解析華為智駕，從「堆料」到「炫技」。
作者 | 張家磊
編輯 | 冒詩陽
11月28日，智界S7正式上市。作為華為與奇瑞合作的首款車型，從誕生之初便引起了不小的關注。值得注意的是，這款車與問界M5、M7一樣，都只裝配了一顆激光雷達。
在高端車型上將激光雷達數量減少至一顆，說明在華為的智駕方案中，單激光雷達已然足夠。從2022年首次有合作車型上市以來，華為智駕方案的激光雷達數量從三顆逐步減少至目前的單顆。與此同時，華為智駕方案也經歷了從ADS 1.0到ADS 2.0的演變。
華為的選擇，是智能駕駛終於走出堆料時代的一個縮影。本文詳解華為的智駕方案，以及GOD網路可能的技術原理。硬體方案上「靈魂減配」的背後，華為智能駕駛同樣面對感測器融合的難題，尤其以激光雷達和攝像頭的融合挑戰最大。
11月26日，華為智能駕駛核心業務將建立合資公司的方式曲線實現「獨立」，那麼ADS 2.0方案，真的成熟到可以獨自成長的地步了嗎？
推薦我司年度會議。12月19日，2023全球自動駕駛峰會將在深圳舉行。主會場設有開幕式，以及高階智駕、大模型、算力三大專場。分會場將舉行深圳南山智能網聯汽車政企交流會、自動駕駛分析師論壇，自動駕駛BEV感知技術論壇。目前，清華鄧志東教授與UniAD作者李弘揚領銜，智行者聯創張放、千掛科技聯創葉璨、德賽西威智能駕駛感測器事業部負責人江伙紅、元戎啟行技術合伙人劉念邱、紐勱科技首席科學家成二康等20+位嘉賓已確認出席，免費報名開放中，掃碼諮詢~
01.
華為智駕硬體的兩次「減配」
從華為智駕到鴻蒙智行，華為的智駕方案經歷過從 ADS 1.0 到如今ADS2.0的演變。1.0時代，智能駕駛的未來路線還不太清晰，從各種感測器到高精地圖，華為可以說把能想到的都用上了。
比如在2022年4月首次合作推出的極狐阿爾法S HI版上，這款車配備了三顆激光雷達，相似的硬體配置方案，也用在了同年8月推出的阿維塔11上。
智駕硬體上的堆料，直接推高了車的終端售價，兩款車最終定價都觸及了40萬元的高位。但智駕堆料堆出了高定價，堆出了汽車品牌追求的高端產品，卻沒有為智能駕駛用戶體驗的落地鋪出路來。
包括華為在內的智能駕駛研發團隊一直沒有解決的一個問題是，這些五花八門的感測器之間，所面臨的「語言不通」障礙。
多感測器的融合是十分困難的，其中最有代表性的就是激光雷達和攝像頭的融合。前者提供點雲信息，後者直接給出圖像信息。
激光雷達的工作原理是這樣的：通過發射脈衝光束，測量光束觸碰周圍物體後所反射回來的時間，由此來計算被測物體的距離。它的好處是精準和適應性強，可以達到毫米級的測距精度。可以在各種環境中使用，包括光照強烈和惡劣天氣。
雖然可以準確的感知周邊環境的三維信息，但激光雷達只能提供稀疏特徵數據，行業里稱之為「點雲信息」。而攝像頭卻能直接採集出圖像信息，提供給系統演算法，自動分析圖像並識別出其中的各種物體，由此來更精準的做出駕駛決策。
▲激光雷達與攝像頭的差異
也就是說，激光雷達雖然精準可靠，但無法單獨支撐智能駕駛功能的迭代。如果華為不想像特斯拉一樣走向純視覺的方案，多感測器之間的融合，是必須解決的問題。
如何做好感測器之間的融合一直是個難點。目前行業中探索的主流融合方式之一，稱為點級，這套方案，需要將激光雷達和攝像頭在車上的位置，進行高質量校準，極其精密的對齊，才能讓兩者的內容完全重合，如此來實現兩組感測器的之間的「硬關聯」。
但這是一套脆弱的融合方式，如果車輛行駛中產生的顛簸，讓感測器發生輕微的位移，那很小的誤差也會造成對齊失敗。
此外，這種融合方案會浪費很多數據。比如激光雷達所採集到的稀疏矩陣數據，在與攝像頭這種稠密矩陣數據進行融合的時候，會浪費大量具有豐富語義信息的圖像特徵。另外在圖像特徵質量比較低的時候，性能會大幅度下降。
今年4月16日，華為發布了自己的BEV+Transformer+GOD方案，為如今華為更成熟的ADS2.0方案打下了基礎。與特斯拉的純視覺不同的是，華為在感測器硬體上，依然保留了一顆激光雷達，採用的是多感測器融合的方式。那在這個方案之中，華為是如何解決激光雷達和攝像頭的融合問題呢？
對於GOD技術的細節，華為沒有做特別詳盡的解釋。但我們在2022年華為與香港科技大學、香港城市大學發布的這篇論文里，可以看到華為解決激光雷達和攝像頭融合問題的一些可能的方式。
首先通過激光雷達的點雲數據，初步獲得行車環境的特徵圖，再基於特徵圖，用Transformer結構的解碼器，預測一個初始邊界框，大概的將行車環境中，所需要注意的物體框選、標註出來，得到含有距離信息的邊界框。
到這一步，系統仍然處理的是激光雷達所採集到的信息，處理完激光雷達的信息後，系統會將這些信息投影到攝像頭採集到的圖像上，把2D圖像的特徵融合進去，給邊界框賦予語義信息。
這裡面很重要的一個工具，是大模型Transformer，它能夠自適應地尋找2D圖像與3D點雲的關聯。對硬體的對齊要求也沒那麼高了。
通過Transformer，華為可以讓雷達和攝像頭，兩個感測器之間的硬關聯，變成了軟關聯。這樣就可以得到一個包含詳細距離信息，系統又能看得懂的感知數據了。
為了提高對小物體檢測的穩健性，系統再次導入整個高解析度的圖像。通過Transformer中的交叉注意機制，以一種稀疏到密集的、自適應的方式將2D圖像再次融合。使得系統能夠自適應地確定，應該從圖像中獲取哪些信息，包括信息的位置和性質。來對之前的邊界框進行增強，讓小物體的識別更加精準。
解決了感測器融合的問題後，華為就能讓GOD網路獲取更加豐富的感知數據，能幫助神經網路模型更好地感知和理解車輛周圍環境。再通過GOD網路自主學習，構建3D世界模型。
02.
激光雷達的取捨
華為為什麼要大費周章的建立GOD網路，而不是像特斯拉一樣，採用一套純視覺的智能駕駛方案呢？
事實上，華為乃至整個智能駕駛行業，都沒有停止對特斯拉的學習。
2021年，特斯拉FSD Beta開始採用了一套基於BEV+Transformer的智能駕駛方案，BEV即鳥瞰圖，它就像是為智能駕駛打開了一個從空中俯視上帝視角，讓車輛能夠把近處的感知統一放到一個平面中。
特斯拉的方案，為華為和其他埋頭苦幹的智駕公司，提供了另一種思路，華為在ADS1.0時代，也採用了這項組合技術。
但BEV框架還是不能解決所有問題，智駕系統需要先識別面前的是什麼物體，才能做出相應的決策。如何識別前方物體呢，就需要依靠大量的系統訓練，將一個個識別成功的物體，放進智駕系統所建立的「白名單」中。
可是「白名單」不足以覆蓋實際交通環境中出現的海量障礙物類型，真正複雜的交通場景下，白名單永遠都填不滿。另外，感知系統只能識別到之前見過的物體，而沒有辦法識別一些異形的物體。
▲BEV視角下的點雲信息
這項技術有一個硬傷，就是鳥瞰圖是一套只有橫縱坐標的二維圖像，無法在Z軸上，感知到高度信息。
也就是說，特斯拉的這套方案可以讓姍姍學步的智能駕駛走起路來，卻還是不能保障走路時不摔倒。
特斯拉很快找到了自己的解決方法。2022年的特斯拉AI Day上，OCC佔用網路被引入，它通過大量的分析和訓練，將多個攝像頭提供的2D圖像信息，在3D空間中還原。用無數個小體塊來展現現實世界。
但到這一步，國內智能駕駛方案商卻跟不上了。實際上，純視覺FSD真正的難點在於海量的駕駛數據，除了採集數據，更需要一個強大的模型，來對智能駕駛方案進行訓練。
特斯拉自研晶元和Dojo模型，外購GPU將雲端算力堆到10 Exa-flops，就是為了處理大量的感測器數據，並進行深度學習和模型訓練。
如果國內智能駕駛方案商貿然模仿，自家智能駕駛技術進步速度，可能永遠也追不上特斯拉，華為不甘心只當一個追隨者。
原本國內的新勢力們解決這個問題的方式是依賴高精地圖。在發現高精地圖因為成本和更新不及時的問題，而無法長久應用後，大家紛紛開始研發自己的方案，華為就是其中之一。
華為所建立的多感測器融合方案，就是為了避開特斯拉OCC花在將2D圖像還原成3D，所需要的那部分複雜計算。通過加上一顆激光雷達，提供更加詳細的距離信息，華為降低了數據分析的難度，對雲端算力的需求也相應降低。
此外，在國內複雜的城區路況下，對近距離測距的精準度要求更高，比測試場地中更棘手的case多很多。這顆激光雷達就可以對前方障礙物進行詳細測距，再與攝像頭的數據精準匹配，得到更為準確的數據。並且在暗光、大光比、雨霧天氣這種攝像頭識別不那麼準確的時候，也可以穩定輸出感知數據。
雖然眼下華為保留單激光雷達的方案，在裝車的硬體成本上，仍然會高於只有攝像頭的純視覺方案，但研發投入、時間周期，也是需要被計算的成本。
如今，在華為智駕方案不斷迭代的途中，特斯拉的純視覺方案FSD已經很久沒有披露出進展了。也許，融合激光雷達的智駕路線，「總成本」更低。
▲智界S7上市
智能駕駛方案迭代到現在，演算法已經不是各家競爭的焦點。在數據量不足的時候，面對不同城市的複雜路段，難免出現漏洞。如何快速獲取行駛數據，並在短時間內將訓練結果OTA到車輛，才是加快開城速度的關鍵。
從競爭者蔚小理的部署情況來看，也許明年，輔助駕駛的數據競爭賽，就要正式開始了。
與這幾家企業一樣，華為計劃今年年底開通全國的無圖城區智能駕駛，壓力一點都不小。
按道理來說，輔助駕駛開通之前，車廠都應該用自己的車隊跑一遍，給大模型的訓練一個基礎的數據。但全國都跑的話，需要耗費大量的時間和人力、算力。如果直接開通給用戶，短時間內大量的數據湧入，也會讓華為不堪重負。優先開通「通勤模式」，讓各地的車主在同一路段反覆跑，對大模型反覆進行「自訓練」，也許是比較穩妥的方式。
華為的融合方案，就單車的硬體和計算成本來說，肯定是有所增加的。融合演算法必須證明自己在「總成本」上更具性價比，才有可能被大規模的鋪開。多去路上收集實戰數據持續訓練AI，才能讓車輛越「開」越聰明。
華為打算如何面對這些挑戰，我們也只能拭目以待了。
