跨过1000天关口,毫末的成绩与隐忧

在长城之外,毫末还需要有更多的合作伙伴身影。

“结合技术发展的规律和自动驾驶近十年的发展历史,最早的硬件驱动方式为自动驾驶的1.0时代,近几年的软件驱动方式为自动驾驶的2.0时代;即将很快发生,并将持续发展的数据驱动方式,我们称为自动驾驶的3.0时代。 

在第六届 HAOMO AI DAY 上,毫末智行 CEO 顾维灏提出“自动驾驶将进入3.0时代”;这意味着,堆硬件、拼算法将不再是自动驾驶的核心竞争标的,数据的重要性正逐步凸显。

2021 年 4 月,特斯拉对数据驱动的诠释让业界更清晰认知到自动驾驶是关于数据军备竞赛,必须要有大量场景、量产车、数据闭环驱动的支持。 

为快速迈进数据驱动的 3.0 时代,毫末智行在秋季 AI DAY 上也亮出了看家本领,与此同时,在刚刚迈过成立 1000 日大关之际,毫末也交出了最新的成绩单——只不过,亮眼成绩的背后也透露出毫末存在着不可忽视的隐忧。

成立 1000 天,毫末的成绩与隐忧

对毫末来说,2022 是极为关键的一年,也是极端困难的一年。

关键之处在于这是毫末实现城市NOH量产的元年,是其进入前装量产环节与车企同台竞技的关键期。而之所以说极端困难,则是由于疫情、供应链、技术对毫末成长带来了重重挑战。

从现有的结果不难得知,毫末智行已经挺过了创业公司生死线。

HPilot 发展历程

“毫末正进入从 1 到 N 的快速发展阶段”,毫末智行董事长张凯说道。这是其对于毫末前 1000 的总结,也是对毫末后 1000 天的展望。

在过去两年,毫末已开发了三代智能驾驶系统,并落地了 10 余款不同平台车型;其中,魏牌摩卡、魏牌拿铁、魏牌玛奇朵、坦克300、坦克500、哈弗神兽、拿铁DHT-PHEV等车型已完成上车搭载,摩卡DHT-PHEV激光雷达版、欧拉闪电猫、欧拉芭蕾猫、全新一代长城炮等则处在交付阶段。

据张凯介绍,毫末的 HPilot3.0 具备打通高速、城市场景的高级别辅助驾驶的能力,将会在下半年正式交付,2022年预计将覆盖10座城市,2023年计划落地城市超过100个。

在量产表现上,截至 9 月 13 日,毫末辅助驾驶系统行驶总里程也已突破 1700 万公里。

小魔驼发展过程

末端物流自动配送方面,截至 2022 年第三季度,今年 4 月发布的毫末末端物流自动配送车小魔驼 2.0 已陆续实现量产交付。另外,毫末小魔驼已在北京顺义为物美多点配送订单超过 9 万单(数据截止于 2022 年 9 月)。

数据智能方面,毫末去年发布的中国首个自动驾驶数据智能体系MANA基本完成数据闭环,截止目前,MANA 的学习时长超过 31 万小时,虚拟世界驾龄相当于人类司机的 4 万年的驾龄。

按照张凯的判断,2022 年自动驾驶行业的竞争已步入下半程,毫末的三大战役——数据智能技术之战、辅助驾驶城市场景之战、末端物流自动配送车规模之战——将进入决胜期。

从现有成绩单来看,毫末智行无论在数据智能技术的积累,还是在智能驾驶量产交付上,都已经取得了显著的成果。

但细究这份亮眼的成绩单,毫末辅助驾驶系统量产上车始终离不开长城的身影,其搭载的车型无不是长城汽车的品牌。

尽管毫末脱身于长城,但作为一家独立的自动驾驶技术公司,毫末需要获取长城汽车之外的新的合作者。

毫末不是没有努力过,但依然囿于破圈困境之中。在上一届 HAOMO AI DAY 上,毫末推出了面向乘用车驾驶领域的“6P开放合作模式”,但从现有的情况来看,毫末的合作伙伴除了长城,还尚未有其它身影出现。

下一个技术战场,由数据驱动

对于现阶段的毫末来说,加快量产步伐十分重要,但修炼内功同样不能落下——这是决定毫末在即将到来的自动驾驶 3.0 时代处于何种位置的关键赛点。

今年是我国自动驾驶实现商业化后进入量产阶段的关键年份,智能驾驶扩宽场景应用,数据采集呈指数级增加,如何对数据进行处理、分析以及形成闭环驱动成为场内比拼的关键。

“我们一直在为自动驾驶3.0时代做准备。在感知、认知、模式建设上,都是按照数据驱动的方式建设的。”顾维灏说道。

毫末公式

作为渐进式路线的坚定拥护者,毫末很早之前就强调实现数据闭环的重要性,从“数据智能体系乘以量产能力,乘以安全,再叠加生态的幂次方”的致胜公式不难看出,数据是极为关键的一环,是推进量产和实现安全的关键因素。

MANA四大系统

为构建数据闭环,毫末基于感知智能、认知智能、标注、仿真、计算等五大能力,自研建立了国内首个自动驾驶数据智能体系 MANA(雪湖),其包含 BASE、TARS、LUCAS、VENUS 四个子系统,承载了数据获取、传输、感知、计算、验证等能力。 

在此次 HAOMO AI DAY 上,顾维灏也分享了 MANA 在自动驾驶城市场景中面临的挑战与功能升级。

顾维灏表示,城市道路场景面临“城市道路养护频繁”、“大型车辆密集”、“变道空间狭窄”、“城市环境多样”四类难题,要解决这些问题,对技术层面提出了六大挑战,即如何在自动驾驶领域应用大模型,如何让数据发挥更大的价值,如何使用重感知技术解决现实空间理解问题,如何使用人类世界的交互接口,如何让仿真更真,如何让自动驾驶系统运动起来更像人。

针对于此, MANA 在感知智能、认知智能等方面实现了更新升级,具体来看:

  • 首先,MANA 通过使用大规模量产车无标注数据的自监督学习方法打造模型效果,相比只用少量标注样本训练,训练效果提升 3 倍以上,这让毫末数据优势得以高效转化为模型效果,以更好适应自动驾驶各种感知任务需求。
  • 其次,面对巨大数据规模下的“数据效率”难题,MANA 构建了增量式学习训练平台,抽取部分存量数据加上新数据组合成一个混合数据集。训练时要求新模型和旧模型的输出保持尽量一致,对新数据的拟合尽量好。相比常规做法,整体算力节省 80%,响应速度提升 6 倍。
  • 第三,通过使用时序的 transformer 模型在 BEV 空间上做了虚拟实时建图,使得感知车道线的输出更加准确和稳定,城市导航自动驾驶告别高精地图依赖。
  • 第四,通过升级车上感知系统,MANA 对刹车灯、转向灯状态进行专门识别,能够使驾驶员在处理前车急刹、紧急切入等场景中更安全和舒适。
  • 第五,面对路口这一城市最复杂场景,MANA 在仿真系统中引入了高价值的真实交通流场景,与浙江德清、阿里云合作,将路口这一城市最复杂场景引入仿真引擎,构建自动驾驶场景库,有效破解了城市路口通过“老大难”问题。

动作拟人学习过程

光在数据智能层面下狠功夫,还远远不够。顾维灏曾表示,AI 自动驾驶技术的成功依赖于两大关键环节:模型和数据,足够多和足够好的数据是做出好模型的前提。

在活动现场,顾维灏特别提出了目前是AI发展的新趋势——Attention 大模型,其最早于 2014 年在 NLP(自然语言处理)领域出现,并迅速在各项 NLP 任务上超越了传统的 word2vec、lstm 等技术,基本统一了 NLP,2020 年起在 CV 领域取得了明显突破使其刷爆各大排行榜。

由此业内开始注意到,基于 Attention 机制的 transformer 结构似乎能成为一种有效的通用 AI模型范式。国外,特斯拉已开始应用;国内,毫末在两年前也开展了基于 Attention 机制的transfomer 大模型在自动驾驶行业的落地研发。

算力很强、结构简单是 transfomer 大模型的两大特点,但在毫末发现,基于 Attention 的大模型对算力的需求远远超出了摩尔定律,这导致大模型的训练成本非常高、落地很难、尤其是在终端设备上的落地。

为解决这一问题,毫末决定通过低碳超算来降低训练成本,通过改进车端模型和芯片设计来实现车端落地。

同时,基于对自动驾驶 3.0 时代的洞察,以及大模型训练对算力的巨大消耗需求,毫末建立了毫末超算中心,目标是满足千亿参数大模型,训练数据规模达到 100 万 clips,整体训练成本降低 200 倍。

自动驾驶还未迎来终局之战 

“渐进式路线将在智能驾驶竞赛中赢得终局”,张凯在活动现场说道。 

渐进式路线和跨越式路线一直是实现自动驾驶的两条路径选择,透过毫末在渐进式发展路线上的布局与成果不难看出,这一路线已经逐步迎来规模化效应,并取得了阶段性的胜利。

不仅如此,毫末在发布会上强调,其城市导航自动驾驶能够告别高精地图依赖,这在高精地图资质收紧的当下无疑是技术层面的一大利好。

但需要指出的是,这还不足以定义自动驾驶路线之争最终的胜负。

正如前文所说,毫末能够实现规模化量产落地离不开长城的加持,没有其他主机厂的身影。放眼长远,毫末要如何继续扩大量产规模依然是一大挑战。不过,这不是毫末一家的问题,而是行业的共性问题,其背后是复杂的数据归属问题。 

竞赛尚未到达终点,谁将领先?谁会落后?或还难以下定论。

转载请注明出处、作者和本文链接
声明:文章内容仅供参考、交流、学习、不构成投资建议。
想和千万钛媒体用户分享你的新奇观点和发现,点击这里投稿 。创业或融资寻求报道,点击这里

敬原创,有钛度,得赞赏

赞赏支持
发表评论
0 / 300

根据《网络安全法》实名制要求,请绑定手机号后发表评论

登录后输入评论内容
17
6

扫描下载App