撰文 / 白鷗

編輯 / 沈潔

過去半年時間里，城市輔助駕駛上演了一場激烈的“競速賽”。

2021年7月，特斯拉開始向美國用戶推送具備城市NOA功能的FSD 9.0 Beta，這次號稱升級幅度最大的測試版本徹底放棄了對雷達傳感器的依賴，轉向了純視覺路線——盡管特斯拉對新版本的實際表現持謹慎態度，但對于整個自動駕駛行業依舊是一次“巨大挑戰”。

10月，何小鵬在1024小鵬汽車科技日上拋出結論：“量產城市場景輔助駕駛+全棧閉環能力建成=（智能駕駛）下半場入場券”，在將高級駕駛輔助系統的下一個突破點鎖定在城市場景的同時，將實現這一技術量產的時間點鎖定在了2022年。

12月，在毫末智行首屆HAOMO AI DAY上，毫末智行董事長張凱在其“十大預測”中提到“2022年是城市智慧領航輔助駕駛量產元年”，在現場展示了城市NOH的無間斷路測視頻后，表示將在2022年上半年正式發布這一功能。

時至2022年，自動駕駛的路線之爭已經塵埃落定。在眾多自動駕駛企業還在討論技術落地場景時，特斯拉、毫末智行與小鵬已經先行一步，開始布局城市域輔助駕駛技術的量產，這不僅意味著乘用車領域輔助駕駛技術的漸進式發展路線已經被汽車行業所廣泛認同，也預示著自動駕駛行業的乘用車領域高級輔助駕駛競賽已經正式進入了城市場景。

城市輔助駕駛已然成為自動駕駛行業下半場的關鍵點，可幾大主流汽車廠商的自動駕駛系統是如何布局的？想必這是很多人關心的問題。

01 城市場景：更重要，但更復雜更難解
據調研顯示，高速場景只占到一個普通用戶駕駛時間的10%，并不算特別高頻，也并不太復雜的場景；然而在城市場景打通輔助駕駛，就能從90%的時間里“掘金”，車企才意味著可以獲得進入自動駕駛的終局資格。

在競爭越發激烈的自動駕駛賽道中，越早規模布局城市場景，就能越早在整條賽道中取得先機。

特斯拉FSD 9.0 Beta城市路試

實現輔助駕駛在城市場景的落地，也是在高速場景后必須正視的難題。特斯拉、毫末智行與小鵬等提供的高速場景輔助駕駛系統已經先后實現量產，能夠實現自主超車、自主變道、自主上下匝道等高階駕駛輔助功能。

然而高速場景相對更封閉，而城市場景下復雜場景和出現corner case的幾率要遠高于前者，其行車方案不一定有全局最優解，反而更強調局部最優解的攻克，也就意味著同樣的駕駛環境，自動駕駛可以選擇很多種可能的解決方案；另外對長序時間維度的要求很高，車輛不僅需要做出當下的反應，還需要為接下來的一段時間做好規劃，估算出位置空間、速度、加速度等諸多信息。

借助高精地圖實現高速NGP功能的小鵬P7

對于自動駕駛行業來說，每一項技術的突破與落地都稱得上是一次質變。從高速域進入城市域，輔助駕駛的難度、復雜度將是指數級提升。但龐大的用戶需求與市場機會催促著自動駕駛企業加速研發城市駕駛輔助系統，以特斯拉、毫末智行、小鵬為代表的自動駕駛企業也先后交出了自己的答卷。

02 輔助駕駛的進擊：路線不同但殊途同歸
特斯拉在業界的獨立特行不僅來自于其CEO，也來自于堪稱頭鐵的技術路線。

搭載特斯拉最新Autopilot的車型不僅沒有采用激光雷達，也沒有采用高精度地圖，其完全依賴車身四周 8 個攝像頭提供的原始圖像，視覺信息首先通過攝像頭由FSD芯片交由AI神經網絡技術進行識別、分析與運算，其中一部分算力由車端HW 3.0芯片承擔，超過車端算力的則分攤至Dojo超級計算機。

對此，特斯拉將其解釋為，“我們希望能夠打造一個類似動物視覺皮層的神經網絡連接，模擬大腦信息輸入和輸出的過程。就像光線進入到視網膜當中，我們希望通過攝像頭來模擬這個過程。”

與特斯拉相比，小鵬與毫末智行采用“攝像頭+激光雷達+高精地圖”的技術路線便穩妥了許多。小鵬XPilot 3.5以高精地圖為主導，視覺系統作為輔助，激光雷達作為冗余支持，加以30 TOP NVIDIA Xavier支持，不僅能夠實現厘米級城市定位能力，還能并串聯停車場、高速、城市道路等不同場景。

毫末智行則為最新上市的魏牌摩卡DHT-PHEV提供單板算力可達360TOP的自研域控制器“小魔盒3.0”，并依靠高精地圖與5個毫米波、12個超聲波、1個感知攝像頭、4個環視攝像頭組成的第一梯隊級別的硬件配置，實現高速域與即將上線的城市域的輔助駕駛體驗。

不論是純視覺路線還是視覺+雷達+高精地圖路線，各大自動駕駛企業在硬件層面的堆棧都是為了更高效地感知駕駛環境，從而獲取、分析、計算數據——與特斯拉、小鵬類似，毫末智行同樣將自動駕駛的發展核心聚焦在了數據。

對此，毫末智行CEO顧維灝表示，“數據是人工智能最大的驅動力，也是人工智能進步過程中最大的成本。自動駕駛產品的完善是個漫長的進化過程，就像是人在漫長的歷史過程中，找到用最低能量消耗維持生命的方法，開發智力和積累經驗進化人類文明。”——簡而言之，毫末智行發現完善自動駕駛的前提并非是軟硬件的無腦堆砌，而是收集并整理用戶在駕駛過程中的所有有效數據。

基于這一理解，毫末并將其歸納為指引自動駕駛實現的方法論。在對海量用戶累計行駛里程數據進行分析總結后，毫末得出了自動駕駛能力發展曲線：F=Z+M（X）。其中F代表產品力，Z代表毫末第一代產品，M是一個把數據轉化為知識的函數，包括數據獲取、表達、存儲、傳輸、計算、驗證，以及對成本和速度的影響，也就是毫末智行最核心的數據智能體系MANA。

毫末智行發布的中國首個自動駕駛數據智能體系MANA

基于數據智能MANA帶來的堅實基礎與前瞻性，同樣要依靠量產車型提供的數據進行大規模采集、測試與驗證，毫末智行雖然在起步階段不及特斯拉與小鵬，其自動駕駛技術規劃卻更加系統全面，為乘用車輔助駕駛技術的數據領域提供了教科書式的學習模板：

在感知智能方面，同樣搭配高精地圖+攝像頭+激光雷達的硬件組合，毫末智行為了提升融合感知效果，選擇從攝像頭和激光雷達的感知中間結果，經過Transformer的多模態融合映射到tensor space中，然后加入時序的特征進行時空融合，由此快速拉升感知能力，實現了1+1≥4的效果；

在認知智能方面，毫末智行認為認知需要具備安全、舒適、高效三大要素。

安全上，毫末擁有全棧自研安全認知模型CSS，其核心是自動駕駛系統不只局限在從純機械的角度保證自己不主動犯錯，而是充分考慮從數據中學習到的對其他交通參與者行為的理解和超時空的歷史經驗；在安全底線之上，從數據中學習舒適和更高效的量化標準，讓自動駕駛算法可以更好地處理紛繁復雜的駕駛場景，制定更符合用戶喜好的駕駛策略。并且通過自動化場景挖掘、強化學習、仿真引擎構建認知智能閉環系統，持續不斷從海量人駕數據中提取知識，快速迭代車端認知算法能力；

在數據標注層面，毫末正在研究一種端到端的模擬學習，即以過往的事例為指導，從數字化的場景中得到具體的本車動作。這一過程中，所有的動作都已經在人們自己開車的過程中自己被標注。而毫末則挑選更符合要求司機的駕駛行為，在不同場景下持續的訓練。同時，毫末實踐了很多深度強化學習的方法，并構建了閉環自動標注系統，運用了無監督自動標注算法，大大提升了數據標注的效率，以適應大規模量產的需求；

在仿真能力層面，毫末智行將仿真系統比作“自動駕駛元宇宙”，通過在這個“元宇宙”中進行感知和認知的效果驗證，大大提高了驗證效率；

而在計算能力方面，除了毫末智行自研的單板算力可達360 TOP的“算力怪獸”ICU 3.0車端域控制器外，毫末智行也宣布將建立自己的超算中心，主要用于自動駕駛的數據處理、訓練、推理和驗證等需求。這也標志著中國自動駕駛將正式進入超算中心時代。

毫末乘用車智能駕駛產品路線圖

數據智能MANA讓毫末智行成為了中國首個宣布在自動駕駛領域，大規模研發落地數據智能體系的公司，而以MANA為核心，毫末智行最終將實現完整全棧自主閉環能力，構建更穩定、更安全、會學習的高階輔助駕駛系統，并在城市NOH后，逐步實現全場景NOH能力。

03 誰能從數據中“掘金”，誰將贏得下半場入局之戰
我們從毫末智行的技術實踐看到，完善的數據智能體系是AI自動駕駛科技公司成功的基石。顯而易見，在自動駕駛下半場的城市場景之戰中，誰能高效低成本地挖掘數據價值，誰就能成為競爭的王者。

對此，國內知名投行中金公司《人工智能十年展望（二）：邊際成本決定競爭力，算法龍頭主導格局優化》報告中指出，深度學習模型的準確性很大程度是數據驅動的，數據量大、質量高、多樣性強很大程度上解決了訓練過擬合的問題，是好模型的基礎；

由于AI行業獨特的數據反饋機制造就了行業的先發優勢，當下處于AI大規模商業化落地的早期階段，跑馬圈地、搶占優質的大客戶是AI行業關鍵競爭點——這不僅與毫末智行以數據智能MANA為核心，遵循降低成本、提高迭代速度的初衷相吻合，更肯定了毫末智行、特斯拉、小鵬們通過量產落地推動數據規模增長的技術路線，為自動駕駛行業指明了前進方向。

2022年，乘用車領域輔助駕駛規模量產之戰已經開啟，特斯拉、毫末智行、小鵬也以略有迥異的技術實踐為自動駕駛行業帶來了更多驚喜與可能，然而利用大模型與大規模數據升級自動駕駛算法、并以更高效、更低成本實現量產，已經成為整個自動駕駛行業的共識。

在這場競賽中，作為成立僅兩年多的創業型企業，隨著城市輔助駕駛量產方案落地的日期臨近，以數據智能為核心的毫末智行可以說是率先獲得了同特斯拉、小鵬汽車這些主機廠一樣的下半場競賽的入場券。

城市輔助駕駛之戰已然拉開序幕，誰能領先一步，讓我們拭目以待。

總結

以上是生活随笔為你收集整理的2022城市辅助驾驶赛道陷入“三国争霸”，数据智能助力毫末智行杀出重围？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。