2019 年，特斯拉正式推出 NoA，即按導航輔助駕駛功能。使用者在車機地圖設定目的地後，在可用路段內，車輛即可自動匯出/入匝道、自動超越慢車。雖然這仍只是 L2 範疇內的功能，但是相比僅有車道保持、自適應巡航等功能的車型，特斯拉還是做出了很大的突破。
2020 年，國內新勢力蔚來率先跟進，推出 NOP；2021 年 1 月，小鵬跟進；年底，理想緊隨其後。但是，縱觀國際車壇，也僅有這四家新勢力做出了這一高階輔助駕駛功能。
但是從 2022 年開始，情況可能將會發生改變。
01
先秀肌肉
2021 年 11 月，脫胎於長城汽車科技中心智慧駕駛前瞻分部的毫末智行正式向魏牌摩卡使用者推送了 NOH 智慧領航輔助駕駛功能，這也使得毫末智行成為國內首個推出該功能的自動駕駛 AI 公司。
並且在 NOH SOP 上線僅一個多月後，毫末智行在此基礎上又推出了更強的功能：城市級按導航輔助駕駛，即城市 NOH。
這也使毫末成為繼小鵬城市 NGP 以後第二家公佈這一功能的企業，關於其表現部分，官方也放出了一段路測實拍影片。
11 公里的能力展示
在毫末智行展示的一鏡到底影片中，搭載了毫末智行城市 NOH 的測試車共行駛了 11 公里，經過了：
24 個路口
27 個人行橫道
22 個紅綠燈
5 個無保護人行橫道
2 個環島
影片全程總計 34 分鐘，期間沒有出現人工接管。
僅僅看這串數字，就能感受到城市領航輔助駕駛的情況之複雜、難度之高。但是對於這類功能瞭解不是特別多的人來說，還是需要一些理解門檻。所以我們下面就掰開揉碎，剖析一下毫末城市 NOH 在城市路況中遭遇不同場景時的應對錶現。
剛啟程不久測試車就遇到了一個典型的高難度場景——無保護左轉路口。
無保護左轉指的是該路口沒有專門設定左轉綠燈，左轉車輛與直行車輛同時行駛。這裡不僅要求車輛對於各個方向的車輛有著精準的感知，而且還要求系統同時追蹤定位多個交通目標，在規控端還需要結合交規在場景下執行一定的博弈演算法。
哪怕是對於人類新手司機來說，這都不是一個簡單路口，對於機器來說就更是如此了，不過好在影片中的路口車流不大，車輛在識別到周圍沒有其他交通者後，便快速透過。
這個場景中還需要說明的一點是，車輛在到達路口前已經準確識別了交通訊號燈，車輛的行駛也會根據訊號燈的指令做下一步決策。
測試車在透過路口後，恰好遇到了對方車道掉頭車輛。從測試車的 HMI 來看，本車輛已經識別到了左前方的慢速車，但由於該車輛並未侵佔本車道，所以測試車也沒有做多餘的避讓或減速動作。
但是隨即左側車輛突然加速並在測試車車頭位置做了 CUT IN 動作，測試車緊急減速避讓，展現了不錯的加塞識別決策能力。
車輛提前駛入最右側車道，為之後的右轉做準備。從方向盤的動作來看，測試車的這次變道動作還是比較流暢的。也許很多人並不理解這意味著什麼，但其實一個順暢的動作是能夠提升使用體驗的，不管是對機器的信任感還是乘客的體感。
這裡是本次行程中的第一個無保護右轉。也許我們日常開車中遇到的右轉情況相對於左轉來說要簡單很多，但是對於機器來說，挑戰還是存在的。
首先是感知層面，車輛需要在轉彎前預先減速，這時左側車道上的待行車輛會遮擋視野，導致測試車無法「看見」左前側斑馬線上的情況。車輛唯有減速緩行，在識別到斑馬線上的其他交通參與者後還要進行軌跡預判，確保與自己行車軌跡不會發生衝突後再執行下一步操作。
然後這時候還不能「顧頭不顧腚」，車輛還要同時識別右後方的其他交通參與者，且大機率是兩輪車。毫末智行城市 NOH 的感知裝置是能夠實現 360 度視覺覆蓋的，所以能夠識別到右後側車輛。
此時車輛前方出現了一位不守交通法規的橫穿行人，測試車及時識別並減速讓行。
環島通行能力是最能夠考驗系統識別、決策和執行能力的場景。因為即便是人類行駛，在透過環島時也要注意眼觀六路耳聽八方。且在封閉道路內（高速和高架），基本不會出現環島，所以跑封閉路段的資料和經驗在這種場景下都不適用。
測試車在進環島前首先變了一次道，選擇了最優路線，緊接著減速讓行了斑馬線上的行人。進入環島後，測試車前方又切進來一輛兩輪車，車輛迅速減速避讓。
在環島內，車輛選擇在中間車道行駛，並始終保持車輛居中狀態。在第二路口時，測試車開啟右轉向燈，跨車道變道匯出，在連續遭遇了多種 case 的情況下，毫末城市 NOH 應對的整套動作還是很順暢的。
此時車輛再次經過環島，本次透過時，測試車採用了相同的策略，那就是選擇中間車道駛入環島，環島內也保持中間車道行駛。本次路況相對上一次環島來說較為簡單，沒有其他交通參與者的干擾，測試車的通行速度相對也比較快。
再次遇到無保護左轉，測試車識別到對向車道中有一輛小型車在進行右轉，但是它的軌跡與本車毫不相干，所以本次通行也很順暢。
此處對向車輛正好有一輛小型車正在掉頭，測試車成功識別並減速，在該車輛駛向右側車道後，測試車則加速駛離。
測試在進行左轉前成功地識別並駛入了待轉區，在這樣的場景中，系統要能夠實現對車道線和訊號燈的識別，並根據環境做決策。
但是該路口並非無保護路口，所以透過時的難度也沒有那麼高。
右側車輛突然加速至本車前方，系統立刻減速讓行。在城市場景中，「貼臉變道」的相對高發，這要求系統必須對周圍的環境做到準確識別並及時做決策。
開放路口在城市中也會高頻出現，最為常見的應屬 T 型路口。有時這類路口並不會設定訊號燈，人類司機在遇到這種路口時都會選擇緩行透過。對機器來說也一樣，測試車在路口前提前減速，緩行透過。
再次在一個無人行道的路口執行右轉後，本次測試結束，安全員全程無接管。
不知道各位在看完這類測試後心裡作何感想，但就本身的難度而言，能夠做到城區道路長時間無接管的輔助駕駛，需要特別深厚的技術積累。
因為城區道路的情況與封閉道路完全是兩個世界。
難度指數級上漲，對車輛的感知、計算能力都提出了相當高的要求。毫末是怎樣在短期內快速研發的？這就得提到毫末 AI DAY 當日，毫末正式釋出的資料智慧體系 MANA（雪湖）。
02
MANA：智慧體系下的三位一體
我們都知道資料是自動駕駛的根本，毫末的 MANA 確切名稱為資料智慧體系。這其中又分為感知智慧、認知智慧以及自動驗證。
在封閉道路內，車輛需要識別車道線和車身周圍的情況，但是限速資訊、坡道的曲率等資訊都由高精度地圖提供。高精度地圖在高速領航輔助駕駛中起到的是「上帝視角」的作用，為車輛提供先驗資訊。這也是許多純視覺派口中的「作弊」和「外掛」。
當然，這其中特斯拉是個例，在一眾具備導航輔助駕駛功能的車型中，僅特斯拉旗下車型不採用高精度地圖。在體驗上，純視覺方案與有高精度加持的系統各有優劣。
回到城市導航輔助駕駛功能，封閉路段內車輛可以強依賴高精度地圖，但是在複雜的城市道路，依賴高精度地圖是不現實的。一是採集、修補的效率達不到要求；二是現實世界的複雜性太高、不確定性太多。
所以，建立強大的資料庫和提升單車智慧成為解決問題的關鍵。
感知智慧
對於自動駕駛而言，感知的能力非常重要，這是一切工作的基礎和前提。
毫末智行城市 NOH 的測試車輛採用的是攝像頭 + 鐳射雷達的感測器配置，能夠實現 360 度的純視覺覆蓋。對於攝像頭採集的影響，毫末智行採用一個公共的 backbone（主幹網路），計算好基礎資料後，生成兩個分支，一個是多層特徵的目標追蹤提取，包括對車道線、停止線、路沿、車輛和交通訊號燈的識別。另一個分支則是生成用於場景識別。
對於鐳射雷達採集的點雲資料，毫末智行採用的是 pointpillar 演算法，它的特徵是計算快。毫末智行首先將點雲資料降維進行偽二維化，之後採用特徵提取網路的計算，將多工進行 3D Box 的檢測和障礙物的檢測。
在實際的應用中還會遇到感測器目標被截斷，不能有效使用的問題。毫末將兩種資料進行資料來源的過程融合，最終目的就是將現實世界反應到張量空間地圖中。
感知是客觀的，結果只有 0 和 1，感測器和對映網路只需反映客觀世界即可，越真實越好。那麼城市道路中存在各式各樣的情況，解決的辦法只有一個——用巨量的資料消滅到所有的 Concer Case。
感知有標準，認知則由自己建立。
認知智慧
毫末智行從宏觀到微觀，不斷細化現實世界的各類問題，影響我們駕駛行為的細節很多。
從宏觀上分成幾個影響因素：天氣、道路結構、交通參與者、交通流密度、彼此方位、主車路線、碰撞風險和碰撞時距。毫末從已有的資料中挖掘和表達這些屬性，然後再進行聚類和分類，以找到更加舒適和高效的解決方案。
微觀指的就是將駕車場景中出現的細節問題再細化，例如毫末將一個啟停動作切成四個階段，分別是：穩態跟車、前車減速、前車剎停和前車起步。在每一項中，本車系統做出的對應處理都要保證合理且舒適。
毫末智行研究一種端到端的模擬學習，將場景數字化，根據此前的經驗作為指導，得到具體的本車道動作。模擬學習，需要更大的資料樣本，然後從資料中學習，得到規律。
標註和驗證
當資料量在不斷地擴大時，標註的效率問題就會凸顯出來。毫末智行採用的是無監督的自動標註方式，效能雖然還不錯，但是還遠遠不夠。
同時驗證也有很多層面，例如對感知的泛化驗證。
首先毫末會將採集的畫面進行 1：1 的模擬還原，然後改變場景的環境，例如光照、雨雪和大霧等等。最後根據生成的不同環境的圖片，進行感知結果驗證。
現如今資料的型別在發生轉變，這對計算能力提出要求的同時對資料的儲存、搬運效率也提出了更高的要求，所以毫末智行在 AI DAY 當日宣佈他們也在籌備自己的超算中心。
另外，毫末智行 AI DAY 上，毫末還聯合高通全球首發了 ICU 3。0 域控制器，主晶片為高通（8540 + 9000），算力達到了 360 TOPS。安全冗餘晶片採用的是英飛凌（TC397），可以做 L1/L2 的降級控制。
03
背靠長城，面向全行業
在文章的末尾，我想還是有必要再幫助大家進一步瞭解一下毫末智行這家公司的背景和未來的發展方向。
毫末智行由長城汽車孵化而出，其前身是長城汽車智慧駕駛前瞻分部。拆分獨立後公司已完成多輪融資，總額達數十億元。
長城汽車既是毫末智行的大股東，也是大客戶。得益於長城汽車巨大的交付量，毫末智行的系統能夠快速上量。毫末 NOH 智慧領航輔助駕駛系統剛剛 SOP 不久，就前裝在摩卡、坦克 300 城市版、哈弗神獸、魏牌拿鐵、瑪奇朵等多款車型上。
毫末智行 NOH 輔助駕駛預計 2022 年將會前裝在 34 款長城車型上，約佔整體上市車型的 80%。未來三年，搭載毫末智行輔助駕駛的長城乘用車將會突破 100 萬輛。
相比新勢力，毫末背靠長城但又面向全行業，能夠以供應商的角色為其他車企前裝安全可靠的輔助駕駛系統。所以他們的百萬目標絕對不是空想，且進展速度可能會超乎我們的預料。
合抱之木，生於毫末。掌握了資料驅動的毫末，將會吸引到更多車企加入它的朋友圈，其最終形態能否成為「合抱之木」呢？
撰文：波波
編輯：萊因哈特
這些也值得讀
