在自动驾驶终局到来前，智己汽车如何“坐上牌桌”？
自动驾驶的大厦不是一日建成的，相比暂时的功能领先，打好基础或许才是爆发的前提。
8月16日，智己汽车在北京的清华大学科技园，携手清华大学以及智能驾驶初创企业Momenta，举办了一场别开生面的发布会——“IM AD DAY智己汽车智能驾驶发布会·清华篇”。
三位清华校友，清华大学车辆与运载学院副院长李升波教授、智己汽车副CTO/智能驾驶首席科学家郭辉、Momenta的CEO曹旭东，就智己未来3-5年的智驾技术布局、功能落地，以及自动驾驶终局到来之前的技术发展远景，展开了深入的讨论，可谓干货满满。
智己接下来，有哪些动作？
智己汽车副CTO/智能驾驶首席科学家郭辉介绍，下一阶段，智己将开启这样几件大事：
➤高速高架NOA，将在年底前辐射全国333座城市
➤去高精地图化NOA，今年9月开启公测
➤城市NOA，今年4月已开始内测，10月在上海开启公测
➤通勤模式，明年“百城全开”
➤Door to Door（全场景通勤），2025年落地，适用于绝大多数场景
在这几道“硬菜”中，智己还夹杂着一些小“甜点”。用户很快可以体验到的，是即将上市的LS6上，直接搭载的“一键四连”功能——“一键贴边”、“一键循迹”、“一键泊车”和“一键脱困”，大大提高城市通勤“细分场景”的行车便利度。
同时，明年开始，智己的IM AD，预计将要正式出海，向海外用户提供智驾出行服务体验。目前，IM AD的感知部分，已经在欧洲多国完成了本土化适应性训练。
IM AD逐步落地，有哪些技术干货支持？
目前，无论是新势力还是传统车企转型，都非常重视对于智能驾驶功能的落地宣传。然而这次智己能带来的，不止是时间表，还有更多的技术细节，去支撑起它的野心。智己和它的供应商——Momenta，也是目前业内少数敢于将方案如此深入、细致阐述清楚的企业之一。
首先展示的是无图的平替算法方案——DDLD（Data Driven Landmark Detection），通过车载传感器感知静态环境，重建起实景地图。从智己展示的Demo看，在不同的环境光照条件下，它可以很好地识别出车道分流、汇流、虚实线、停止线、大曲率弯道等典型场景。这就意味着不需要高精地图数据的支持，结合看到图像和导航信息，就可以完成领航辅助功能，大大降低了高精地图数据的依赖和维护的成本。而目前自动驾驶向更高阶进展的核心挑战，难度其实在于决策环节。即大部分头部玩家目前已经度过了目标识别、环境识别的“第一道关”，但是如何把车开得更像“老司机”，依然还有很长的路要走。例如，识别出障碍物不止会单纯地刹停减速，还会借道、绕行，这些操作没有标准答案，需要在确保安全的同时，兼顾更高的效率。
D.L.P.（Deep Learning Planning）于是应运而生。这是一套全自动标注的神经网络训练模型，通过引入优秀驾驶者的驾驶数据，模拟生产并匹配挖掘出大量的训练模型，最终形成智驾系统更安全、更高效、更拟人化的驾驶行为。神经网络算法的特点是算力消耗相对可控——借助参数进行有限步骤的运算，就可以得出结果，并映射成相应的执行策略。而神经网络模型训练的核心之一，是纠正或调节参数值，使之尽可能地贴近现实生活中优秀驾驶者真实驾驶决策的输出，而不是令运算本身变得更加复杂化。
与之对比，过去低阶的智能驾驶辅助系统，在决策这一环节往往喜欢用rule-base的方案，机械性地搜索当前道路环境场景并执行与之相对应的命令。随着可能遇到的交通场景增多，这种方案每次都需要增加若干条判断准则进行运算，这往往需要庞大的算力支持，且即使算力巨大，也不足以彻底枚举穷尽所有“奇葩”的边界场景。
到了2024年，智己还将环境感知的算法方案升级到Occupancy（“占用网络”）阶段。这是2022年特斯拉最新提出的环境标注方案，即在摄像头拍摄到的2D图像中，通过合理的方式先构建起包含景深信息的3D网格，再分析2D图像里的物件占用了3D网格里的哪些空间，以反推出环境的3D信息。
这种模式下，不带有距离信息的2D图像，也可以被加工处理成类似雷达感知的立体信息，并且，还能识别传统2D标注中标注对象外不规则的凹凸部分以及此前未曾标注过的对象，以便更好地描述环境细节。
谈及所有模型高效训练的基础，就必须提到Momenta“飞轮”解决方案——通过数据自动上传或者模拟产生，自动标注训练并加以累积，最终反哺迭代给车端的模型，整个模型训练过程，都在云端全自动地进行。这种全自动化的数据生产、标注、训练模式，也和之前提到的D.L.P.决策算法中神经网络的特点息息相关——神经网络的发展，不需要人为过多去制定复杂规则干涉，只需要投喂足够多的原始高质量数据作为“饲料”，就可以“喂养”出一台聪明且完整的“智驾大脑”。
Momenta的曹旭东提到，到了一定阶段，整个感知融合和决策控制算法，有望合并到一个大的神经网络中，从而形成一种真正类似人脑状态的智能驾驶模型。
IM AD，核心优势是什么？
如果以当前的时间节点为剖面，论功能落地量产，小鹏、特斯拉和华为所处的阶段，毫无疑问是全球行业领先的梯队，不少国内外城市NOA释放的案例，令人叹为观止。而智己的IM AD，也有其独特优势，其一便是快。从成立至今，智己IM AD经历了2年多的发展周期，就已经接近赶上友商9年长期自研的成绩。目前，智己在功能落地上，紧咬第一梯队玩家，并且很快有望进入并驾齐驱的状态。
这背后，离不开基础模型的前瞻性搭建——基于rule-base方案、依靠人力堆积的智驾算法，其增长速度始终受制于团队规模的限制，永远存在瓶颈，换言之，处在一种线性的增长模式下。而想要弯道超车，就必须设计一种适合自动化训练的模式，去充分利用云端庞大且成本低廉的机器算力，代替人类完成智驾模型训练的工作。这就是智己和Momenta一直携手在做的事情，也是来自于智己股东方的强势赋能之一。
实际的体验确实也印证了这种方案的有效性——虽然目前智己的城市NOA等高阶功能暂时还没有全量推送，但是仅从高速NOA以及Pilot场景下的部分细节处理上，就可以看出IM AD模型迭代的高效。此前很多NOA不算合理的主动变道决策和略显犹豫的变道执行，在最近几版的软件中都有了显著的改善，生涩的“机械感”逐步被成熟的“顺滑感”所替代。智己官方公布的用户量化评估结论，也有效地佐证了这一点。
其次是“轻”，智己IM AD借助Xavier或者Orin N这两款中低算力平台，就可以实现全域视觉融合的智能驾驶，算力需求足足降低了90%；借助单颗Orin X芯片和单枚激光雷达，即可覆盖城市NOA和去高精地图的NOA。
正如此前所提到的，Occupancy占用模型，减少了对感知硬件的依赖；DDLD方案，减少了高精地图数据以及相应高精定位单元搭载的必要性；神经网络有限且可控的计算模式，相比无穷无尽的遍历，又大大减少了高算力芯片的需求。好的软件实力就像一个人健硕的四肢，可以减少对各种“拐杖”的依赖。智己的智驾方案，具有低成本大规模普及的潜力，这也是当下市场中最需要的核心能力之一，我们也完全可以期待，接下来定位更亲民的智己产品，也会拥有非常出色的智能驾驶体验。
智驾拐点已至，谁将坐上牌桌？
2023年，智能驾驶功能从许多人心中不可信任的“洪水猛兽”，已逐步转化为愿意尝鲜的“加分项”之一。相信接下来，随着全行业智驾水平的整体提升，用户逐渐会形成对高阶智驾的高粘性依赖。今夜，便是智能驾驶爆发的前夜，这也是智己将此次圆桌会的主题定为“自动驾驶前的最后一战”的理由。
时间回拨到一两年前，激光雷达等硬件将将够上规模化量产门槛，市场上大部分产品的智驾功能都处在“卷硬件”的阶段，这也与用户认知的构建过程有着密不可分的联系。当用户初次接触智能驾驶普及这个命题时，在同价位选择更高算力的芯片、更丰富的感知硬件，自然是最符合直觉的决定。今天，智能驾驶的竞争依然十分激烈，但风向已有所改变，业界看到更多的是理性的回归。前几日，小鹏的智驾团队在总结经验时就曾表示，他们的激光雷达起到的主要是“后验证”的作用，而非核心的感知融合依据。可见，对于行业头部玩家而言，如何评价智驾系统的潜力，应该更多地开始关注其迭代的速度、软件的兼容性、数据的规模等因素，而像智己IM AD这样不盲目“卷硬件”而更重视“搭地基”的智驾系统，也会有更多的机会被用户所看见。
值得一提的是，除了技术方案底座的搭建，智己与Momenta还借此次活动，办了一场特殊的“招聘会”，进一步壮大来自顶尖学府清华的智能驾驶人才储备。这也是智己在高阶智能驾驶领域提前布局的又一项重要举措。这场通向高阶智能驾驶的牌局，如果还处在“三缺一”的阶段，我们有理由相信，智己将会有很大的机会坐上牌桌。无比期待后续智己高阶智驾功能，最终落地的表现！
本文作者为踢车帮 温风