車東西（公眾號：chedongxi）
作者丨 川徐
編輯丨 Juice
由車東西主辦的GTIC 2022全球自動駕駛峰會於1月5日在深圳成功舉辦，來自自動駕駛行業的多位專家和企業代表出席了本次會議並發表主題演講。
在”量產自動駕駛專題論壇”上，長城沙龍智慧化中心負責人楊繼峰透過影片連線的方式發表了題為《資料驅動，高等級智慧駕駛量產的必由之路》的主題演講，介紹了資料驅動是如何幫助高級別自動駕駛實現量產落地的。
楊繼峰從駕駛自動化分級、整車產品形態和技術架構三個角度出發對“智慧駕駛到哪一步了”這個問題進行了回答，介紹了資料驅動是如何幫助高級別自動駕駛實現量產落地的。
楊繼峰認為，高階智慧駕駛系統量產不僅要實現技術的價值、產品的價值更要實現能夠對使用者形成更深層次的連結和整個生命週期內全面體驗閉環。
以下是楊繼峰演講全部乾貨：
一、自動駕駛分級是產品形態 並不代表技術能力
從駕駛自動化分級的角度看待自動駕駛似乎已經成為了一個繞不開的話題。自動駕駛從業者經常被問到自動駕駛今天是L幾了，這是一個繞不開的問題。自動駕駛領域在16-17年開始進行國標的駕駛自動化分級的編寫，到今天已經發布了，針對L3以上級別自動駕駛的三支柱法也開始落地。這是從法規層面，但是越是從事自動駕駛軟體架構開發或產品設計的同學就越容易理解，其實所謂的L2、L2。9、L3、L4級別的自動駕駛更多的是一些不同的產品形態，而非直接的技術水平的能力的表達。當然一個沒有ODC限制的L5級自動駕駛可能是所有自動駕駛賽道殊途同歸的目標，但或許這個目標在可見的未來永遠是一個牽引。
在楊繼峰眼裡所謂的L2、L2。9、L3、L4的自動駕駛更多的是不同的產品形態，而不是簡單的技術水平的能力問題。
駕駛自動化分級帶來的智慧駕駛產品形態
在自動駕駛的級別帶來的產品形態背後，是多個產品開發方法論的交匯和融合。
經典的L0-L1-L2和以TJP為代表的可以脫手脫眼的L3，採用典型的瀑布式的開發，清晰的功能邊界，整合化的軟硬體架構，可透過數學方法驗證的測試驗證理論，深度結合整車質量體系，功能場景、駕駛策略、安全概念都是could be defined， could be designed， could be verificated and validated，所以更多的是一個人function pack的形式，不在功能設計範圍內的feature很難在這一代技術棧上透過OTA的形式再做交付。
而伴隨著AI在視覺領域突破而進入自動駕駛行業的夥伴，大家反而是從L4開始理解自動駕駛，系統架構上基於當前有的感測器能力尋求均布感知的最優解，能夠實現落地的高效能的計算平臺。小步快跑，敏捷開發，持續整合，長城對技術的理解一直是一個以平臺的形式持續開發的概念。從功能場景上L4自動駕駛希望系統能夠無限接近於道路真實場景（例如複雜的道路拓撲、異形交通標識標誌交通燈，博弈和繞行為主的場景，各種道路交通參與者的異常駕駛行為），ODD（非ODC）更多以地理圍欄的形式出現而非功能邊界（無論是限定區域還是幹線），對於ODD之外的問題，L4系統需要有完整的風險遷移方案。對於不能解決的問題，不僅僅需要檢測到，還需要保障絕對的安全（排程和運營能力）。
所以怎麼理解這一代量產高階智慧駕駛系統，從整車系統架構角度、智慧駕駛安全理論的角度（特別是功能安全）、MRC和MRM的定義的角度，這一代系統開發沿用了很多傳統ADAS的方法論，但是從軟體架構特別是核心模組的演算法架構上，從主線軟體的開發、整合、交付形式上，從車端-雲端的架構統一性和資料驅動基礎設施的角度上，這一代系統又很接近現在的L4技術棧。
回到今天的題目“高階自動駕駛量產”，2022年大家談了很多L2和L4的飛輪、資料閉環以及它們之間的關係，所以站在今天去看待這樣的L2。9的高階端到端智慧駕駛輔助系統的量產問題，是一個非常有趣的時間點。
回到駕駛自動化的問題上，L3比L2。9需要更多的硬體感知能力嗎？不一定，因為L3的場景更少，也更容易去透過列舉定義場景和風險。L3比L2。9需要更多的算力嗎？也不一定，因為算力更多反映的是演算法架構的需求，L3反而是更多以邏輯計算的形式表達的。L3比L2。9需要更多的系統冗餘嗎？是的，因為安全、特別是功能安全在方法論層面尚未因為機器學習而發生本質變化。所以，駕駛自動化問題，他更願意看做是一個系統設計、安全設計、功能設計、演算法架構、測試驗證、開發和交付方式的方法論層面的理解和表達。
所以長城從整車企業的角度和自動駕駛本身的技術角度，達到了這一代非常有趣又非常先進又真正第一次toC的時間節點，長城把端到端的具備完整架構的L2。9高階智慧駕駛輔助系統給了使用者。
二、智慧駕駛提升明顯 仍需要持續迭代
從整車角度，應該怎麼樣看待高階系統的量產？
長城和大部分的整車企業夥伴們一樣，都走過一些類似的路，透過發展側重的不斷調整來滿足自動駕駛系統的升級與完善。
到第三代智慧駕駛系統交付給使用者的時候，智慧駕駛系統已經是一個能夠長期的迭代和成長的平臺。所以從2020年或2019年到現在，自動駕駛從一個軟硬一體的配置型產品變成了可成長平臺型產品，長城認為它是一個要伴隨著使用者的全生命週期在硬體和軟體架構上不斷開發和迭代的平臺。
時代給了量產高階自動駕駛系統最佳實踐平臺和視窗，長城也肩負著這一代C端的價值和使命。在機甲龍上市之後，長城做了很多的使用者溝通，楊繼峰深刻地感受到智慧電動汽車使用者在C端發生的變化，使用者開始理解他買的不是一個配置或者功能，而是理解為買了一個平臺，因此行業把智慧駕駛定義成一個1。0、2。0、3。0這樣的平臺性表達形式。使用者對於智駕系統問題的解決帶有明確的預期，使用者認為在駕駛過程當中遇到的體驗槽點是一定要透過OTA去逐步解決的。使用者對於整個系統升級有著自己的預期，但是這些預期並不準確，在使用者的角度來講，很難分辨出哪些是這個系統在成長過程中一定可以實現的，哪些是一定不可以實現的，所以也需要更多的從業者和使用者之間直面的溝通。
使用者對於整個系統成本和功能價值有了不一樣的認識，從業者也對於研發架構的認知發生了變化。如果說在幾年之前行業是賣產品，今天賣的是整個自動駕駛技術棧本身，包括它的技術理念、軟體演算法、系統層設計的所有理念，以及在這個平臺上的開發者。這些變化在今天來看，一部分已經落地，另一方面依然牽引著從業者在跟使用者的整個生命週期裡做持續的開發。
需要完成的C端價值和歷史使命
智駕的系統成本從2020年到2023年，平臺硬體成本+資料閉環流量成本加起來，上漲了差不多6-10倍，換來的是什麼？換來的是行業已經做了一些挺酷的事情，中國的Navigation Pilot型別的功能走在世界領先地位，智慧化標籤也超脫了功能層面，成為了企業和品牌層面的競爭標籤。但，這些還不夠。
從整車角度上，智慧駕駛成本在終端無論是訂閱率還是選裝率都還沒有轉化成使用者價值；在品牌角度上，透過智駕能夠形成科技標籤且被使用者買單的企業還很有限；使用者角度上，依然需要很大量的工作去建立對這一代系統的預期和認知。
而這些在2023年需要被開發團隊和合作夥伴，和行業整體，最重要的是和使用者一起攜手去推動，在楊繼峰眼裡高階智駕必須要做到全面toC的技術閉環和體驗閉環。
三、行業達成多項共識 資料驅動重要性凸顯
從技術的架構來講，自動駕駛行業在哪一階段？
2022年行業整體完成了很多技術共識，對於新一代的感知架構，大家基本形成了一致的技術意見，多模態加大模型加BEV部署；從高精地圖應用的角度來講，重感知加輕地圖被廣泛提出，開發團隊開始根據自動駕駛的軟體需求去定義究竟需要高精地圖裡的哪些要素，跟地圖企業有了更深層次的合作，透過經驗圖層去實現更智慧、更接近真實交通流的場景表現，把車端感知加實時建圖的能力做的更好。站在今年，楊繼峰覺得有一個很大的變化是終於可以說高精地圖不再是一個傳統意義的零部件，而是真正深度成為自動駕駛解決方案的一部分。
2022年完成的技術共識和實踐
2022年完成了L2到L4的架構閉環和資料閉環，車端架構和雲端架構的進一步統一。自動駕駛行業基本上已經告別了全量落盤+全量標註，所以對於從業者來說沒有足夠的車輛和足夠資料的競爭其實已經結束了，接下來的競爭是資料探勘、資料的有效利用以及整個技術棧對資料的理解，以及如何在大規模的基礎設施上平衡整個計算效率。
回到今天的題目，在自動駕駛領域談資料驅動，從業者做了什麼？首先很多模組已經發生了變化，從基於規則的視覺特徵提取到基於資料驅動的端到端結果的輸出；從基於確定資料的地圖資訊表達到現在一系列新進展和實踐的落地，在預測和規劃模組，深度強化學習等基礎也開始做進一步的探索。
四、高階智慧駕駛離不開資料驅動
當談到資料驅動的時候，經常會講用資料驅動的感知、資料驅動的預測、資料驅動的融合、資料驅動的規劃、資料驅動的地圖，出現一些很激進的討論，直到今天依然有L4的公司在討論說，自動駕駛本身到底是不是一個end to end learning 的機器學習問題。
當談到場景的時候，行業更願意表達資料驅動如何讓場景的體驗變的智慧，比如跟車的距離不再僅僅定義成它對於時距的一階線性轉成一個固定值等，這樣的一些確定函式的表達，而變成了基於場景的更智慧的跟車行為。
根據場景談資料驅動
從硬體的角度講，資料驅動帶來的一個很大的特徵就是大家開始更關心TOPS，即使是普通使用者也會問，這個車的算力是多少TOPS。機器學習這種以AI計算為主的演算法進入到量產階段，所以TOPS就變成了一個使用者願意評價一個硬體好壞的核心指標。
從開發模式的角度講，在傳統的DRE的體系下，自動駕駛可以作為軟硬一體的功能包，它的核心開發主要針對每個車型的標定和車配。但是如果定義2022到2023年是高階智慧駕駛輔助井噴的一年，那麼接下來所有的開發者都會面臨這樣一個問題：開發和交付結構變化。只有不斷降低自己的程式碼量，不斷使用更多的資料驅動演算法，不斷的減少對一次性開發和標定的依賴，透過技術棧本身的角度去做整體最佳化，才能更好的做多個車型的平臺開發。
比如透過資料迴流實現對交通燈識別率的提升、預測精度的提升，而不是透過不斷去修改它的特徵的演算法，舉個例子，在機甲龍這個車型的開發上，長城和合作夥伴Momenta也對於這一觀點做了進一步的實踐，比如在10天之內透過資料驅動，自動駕駛的預測精度可以提升40%以上。
但是開發團隊考慮所有技術點的時候，考慮更多的是這個架構的方案可以走得更遠，可以相容更新的模型，可以更充分的支援人們能看到的開發，但這也意味著增加硬體成本、算力成本、資料成本。所以從OEM的角度來講，一箇中算力加多感測器融合的低成本高整合的方案，也許是在2023年大家會回頭去討論的一件事情。
從產品的角度來講，一個企業一定會有更高階的車型，像機甲龍，去實現技術棧在全生命週期內的擴充套件和全生命週期內的交付。但同樣針對另一些品牌的車型，也許一個場景上可以覆蓋高速高架、城市簡單高頻的場景、好用的記憶泊車的中算力的解決方案顯得更具價效比。所以從定義產品的角度來講，也許從演算法棧可以不追求deep，從場景上可以不那麼追求城市的複雜場景，從技術結構可以不那麼追求實時車端雲端的模型剪枝和蒸餾，從資料迴流上可以不那麼追求所有場景的全量資料（而是更多的透過資料探勘和資料應用的效率），從開發模式上不那麼追求自研或者說討論開發以及合作形式的理性，在2023年也是一個不錯的選擇，當然持續的OTA能力是今年所有車型必須要有的。
資料驅動的未來
楊繼峰最後說到，面向未來，長城依然在前行。如果把自動駕駛理解為一種服務的話，今天還遠遠做得不夠好，還沒有很好的實現體驗閉環：駕駛員姿態的變化、使用者信心導致駕駛策略變化，DMS\OMS感知的資訊，以及實時的環境和場景的變化，到今天為止並沒有完全進入自動駕駛的系統設計裡。長城接下來依然可以一些更智慧的體驗設計，比如做當駕駛員喝水、實現看向副駕或做一些其他行為、座艙裡其他的成員做一些行為的時候，可以關聯到此時即時輔助功能的一些駕駛策略。
場景閉環也還沒有很好地實現：對於遠期的願景來講，楊繼峰認為自動駕駛可以實現對於區域性交通流的安全和效率最佳化，以及對於全域性交通流的如何理解道路的安全、道路的效率、道路的公平。所以在做自動駕駛開發過程中，開發者會被人問起，自動駕駛的車輛和非自動駕駛車輛混行的時候，對於一條道路每小時通行的車輛到底是變多了還是變少了？
運營閉環也還沒有很好地實現：長城在2021年開始嘗試運營閉環，包括讓使用者更多地使用這個系統，不斷提升系統的MPI，提升系統的場景可能性，提升系統的道路可能性，提升使用者對它的認知，以及和使用者形成進一步的線上線下的閉環，也開始探索訂閱等一系列的商業運營的方式。
未來的自動駕駛如何看待？楊繼峰相信行業會從功能驅動的智慧駕駛走向場景驅動的智慧駕駛，也就是今天開發團隊希望用平臺型的開發和海量資料驅動軟體技術棧實現更多的趨近於全面場景和更擬人化的功能目標。楊繼峰希望這一代的智慧駕駛技術平臺能夠從高速走向城市，希望這一代的自動駕駛平臺能夠真正走向使用者，實現完整功能的覆蓋和打通。面向未來，他希望自動駕駛應該是智慧交通體系下的自動駕駛，它解決的不只是自車的問題，解決的是完整道路流的課題。同時自動駕駛也會成為使用者體驗的一部分，成為千人千面的自動駕駛體驗。
回到資料驅動，楊繼峰認為資料驅動的終點可能不止於自動駕駛，自動駕駛行業今天做的是基於資料驅動的軟體模組，這是談資料驅動談的最多的，從業者們不斷地把最新的機器學習研究成果廣泛應用於車端的感知、預測、規劃，並且搭建了完整的研發基礎設施，包括車端和雲端的模型自動化的基礎設施。接下來做的是基於資料驅動的產品設計，他認為資料驅動會顛覆功能開發的場景定義，現在是透過推理定義一個場景，接下來會做的是透過理解資料和資料空間關係，找到場景和場景之間的關係。
長城也會做更智慧的使用者體驗和人機互動，比如，如果能夠透過對預測和決策模組的資料分佈特徵進行多模組聯合最佳化的話，為什麼不能透過DMS、OMS模組和自動駕駛決策模組之間的資料特徵做一個千人千面的自動駕駛。像前言所述，如果說用駕駛員的姿態和視線追蹤等行為結果關聯自動駕駛的場景和駕駛策略去實現一個更智慧的體驗，這是功能策略和系統層面上進一步實踐的話，那麼直接在資料空間的資料探勘、資料分佈、資料表達層面形成連線就是一項更為遠期的願景和實踐。
楊繼峰相信自動駕駛一定會成為企業數字化當中的一部分，所有的資料會以一元化的形式統一挖掘、處理、儲存、應用，包括自動駕駛模型最終也不應該是單一系統的形式存在，而是和企業級的AI模型關聯。也只有做到這一切，才能真正轉型成為一個更加理解資料驅動，整個AI貫穿整車所有資料和所有研發模組的一個智慧開發體系，而資料驅動的理念也會伴隨著行業進一步實踐。