到底是什么，進而無法進行自主決策，只能讓用戶接管。這一方面降低了用戶的使用效率和體驗，另一方面也增加了安全風險。
而占用網絡技術的引入，則很大程度上解決了這一問題。該算法是在傳統3D目標識別能力之上，通過體素（Voxel）化的方式理解和處理空間信息，將場景空間分割成單位化的“方塊”。因此，視覺感知算法無需具體識別物體是什么，而是能夠直接通過目標的體積、運動狀態判斷其是否構成行車路線上的障礙物。
換言之，車輛終于能像人一樣，不用先“認識”目標，再進行駕駛決策。而是“看見這兒有東西”，然后調整路線。
在談到為何堅定選擇純視覺方案而“甩開”激光雷達時，極越CEO夏一平對筆者表示，直到今年年初，該公司還在內部糾結到底應不應該走這條路。但他基于兩點原則認為，純視覺才是正確的選擇：
第一，傳感器越復雜，系統對于駕駛行為的不可控影響就會提升。用最簡單直觀的方案解決問題，不僅符合第一性原則，更有助于降低整車的售價和維修成本。畢竟激光雷達如果因為事故或顛簸損壞了，修起來可不便宜。
第二，AI賦能下的純視覺技術路線，其后續算法迭代的空間相對更大。對于這個問題夏一平沒有展開說明，但根據視覺感知算法在安防、自動駕駛以及其他各個領域的廣泛應用可以看出，全社會的各個經濟和科技領域都在這方面投入的相當多的資源。因此相比較僅在汽車和少數領域使用的激光雷達，視覺算法未來迎來“奇點”的可能性要大得多。
在實際體驗中，極越01上搭載的“PPA點到點領航輔助駕駛”功能實際表現相當令筆者感到驚艷。在上海市的城區和高速場景中，這款車的智駕功能對于紅綠燈路口通過、無保護左轉、上下匝道等場景均實現了無接管通過，對于高速公路的車道變更和超車也執行得十分順滑。已經達到甚至超越了某些搭載了激光雷達的車型。
更重要的是，極越01在上市交付時，便直接開啟了PPA點到點領航輔助駕駛功能的開放使用。在上海、廣州和深圳三個一線城市，選配了“ROBO Drive Max”智駕軟件包的用戶已經可以使用該功能。從2024年開始，極越將向全國超過200個城市的用戶開放城區PPA（點到點領航輔助）功能。也就是說，車輛能夠在高速、高架和用戶上下班等常用的路線上，實現點到點的城區智駕。
*博客內容為網友個人發布，僅代表博主個人觀點，如有侵權請聯系工作人員刪除。
