高阶智能驾驶交流–20231215

.国内智能驾驶技术的发展情况及未来走向 尽管国内智能驾驶技术正在努力追赶特斯拉，但今年的产品升级大多集中在表面优化，缺乏实质性的长期投入。仍然严重依赖激光雷达等辅助工具，而这些并不能从根本上提升智能驾驶的效果。 各公司在技术和市场策略上存在明显的差异。 一、综述 .国内智能驾驶技术的发展情况及未来走向 尽管国内智能驾驶技术正在努力追赶特斯拉，但今年的产品升级大多集中在表面优化，缺乏实质性的长期投入。仍然严重依赖激光雷达等辅助工具，而这些并不能从根本上提升智能驾驶的效果。 各公司在技术和市场策略上存在明显的差异。一家国内公司由于早期的投资，将在今年收获成果，并计划推出针对低端市场的高性价比L2级产品。另一家公司则在积极招募人才，专注于城市开放区域的研发，预期将迎来第二波市场需求。 考虑到特斯拉的技术方案与中国之间存在的代际差距，特别是其纯视觉技术和决策规划算法的更新迭代展现出更大的潜力，预计在FSDBeta实现本土化后的两年内，特斯拉在中国的表现将会超过中国的公司。 .高阶智能驾驶技术的趋势 4D毫米波传感器对特斯拉视觉系统的增强效果显著，提供了便宜且稳定的性能提升。然而，国内厂商普遍依赖激光雷达，而激光雷达在短期内很难被取代，除非三维建模技术有了显著的进步。 国内汽车制造商对车载芯片的依赖程度较高，因此下一代车载芯片性能的提升对于自动驾驶技术的推广至关重要。 .华为与小鹏的竞争 华为在纯视觉智能驾驶方面并没有明显的技术优势。在停车场景中，激光雷达点云堆叠可以使用，但在行驶场景中，华为的纯视觉解决方案并没有领先。 小鹏汽车在4D重建和数据标注方面可能略胜一筹，已经开始进入试错阶段，显示了它在高级智能驾驶开发方面的积极探索。 特斯拉通过添加毫米波雷达可能会获得稳定的收益。虽然纯视觉方案存在一定的局限性，但毫米波雷达可以在特定情况下提供补充能力，从而提高安全性。 .自动驾驶技术的多样化发展 小米汽车的自动驾驶技术发展较慢。目前仍在招聘研发人员，短期内不会有大的突破。 为了支持先进的算法和模型的应用，短期内需要软硬件深度集成。随着软件方案的确定性增加，硬件和软件将开始分离。 .高级智能驾驶的挑战 大量的投资并没有使自动驾驶样例项目产生明显的差异化，主要依赖于大量资源的投入来保证质量。对此，我们应保持中立的态度。 高速公路环境相对简单，技术难题主要在于出入口和收费站。相比之下，城市中的自动驾驶面临着规范化的标线较少、交叉路口较多等复杂的场景。 国内的自动驾驶技术大多是基于规则的，需要向泛化能力更强的特斯拉学习。提升感知能力是关键的一步，之后将决策规划转向神经网络。 与华为的合作关系可能更像是一个概念，实际运作起来难度很大。华为可能会剥离汽车品牌业务，专注于国家更需要的领域，如芯片。未来的自动驾驶可能不会完全依赖激光雷达，提升纯视觉技术至关重要。然而，在技术尚未成熟时，激光雷达可能仍然是必要的。当前，高精度地图已经在全国范围内得到覆盖，既稳定又高效。在这种情况下，改用BV算法并不具有太大的价值。 .特斯拉智能驾驶数据融合分析 特斯拉利用量产车辆的视频数据来进行3D世界的重建，而不是依赖高精度地图构建。这样做是为了加强自动驾驶系统中车道线的4D标注。 特斯拉的V12版本从验证到量产预计将需要半年以上的时间。虽然目前已经通过了小规模的验证阶段，但要实现大规模应用还面临着数据训练和实车测试的挑战。 与其他公司如华为、小鹏等相比，未来在4D重建和自动标注大模型方面的进展难以直接监控。我们应该关注最终量产车型的实际表现和效果。 智能驾驶的安全问题是人们最为关心的问题之一。为了避免事故的发生，我们需要建立一套完善的法规体系和技术标准，同时加强对驾驶员的安全教育和培训。 此外，我们也需要加大技术研发力度，提高自动驾驶系统的可靠性和稳定性。例如，可以通过引入更多的传感器来提高感知能力，或者采用更加先进的计算机视觉和机器学习技术来筱处理复杂的道路环境。 最后，我们还需要建立一套有效的应急处理机制，以便在发生事故时能够迅速做出反应，减少损失。这包括但不限于紧急制动、主动避障等功能。 .未来智能驾驶的发展前景 随着科技的不断进步，智能驾驶的发展前景十分广阔。在未来，我们有望看到更加智能化、自动化和个性化的出行方式。 例如，我们可以预见，未来的汽车将不再是简单的交通工具，而是集成了各种高科技设备的生活空间。它们不仅可以自动驾驶，还可以根据乘客的需求提供各种服务，如娱乐、工作、休息等。 此外，随着5G、物联网等新技术的应用，智能驾驶还将进一步融入我们的生活。例如，我们可以通过手机应用程序远程控制汽车，或者通过车载系统实时获取各种信息和服务。 Q&A Q：特斯拉在高阶智能驾驶领域使用4D毫米波雷达的优势和国内其它车企采用激光雷达的现状是什么？为何激光雷达难以在短时间内被抛弃？ A：特斯拉选用4D毫米波雷达的原因在于其成本效益高，能有效地强化纯视觉功能并简化基于视觉的解决方案。此外，4D毫米波雷达在传感器可靠性方面也有优异的表现。相比之下，国内大多数车企偏好采用激光雷达。这是因为只有当车企的纯视觉方案没有过渡到网络结构，且三维世界的构建精度极高时，才有机会舍弃激光雷达。然而，目前许多国内车企在构建三维世界时仍然依赖于二维解决方案。因此，如果纯视觉方案在未来一两年内未能达到高精度的三维建模水平，激光雷达仍难以被取代。 Q：国内车企在智能驾驶的车载芯片方面存在哪些问题？特斯拉在这方面有什么优势？A：国内车企在车载芯片性能方面有时会遭遇限制，导致需要对网络结构进行调整以确保车辆算法的正常运行。由于车载芯片的性能问题，车辆端需要删除计算能力以达到预期效果。未来，如果能够采用新一代高性能芯片，如G06，则可能有效地实施特斯拉的技术方案，甚至触及网络结构。特斯拉的优势在于其FSD芯片虽然计算能力可能只有144TOPS，但它与神经网络架构紧密结合，专门为特定神经网络设计。与此相比，国内的一些芯片，如奥润或真诚系列，不是为特定神经网络定制的，需要额外的计算能力来支持transformer架构。Q：目前华为与小鹏在车辆智能驾驶的技术应用（尤其是激光雷达的使用）上有无差异？他们未来是否可能完全放弃激光雷达？ A：华为与小鹏在激光雷达的应用方面相似，两者都在利用激光雷达辅助视觉方案以实现稳定的车道线识别和障碍物检测。短期内，完全舍弃激光雷达对华为和小鹏来说都是一个挑战。激光雷达的数据对车道线识别提供了重要的参考增值，而对于动态障碍物的检测，由于云端难以获取其稳定位置的增值数据，车辆端依赖激光雷达来提供精确的位置信息。特斯拉之所以不需要额外的激光雷达协助，是因为其模型可以识别包括动态障碍物在内的所有对象。然而，对于国产车企，包括华为和小鹏，在车辆未采用复杂的网络结构之前，激光雷达对于提供障碍物检测、数据稳定性等功能至关重要，因此短时间内难以完全放弃。 Q：华为和小鹏在高阶智能驾驶技术上的进度如何，两者是否有较大差异？ A：在高阶智能驾驶技术的；进展 ±，华为和小鹏在3D和4D重建标注方面的差异不大，两家企业都在积极发展这一技术。华为使用的激光雷达在泊车场景中表现良好，但在行车场景中并未显示出明显优势，小鹏也遵循类似的技术路线。然而，在4D重建标注方面，小鹏可能略显领先，但差距并不明显。两家公司都需要迭代优化大模型，这个过程需要时间，因为系统需要学习如何正确地进行标注，这通常需要多轮人工指导和迭代才能达到良好的结果。总的来说，尽管小鹏已经在标注方面进入了试错阶段，但两家公司在整体技术应用上的差距并不大。 Q：当前进行高级驾驶辅助系统的数据标注工作，是以何种方式进行？量产车是否参与其中？A：对于高级驾驶辅助系统，车道线标注通常需要通过采集车进行，这些采集车配备了激光雷达进行数据采集。量产车的激光雷达覆盖范围较小，因此主要是采集车在收集这些关键数据。这一过程表明对于视觉数据的依赖性较小，更多地依赖于激光雷达进行扫描以获取精确 息o Q：特斯拉在其纯视觉系统以外，是否考虑集成其他传感器如毫米波雷达及激光雷达？它们的集成是否会带来确定的收益？ A：特斯拉的纯视觉系统已经达到了一个相当稳定的阶段，但在某些特定环境下，如夜间和雨天，纯视觉系统可能不足以提供令人满意的表现。此时，毫米波雷达可以提供额外的帮助，展示其优势。然而，尽管理论上特斯拉也可以安装激光雷达，但这会带来成本上的挑战。此外，激光雷达与纯视觉系统在某些能力上存在重叠，主要区别在于激光雷达提供了更确定的结果。虽然它可能遗漏一些小型障碍物，但相对于纯视觉，它的密度不一定更高。因此，激光雷达和纯视觉的能力有一定的互补性，但其收益并不十分确定。对于特斯拉来说，在其车型上整合毫米波雷达是在能力互补上具有确定性收益的选择。 Q：小米汽车的自动驾驶方案目前是什么情况？它在业界处于怎样的位置？ A：关于小米汽车的自动驾驶方案，目前看来它似乎还处于比较初级的阶段。小米最近还在招募城市0A研发人员，且没有太多的成品发布。相比之下，国内其他企业在自动驾驶领域的发展相对更加成熟。因此，小米在自动驾驶方面可能会稍微落后，由于他们还在构建团队，所以短期内不一定能有大的进展。 Q：特斯拉采用的是纯视觉方案，未来自动驾驶是否会转向多模态融合？ A：的确，自动驾驶最终走向多模态融合是确定无疑的。虽然现阶段由于车端算力限制，看起来可能是非多模态的阶段，但实际上即使特斯拉目前采用纯视觉方案，它也在使用GPS和轮速等多种传感器信息输入，所以本质上它已经是多模态系统。加入额外的传感器如激光雷达，将是对现有系统的补充，从而提升整体性能，这种模式的转变对自动驾驶的发展是有益的。 Q：未来是硬软件解耦的方式更优，还是软硬一体的方式更为理想？ A：现在这个阶段，软硬件深度融合是必要的，尤其是因为软件部分会引入更多的神经网络模型，这些模型需要硬件的支持才能高效运行。至于未来，随着底层模型与硬件深度耦合后，硬软件可能会逐渐向解耦方向发展，以便适应已经比较成熟的基础算法。但是，软件仍在不断迭代中，目前还未达到最佳状态，因此短期内深度配合是关键。 Q：当前芯片制程技术对自动驾驶技术发展的影响如何？ A：在自动驾驶技术中，云端和车端芯片制程技术之间并没有必然的联系。云端主要用于模型的训练，而车端则更多关注模型的部署工程化。特斯拉在云端进行模型训练时可能使用了大量的NVIDIA的H100卡，因为这些卡更适合训练过程中大数据的吞吐和处理需求。如果从总体上看，芯片和制程技术是影响自动驾驶技术发展的一个因素，尤其是在网络模型训练方面可能会成为瓶颈。不过，国内自动驾驶技术目前在短期内可能还不会受到很大的影响，主要是因为目前的需求与特斯拉等企业相比并不是非常巨大。长远来看，如果国内企业不能自主生产高效的芯片，可能需要花费较长时间去适配和迁移平台，这可能会成为一个长期问题。目前如华为的升腾系列芯片虽然已经有使用，但在体验上可能还没有NVIDIA的产品成熟。 Q：自己汽车的智能驾驶能力如何评价？ A：自己公司实施的样板项目基于高精地图解决方案，为了提高效果投入了大量资源。这种方案难以创造差异化，因为要取得好的效果就需要投入更多的人力。因此，样板项目虽然看起来效果还不错，但并不能说它非常出色，也不能说它很差。 Q：无人驾驶汽车在城市和高速公路上面临的技术难点有哪些？ A：高速公路由于场景变化较少且大部分覆盖了高精地图，因此相对容易解决。难点主要在于上下匝道和收费站等特定场景。相比之下，城区道路的难度要大得多，由于标线不规范、地图轻量化过程中变形导致错误、路口感应困难和红绿灯等问题复杂，加上动态障碍物的识别困难，使得城区智能驾驶的表现可能不佳。现有的技术方案大多以规则为主，缺乏像特斯拉那样的泛化能力，有些情况下可能需要适当违反交规去保证驾驶体验和舒适性。 Q：国内车企能达到泛化驾驶能力的技术水平会在何时？ A：感知技术达成一定的水平是关键前提。国内目前还在完善感知能力，尚未达到使用神经网