特斯拉FSD入华在即,本土智驾公司开启BEV架构对决

作者 | 张祥威

编辑 | 德新

500

硬核BEV玩家进场

深度学习逐渐取代基于规则的研发方式,这一趋势正在自动驾驶赛道愈演愈烈。

11月29日,智驾科技MAXIEYE发布BEV平台架构——青云Hyperspace,并面向行业开放BEV感知标准件,以及发布轻地图NOA量产方案和行泊合一高阶域控产品。

MAXIEYE的思路与特斯拉等头部智驾玩家一致。如今BEV+Transformer已经成为主流的自动驾驶技术路径,也是众多车企关注的核心能力。

青云BEV架构是MAXIEYE在三年前找到的解题思路。

据MAXIEYE创始人兼CEO周圣砚介绍,从最初的几十人,到迅速投入上百人,再到后来全公司三百多人全力以赴,公司在L2的基础上,用了两年时间打磨真值系统、数据闭环等能力,也就是养「鸡」,剩下一年多让这只鸡可以生蛋,也就是推出基于BEV的诸多产品。

基于深度学习的自动驾驶时代正在加速赶来,这家本土智驾公司无形中开始与特斯拉、华为、小鹏等智驾玩家同场竞技。

500

面对海量Corner Case,

MAXIEYE两年养「鸡」

还有几天,MAXIEYE将是一家成立七年的公司,这家公司发展历程中有两个重要节点:

以2020年为界,之前四年布局的是L2赛道,推出了LCC、AEB等功能方案;

2020年之后,布局L2+,基于BEV架构,推出了高速无图NOA、城市记忆行车等功能方案。

也正是在布局L2+初期,团队发现基于规则的CNN去处理道路场景下的问题时,陷入了Corner Case的「汪洋大海」。

周圣砚回忆,「基于传统CNN图像检测做L2产品,算法框架包括前处理、后处理、规划都相对比较完整。这个过程中,我们遇到了很多Corner Case,工程师用一些经验、先验知识,把一些误差约束住,但我们逐渐发现,这种通过打补丁的方式,是不可能做到L4的。」

以「车道居中」功能为例,平面道路时还好,如果遇到上下坡,就需要做一些补丁去修复,才能保证一致性。当车辆通过减速带,发生颠簸又会让传感器映射的后处理模型超出容忍边界,需要打很多补丁。

类似的Corner Case不胜枚举。

团队开始转换思路,内部立项一个名为“上帝视角下的真值系统”项目,这是一种类BEV架构的底层技术栈,由20多人主导推进。

500

半年后,特斯拉在2021年的AI Day发布了BEV架构,MAXIEYE团队惊喜地发现,两家的技术思路是一致的,于是直接将BEV算法团队从20人迅速增加到100人,这在当时比较少见。要知道,许多公司直到今年,才开始搭建真值系统。

今天市场上的「无图城市NOA」、「无图高速NOA」,在周圣砚看来,都属于「蛋」,要获得这些蛋,首先得养「鸡」,也就是打磨真值系统等在内的能力。

这家公司用两年时间做了几件事:

搭建真值系统,以及基于真值系统的数据标注,4D结构化的场景重建和仿真。

在BEV下,真值标注的结果是视频序列,而不再是之前的一张张图片。此前,标注100万张图片,L2就可以量产。基于BEV后,100万张图片转换成视频,才两个小时不到。强数据依赖的BEV,对于数据的标注精度、数据标注效率提出了很强的要求。

最终,MAXIEYE推出的青云BEV架构,可实现道路拓扑横纵向精度的显著提升,横向拓扑精度5公分,纵向拓扑精度误差1‰,稳定性趋近于真值。

这个精度相当于什么水平?

周圣砚解释,「和高精地图相比,基于BEV横向5公分,比高精地图的精度还要高。纵向拓扑精度误差1‰,指的是在前方100米处发现换道的分叉点,这个分叉点,前后不会差10公分,这是千分之一的精度,完全够做无图(去高精地图)方案了,因为它比高精地图+高精定位两个的组合的精度还要高。」

500

青云BEV架构,以及技术底座

青云BEV架构包括三大网络:道路拓扑、目标轨迹、占用空间

其中,利用拓扑元素,加上组合导航算法,青云BEV架构可支持一次性完成自动化建图记忆,奠定记忆共享技术实现的基础。

500

三大网络下,MAXIEYE还形成了一套技术底座,包含真值系统、4D场景构建、数据自动化处理能力等。

多位熟悉特斯拉的人士告诉HiEV,「抛开数据标注团队,特斯拉的自动驾驶团队大概在两三百人左右。」

作为对比,MAXIEYE用一支300多人的团队,在能力侧搭建了一套包含真值系统的创建、4D的场景还原等的体系能力,可见这支团队的能力之扎实。

据MAXIEYE官方介绍,其发布的海市MAXI-DI数据智能体系,包含量产数据闭环MAXI-DATA、真值系统MAXI-TRUTH SYSTEM、MET-TOOL全流程闭环测试开发工具链,以及仿真极限场景构建。

量产数据闭环系统涵盖了包括功能触发、驾驶行为触发、系统触发、感知触发四大模块 - 30余种触发机制,例如典型的AEB功能触发回传,可有效针对极限场景收集价值数据,打通车端-云端数据通路和算法迭代-OTA的应用闭环。

目前,这套数据闭环系统已实现超3亿公里的驾驶场景数据积累。

500

针对自研深度学习算法的训练需求,MAXIEYE搭建和开发了MAXI-TRUTH SYSTEM真值系统,实现4D场景构建、自动化数据处理和训练,这为青云BEV算法架构提供了高效的底层技术支持。

MET-TOOL是MAXIEYE为服务于客户高效、敏捷开发需求研发的开发工具链,覆盖智能驾驶系统从原型开发、实车测试、功能量产的全流程闭环,支持分级闭环测试、代码调试和数据回灌等功能。

官方称,MET-TOOL全流程闭环开发工具链,可将客户量产项目研发效率提高20倍,测试效率提升至少10倍,大大缩短项目量产上线周期。

500

 基于青云BEV,重构全平台产品

基于青云BEV架构,MAXIPILOT 2.0平台随之发布。

这是一套BEV重构的全系产品方案,覆盖从单V(牧童Monotogo解决方案)到多V(5V、6V、9V及以上-跨越低中高算力的行泊合一域控方案)的全平台解决方案矩阵,满足城市L2增强、高速NOM(Navigate on MAXIPILOT)、城区NOM、行泊合一、记忆行泊车全场景应用。

借鉴当下流行的车型版本分级方式,MAXIPILOT 2.0 分为Lite、Pro、MAX三个版本。

其中,Lite主打城市增强L2方案,依托青云BEV技术解决当下L2体验不连续的产品痛点,例如L2系统在路口场景容易退出/道路拓扑变化体验不佳等。

Lite包含BEV一体机和MDU20域控两种产品形态,覆盖20万元以下车型细分市场实现智慧化升级,支持极高性价比的轻地图高速NOM(Navigate on MAXIPILOT)应用落地。

Lite版也是行业内唯一支持BEV部署的前视一体机高性价比算力平台方案,定位覆盖日常行车70%以上场景的千元级别产品,基于单个BEV一体机数据闭环,足以驱动关键路口/特殊道路拓扑等场景数据获取,可以帮助车厂客户高效开城。

500

MAXIPILOT 2.0 Pro基于5R6V的传感器配置,单SOC实现行泊高度合一,是中算力平台又一性价比之选,支持实现高速地图NOM、记忆行泊车等智慧化功能方案。

MAXIPILOT 2.0 Pro支持占用空间网络部署,支持输出BEV特征抽取后的特征地图(DREM-Deep learning REM),以数据合规方式上传云端,通过记忆地图共享实现高效开城。

MAXIPILOT 2.0 MAX主推nR9V的传感器配置方案,能够更好地应对城区复杂交互环境。同时方案可选装前向激光雷达,作为城区视觉冗余的多重保障。

MAXIPILOT 2.0 MAX的亮点在于,方案可以通过复用2.0 Lite和2.0 Pro积累的海量价值数据,实现成本可控、节奏可控的开城。而在2.0 Pro上的数据闭环,则可以支撑面向下一代端到端的技术新范式。

上述产品之外,MAXIEYE还发布了“启明星计划”,面向全行业开放BEV感知标准件。

500

青云BEV架构感知标准件,支持软硬解耦,实现标准化工具链、标准化规控接口、标准化ISP。通过敏捷的算法移植能力,可支持在6个月内实现高效跨平台开发需求。面向智慧出行产业链上下游合作伙伴,提供应用场景多元化、产品形态多元化、合作模式多元化的感知平台接口,加速高阶智能化产品的应用繁荣。

为了满足车厂客户对芯片战略和平台战略的差异化诉求,MAXIEYE基于行车芯片、行泊芯片、舱驾芯片等硬件平台,实现敏捷嵌入式开发和功能层深度定制化,这可以让车厂大幅降低项目开发成本、提升开发效率,保障方案兼容性、连续性和可扩展性。

同时,青云BEV感知标准件可满足车厂海外芯片和国产化芯片的横向布局。目前,MAXIEYE已经开发了全国产化芯片L2一体机,主打科技平权下的高性价比。

500

 高速、城市NOA竞争的本质,

是基于BEV的数据竞争

500

MAXIEYE的L2产品,已经在诸多乘用车上量产应用,包含哪吒V、广汽传祺ES9、广汽传祺GS8、广汽传祺E8、合创V09、合创A05、广汽埃安S、广汽埃安S MAX、广汽埃安Y、昊铂HT、昊铂GT等车型。

这让MAXIEYE的量产数据闭环系统,积累了超两年前装部署经验。有了前期的数据基础,高速、城市NOA的竞争,本质上将是一场基于BEV的全新的数据竞争。

一是建立BEV架构

特斯拉、华为、小鹏等几家头部公司,已经向行业证明了「BEV+Transformer」是通往自动驾驶终局的解法。高速和城市NOA的竞争,本质上也是基于这条技术路线的追逐。

放下传统CNN检测算法执念,基于BEV底层重构,才能解决不断出现的Corner Case,为端到端自动驾驶的到来打下坚实基础。

MAXIEYE发布的青云架构,是本土智驾公司的一次硬核发声。

华为、小鹏已经在推送无图城市NOA,特斯拉FSD预计很快也将在国内开放。车企要么自建BEV能力,要么依赖MAXIEYE这样的公司,才不至于在智驾时代掉队。

二是获得大量数据

高阶智驾是一场BEV+Transformer下的数据竞争,这一点从技术逻辑上可以得到证明。

MAXIEYE提出的一个思路是:

记忆共享=城市NOA

周圣砚告诉HiEV,「基于深度学习做城市记忆行车,记忆行车的关键是建图成功率,从公司到家,我们可以保证两次建图就能完成,不需要行业里宣传的一周建图完毕。时间太长的建图,消费者的体验度不高。而且,我们是本地化建图,自动化的,存储在域控制器上,不上云,这样的话,可以帮车厂解决合规问题。」

所谓记忆共享,将记忆行车作为城市NOA关联起来,共享车辆记忆下的「图」。

与基于规则的记忆行车不同,基于BEV的记忆行车,是采用深度学习的思路,效率、稳定性、鲁棒性都会更好,不需要像基于规则那样在后期需要人工去调整算法。

MAXIEYE的记忆行车基于5R6V方案,成本大概几千元,比主流的高阶智驾硬件方案更加便宜。搭载了方案后,哪怕车没有使用记忆行车,后台的影子系统也实时记忆经过的道路。

「在记忆共享下,如果有1万辆车在同一个城市,每个人从家到公司的路线都不一样,高频使用的话,一个月就能把城市NOA做出来。」周圣砚说,作为供应商,公司搭了技术底座,需要车厂加入进来,一同把采图这件事做好。

理论上,这与特斯拉、华为、小鹏的思路相似。

行业所谈的「无图」,只是去掉了高精度地图,并非真正的无图,城市NOA必须要用到「图」,只不过这张图是车企自己构建的,是通过海量车主众包出来的图。其「制图」速度很快,更新频率也很快,可以达到秒级更新。车厂有了一张自己定义下的图之后,城市NOA才能大面积落地。

这也是为何,青云BEV架构可以具备高精度、毫秒级的建图能力。

周圣砚的计划是,在做完高速无图NOA和城市记忆行车后,下一件就会推进端到端研发。现在做的所有事情,BEV、激光雷达、目标识别,目标都是为车前的这根轨迹在服务,所有的深度学习也都是为其服务。

自动驾驶研发的深层逻辑,是正由工程、算法驱动转为数据、智能驱动,这一点会在接下来表现得愈加清晰,这会淘汰一大批还无法建立真BEV能力体系的玩家。

500

站务

最近更新的专栏

全部专栏