渐进式“加速”，Nullmax纽劢推动自动驾驶技术长期发展

过去几年,自动驾驶领域一直有场讨论,那就是:跨越式自动驾驶和渐进式自动驾驶,哪条路线会更快走向无人驾驶?如今随着大量玩家转战量产,讨论逐渐偃旗息鼓,渐进式路线也从一条少数厂商坚持的冷门路线,变成了主流之选。

主张跨越式的玩家希望先打造出小范围内的无人驾驶,然后逐步扩大范围,最后形成广泛可用的无人驾驶。主张渐进式的玩家则是希望先打造出大范围可用的人车共驾,逐步减少人的参与,最后形成广泛可用的无人驾驶。随着汽车智能化进程的持续推进,后者如今迎来了自己的快速发展。

在这条路线上,有一家公司坚持了将近7年时间,打造视觉为主、多传感器融合的全栈技术,开发满足高中低不同需求的前装量产应用,通过大范围的商业落地推动技术的持续迭代。这家公司就是Nullmax纽劢,早早推出行泊一体,也早早取得了技术的量产突破。

2022年,Nullmax完成了量产项目的首个交付,而在今年,更多量产车型的技术方案也将先后完成交付。汽车行业的智能驾驶浪潮虽然才刚刚开始,但Nullmax早一步实现了量产项目的一连串定点,而且同步开始了不同方案的平台化开发和并行式交付。

在这背后,是产品、技术、商业的细致布局,也是一位渐进式玩家坚守的长期主义:开发具有成长性的平台化技术,为行业每个时期提供符合需求的产品,通过商业和技术的相互促进,去达成最终的无人驾驶目标。

一、理解渐进本质,产品技术做到极致

前装量产是渐进式自动驾驶最主要的应用,即通过与汽车厂商的合作将智能驾驶系统安装到十万、百万辆的普通新车上,通过人类司机的监督、指挥和示范,在山南海北、差异巨大的道路上真实运行,收集数不胜数的挑战性场景和有价值数据,经过长期持续的迭代,最终成长为无人驾驶。

相比于跨越式路线,渐进式路线的关键特点就在于,前装量产应用的市场需求极大、商业模式成熟,企业可以通过技术获得正常商业收入,保障长期研发。整个渐进的过程中,技术和商业相互助益。

而这个长期计划的第一步,也是最基础的一步,就是打造可成长的平台化技术体系:早期的开发的技术,在商业的初期就可以提供成熟的应用,并基于实际的应用持续迭代、快速成长;而为了保证应用的规模足够庞大,数据足够丰富,商业效率更高,技术也需要支持更多项目、更多车型、更多样需求,平台化必不可少。

因此,Nullmax选择了视觉为主、多传感器融合的感知策略,确定了机器学习优先的技术路线,一条适合大规模部署、可以渐进实现无人驾驶的技术路线。

视觉信号是驾驶车辆最主要的信息来源,信息含量丰富,易于获取,因此视觉为主的感知策略,最便于实现大数据驱动的自动驾驶机器学习。而且摄像头应用成熟,发展迅猛,可以为视觉感知提供硬件支撑,所以无论是当前的前装量产还是今后的无人驾驶,这条技术路线都尤为合适。

不过,这也是一条尤为复杂的路线。自动驾驶是一项系统性的复杂工程,需要的技术非常之多。Nullmax自研了全栈的软件算法,包括全部的上层应用,比如感知、融合、预测、规控,以及专门的自动驾驶中间件。除了车端的软件之外,还有云端的应用,以实现数据的高效采集、筛选、存储、运用,去进化出更好的软件算法。

特别是在关键的上游感知环节,为了实现摄像头与摄像头数据的融合,摄像头与其他传感器的数据融合,以及时间、空间信息的融合,Nullmax在2020年构建了基于BEV的感知基础架构。通过持续的完善,这套架构发展成了BEV-AI自动驾驶整体技术架构,为不同场景、不同产品、不同功能、不同配置提供平台化的应用。

在这当中,Nullmax完成了许多短期不见成效但对于量产来说意义重大的工作,比如中间件的开发,芯片平台的深度优化,等等。对于少量项目的落地,或者是基础的ADAS应用,以及更多短期性的目标,这些工作投入巨大但帮助有限,只有在长期的落地过程价值才会完全显现。

因为在面对到各种各样的量产应用时,技术的效率和稳定将会成为重点,软硬件解耦以及模块化部署的价值才会凸显;同时也只有要求严苛的量产应用,以及真正大规模的部署,才会深入考虑如何基于车规级的芯片,完成高性能、高并发、高可靠的自动驾驶计算。

在这样深厚的技术积累之下,Nullmax先后推出了智能驾驶以及视觉感知方案,为市场提供包括行泊一体的主流需求应用;同时让产品支持高中低不同的配置,最大程度地满足行业多样化需求。

过去一两年,行泊一体凭借明显的功能优势和成本优势,在智能化趋势下尤其受到了众多车厂的喜爱,Nullmax的智能驾驶量产方案收获颇丰。而对于有自研需求的厂商来说,单独的定制化视觉感知方案可以解决长期的技术瓶颈,Nullmax的视觉感知方案也是备受青睐。

二、加速技术成长,奔赴无人驾驶目标

过去几年里,自动驾驶的发展波澜壮阔,路线的切换以及产品的更迭并不少见,前装量产领域的长期坚持,让Nullmax获得了商业层面的巨大突破,也让Nullmax的技术迭代进入了新的阶段。

在渐进式自动驾驶中,海量数据是打开无人驾驶的最重要钥匙,更是技术发展的催化剂。就像ChatGPT等大模型,需要海量的数据来训练出强大的能力一样,自动驾驶需要规模庞大的量产车队提供的海量数据,来不断强化AI模型的能力,进而最终实现无人驾驶。

如今Nullmax提供的完整智能驾驶应用,以及单独的视觉感知模块,开始纷纷交付上车,这也就意味着Nullmax拥有了一支规模快速扩大的量产车队。尽管它们的应用形态不尽相同,配置也有高有低,但是在加速AI模型迭代这件事上,它们都能贡献作用。

自动驾驶数据的类型多种多样,感知数据是当前最稀缺的数据之一。比如,稀奇古怪的障碍物,特殊车道线的道路,差异化的交通标志和信号灯,等等。这些量产应用中落地的视觉感知模块,不仅可以通过数据闭环提供重要的感知数据,提升自身性能,还可以参与到基础模型的训练中,解决大量长尾自动驾驶的问题。

而完整的智能驾驶应用,在提供感知数据的基础上,同样还会涵盖规控等层面的数据。比如,紧急加减速、紧急横向避让、AEB误触发、变道失败等情形的数据,以及人类司机的一些参考数据,都可以用于整个自动驾驶系统的迭代优化。

即便是一些中低配置的车型,算力和传感器的性能稍低,同样也能发挥作用,而且用处很大。比如Nullmax基于单颗TDA4芯片的高性价比方案,也能支持中低配置车型实现行泊一体,实时处理行车、泊车场景当中的感知、规控数据。这些车型的市场占比极大,不仅数据的规模庞大,而且多样性更好,对于自动驾驶进化来说帮助巨大。

在更高配置方案的车型上,自动驾驶一方面可以部署更大更复杂的AI模型,另一方面也可以收集更多维度、更高要求的数据。比如Nullmax的BEV-AI架构,包含车端实时构建局部地图以及BEV规划等模块,可以实现端到端的全场景自动驾驶,所以Nullmax将这些技术应用到基于Orin芯片的量产项目之后,在打造更极致的体验同时,也可以为整个数据闭环提供对应任务的数据。

虽然这些量产应用的方案配置不尽相同,但它们都是出自BEV-AI架构的平台化应用,因此可以通过同一个数据闭环系统反哺有价值的数据,促进同一个基础模型的快速成长。这是Nullmax早期曾谈到的One Model One Cycle理念,如今已经深入运用到各项研发和应用当中。

实际上,这和ChatGPT等大模型表现出强大能力的原理并无二致。更多样、更海量的数据,以及针对多样任务的更复杂模型结构,更加容易形成强大的能力、快速的进化,最终带来质的改变,实现无人驾驶。

而这些的最后,对应的也正是Nullmax的企业使命:打造全场景无人驾驶应用,加速移动出行智变。

在这条渐进的路上,Nullmax保持专注,将看准的方向做深做透,进而迎来量产进展。按照Nullmax的渐进策略,实现L2/L3功能的落地之后,接下来要做的就是实现L4的体验,在量产项目持续落地的节奏下,数据成为关键加成因素,渐进的步伐将会明显加快。

不过,前装量产显然只是起点而非终点,渐进式自动驾驶发展出的无人驾驶能力,最终将成为一项通用的底层能力,支持从载人到运货的不同应用。

值得一提的是,自动驾驶长期面临的一个问题,就是怎样兼顾长远的技术目标和短期的商业现实,渐进式自动驾驶当初给出了自己的答案,如今也用实践证明了自己的答案。尽管过程可能很苦很累很长,但是看起来越来越多企业就要走完这场长征,进入新的阶段。

许巍的歌中有这样一句歌词,生活不止眼前的苟且,还有诗和远方的田野。你看,坚守自动驾驶长期主义的这批人,不就是跨过了早期的苟且,正迎来诗和远方的田野吗?