【ZiDongHua 之駕駛自動化收錄關鍵詞：禾賽科技  激光雷達  自動駕駛  傳感器 】
　　
　　激光雷達如何加速城市 NOA 落地？我們這次展開聊聊
　　
　　2023 年 11 月 4 號，“激光雷達助力城市 NOA 駛入量產快車道”技術分享會在禾賽麥克斯韋智造中心舉辦。禾賽戰(zhàn)略負責人施葉舟、輕舟智航產品負責人許諾，與行業(yè)媒體專家、先鋒用戶等，一起就激光雷達如何加速賦能城市 NOA 功能落地進行了深入交流。
　　
　　激光雷達：
　　
　　車企競逐城市 NOA 的
　　
　　“秘密武器”
　　
　　——by 禾賽戰(zhàn)略負責人施葉舟
　　
　　激光雷達成為車企落地高階智駕功能的必選項
　　
　　據(jù)近期媒體報道，熱門車型的高階智駕版選裝率已經突破了 60% 的占比，消費者對智能駕駛功能的認可和熱情持續(xù)高漲。主機廠方面，國內率先落地城市 NOA 的智能車型均搭載了激光雷達；海外布局 L3 智駕功能的頭部車企也都配備了激光雷達。
　　
　　率先在美國獲得 L3 級智能駕駛運營許可的梅賽德斯-奔馳官方表示：奔馳的 DRIVE PILOT 搭載包含激光雷達在內的多個傳感器，足夠的安全冗余對實現(xiàn)安全可靠的 L3 級別智能駕駛是必不可少的。其 2024 年款 S 級和 EQS 轎車車型將會搭載此智駕系統(tǒng)。1
　　
　　本質上，是激光雷達具有「抗干擾」「真三維」「高置信度」的優(yōu)勢，能為算法預測和規(guī)控提供高質量的感知輸入。
　　
　　激光雷達既是智能汽車的「隱形安全氣囊」，更是加速算法開發(fā)落地的「秘密武器」。
　　
　
　　
　　MIT：激光雷達夜間融合感知精度是攝像頭的 3 倍
　　
　　工作原理上，激光雷達能主動發(fā)射人眼安全的不可見光，可以“自己照亮道路”，不依賴外界環(huán)境光，在視線較差的夜晚，也能清晰地還原行車環(huán)境，穩(wěn)定地為算法提供感知數(shù)據(jù)。
　　
　　在一項 MIT 的研究論文中，作者對比基于攝像頭數(shù)據(jù)的算法和融合了激光雷達數(shù)據(jù)的算法結果發(fā)現(xiàn)：攝像頭算法到了夜晚感知精度有明顯的下降，而通過融合激光雷達，可以將夜晚環(huán)境的感知精度提升至 3 倍。這項研究結果非常直接地展現(xiàn)了激光雷達對夜晚感知的重要性，能進一步提升夜晚行車的安全。2
　　
　　同樣，在「大光比」「對向強光」等其他攝像頭感知相對較差的場景下，激光雷達仍然能憑借接收自身發(fā)出的紅外光，進行穩(wěn)定的感知輸出。
　　
　　感知更精準，直擊 AEB 誤觸發(fā)行業(yè)痛點
　　
　　AEB 功能的推出，是為了幫助車輛減少碰撞，讓行車更加安全。但實際使用過程中，受限于感知精準度，會出現(xiàn) AEB 誤觸發(fā)事件，即在不該剎車的時候剎車，輕的會使得乘坐體驗下降，嚴重的甚至會導致后車追尾、車內人員受傷。
　　
　　出現(xiàn)誤觸發(fā)的主要原因是車輛感知精度不足，導致決策失誤，比如在遇到減速帶、車庫轉彎、隔離帶、路邊樁桶，如果對距離、尺寸的感知精度不高，會誤以為這些物體阻礙了車輛行駛，威脅到行駛安全，從而觸發(fā) AEB。但通過激光雷達的厘米級精度，車輛能做出更加準確的判斷，諸如：減速帶非常低矮可以通過，隔離帶不在行車路徑上……
　　
　　從實際效果看，融合了激光雷達的理想 L9 AEB 誤觸發(fā)率已經低至 0.31 次/10 萬公里，遠低于行業(yè)水平 1 次/10 萬公里，把誤觸發(fā)率降低了 70%。3
　　
　　極大降低“算法+算力+數(shù)據(jù)”等隱性成本
　　
　　施葉舟指出，特斯拉堅持視覺算法路線，背后隱含的是數(shù)據(jù)驅動的邏輯。與這套方案相匹配的是特斯拉通過數(shù)百萬輛車源源不斷采集的數(shù)據(jù)，官方統(tǒng)計，截止 2023 年 10 月，Autopilot 累計行駛里程超 90 億英里，F(xiàn)SD beta 累計行駛里程超 5 億英里。4
　　
　　而為了處理這些海量數(shù)據(jù)，特斯拉儲備了 14000 塊總價值數(shù)十億的 AI 芯片，可同時處理 1600 億幀圖像。與此同時，特斯拉從 2014 年開始自研芯片，21 年發(fā)布了 7 nm AI 訓練芯片以更好地適配算法模型。
　　
　　“算法+算力+數(shù)據(jù)”，構成了后來者難以追趕的競爭壁壘。
　　
　　
　　
　　從全局看，不光要關注看得見的顯性成本，更要關注看不見的隱性成本。拿掉激光雷達看似節(jié)省了一些硬件成本，但車端感知能力的下降，需要在云端投入更多的資源進行開發(fā)，極大抬高了隱性成本，在車輛銷量沒有非常高的情況下，這些隱性成本均攤下來實際上遠高于硬件成本。
　　
　　
　　
　　激光雷達的加入，
　　
　　讓感知精度領先視覺算法 3 年以上
　　
　　Nuscenes 是全世界影響力最大的開源數(shù)據(jù)集之一，各大頂尖算法在該數(shù)據(jù)集上進行測試打分。統(tǒng)計發(fā)現(xiàn)，視覺算法 2023 年所達到的平均感知精度仍然不及融合激光雷達算法在 3 年前的水平。5
　　
　　與此同時，激光雷達融合算法也在快速迭代升級，多傳感器數(shù)據(jù)的融合方法從基于目標識別結果的「后融合」，到特征級的「中融合」，再向著更加底層的「前融合」發(fā)展，平均感知精度在近兩年呈現(xiàn)出了加速提升的趨勢。
　　
　　無論是語義識別還是占用網(wǎng)絡，
　　
　　有限的數(shù)據(jù)訓練不能覆蓋所有通用障礙物
　　
　　首先傳統(tǒng)的基于“語義識別”的視覺算法，由于需要預先設定物體種類“白名單”，這樣的白名單往往只能涵蓋高頻出現(xiàn)的道路元素和障礙物，例如：機動車、自行車、行人、小孩、水馬、紅綠燈等，最多幾十種類型。按照語義識別的規(guī)則，只有白名單以內的物體，才會被準確地標上“標簽”，其余不認識的物體都不能被“框住”，也就是會被算法「漏識別」。
　　
　　例如 2021 年 FSD 推出之后，2022 年 11 月公開測試 6 中，特斯拉面對擺在路上的“黑色小狗”模型，仍然徑直開過去，沒有剎車。原因在于，視覺算法模型對于道路出現(xiàn)黑色小狗這樣的場景訓練還不足夠，而類似這樣的場景難以通過數(shù)據(jù)訓練全部覆蓋，總會有沒見過的“例外”。
　　
　　視覺占用網(wǎng)絡的推出仍然不能完全解決以上難題。在一項研究占用網(wǎng)絡的論文 7 中，算法在對道路進行網(wǎng)格處理時，不常見的“黑色消防栓”就沒有被檢測為障礙物。究其原因是因為占用網(wǎng)絡同樣依賴數(shù)據(jù)訓練。為了覆蓋更多障礙物的識別，必然伴隨著數(shù)據(jù)采集標注量的增大，對于算法的訓練成本投入會持續(xù)增加，但是帶來的邊際效應會越來越小。
　　
　　相比之下，激光雷達則直接得多，不用訓練，有無障礙物可以直接基于空間點云的有無進行判斷。
　　
　　厘米級感知低矮物體，高效追蹤近距離物體
　　
　　低矮物體的準確判斷也是視覺算法的難點，考慮到低矮物體往往只有十幾厘米或更矮，視覺算法的精度不足以準確測量，因此在沒有明顯的語義特征時，低矮物體“是否識別到”“有多高”“能不能通過”，成為了影響行車體驗乃至安全的不可控因素。
　　
　　而激光雷達對高度的測量精度穩(wěn)定在「幾厘米」水準 8，即使是低矮物體，也不會出現(xiàn)遺漏。
 
　　
　　視覺算法的另一難點是，對于近距離物體的速度監(jiān)測，需要結合多幀圖像以及海量的算法過程，這樣的復雜運算大大增加了延時，從而降低了及時性，因此單純靠視覺算法，應對「近距離加塞」「擁堵跟車」顯得力不從心，更別提各種突然竄出來的電動車了。
　　
　　相比而言，激光雷達憑借三維位置信息，通過簡單高效的幾何運算就能獲取速度，就顯得游刃有余的多。從輕舟智航的實測視頻來看，融合激光雷達的感知算法很好地應對了各類近距離極限場景。
　　
　　最后，施葉舟指出，加速城市 NOA 功能量產意味著建立先發(fā)優(yōu)勢，而激光雷達正是加速智駕算法開發(fā)的利器。誰能將感知算法做到好用，將城市 NOA 功能盡快量產，誰才能盡早獲得消費者的認可，在智駕的“戰(zhàn)場”上領先一個身位。
　　
　　城市 NOA 規(guī)?；涞?，
　　
　　迎來“ iPhone 時刻”
　　
　　——by 輕舟智航產品負責人許諾
　　
　　輕舟智航多款標桿產品搭載激光雷達
　　
　　許諾首先分享了輕舟智航在 L4 自動駕駛、L2+ 高階輔助駕駛量產等多款標桿產品中使用了激光雷達，包括在無人駕駛小巴等“龍舟”系列產品上標配了多個「360° 旋轉式圖像級激光雷達 Pandar128」，在高階輔助駕駛解決方案“輕舟”系列 MAX 產品上配置了「超高清遠距激光雷達 AT128」。
　　
　　在談到激光雷達的作用時，許諾直言，現(xiàn)階段單純依靠視覺方案，很難應對中國城市道路中的各類 Corner Case。
　　
　　“激光雷達，是以投入換時間，加速城市 NOA 落地的捷徑。” 許諾這樣概括。
　　
　　具體表現(xiàn)為四點：
　　
　　擅長處理城市復雜場景
　　
　　當高階輔助駕駛在開放多樣的城區(qū)場景落地過程中，會不斷地遇到從未見過的棘手問題，如何靈活地與近距離車輛博弈，如何在夜間攝像頭視線不佳時穩(wěn)定行駛，如何在沒有車道線的停車樓穿行。輕舟認為，激光雷達對環(huán)境的精準感知，能夠幫助車輛更好地應對城市的復雜場景。
　　
　　許諾還在 Q&A 時提到：
　　
　　不同的傳感器是一定會帶來不同的系統(tǒng)差別。舉例來看，如果是視覺感知，當遇到眩光或者當有物體遮擋住傳感器就會降低感知能力，但增加一顆其他的傳感器，比如說激光雷達，就會增加一份安全冗余。
　　
　　以 AEB 為例，如果車輛配備激光雷達，作為算法公司一定會去使用激光雷達，因為已經有了這樣一個很好的硬件配置在里面，如果不用，那相當于浪費了。
　　
　　穩(wěn)定識別通用障礙物
　　
　　輕舟具備行業(yè)領先的通用障礙物識別能力，融合了激光雷達數(shù)據(jù)，算法可以在不檢測物體類別的情況下對物體進行檢出，保證行車安全。
　　
　　而如果 OmniNet 感知大模型，將多傳感器時序穿插融合，通過在重點區(qū)域激光雷達與圖像的結合將提升感知精度，采用 120° 激光雷達對前向進行了 3D 感知覆蓋，幫助算法解決難處理的低速和靜態(tài)物體，從而用一顆激光雷達方案實現(xiàn)了非常好的城市 NOA 體驗。
　　
　　采用視覺算法，許諾提到：“即便是隨著數(shù)據(jù)量越來越多，能處理更多的長尾場景，但是要把長尾場景全部處理完，實際上是一個非常困難的一個事情。”
　　
　　輕舟展現(xiàn)了行業(yè)領先的 OmniNet 感知大模型，將多傳感器時序穿插融合，通過在重點區(qū)域激光雷達與圖像的結合將提升感知精度，采用 120° 激光雷達對前向進行了 3D 感知覆蓋，幫助算法解決難處理的低速和靜態(tài)物體，從而用一顆激光雷達方案實現(xiàn)了非常好的城市 NOA 體驗。
　　
　　加速算法迭代，
　　
　　提供精準真值數(shù)據(jù)，高效挖掘長尾數(shù)據(jù)
　　
　　作為高精度的傳感器，激光雷達數(shù)據(jù)可以在點云大模型的解析下進行自動化標注，為算法提供真值，加速算法進化迭代。
　　
　　許諾在分享時舉了兩個例子：一個是在夜晚道路上，視覺算法漏檢了一輛隔離帶對面的車輛，而通過點云標注正確識別了這輛車；另外一個是視覺算法誤檢了一輛兩輪車為三輪車，而通過點云標注同樣糾正了這個問題。
　　
　　最后，激光雷達對物體的識別不依賴預設的語義信息，舉例來說，下圖中躺在路邊的行人，如果沒有激光雷達作為感知補充，可能很難識別到。
　　
　　因此，利用激光雷達數(shù)據(jù)可以更好地挖掘長尾場景，高效地實現(xiàn)數(shù)據(jù)積累，進一步加速算法的進化，更早實現(xiàn)量產落地。