作者:張葉子
編輯:Mark
出品:紅色星際(ID:redplanx)
頭圖:毫末智行創始人團隊
9月28日,毫末智行2021年第三期品牌開放日在京舉辦,曬出Q3成績單,三大最新進展引人矚目:
? 乘用車方面
——“小魔盒”高速輔助駕駛開啟率超過30%,行駛里程突破100萬公里,比Q2數據的50萬公里增長近一倍,十一假期來臨,里程數有望迎來新的爆發式增長;
——發布最新智慧領航輔助駕駛系統NOH(Navigation on HIPilot),對標當前特斯拉NOA和小鵬NGP,在彎道、高速換乘、匯入和匯出等方面帶來更出色的駕乘體驗。
此系統將在WEY摩卡車型中率先上線,未來還將陸續落地于長城數十款乘用車型,預計三年內列裝100萬輛。
? 低速物流車方面
——毫末智行與阿里達摩院官宣戰略合作關系。毫末智行為阿里達摩院智能物流無人車“小蠻驢”進行生產制造、出廠測試驗證、規模量產等聯合創新及全生命周期服務,全面助力小蠻驢質量保障和規模化量產。
國內電商最后一公里配送三大玩家美團、京東、阿里,毫末集齊二家,并建立長期唯一合作關系,是低速無人配送領域市場份額的絕對領先者。
——運力服務方面,毫末智行在北京順義地區與物美多點合作的無人配送車訂單近2000單,自6月開始運營以來,目前服務范圍已覆蓋10個社區,較Q2增長50%。據悉,至2022年年底,公司無人配送及運營車隊將達數百臺。
? 數據智能方面
最新的自動駕駛技術版圖首次曝光。
毫末智行核心技術——Transformer(視覺識別技術)與CSS(協同安全敏感模型)“雙感知模型”和“認知智能”在產品量產落地中持續優化,海量數據帶來的迭代速度快、成本低的優勢進一步顯現,在自動駕駛行業筑起更深的技術護城河。
Q3的豪華成績單不是個例,成立于2019年、年初完成Pre-A輪融資數億元人民幣融資、在不到2年的時間里完成了高速ADAS和低速場景的商業閉環,毫末智行以季度為時間單位,不斷刷新行業的奔跑速度記錄。
速度只是表象,成績的背后,毫末做對了什么?才是整個行業感興趣的地方。毫末智行董事長張凱將毫末速度致勝的核心變量總結為一個“公式”:
毫末致勝公式=(數據智能*全面安全*穩定量產)^生態
毫末智行主要涉足載人和載物2個賽道,同時選擇了都可以大規模量產的L2輔助駕駛和低速載物產品,通過大規模鋪開自動駕駛車輛,最大化的收集數據,智能化處理數據,最終反哺自動駕駛軟件,促使系統更安全,形成生態正循環。
毫末是如何舞動這三個變量的,紅色星際為您深度揭曉。
生態發動機:數據智能
從誕生那天起,自動駕駛行業一個含金量最高的問題一定是:自動駕駛決勝的關鍵是什么?什么樣的企業能摘得最后的王冠?
毫末智行的答案是數據,智能駕駛是一場長跑競賽,唯有提高數據的迭代速度、降低數據迭代成本,才能持續的取得勝利,真實數據規模就是自動駕駛行業的命脈。在大家都有量產的條件下,誰能夠在相同的成本下面迭代得更快,誰就會在未來的競爭中會更有優勢。
(毫末智行CEO顧維灝)
數據的成本主要包括四個方面:數據收集成本、數據處理成本、 AI訓練成本和系統測試成本。相應的,決定迭代速度的因素就是數據收集速度、數據處理速度、 AI訓練速度和系統測試速度。
毫末在數據智能的降本增效就是從這四個方面抓起的。
1. 數據收集
目前,毫末已經有100萬公里的數據,這以數據量與特斯拉相比雖然仍有差距,但在國內公司中,里程數排在前列。
數據來源方面,公司目前的數據來源是商用車和采集車兼備,采集車隊比重大于量產車,但隨著量產車數量的逐漸增加,這一比例將會反轉。
據公司人員介紹,量產車來源數據的優點是場景更加豐富、數據多樣性比采集車要高得多。雨天、老舊小區、地庫、真實用戶的數據會比自己想象的或者采集車上看到的數據更復雜。
(毫末智行無監督技術講解)
雖然場景豐富帶來了數據利用成本比采集車隊高的缺點,但價值是不言而喻的。
作為一家秉持漸進路線的公司,毫末量產車是L2+輔助駕駛,獲得數據的前提是用戶對輔助駕駛的開啟率。
張凱表示:“如果用戶一開始就不喜歡用,認為輔助駕駛不好用,那我們就連學習的機會都沒有,更不要說形成數據閉環,持續迭代產品的能力了。因此,持續優化的用戶體驗是自動駕駛商業化落地的重中之重,也可以說漸進式發展路線的關鍵環節就是用戶體驗?!?br/>如何提升用戶體驗?
毫末設計了一個AI FEED功能,將傳統的“讓用戶去適應車”變成“讓車去適應用戶”,讓車能智能識別用戶用車場景和駕駛習慣,進行個性化推薦。
比如從最剛需的用車痛點出發進行推薦,如擁堵輔助、高速自動駕駛、自主泊車功能;再比如根據客戶駕駛習慣推薦極速、標準和柔和模式;后期還可以實現對加減速力度、跟車距離、變道頻率、變道時機等駕駛策略的定制化推薦。
為此毫末智行和長城汽車聯合舉行了一項用戶共創活動,邀請用戶參與體驗,把自己的車和競品車開上高速、開進城區,進行兩個小時的實車體驗,然后進行交流匯總、問題診斷。
活動持續了四個多月,得到了長城的大力支持,所有長城汽車副總裁級別、品牌公司副總級以上人員都必須參加,就連管人力和證券的副總裁都要參與。
成效是顯著的,毫末團隊對自動駕駛的用戶體驗有了更深刻的理解。作為深度參與HWA策略制定的工程師團隊,試車過程中難免會潛移默化的往策略上靠,站在工程師的角度去體驗每個環節。但工程師角度和用戶需求之間是有區別的,真正了解和滿足用戶體驗,需要站在用戶的角度思考問題。
紅色星際注意到,毫末將感性的用戶體驗細化成為可衡量的指標,包括開啟、使用和結束三個動作中涉及到的將近20項主動和被動成本,在各個細化的成本上不斷做功,提升用戶體驗。
不斷優化的駕駛體驗回饋的成果是:Q3高速輔助駕駛開啟率超過30%,比上季度提高50%。
張凱表示:2021年長城汽車全系車型中,具備有效數據收集功能的車輛將達25萬輛;2024 年長城汽車將累計銷售具備有效數據收集功能車型530萬輛,形成中國最大規模的自動駕駛數據倉。
2. 數據處理
擁有數據只是第一步,如何高效找到有價值的數據呢?
繞不過去的問題就是數據標注,毫末標注與業內大部分公司一樣,Inhouse自研標注平臺+供應商模式。
具體分工是:任務簡單、規則清晰、確定性強的如畫框、拉線一般都是由供應商去做。類似聯合標注精度要求比較高,出錯之后修改也比較麻煩,和腦補等復雜場景,會放在自研標注平臺上,質檢團隊也是完全Inhouse。
即使是人工標注,也要從最有價值的部分開始標注,否則浩如煙海的數據,是無從下手的。所以,如何確定哪些是有價值的數據呢?
如果靠人一點點去找,首先這里面就有兩個問題:
一是人工成本很高,根據毫末的評估,一個人力一天差不多看1000幀左右,假如有5000萬幀,全靠人看差不多需要5萬個人。
二是很多情況下,公司做這個事情都是一些初級的人力,并不是一些高級的研發工程師,培訓初級人力去理解和執行標注思想,可行性非常低,幾乎無法實現。
基于此,毫末的機制是:
第一,通過預埋規則的手段,以灰度測試的模式部署在已經投產的自動駕駛系統中,這個車端上的小模型稱為 Domain Model,負責一部分感知任務。
(數據偏見講解圖片)
但是這種方式對于感知來說是不完備的,很多潛在的高價值場景被遺漏了。因此毫末在云端部署了更大規模的模型,這個大模型被稱為 Fundamental Model,是一個基于 Transformer 的全任務感知大模型,可以超越車端上算力和時效性約束,發現小目標漏檢、目標被遮擋和截斷、以及在雨天、黑夜、被遮擋的目標漏檢問題。
第二,通過對比找到有問題的場景之后,就需要針對這個場景補充足夠的樣本數據。先以無監督學習方法將圖像向量化,轉化為特征向量,然后通過譜聚類,可以將相似的圖像聚類在一起。
得到聚類結果以后,對于問題場景我們會找到大量其同一類別的相關數據作為正樣本,相似易混的其他類別數據作為負樣本。并且在類別當中只挑選類中心和類邊界附近的數據出來提升標注效率。
以這種方式還可以非常有效的將異源數據以合適的方式混用起來,提升最終模型的效果,解決數據偏見等問題。
毫末是中國第一個大規模投入Transformer架構的公司,Transformer不僅能處理各類視覺檢測任務、各類分割任務、3D點云的檢測任務和分割,提升后續的規劃和控制的相關技術,還能有效利用海量數據進行無監督的預訓練。
眾所周知,在自動駕駛領域,特斯拉也使用了Transformer技術,與CNN模型相比,在處理海量數據和復雜場景情況下,Transformer的優勢明顯。
Transformer技術的進一步應用,不僅為毫末智行在各條自動駕駛產品線上的視覺算法落地帶來成倍的效率提升,還能夠讓各項視覺性能指標快速達到業內領先水平,這是毫末構建堅實技術壁壘的核心技術之一。
3. AI訓練
當有了自動診斷所需要的大模型、需要快速迭代的車端模型,特別是有了更多的數據后,新的問題又出現了。
在大模型時代,巨量的模型參數給模型訓練帶來很大的難度。在當前主流配置的服務器上,用數據并行方式訓練所花的時間是近百個小時。
也就是說,如果工程師稍微改一下網絡結構、參數配置、或者是更換數據,迭代一次,看到結果的周期是近百個小時。但這些操作又是會頻繁發生的,所以如果只是這樣就嚴重拖慢創新速度。
為了提升訓練速度,毫末除了采用常見的數據并行之外,還采用了數據和模型同時并行的混合方案。將模型橫向拆分,將不同層對應的 block 組,拆分到不同顯卡的顯存中,騰出空間存放更大的 batch size 對應的向量組。
除了并行之外,毫末還優化模型前向計算、后向傳播過程中、中間結果的顯存占?,包括Optimizer States, Gradients Parameters等,一般可以減少20%-30%的整體顯存占用量。
這樣帶來的整體效果是,訓練提速 50%-80%,由此帶來迭代創新速度的大幅提升。
4. 系統測試
更快迭代模型后,接著是如何能夠更快速的對新模型進行測試驗證的問題。
仿真作為模型驗證的主要方法,面臨很多挑戰,第一是測試人員配置仿真場景費時費力,做了很多隨意化和重復工作,效率不高。
比如按照傳統常規的方法,要仿一種有車要切入車道的場景,需要對道路、車輛參數、障礙物等等大量對象進行編輯,編輯出來一個場景再去運營。這樣一個人一天也就能編輯30個,積累很慢。
而且人編輯出來的場景,由于個體差異有很多自由發揮空間,最終結果和真實世界區別比較大。
毫末開發了語義場景的自動化轉化工具和參數泛化工具,可以將 CSS 中場景庫的描述文本,自動轉化為仿真測試場景,并且在合適的范圍內離散采樣得到巨量的仿真測試用例,在這個場景里面再去運行和回歸程序。
(毫末智行數據閉環圖片)
按照這種做法,目前公司每天能夠構建14000多個場景,不但效率遠高于人工,最重要的是——場景的真實度有了保障。
生態架構機:全面安全
毫末在安全方面有哪些獨到之處呢?除了傳統汽車的硬件安全冗余外,紅色星際歸納成3點:
1. 適應中國國情的CSS算法
中國道路的復雜程度,對任何一個自動駕駛公司都是巨大的挑戰,技術領先如特斯拉,對城市級自動駕駛非常有信心,在中國十字路口基本上正常通過率20%不到,也就是說,10個紅綠燈或者路口特斯拉能走2個就很不錯了。
針對中國特色交通狀況的不確定性,通過知識圖譜的方式,毫末開發了原創的認知算法——CSS(協同安全敏感模型),定義了最適合中國國情的自動駕駛場景策略,在同樣的感知下,不僅僅能夠遵守規則,更能夠提前規避其他交通參與者帶來的安全風險,進而讓自動駕駛系統做到更安全。
據悉,通過大數據,毫末已經積累了數萬個場景,覆蓋自動駕駛過程中“高速主路-城市開放路-城市快速路-上下匝道-路口”全路段行駛,在不同的交通場景下,均能執行可靠的自動駕駛策略動作,從而實現如行人禮讓,大車同行避讓,自動變道等方面的智能化場景處理。并且支持后續根據不同影響維度(如個人喜好習慣)來調整策略參數。
2. 全面安全
毫末智行CEO顧維灝認為,安全是自動駕駛企業的DNA,在產品開發的每個環節,都要作為最重要的底層邏輯來實現。
在設計階段就要明確系統的運行場景,通過功能降級、用戶參與,來提升系統的安全性。這種完全是以預防為主的叫做預期功能安全。
在研發實現上,毫末積累了 3S 研發流程,在 6 個環節內設置 70多個檢查點,保障能夠實現安全設計。以毫末將要推出的 ICU3.0 上的功能安全架構為例:
第一層監控在AI芯片上的軟件功能是否正常;
第二層在一個高可靠芯片上監控AI芯片是否工作正常;
第三層在另外一個獨立熱備的控制器上監控主控制是否工作正常。
車規級的三級保障系統可以最大程度保障車輛安全。
最后,如何保障CSS的一致性?
毫末在安全設計上實踐雙推理的系統。發揮深度學習速度快、泛化性強、可以找到更多解的優點,規避其可解釋性弱的缺點,用符號推理系統進行校驗,以此來保障CSS的一致性。
3. 硬件升級
如何讓車更安全?看得更清更遠的傳感設備、更聰明的大腦是必備條件。
目前汽車主流的攝像頭在100萬像素左右,毫末今年將開始使用 200 萬像素攝像頭,明年中期會與長城Sop800萬像素的產品,視覺性能的提升將極大提升感知的安全系數。
車端攝像數量增加、單個攝像頭像素增加,都意味著數據量的劇增,對車載芯片算力需求也大大增加。
為了支撐大量的感知推理計算,長城汽車、毫末智行將聯合高通推出目前全球算力最高的可量產自動駕駛計算平臺 ICU 3.0(“小魔盒 3.0”),平臺單板算力達360TOPS,可持續升級到 1440TOPS,堪稱算力怪獸。
(毫末智行董事長張凱講解大算力平臺)
ICU 3.0支持 6 路千兆以太網,數據傳輸能力達到 6Gbps;接入 12 路 8 百萬像素攝像頭,5 路毫米波雷達,3 路激光雷達,為多視覺+多毫米波+多激光雷達的前融合感知算法,完全可滿足當前L3以及后續L4/L5等全場景自動駕駛功能的實現。
據悉,ICU 3.0計劃于2022年正式發布,目前已完成控制器設計、打板、軟件 Bringup,底層 BSP 驅動等諸多開發工作。
正如顧維灝所言,自動駕駛的安全是個系統工程。安全設計、產品能力、用戶的正確使用、政策的指引缺一不可。
生態保障機:穩定量產
L5是所有自動駕駛公司的終極目標,業界歷來存在漸進式發展與一步到位發展路線之爭。毫末選擇的是漸進式發展路線。
張凱認為,漸進式商業化路線的落地過程可分為三個階段:第一個階段是自動駕駛能力的實現。這個階段,大多數創業公司都已經實現了。
第二個階段是自動駕駛系統的規模化部署。只有將自動駕駛系統大規模的部署到車上,投入市場,才能弄清楚市場真正的需求,才能驗證產品的市場競爭力。
2022年,對于一個在自動駕駛賽道創業的公司而言,如果沒能夠解決自動駕駛規?;渴饐栴},將是一件非常致命的事,因為自動駕駛規?;渴鸬某潭群褪占瘮祿囊幠?,與解決長尾問題的速度直接相關。
而要實現規?;渴穑鳈C廠與智能駕駛解決方案供應商之間的聯系勢必會變得越發緊密。橫亙在Demo與量產之間的其中一道障礙,就是技術的工程化能力。
(毫末智行董事長張凱講解自動駕駛路徑)
第三個階段是自動駕駛能力的逐步完善。自動駕駛取代人類駕駛員需要一個漫長過程,在這個過程中需要不斷的積累數據,挖掘數據來打磨技術,而數據積累的成本和質量直接決定這個過程的周期。
1. 技術工程化能力
毫末智行的優勢之一,就是將技術轉變成工程化的能力。脫胎于長城,研發團隊匯集眾多十年以上經驗的汽車研發工程師,同時可以得到長城汽車所有的車型平臺和零部件資源支持。
張凱介紹,自動駕駛能力的實現僅僅做到了三分之一的工作,大量的時間和精力要花費在解決技術工程化的問題。
技術工程化的過程中,經驗非常重要,他舉了個例子:“我們經常聽到功能安全ASIL等級這個詞,很抽象,很難理解,ASIL等級ABCD都是統計學算出來說的,很深奧。
我給大家總結一下其背后的邏輯,幫助理解:所謂ASILA簡單理解就是具備了故障監控及實時診斷能力,ASILB簡單說就是ASILA+全量數據的實時監控及處理能力,ASILC從工程實施角度就是ASILB+鎖步能力,ASILD就是ASILC+全功能冗余能力,這就是技術工程化的基礎?!?br/>毫末將技術工程化能力分解為車端工程化、云端工程化和交互工程化。
車端工程化包含了實時數據監控、故障診斷、任務實時性調度等數十項工作內容。
交互工程化上,目前毫末在WEY品牌摩卡上設計了大量的與自動駕駛相關的語言交互、人機交互、基于事件、位置的交互等,從而使駕乘人員能夠更深刻的理解自動駕駛系統運行狀態,增加駕乘人員的預期安全感。
AI自動駕駛需要數據的云端工程化做支撐,這個工作也是個慢工出細活的過程。
2. 穩定訂單
技能工程化能力只是形成穩定量產的第一步,要形成商業閉環和正循環生態,還需要有穩定訂單的加持。
毫末目前訂單來源于兩個方向,第一個是高級別輔助駕駛和自動駕駛領域。
這一領域具有廣闊的市場空間,按照保守測算,到2025年高級別自動駕駛滲透率大約43%(中金),激進預測滲透率超過80%(國盛證券)。
長城作為毫末最大的客戶兼投資者,連續數年銷量百萬,2025公布的戰略要賣400萬輛車,提供了足夠穩定和量大的訂單來源。
據悉,毫末智行2022年承擔長城汽車34款待上市車型高級別輔助駕駛開發任務,占長城汽車全年待上市車型接近80%,這些車型中30%是標配,其余均是高配搭載。
第二個訂單方向是低速系列產品。
毫末認為,無人配送的商業化進程遵循“自動駕駛三定律”:從低速到高速,從載物到載人,從商用到民用,低速、載物、商用的無人駕駛產品會最早被商業化。
利用強大的汽車+AI研發能力,毫末快速構建了低速領域的完整產品和服務體系,并在保定建設了全球首個專為L4級低速無人車打造的柔性制造基地,快速銜接訂單,完成了商業落地。
針對美團、阿里這些具備一定整車自研設計能力、生產環節薄弱的客戶,毫末推出 FAAS 工廠制造服務。為客戶提供前置產能,加速其生產組裝的效率,解決設計方案落地。
(毫末智行合作伙伴圖片)
無人物流是一個幾萬億的市場,美團和阿里投入意愿長期且強烈,目前毫末與兩家建立了獨家合作伙伴關系,訂單明確,在低速領域搶占了先機。
針對物流、零售、商超等有最后3-5公里末端配送痛點的公司,毫末提供MAAS(mobility as a service)運力服務。
針對物美多點這樣有整車和個性化品牌宣傳的企業,毫末提供VAAS(vehicle as a service)整車服務 ,可以深度而靈活定制底盤性能、車體外觀、運營路線。
另外還有IAAS(infrastructure as a service)供應鏈和硬件服務,向行業開放成熟的供應鏈管理能力和獨家合作代理硬件。
對于沒有軟件能力的合作伙伴,毫末推出了PAAS(platform as a service)系統工具服務,為客戶提供覆蓋無人車研發、測試、生產全流程的工具鏈產品。
總結
現階段毫末智行已經在載人和載物自動駕駛領域有了很深的布局。
2020年在WEY品牌摩卡上落地HWA系統,選擇了高速公路和城市快速路兩個相對簡單的場景,實現了快速商業化;
此次品牌開放日發布的NOH進一步升級HWA系統,實現了匝道和高速連接道路兩個場景的涵蓋;
明年推出全新的AI輔助駕駛系統,逐步實現城市開放道路高速場景的涵蓋,其底層技術層面與已經落地的低速載物產品形成有效連接。
與美團和阿里合作,未來打算推出1萬臺無人車,同時加強生態的建設。
毫末智行到目前為止,已經打通了車規量產,自動駕駛技術和運營數據的全產業鏈鏈條。
可以看到,毫末智行已經譜寫好一副完整的全場景自動駕駛版圖,并率先實現了生態正向循環。
-END-
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.