沃尔沃/大众/长城“下场”，智能驾驶开发模式“闹革命”

ADAS正在从传统基于AI感知+规则算法模型转向基于数据+AI的数字化开发阶段，这种此前更多只是用于无人驾驶系统开发的模式，正在被越来越多的用于大规模量产车的工程开发。

这将帮助ADAS进一步扩大功能边界和提升用户体验，同时帮助汽车制造商进一步推出高阶自动驾驶，这是一条基于数据训练、验证和工程落地的渐进式道路，而不是传统的ADAS与自动驾驶并行研发的跨越式路线。

典型的案例，就是特斯拉的Dojo，一台神经网络超级计算机，号称计算能力可以进入全球前五行列，共有720个节点，每个节点由8个80GB Nvidia A100图形处理器组成（不过也有消息称，称，特斯拉后续会采用自主研发的HPC芯片）。

目前，特斯拉的自动驾驶训练数据库，大概有100万段10秒视频组成，这些10秒视频来自特斯拉车身上的8个摄像头（36帧/秒采集数据），数据容量大概有1.5PB（此前有报道称，人类功能记忆的容量预计在1.25个TB，1个PB相当于800个人的记忆）。

众所周知，早期的ADAS研发基本上是以基于规则的逻辑开发，这意味着开发人员决定对给定事件（输入）的反应（输出）。而基于神经网络训练的决策算法，则是根据可识别特征的权重来决定如何对事件作出反应。

支持者认为，驾驶本身不是一个规则问题，而是一个能力学习问题。大多数驾驶行为决策是决定什么是重要的，什么是可以忽略的。人们能开车是因为我们非常善于过滤“噪音”，而不是因为记住大量的规则和例外。

好处显而易见，随着前装ADAS感知设备搭载率的提升，大量采集的行车数据可以帮助系统不断高效优化（甚至是自动化处理）功能，但挑战同样巨大，AI是否足够聪明？能否满足苛刻的车规级功能安全要求？

一、特斯拉打“前战”

从今年的5月1日起，特斯拉将过去基于摄像头+毫米波雷达的感知系统更改为基于纯摄像头的系统，该公司将其称为Tesla Vision；官方说法是，基于深度学习的纯视觉感知可以达到融合感知的效果，甚至表现的更好。

近日，IIHS（美国公路安全保险协会）重新对新的特斯拉ADAS系统进行了独立测试，在车辆避撞方面给予了最高评级，在行人避撞上给予了第二高评级，最终的评级分数几乎和此前的系统版本差不多。

这意味着，基于大数据训练和人工智能的ADAS系统通过了测试验证（当然，还不能保证可以解决所有未知的场景，毕竟测试是基于一些相对固化的场景），也为数据驱动自动驾驶开发模式做出了进一步的肯定。

显然，行业内不少企业也在寻求突破，这是一个未来的新赛道，也是巨大的市场空间。要知道，在类似的技术开发模式上，大部分汽车制造商还不具备这样的能力。

近日，采埃孚宣布正在推出一套新的可扩展的基于数据和人工智能的ADAS虚拟仿真工程和数字化验证服务，名为ADAS. AI，帮助主机厂加速用于乘用车和商用车的ADAS系统开发，同时兼容其他一级供应商开发的系统。

这套系统有两大突破，其一是通过在全球范围内采集L2+系统场景和里程数据（超高分辨率多传感器同步数据集），满足功能的迭代开发；其二是与以色列公司Cognata合作开发的专有人工智能技术，将超高分辨率数据集应用于新车辆的传感器中，数据得以复用。

“端到端的方式使用真实世界的数据，这意味着OEM客户不再需要大量的工程测试车，也不需要数百万美元的投资用于测试验证。”采埃孚相关负责人表示，用真实数据来驱动开发，可以减少整个流程的成本高达20%。

基于实地驾驶衍生数据，该系统可在完整L2+场景在工程和验证阶段以不同位置的进行回灌点注入，以完成“虚拟”或“全传感器”模式来显著加快工程和验证过程的速度，提高效率。

同时，大陆集团也在加快类似的布局。

一年前，该公司完成了超级计算机的落地，由50多个联网的Nvidia DGX节点构建，由Nvidia Mellanox InfiniBand连接，并基于Nvidia DGX SuperPOD架构，目的是加强深度学习开发能力，并为自动驾驶等应用开发未来技术。

“除了大幅减少编程所需的时间，还可以帮助人工神经网络的训练。”目前，大陆集团超过5万名工程师中有近40%从事软件和IT工作，其中超过1千人的人工智能团队，预计到2022年，这个数字还将翻一番。

同样，在特斯拉的研发部门，除了200名核心软件在负责Autopilot/FSD的代码，还有100多名硬件工程师的任务是搭建Dojo超级计算机，这是接下来ADAS继续向L3/L4迈进的关键一步。

和Waymo相比，特斯拉的优势在于分布在全球的大量私人购买车辆贡献数据（而不是传统OEM采取的工程车测试模式），然后进行后台训练和验证，再OTA至车辆进行实际道路验证。

这也是为什么特斯拉的车主手册上，经常会出现“这是一项测试功能”的字样。不过，行业对于特斯拉没有充分测试验证就释放功能的方式，嗤之以鼻，毕竟这是典型的“人肉测试”。这需要特斯拉改进现有模拟测试的比重，并加大训练规模。

目前，特斯拉的现有后台数据中心就已经运行多年，基于车辆日常采集的道路行驶数据，其中部分可以用于训练神经网络的高质量数据会被上传到数据中心。而在达到训练结果的局部极大值过程中，工程师开始对神经网络模型进行改进，这是一个改进、训练、测试的循环。

此外，由于超级计算机的搭建，特斯拉也在升级传统基于2D的传感器数据帧输入。最近披露的是采用多个帧拼接到一个全景视图，再结合激光雷达点云真值数据来创建3D图像，通过添加时间，就有了所谓的4D视频数据作为输入。

“基于场景进行开发和测试验证成为行业趋势。汽车行业急需引入智能传感器软件算法开发，高质量数据采集和高效处理等技术，来应对智能化变革。”亮道智能CEO剧学铭表示。

目前，亮道智能在激光雷达感知能力开发、获取高精度真值、场景提取、数据中心搭建等方面，已经拥有量产级项目经验，并全程参与了激光雷达量产开发与测试验证工作。

二、传统势力开始发力

现在，越来越多的传统汽车制造商也开始发力。

本周三，沃尔沃汽车与旗下自动驾驶技术部门Zenseact宣布，其下一代车型将正式启用从车端传感器采集实时数据的能力，以帮助进一步开发驾驶辅助迭代功能，包括未来的全自动驾驶系统。

“我们将能够为特定的市场，个性化设计驾驶员辅助和自动驾驶系统，这比在全球范围内推出有限数量的原型工程车测试验证要快得多。”沃尔沃研发主管马茨·莫伯格(Mats Moberg)强调，随着数据的增加，更加智能的功能，改进版本的OTA更新频率都将得到加速。

另一家传统汽车巨头——大众集团也在快马加鞭。

为了能够将未来车辆的硬件和软件开发分离开来，大众集团软件子公司CARIAD（也就是大众对外声称的软件独立部门——Car.Software）正在构建一个新的基于层的端到端电子架构，称为E³2.0，由安波福参与研发。

按照计划，这套全新的软件平台将于2024年启用。同时，CARIAD还负责开发数字化功能，包括标准的数据分析平台、软件升级以及新的数字生态系统和服务。

其中，最大的亮点之一，就是建立一个跨品牌车辆的神经网络，将不断交换数据，从而能够创建一个拥有数百万辆汽车的自主学习系统。大众集团表示，这些车将是“时间机器”，同时与其他联网汽车共享道路、交通和其他系统的实时数据。

同时，最大的变革同样来自系统开发模式。

大众汽车在去年宣布与微软达成战略合作，建立一个基于云的自动驾驶开发平台(ADP)，提高软件开发的效率。“我们正在通过一个可扩展的、基于数据的工程环境来简化开发者的工作。”

这些数据将帮助自动辅助驾驶功能通过训练、模拟和验证，并从数十亿英里的真实和模拟驾驶里程中学习的机器学习算法，实现后续功能迭代升级的关键。

“ADP将有助于单一功能开发周期从过去几个月缩短到几周，”上述负责人表示，这意味着大众集团的所有品牌存量车（搭载相应硬件）都将受益，而不是那些尚未售出的新车。

作为大众集团旗下的软件子公司，CARIAD在收购海拉图像处理公司的基础上，正在加快数据驱动的软件开发，并提高图像处理算法的自研比重。该公司内部将这种开发模型命名为Big Loop，一种持续收集数据并对功能进行改进的方法。

“我们从大量车辆中获取大量数据并进行分析，以找出哪些功能运行良好，哪些不正常。我们越能分析车辆的行为，就越能更好地测试功能。”该公司负责人表示，这和传统开发方式相比，是一次革命。

事实上，不管是特斯拉还是Mobileye，功能的快速迭代除了算法和硬件之外，那就是大量的实际道路数据推动，这是一个非常重要的原因。这一点，过去汽车制造商更多是依赖Tier1来实现，除了类似特斯拉这样具备全栈自研能力的新势力。

比如，国内的小鹏汽车就已经开始采集了大量的使用数据并交付训练，包括NGP自动导航辅助驾驶功能的使用里程的重要数据、变道超车、自动进出匝道等等决策执行数据。

何小鹏表示，2021年公司还将投入更多研发资金，重点研发自动驾驶的软件、数据、算法、国际化，以及驱动下一代软件的硬件技术。除了自有的数据采集车，大量用户车辆中也可以在线检测长尾事件，并获取这些数据上传至云端，用于算法改进。

此外，理想汽车也强调，数据是自动驾驶技术最大壁垒，公司计划通过搭载更加丰富的传感器组合，实现高质量数据采集，从而实现自动驾驶算法的更快收敛。

而传统自主品牌龙头企业也在加快类似能力的构建。比如，长城汽车旗下的自动驾驶公司毫末智行就多次强调，成规模、高质量数据的快速收集能力以及高水平的数据处理能力是自动驾驶的核心竞争力。

毫末智行董事长张凯表示：“毫末智行是‘车企+技术公司’Cruise模式的中国代表。”比如，依靠长城量产车大规模装配落地的优势，能快速收集大量实际驾驶数据，快速迭代系统。

此外，毫末智行还将推出全球首款AI定制智驾系统AI Feed来实现自动驾驶的个性化，模仿驾驶者的个性化驾驶风格，推动智能驾驶系统从过去的“用户适应”向“适应用户”升级。