智能驾驶技术推动城市NOA落地的过程

myhomer

一、为何智能驾驶技术优先应用于高速公路

车辆驾驶道路按其性质可分为高速公路以及一般城市道路两种，其中，高速公路具有驾驶工况简单、障碍物种类少、道路拓扑清晰、道路状态更新慢等特性，而相较之下，城市道路工况复杂多样、障碍物种类多且类型不一，同时道路四通八达，存在拓扑结构复杂且状态更新快的特点。

在新能源汽车由电动化进入智能化的初步阶段，基于此前的相关技术、软硬件、设施、芯片平台等多方因素的限制，应用于此阶段的智能驾驶技术还处于较低阶水平。但在面对具有更加复杂场景的城市道路时，智能驾驶技术的应用需考虑更多的条件及制约因素。因此为确保车辆的行车安全，应用于此类道路的智能驾驶技术需具备更高阶的水平，在技术状态与需求水平相矛盾的当下，优先在道路复杂度低的高速公路上实现车辆智能驾驶技术的商业应用便成为了首选。


图1 智能驾驶技术优先高速应用流程示意
二、智能驾驶从小模型到大模型

智能驾驶技术的实现按系统运行渐进顺序可分为感知层、判断层以及执行层三大模块，其中判断层是通过软件模型实现对感知层数据的处理并完成行车路径规划，从而输出相关决策行为，进而生成具体的加速、转向和制动等指令，以此来控制车辆相关的执行器完成目标动作，是实现车辆精准控制的关键所在。


图2 智能驾驶技术的构成
在传统的智能驾驶技术的应用中，国内外车企主要是通过卷积神经网络（CNN）、循环神经网络（RNN）等传统小模型的应用，再结合后融合技术来完成车辆对感知信息的处理，进而实现车辆具体的智能驾驶能力，其过程如下示意：


图3 后融合技术的应用
如在面对应用场景较为简单的高速工况时，采用小模型配合后融合技术可对车辆运行过程中的绝大多数障碍物进行识别，再通过结合车载导航所规划的路径，可实现车辆的自动变道、自动进入/驶出匝道口等功能，进而实现高速工况的点到点智能驾驶能力。在此点到点技术的应用过程中由于融合了车载导航功能，因此为了车辆可安全、精准的实现自动变道、进入、驾出，便要求导航地图必须具备高准确、高精度、高可靠的特点，以防止因地图误差或错误而导致的行车路径、准确性出现异常，于是通过融合高精地图的高速领航辅助驾驶（Navigate On Autopilot，NOA）也便由此诞生了，同时此技术的实现对于高精地图的依赖便由此埋下了种子。


图4 传统高速NOA依赖高精地图
随着市场对智驾需求的扩展以及相关技术的提升，智能驾驶技术在城区道路的应用已甚嚣尘上，但在面对更加复杂应用场景尤其是行人、异形障碍物等大量存在的环境时，小模型及后感知技术存在感知精度差、识别率低等问题，此问题的存在会让判断层无法做出准确的路径规划以及合理的决策行为，为此基于BEV（Bird’s eye view，鸟瞰）+Transformer大模型的方案得以被研发出来，以此来解决感知层对障碍物感知精度低等问题。

三、大模型降低对高清地图的依赖

我们知道在城区道路中，除了存在大量不易识别的障碍物之外，行人、车辆等物体的状态也在随时发生着变化。同时，城区道路不像高速公路那般具有较强的状态稳定性，由于城市的发展，基建的进行，常促使城区道路状态发生变化，而地图的更新频率并无法与道路的变化状态保持实时性。为此，依赖于高精地图的智能驾驶技术在城区道路的应用中常显得难以施展手脚。基于此种种因素制约，通过传统的小模型配合后融合技术实现的智能驾驶功能由于精度差、对高精地图的依赖等因素不再适合于此环境的应用，而基于特征融合的BEV+Transformer大模型方案依托其强大的功能可快速适应城区道路的复杂环境。其工作流程可大致分为如下五个步骤：


图5 BEV+Transformer大模型工作流程
在此大模型的加持下，智能驾驶的感知能力明显得以提升，同时，由于大模型具有多任务输出的特性，在其运行过程中车辆根据传感器采集的周围数据信息，可实时自动生成动态语义地图，此根据周围实际环境瞬间生成的地图让智驾系统在当下阶段减少或摆脱了对高精地图的依赖。


图6 高精地图涵盖城区道路详细信息
不过基于BEV+Transformer大模型的方案多是通过pixel点格（即像素点）的应用，并使用矩形框（bonding box）来框定物体，进而对物体进行识别。此技术在面对障碍物与周围环境相似度较高的情况时，会存在误判的情况。因此为进一步提升车辆的感知精度，避免车辆碰撞发生的概率，通过在原有BEV+Transformer大模型的基础上对其进行了升级，从而新的占用网络（Occupancy Network）大模型诞生。

此模型是在原本2D BEV的基础上增强对于物体高度信息的感知，即将真实三维空间划分为无数个微小立方体以形成3D点格，每一个3D点格即为一个voxel，在面对障碍物时不考虑此物体是什么，而仅考虑此空间是否被占用，因此每一个voxel具有0和1两种状态，即此空间是被占用还是空闲，此技术的应用可在无法对前方物体进行识别时，让车辆能够根据障碍物的大小来执行路径规划并实现躲避操作。同时根据感知信息，对可识别的物体赋予其不同的语义（如运行的车辆等），并可为物体标注不同的颜色。

注：为显示界面的整洁且不妨碍驾驶员，语义并非一定会显示。


图7 占用网络技术
结合不同应用场景需求，可通过具有更高感知精度的占用网络大模型的应用让整车实现更高的智能化水平，并可进一步摆脱对高精地图的依赖，或可将占用网络大模型与Transformer大模型进行融合后应用，让智驾技术在维持市场应用的同时更具性价比。通过大模型的应用可让点到点的智能驾驶不再依赖于高精地图，从而实现L2+级别城市NOA的尽快落地。试想一下，未来城市NOA的落地将解决大部分人每日固定的两点一线通勤方式，让行车过程变得更加轻松，这是多么美好的一件事。当前（2024年1月3日）在NOA技术的推进上，部分国内车企情况如下所示：
表1部分国内车企NOA技术推进情况


四、总结

智能驾驶技术在实现城市NOA中的大体流程示意如下：


图8 城市NOA实现流程示意