作者：morning

无人驾驶辅助截至目前就是个鸡肋，哪怕激光雷达、高清摄像头、高精地图全部拉满，算力飙到几百 TOPS 也无法摆脱这样的事实。

并不是能力不够，是使用场景受限。

(相关资料图)

想要实现高阶无人驾驶辅助，很大程度上要依赖于高精地图（特斯拉那种纯视觉感知的除外）。因为高精地图能给车辆提供所需要的道路边界、连接点、道路拓扑结构。

有了这些信息后，车辆才能在经过系统决策后规划好行车轨迹。

但高精地图的开发成本太高，每公里的成本至少要上千块。而且还要有一个大团队负责 "日更地图数据"，不然万一哪个地方施工不知道，就很可能直接撞上去。

这就导致高精地图无法大规模的在全国铺开，只有在地图数据比较固定的高速路段，以及北上广深这些一线城市才能使用。

由此引发的蝴蝶效应是那些搭载激光雷达 、高清摄像头的车毫无吸引力。特别是对于二三线城市，又不怎么跑高速的消费者而言。这感觉就像是你刚集齐了一身六神装对面就立马投降了，连装逼的机会都不给你。

当然，这样的困境可能在今年下半年迎来转机。

一方面很多厂家（小鹏、理想、蔚来、华为系）都开始做重感知，轻地图的 " 无图模式 "。也就是利用纯感知 + 普通地图导航的方式，实现高阶无人驾驶辅助。

这其中就涉及到一个 BEV 算法，所谓的 BEV，就是 Bird ’ s eye view，翻译过来就是鸟瞰图，它主要是通过将所有摄像头、雷达采集的图像、数据通过矫正后，统一输入到神经网络来提取特征，然后利用 transformer 架构，将这些特征进行关联，之后再投影到一个统一的平面之中推理。

简单来讲，就是每个传感器感知到的东西是不一样的，比如有的数字 1，有的是字母 A，这就导致数据融合相加的时候存在误差。BEV 算法就是它们都变成数字，这样就方便计算了（我只是打个比方，实际很复杂）。

而且又因为是鸟瞰图，所以就能看到更大范围的物体，遮挡情况变少。

这样做的好处就是不必过渡依赖高精地图数据，哪怕高精地图没有日更，数据和当前路况不一样，也能按照 BEV 算法的实时运算，完成无人驾驶辅助操作。

而基于 BEV 算法很多车企都有不一样的处理方式，比如理想就加入了NPN（NeuralPriorNet）神经先验网络和 TIN（Traffic Intention Net）信号灯意图模型。

这两个专业名词解释起来很复杂。大家可以把 NPN 的作用简单看作是记忆存储，理想依靠自己的那么多用户，那么多车，每天到处跑来跑去，采集了很多数据。然后把这些数据（道路特征）记下来，之后需要用到的时候，就把这些记忆提取出来，配合 BEV 使用。

大家也可以把它想象成回家走楼梯，哪怕楼梯很黑你看不见，还是知道怎么走。那是因为我们脑海里早就有过楼梯的记忆了。

至于 TIN 信号灯意图模型，其实就是通过观察周边行人和车辆的动态，来反推信号灯的情况。比如当你在中间直行车道上停下，但右侧右转车道的车辆都可以顺畅前行，那可能意味着这时候你所在的直行车道是红灯，而右转车道是绿灯。

不过，哪怕是这样的无图模式，也是很烧钱的，也需要大量跑图。所以这个时候厂家又加入了通勤模式。

所谓的通勤模式，可以简单理解为此前小鹏那种 " 跨楼层记忆泊车 " 功能的一种延伸。也就是让车辆对同一路线进行记忆训练，记住这条固定路线。由此生成一张 " 专用地图 "。再结合实时 BEV 信息实现点对点的无人驾驶辅助。

换句话说，你每天上班的路线都是固定的，只要让车辆每天跑，记住你所经过的路线，以及周边的障碍物，或者标识。这样之后再跑到这个路的时候，它自己就知道该怎么走了。

这绝对是很有跨时代意思的一项功能，因为之前不管是有图还是无图，都需要跑大量的地图数据才能实现。导致如果你所处的地方是些偏远的小城镇，那可能就是无法享受到无人驾驶辅助的功能。

但通勤模式就是自己练习自己的路线，不管你身处何方，只要通过每天的道路训练，车辆就能实现这种点对点的无人驾驶辅助。而且不仅仅是训练一条，而是可以训练很多条。不需要高精地图辅助。

而当很多车企，很多用户都在用这个通勤模式之后，无人驾驶辅助真正意义上，要走进千家万户了。所以现在不要以为无人驾驶离我们很远，或许在不久的将来你自己就能开上了。

猜你喜欢