纯路端感知实现L4自动驾驶！全球首次，轻车熟路方案，背后玩家是他们

Posted 2022-08-16 QbitAl

杨净 贾浩楠 发自 凹非寺
量子位 | 公众号 QbitAI

苏州街头，来来往往的自动驾驶汽车已是常态，但今日车流之中，有一辆车不同寻常。

它的传感器，包括激光雷达在内，全部被遮掉，却依然能在公共道路上畅然无阻。

即便遇到一些复杂的交通场景，比如红绿灯路口、无保护右转，还是像一些偶发状况，加塞车辆避让、人车混杂的路口，都能从容应对。

更特殊的是，以如此特殊方式秀出技术和方案实力的，还是一位中国自动驾驶领域的元老面孔：

王劲。

在四年低调修行之后，王劲带着他的中智行、汇同天翼交通，重新站到台前。

并正式发布了轻车·熟路系统，一种车路协同新范式。

轻车熟路系统发布

轻车熟路，就是这条新路线的展现形式。核心两方面组成。

• 轻车

• 熟路

这里就不得不简单提一下背后的提出者——中智行与天翼交通之间的关系。

如果说，中智行侧重于车端，探索车如何利用强化了的路端能力形成L4自动驾驶。

中智行参与推动了天翼交通的成立，而天翼交通更偏向于路端的技术研发以及相关的建设，更重要的是，对整个路端资产等平台系统的运营。

换言之，一个侧重于车端，一个侧重于路端，两者合力完成这套车路协同方案。

轻车，轻量化自动驾驶车。无需激光雷达，只需L2+级别的传感器，比如摄像头、毫米波雷达等。

从传感器到算力，都按照L2或者L2+的水平来配置。极端情况下，如用3D打印的罩子和胶布，遮掉车端所有感知设备，纯靠路端感知也能实现L4自动驾驶能力。

△遮住传感器的自动驾驶

在此之前，车路协同的路端通常是个交通感知系统，其置信度、稳定性和智能化程度都难以达到支持自动驾驶的要求。

“熟路”系统，基于全息感知数据、实时计算，然后将结果反馈给车辆，协助其全知全能。这里的全息，既有空间上的连续性，还有时间上的连续性。

（天翼交通数字孪生平台通过数字化改造实现的“全息智能道路”，可将现实世界和数字世界实时孪生映射）

换言之，就是相当于从过去的3D感知升维到了现在的4D感知。

高空路端部署可以实现上帝视角（物理BEV），感知到路上的所有参与者，包括行人、汽车、电动车的运动，对视线盲区、超视距等范围也能感知，以实现空间的连续性。

而正因为路端的持续运转，对交通状况，每个参与者的观察也是连续的——哪些是故障车被迫停靠，哪些又是正在行驶都能被感知到。

比如就像遇到故障车占用右转车道这种情形。

（P.S. 车内系统，利用路端时空连续和背景固定的特性，灰色模块即为暂时停留的车辆，黑色模块为停留了很久的车辆，蓝色即为正在行驶的车辆；故障车则会出现红框。）

更为关键的是，这种时间维度信息的收集，不仅有助于对目标意图理解和轨迹预测，还能让人工智能拥有“认知”能力。

车路协同在面对陌生障碍物时系统能跟着人类学习如何应对，某种程度上还解决自动驾驶的长尾问题。

除了最为显性的效果——感知能力增强以外，在通讯低延时、系统稳定性等问题上也有所突破。

首先是通讯方面，作为车路协同另一大核心问题。如果车与路之间没有强大的通讯能力，就算路端感知到突发情况，没有及时将数据传输到车端，那同样无济于事。

一般来说，为了保证其可靠性，路端时延需与车端平齐，得严格控制在一个低水平且稳定的范围。

在感知的召回率达到99.99%的置信度水平的基础上，天翼交通在引入通讯切片技术，部署微基站、设计全新通讯协议架构等工作下实现低时延高可靠通讯能力：

• 通讯空口时延平均在20毫秒，P99（在99%的情况下）延迟<30毫秒

• 端到端（即从感知、计算、到预测和规控的环节）的P99延迟<240毫秒。

而且因为道路上的基础设施，可以在硬件设备、软件系统上实现7*24小时长时间稳定运转。

这期间还能不间断地积累数据、迭代算法能力。

当然，还有一个更实际的好处，那就是算力成本的问题。

利用路端的边缘计算和云计算平台，可依据实际需求充分调用海量的算力。

发布会现场举了这样一个例子：

每辆车只需50TOPS算力，路端可以保留500TOPS加上云计算，只需毫秒级就从中央数据中心得到几乎无限的算力来支持。

尤其是在面对复杂路况时，车端算力往往会成倍的增长，但有了路端边缘和云计算，负担也就没有那么重。

与之相关的账也很容易算：

苏州全市道路（包括4个代管市）共有城市10,200公里道路。在量产情况下，路端的建设成本在35万/公里左右，总计成本就在35亿左右。

也就是说，35亿的投入，就能让苏州真正成为自动驾驶城市——全境公共道路智能升级。

可见，这套轻车熟路系统实现了三大核心技术的突破：高置信度的感知能力，低延时高可靠的通讯能力，以及系统稳定性。以此带来了自动驾驶在安全、效率、经济方向上的全面升维。

怎么样，是不是与之前公开谈论的自动驾驶路线和思考不太一样？

玩家来自中智行和天翼交通

不是一个常规的自动驾驶公司，不走常见的单车智能技术路线，更不是行业主流的L4商业模式。

以往任何自动驾驶公司，无论是像百度、Waymo这样的科技巨头，还是创业公司，重点几乎都在车端：

如何实现系统的冗余、如何覆盖corner case，怎么平衡性能和成本、怎么满足飞速增长的算力需求……

就像是在一个二维世界从A点到B点，只有在纸面上老老实实走完曲线这一条路。

而中智行和天翼交通，希望从更高的“维度”解决这个问题：

车路协同系统如果够完善，那么就能统一指挥调度所有车辆，由单车智能的L4自动驾驶的单车博弈升级为全局规划。

这就好比把二维平面翻折，在三维空间直接连通了AB两点。

事实上，这套系统和路线背后的核心思考，源自于王劲提出的数字化运营的理念：

通过感知设备收集高质量数据，以数据来驱动三个目标：

• 技术突破

• 规模化落地

• 商业模式的实现。

并表示这将是未来中智行与天翼交通的核心竞争力。

这也与车路协同的最大优势——数据升维有关。

通过在路端7*24小时无间断运转，可积累大规模高质量数据。

以苏州为例，仅机动车每天行驶里程合计就超过1.2亿公里。如果这套系统全面覆盖苏州城市道路，仅一日就可以积累1.2亿公里的行驶数据，其中还包括各种突发情况、交通事故。

以此为基础构建的场景库与数字孪生平台，就能复现整个城市交通全貌，更有助于高质量的机器人学习，帮助人工智能升维以及意图理解能力的构建。

放在以往，靠单车智能的里程数是在短时间内远远所不能达到的。

有了数据，技术上有了突破——轻车熟路系统，很快就迎来规模化落地，目前中智行与天翼交通就正在推进苏州300公里智慧道路的搭建。

这种模式，其实正是整个自动驾驶行业商业化一直以来探索的一种加速之道。

为什么选择这样车路协同路线？中智行与天翼交通给出了这样的解释：

核心还是单车智能与车路协同之间的区别。单车智能起步快，但发展慢，有技术瓶颈。而车路协同起步慢，不光将可预见的挑战“前置”了，还把单车智能所遇到的技术天花板给降低了。

车路协同，往往伴随基础设施建设相关的工作，而这样的特性，给人的映象往往是投入高、周期长，难度大。

但天翼交通之不同，是从实际落地的角度，连接上了车路协同的商业闭环。

成本方面，以往单车智能路线堆积的传感器、算力平台，本身就是不小的支出。

但实际使用中，这些算力和传感器在99%的时候实际上都不需要。这也造成当前L4自动驾驶车辆成本仍然居高不下。

车路协同系统，既有云端算力的灵活调配，又能7*24小时不间断收集数据。基建成本在长期来看很容易摊平。

而且最重要的，一个城市或地区的车路协同研发、建设投入，是一个有上限、可以估算的项目，而单车智能则是谁也说不准的研发周期和资金需求。

前面提过的苏州每公里35万元、全境35亿左右的I4全息道路升级成本，就是这样推算出来的，考虑到单车硬件的减配和成本下降，全苏州完全L4升级成本将在250亿左右（含车+路全面升级）——在此之前，究竟要多少投入才能实现城市级自动驾驶？求解者多，给出确数的几乎没有。

而35亿元，对于自动驾驶行业来说，不是大钱。自动驾驶公司，用掉35亿却仍然没能将L4落地的，其实才是常态。

这也是中智行创立之初，就坚持走车路协同路线的核心原因。

车路协同的“苏州模式”下：中智行提供成熟的自动驾驶技术积累，以及通过对行业的理解，实现了车配置的轻量化，让智能车不再是一个复杂且昂贵的行为。

会上还透露了个目标：量产时将五万以上的单车智能设备降一个数量级，即5000元以下。

这样一来，让主机厂能迅速地将其投放到市场进行前装量产。

而天翼交通为这种全新的L4商业模式，提供基建、5G通信基础支持，把路给做“熟”。

在与车建立起通讯系统的同时，还将各种感知和计算设备从车上拿到，实现配置轻量化和成本大幅降低。

这样将双方优势最大程度发挥、快速量产落地的“苏州模式”，在他们看来是一种“战略级的行业部署”：

（a+b）^2=“路对车强赋能”无人驾驶。

a^2代表的是聪明的车；b^2代表的是智慧的路，2ab则是其中最重要的部分，即车和路结合的部分。

据介绍，他们正要解决的就是聪明车和智慧路真正结合的问题——车怎么充分利用路端的能力、路如何真正赋能车。

中智行率先凭借着四年技术积累，搭建了车路协同技术基础，现如今两者一起朝着不同的侧重点，共同迭代升级这一系统。

车路协同的路线具体怎么走，自动驾驶公司+智能交通运营商联合的方法，很有可能是所有后来者都无法绕开的路径参考。

自动驾驶的三种路线

自动驾驶无论过去还是现在，更多的融资、更多的讨论聚焦，都流向以传感器、算法为主的单车智能路线。

评判自动驾驶模式、能力的好坏，标准通常有3个：

安全性。

效率。

经济性。

这三项标准，直接关系自动驾驶落地的规模、速度。

从这样的标准出发，可以分别对目前自动驾驶落地的3种主要模式做一个判断。

首先是为人熟知的特斯拉模式。这是一条完全依靠单车智能的路线。马斯克的基本逻辑是AI司机应该达到的目标是和人类司机一样，仅凭自身能力应付一切驾驶任务。

而他的方法，则是让全球数百万用户义务当测试员，通过返回的海量数据迭代系统。

效率和经济性，可以通过用户数量和规模买单。但单车智能长久以来的长尾问题很难解决：哪怕1%的场景车端看不到、看不懂以及看不准，就会造成事故。

第二种，则是谷歌Waymo代表的路线，即以Robotaxi为主，希望在通过仿真或路测把AI司机磨炼到“万无一失”，然后逐渐推广商业化。

但AI在认知能力、泛化能力等等方面的突破短期难以取得，而谷歌本身的坚持，也使得它长期在封闭固定中测试，数据收集、算法迭代效率有限。

推进10年烧了上百亿美元，也仍然难以在路况复杂城市落地RoboTaxi。

与前两种路线相比，车路协同的比较优势体现在解决效率和落地经济性的同时，也兼顾安全性。

车路协同的上帝视角，可以快速收集、挑选出复杂极端的交通场景，并快速形成可供系统学习的数据集。

这与单车智能自动驾驶系统需要在上百万公里的里程中靠概率去“碰到”长尾场景，效率高得多。

路端全局调控，也能最大程度避免因为车端能力不足造成的事故。

而且，车路协同模式下还有更为关键的“不可复制”性。

车路协同，核心基础是V2X技术，所以要推行，至少满足3个需求：

完善的5G网络、基建能力、地方的配合意愿。

集这三点于一身的，恐怕只有中国。

中国的5G网络和基建能力不用任何多余的证明，这也是中智行+天翼交通模式能走通的前提。

而要特别强调的，是国内地方对于车路协同路线的高接受度。

对于地方来说，落地车路协同，不仅仅是一张高科技城市名片，还能带动本地的基建、汽车、自动驾驶等等相关产业链的发展。而自动驾驶带来的经济运行效率提升，潜力则难以估量。

所以中智行和天翼交通在苏州高铁新城打造样板间只是第一步。

这也意味着，规模化复制的实践开始了，可以用时间和效果检验，也可以开始迎接外界的评价。

此次中智行与天翼交通提出的轻车熟路系统，对于自动驾驶行业来说，究竟意味着什么？

一方面，技术模式上。以往在车路协同这条路线上，是重车熟路，对车的要求依然很高。而现在开出了新的模式：轻车熟路。

另一方面，商业本质上。“轻车”价值，不光在单车的传感器、算力等等成本节约上。更为深刻的意义，在于首次为高阶自动驾驶落地算了一笔清楚明白的账。

传统的单车智能，投入的资金、时间人力和项目期限，现在没有一家公司有准确估计。

核心矛盾，是目前没有一家企业，能为自己研发的自动驾驶系统给出一个明确定量的可靠性指标，这样一来，自然也就不可能在法规准入、责任划分上有明确定性的结论。

所以只能是“走一步看一步”，没有谁能以终为始，倒推着前进。

但从车路协同的基建的角度入手，技术指标已然明确，所依赖的基础能力，也不再是AI系统生效的概率，而是准确清晰的执行策略。基于此，也就能算出一个L4落地基本确定的成本，真正让自动驾驶落地回归到了商业本质，拥有更加具体清晰的时间表。

往前推7年，王劲曾断言“软件定义汽车”，先引发传统汽车领域哗然，后来逐步被接受，如今则成了几乎所有玩家的共识。

再往前推10年，他是中国第一个自动驾驶事业部的总经理，是最早带队探索自动驾驶从技术创新到商业化的人。

而现在，他说在自己投身自动驾驶第十年之际，是时候再次公开自己最新的自动驾驶商业化实践和思考。

以及更快、更大规模、更低成本地普及自动驾驶的新路线。

这个维度下，中智行+天翼交通所带来的影响，或许也才刚刚开始。

— 完 —

点这里👇关注我，记得标星哦～