稳居中国量产自动驾驶第一毫末智行底气来自哪?|智能驾驶|自动驾驶系统|自动驾驶技术|顾维灏

分享至

网易汽车9月14日报道 成都车展期间，魏牌摩卡DHT-PHEV（参数丨图片）激光雷达版发布，这是国内第一个大规模量产城市NOH辅助驾驶的车型，计划9月量产，年内发售，并且会实现上市即交付。

站在魏牌城市NOH背后的企业则是毫末智行。

相比声量更大的新势力们，为什么魏牌和毫末智行能首先落地城市领航辅助？9月13日，毫末智行举办第六届AI DAY，再一次解析了这套系统背后的硬核技术和毫末路线。

针对自动驾驶路线之争，毫末智行董事长张凯表示，毫末智行一直以来，都在坚定地走渐进式发展路线。特别是在自动驾驶3.0时代，辅助驾驶是通向自动驾驶的必由之路。

张凯预计，到2025年，中国市场高级别辅助驾驶搭载率超过70%。智能驾驶这一巨大的时代风口之下，数据是驱动自动驾驶成熟的核心要义，渐进式路线是数据积累的最佳路径越来越被行业所公认。

智能驾驶路线之上，考验的企业不仅仅是技术研发，更多还是商业化能力。

“创业至今的1000天里，毫末智行刚好穿越了一家创业公司的生死线。从0到1，毫末突破了重重技术和商业难关。我们突破了大规模、多车型的自动驾驶量产难关。突破了末端物流自动配送车用车成本高居不下的难关。我们更是在自动驾驶核心AI技术领域突破了大规模数据处理以及大模型算法应用的难关。”张凯说到。

站在外界角度看，具体到成绩单上，成立1000多天的毫末拿得出手的成绩也足够亮眼。

在场景化用户体验设计方面，毫末智行总结出一整套用户交互体验和产品开发的一体化设计方法。两年来，毫末的智能驾驶产品共实现了6次OTA在线升级，有效提升了用户活跃度、用户接管里程等多项指标，并获得主机厂的高度认可。

在AI人工智能技术方面，毫末智行基于国际最先进的AI技术理念，于2021年12月推出国内首个智能驾驶数据智能体系MANA，目前MANA数据智能体系已经成为毫末所有产品迭代的核心动力。

技术工程化方面，毫末智行2年时间开发了三代智能驾驶系统，并落地了10余款不同平台车型，成为国内智能驾驶技术落地经验最丰富的公司，没有之一。

张凯表示，目前毫末智行可以做到超过30个智能驾驶项目的异步并行开发，这种开发能力，也是国内唯一。

2023年HPilot3.0落地城市超过100个

2022年自动驾驶行业的竞争已步入下半程，毫末的三大战役也进入决胜期。在数据智能方面，张凯表示，中国首个自动驾驶数据智能体系MANA基本完成数据闭环，MANA的学习时长超过31万小时，虚拟世界驾龄相当于人类司机的4万年的驾龄。

在乘用车辅助驾驶方面，大规模量产的城市NOH辅助驾驶系统，即“毫末HPilot3.0”即将交付，毫末的HPilot3.0具有重感知、轻地图、大算力的特点。2022年，其可落地区域预计将会覆盖10座城市，2023年我们的计划是 HPilot3.0落地城市超过100个。目前我们已在北京、保定等区域开展最后阶段的量产冲刺。

截止到目前，搭载毫末HPilot产品的已经有超过十款乘用车型量产落地，已经搭载上市车型包括魏牌摩卡、魏牌拿铁、魏牌玛奇朵、坦克300、坦克500、哈弗神兽、拿铁DHT-PHEV等。目前正在陆续交付中的车型有摩卡DHT-PHEV激光雷达版、欧拉闪电猫、欧拉芭蕾猫、全新一代长城炮等。

同时毫末智行也是中国唯一一个具备异步并行开发超过30个智能驾驶项目能力的公司。在智能驾驶产品流程化开发方面，毫末2个月内匹配完成，标定效率全行业第一；智能驾驶产品经过鲁棒性设计，达到100%一次性过线率。

在末端物流自动配送方面，毫末小魔驼2.0也正在陆续交付到客户手中，将很快进入到最后一公里的末端物流配送及客户的商业场景当中。

下半年自动驾驶三大挑战

张凯表示，2021年底，我们对2022年自动驾驶行业的发展做出十大预测，现在来看这些预测都正在发生。总体上，我们认为，2022年下半年自动驾驶行业必须要面对三大挑战：

大规模自动驾驶数据上云的挑战；

大算力AI芯片的性能突围的挑战；

城市场景自动驾驶产品的量产突围的挑战。

面对重重挑战，张凯表示毫末智行已经总结了五大应对法则；

首先，智能驾驶产品开发要始终将安全放在首位。

“我们需要应对的场景越来越复杂，甚至复杂到超乎我们想象，这时更加凸显安全的重要性，绷紧安全一根弦，是所有智能驾驶产品开发的基本出发点。”

其次，产品体验“真香”才是王道。张凯认为要用To c的思维去做To b的事，才能真正开发出C端市场接受的产品。

第三，要挖掘出用户真实场景数据来进行数据驱动，数据驱动的结果是要实现产品的快速迭代，真正做到提升用户的交互感知。

第四，要实现感知智能与认知智能的高度一体化。AI人工智能技术是智能驾驶产品实现的关键环节，打通感知智能与认知智能一定是智能驾驶的发展方向。

第五，要以开放的心态赋能客户。智能驾驶技术解决都是跨学科的综合性问题，其产品化过程也是高度复杂，只有以更加开放的心态赋能客户，融合多学科、多领域的优势，促进这个行业共同发展才是我们实现目标的唯一途径。

张凯最后说到，“伟大的事业很多都是下半年才完成的，我们将在接下来的四个月里全力冲刺年初定下的量产交付目标。我们相信，胜利的曙光就在前方！”

毫末冲刺进入自动驾驶3.0时代

进入技术分享环节，毫末智行CEO顾维灏再一次带来不少干货。

顾维灏认为，可以将这近十年的自动驾驶技术发展分成了三个阶段，最早的硬件驱动方式，也就是自动驾驶的1.0时代。软件驱动的自动驾驶2.0时代。以数据驱动的自动驾驶3.0时代。

顾维灏表示，硬件驱动时代，自动驾驶车辆的感知能力，由于车辆整体成本比较高，所以车辆数量有限，同时技术效果一般，由此导致自动驾驶里程规模比较少，在100万公里左右。

在软件驱动时代，我们等到了更大算力的中央计算芯片，我们看到车上车规级传感器个数在快速增加，我们也终于等到AI在车上的广泛应用。在感知方向，各个传感器各自为战，用一些小模型和少量数据做训练，得到单个传感器的识别结果，然后进行感知结果级的融合；在认知方向，依然是人工规则为主；由于整体成本的下降和效果的提升，自动驾驶里程也快速在增加，达到上千万公里。

而到了数据驱动时代，顾维灏认为，是数据自己训练自己的时代，我们所做的一切的，都是为了能够做出数据通道和计算中心，以便可以更高效的获取数据，并把数据转化为知识。

“如果大家关注过毫末的成长历程，就会发现，我们一直在为自动驾驶3.0时代做准备。在感知、认知、模式建设上，都是按照数据驱动的方式建设的。毫末正在冲刺自动驾驶的3.0时代。”顾维灏如是说。

此次顾维灏的演讲中，城市NOH占据了大量环节。

据顾维灏介绍，毫末早在2021年6月便启动了针对transformer大模型的研究和落地尝试。正是基于过去一年多在训练平台改造升级、数据规格和标注方法的切换准备、针对感知、认知具体任务的模型细节探索等方面的成功实践，为现在毫末在城市导航辅助驾驶场景中的快速发展打下了坚实基础。

众所周知，城市领航辅助功能要比高速路况复杂很多，不规则的路口、不同位置的红绿灯、变更频繁的车道、甚至用锥桶围起来的施工道路，还有经常不按规则行驶的电动自行车，对车辆的感知和决策都是巨大的挑战。

顾维灏表示，城市场景技术层面面临六大挑战：如何在自动驾驶领域应用大模型，如何让数据发挥更大的价值，如何使用重感知技术解决现实空间理解问题，如何使用人类世界的交互接口，如何让仿真更真，如何让自动驾驶系统运动起来更像人。

为了应对上述挑战，MANA感知智能、认知智能等方面均迎来更新升级。

面对如何在自动驾驶领域应用大模型的挑战？

业界常用的方式是监督学习，但顾维灏表示，虽然我们有自动标注的手段，但样本标注的时间成本和金钱成本还是很高，我们需要有一种能够直接使用大量无标注数据的方法，这样才能更高效的发挥出毫末在数据规模方面的优势。

最终MANA通过使用大规模量产车无标注数据的自监督学习方法打造模型效果，相比只用少量标注样本训练，训练效果提升3倍以上。

随着数据的越来越多，如何让模型能够对新场景保持敏感就成为新挑战。

解决这个问题最直观的做法就是用全量数据再次精细的训练模型，但是这种做法的太贵太慢。

顾维灏表示，为了解决上面问题，毫末构造了一个增量式的学习训练平台。在训练过程中，并不会使用全量存量数据，而是抽取部分存量数据加上新数据组合成一个混合数据集。训练时要求新模型和旧模型的输出保持尽量一致，对新数据的拟合尽量好。相比常规做法，达到同样的精度可以节省80%以上的算力，收敛时间也可以提升6倍以上。

MANA感知能力更强。

毫末选择的是重感知轻地图的路线，通过使用时序的transformer模型在BEV空间上做了虚拟实时建图，通过这种方式让感知车道线的输出更加准确和稳定，在这个时空下对障碍物的判断也更准确了，也让城市导航自动驾驶告别高精地图依赖。

如何让自动驾驶系统能够使用人类世界的交互接口？

顾维灏表示，过去的我们都是用传感器感知和算法预测周围交通参与者的意图，这是个非常有挑战的问题。当我们进入城市环境，我们发现交通参与者的活动变得更复杂了，我们预测的挑战更大了。

顾维灏进一步表示，整个交通系统，从道路到车辆，在设计的时候都主要考虑的是满足人类的需求。所以如果一个自动驾驶系统具备适配和使用这些人类世界的交互接口的能力，那将事半功倍，可以自然地融入实际交通环境，提供舒适流畅的驾驶体验。

“对于交通参与者运动意图的预测，刹车灯和转向灯的识别，就很重点的提上了日程。最近我们正在升级车上的感知系统，希望能够加入了对车辆信号灯状态的专门识别，包括刹车灯和转向灯。这样我们就可以在前车减速，周围车辆切入等场景中开的更安全和更舒适。”

MANA认知能力也再次进化。

面对路口这一城市最复杂场景，MANA在仿真系统中引入了高价值的真实交通流场景，与浙江德清、阿里云合作，将路口这一城市最复杂场景引入仿真引擎，构建自动驾驶场景库，通过自动驾驶的真实仿真验证，时效性更高、微观交通流更真实，有效破解了城市路口通过“老大难”问题。

如何让车开起来更像人？

顾维灏坦言，随着测试的深入数据的累积，我们发现过去用的分场景微模型方法渐渐显露弊端，有的时候运动起来太机械，舒适感不足。

具体做法是对覆盖海量人驾进行深度理解，构建毫末自动驾驶场景库，并基于典型场景挖掘海量司机的实际驾驶行为，构建taskpromt，训练一个基于时空Attention的驾驶决策预训练大模型，使得自动驾驶决策更像人类实际驾驶行为，以保证实现自动驾驶决策的可控、可解释。

此外AI DAY上毫末还正式官宣了毫末超算中心。顾维灏表示，毫末超算中心的目标是满足千亿参数大模型，训练数据规模100万clips，整体训练成本降低200倍。