“领目科技蒋鑫：量产商用车智能驾驶路径思考”

9月14日，列支敦士登汽车主办的2021中国商用车自动驾驶大赛隆重召开。 此次峰会将聚焦商用车自动驾驶领域的快速发展趋势，共同探讨从感知、决策到执行层面的核心技术，以及港口、矿区、干线物流、园区等不同终端场景的产业化落地方案。 下面是领衔科技总监蒋鑫在这次大会上的发言。

目的科技总监蒋鑫

盖世感谢你给了我们这样的平台。 和大家一起探讨量产商用车的智能驾驶技术。 今天就为大家介绍典型的科学技术在商用车量产智能驾驶方面的思考。

这里主要包括四个部分。 1、目的对商用车量产智能驾驶的科技优势看法； 2、根据商用车量产智能驾驶的优势来看看实现路径3、商用车量产智能驾驶法规以及等级高的自动驾驶相关目的科学技术的积累。

我今天要讲的商用车量产自动驾驶以涵盖干线物流场景为首要，干线物流场景相关的技术和产品还可以用于矿区、园区、码头等场景。

第一，现在有法律法规的设置。 从2022年开始，商用车开始有报警系统、纵向控制和横向控制。 对于我们商用车的量产来说，法规设置的优势其实很重要，除了感知和adas决策控制外，还对商用车底盘架构，例如能够实现线控的横向、纵向控制提出了强制要求。 这样的闭环有助于宣传高水平自动驾驶在商用车上的落地。

第二，轿车的价值观因顾客而异，有重视舒适性的，也有重视操纵性的。 但是商用车的商业价值取向比较一致，它是一种生产工具，在考虑商用车的某些功能时，首要的是整个生命周期要为运营节约多少价格，或者说不会带来多少风险。

第三，商用车量产所能承受的价格相对较高。 商用车无人驾驶方案达到30万套，可以通过运营实现盈亏平衡。 我们现在说要真正实现无人驾驶的大量量产还为时过早，但我们认为目前量产l2.5+自动驾驶可以提高商用车的运行效率，也可以降低运行风险。 从这个角度来说，这样的系统能节约价格是很高的。

第四，干线物流场景都是高速场景，道路都是结构化的，在这样具有明确性的场景下，我认为非常有利于商用车的量产。

由于有这样的优点，我认为商用车量产自动驾驶的商业价值和重要性不低于轿车。 现在，在自动驾驶行业，轿车比较快，但商用车落地的时间并不一定比轿车晚。 现在也有很多企业参加，所以我们认为商用车的自动驾驶是非常有商业前景的。

二是量产智能运行的实现路径。 首先介绍整车ee架构的变迁以及由此带来的合作模式的变化。

博世有很多媒体转载的图，但我发现实际上中国的ee架构进度可能比这张图快。 现阶段，量产车大部分以分布式架构为主。 但是，目前整合的域控制是一个趋势，这个趋势会带来什么样的变化呢？ 从以前的单ecu产品变成了跨平台行业的产品，单组件需要高性能的ai运算，还兼具高安全性的控制。 通信带宽从以前的低带宽扩展到了高带宽高实时性。 这种变化导致了合作模式的一些变化，以前直接交给主机厂的模式不再适用，现在需要融合、紧密的合作开发模式。

要说自动驾驶体系结构的一些变化，可以认为目前正在从经典的adas体系结构向常规的1v1r体系结构或独立的dms、再升级的adas、甚至更高水平的智能驾驶前进，位于高精度的位置 另外，还需要考虑包括功能安全和预期的功能安全要求在内的冗余备份逻辑。

无论是l2 adas还是高级自动驾驶，其实都离不开计算力、算法、数据三个要素。 这里说的计算力不仅要看tops有多少，还要看有多少架构。 采用什么样的芯片？ 采用了什么样的通信或安全结构？ 该计算力平台是重要的基础，包括车的规级、价格、功耗等。 那么，如果在量产计算力平台的基础上重叠，会执行什么样的算法呢？ 取得什么样的数据？ 如何通过数据迭代实现高级别的功能？ 我们认为计算力平台的框架很重要。

虽然高级智能驾驶商用车认为是必然趋势，但目前大规模普及的是安全法规。 安全法规对高水平的自动驾驶起到非常好的桥梁作用。 就l2监管块而言，通过监管块的实施，实现了从感知到监管的融合、到底盘的运行的小循环。 通过这个小循环，越来越多的conner case被发现，越来越多的数据收集得以实现，只有根据数据和经验进行迭代，才能为高级自动驾驶奠定基础。

这里介绍读驱动器adas系统的体系结构。 首先以1v1r为中心进行说明。 当然，现在这个体系结构也可以像1v3r和1v5r体系结构一样扩展。 解决方案平台体系结构包括支持深度学习的soc和支持安全的mcu，从而实现了双警报、aeb/paeb等常用法规功能，并通过决定算法实现了acc和

这个系统架构主要包括三个部分。 第一部分是智能识别，也就是ai soc实现的部分。 第二部分是安全决策控制第三部分是对有条件的车型也可以支持远程数据迭代功能。

这里是智能传感中领先技术的积累。 左边是汽车规则级的硬件设计。 我们是为了处理硬件平台的可靠性而设计的方法，不是通过测试实现的。 当然，这些车的限制级硬件设计都通过了dv/pv的实验。 除了基于adas控制硬件建设平台外，第二个都是实现场景，包括能否在天气、光线等条件下检测出所有场景的目标。 包括车辆、vru、车道、行驶区等，这个我们的感知算法已经得到了验证。 之前说过使用深度学习实现目标检测和各种障碍物的检测，但实际上目前市面上的adas仍然以1v1r为中心，能够在图像中检测目标，就意味着能够准确地测量出其距离我有多远

接下来的第三部分是实现非常高精度的目标跟踪和特征测量，以满足精确控制的要求。 我们有自己非常先进的图像解决算法，这些算法使单眼测量精度达到了业界领先的水平。 第四部分是考虑场景和冗余度的要求，融合视觉和毫米波雷达。

这里说的adas融合决策控制，第一类是法规，也就是我们通常说的预警和aeb/paeb决策控制，这也是基于1v1r实现的。 目前，法规类已经决定以10辆以上的车型定点批量生产。

第二类是舒适性控制系统，可以实现车道的中心、车道的保持、自适应巡航等，具备3r、5r条件的还可以实现触发式的变道。 对于有条件的车型，在符合法规的调动下也可以支持远程数据的传输，例如通过以太网接口、无线通信接口实现远程数据的定义、收集、传输、迭代。

在谈完l2法规的adas后，我们来谈谈在域控制器上的领先技术的积累。 现在干线物流常见的场景是高速，很多商用车公司也在朝高速hwa和hwp的方向尝试，为量产的方向做准备。 这样的场景有什么好处呢？ 是说不仅要知道周围的情况，还需要知道我在哪里，应该去哪里吗？ 要实时规划自己的路径，在更高的层次上，需要逐步实现在特定的固定场景中实现关闭的功能。 这也对我们的系统有点诉求。 也就是说，越来越需要不仅包括视觉、雷达，还包括定位和高精度地图的传感器。 另外，需要实时的决策控制，其解决能力也要求更高。 如果我们要实现关闭，在司机接手之前发生了故障，该怎么办？ 怎样才能提高冗余度？ 这都对dcu域控制器体系结构提出了很高的要求。

目的科技在域控制器上做了很多年，我们覆盖了高低速融合场景，打造了停车一体的l3+域控制器，对ai计算力、mpu运算能力、mcu运算能力提出了不同的诉求。 其实现在大家都认为芯片、算法进展很快，几年后计算力的威胁会逐渐消除。 另外，算法也可以在整体框架内统一，但有几件事是，我们的车型一定有高中低配，一定有不同的场面。 也就是说，我们仍然必须与这些车型进行比较以适应系统的要求而优化配置。

这里有几个以前做的域控制产品。 第二个域控制是我们在年设计，2019年申请专利的产品，三年后的今天，我们的朋友还把它拿出来普及，证明了我们的设计是比较先进的。 当然，今天我们以第三个域控制为例进行介绍。

我们要设计域控制，就必须先定义目标。 首先，我们需要知道这个域控制的目标客户是谁。 也就是说，我想知道这辆车是卖给谁的。 他把这辆车给他创造什么价值？ 他在什么场合运行？ 通过客户的定义，在这种情况下需要实现什么功能？ 这些功能能创造多少价值？ 然后，定义价格和性能满足什么要求。 根据目标定义，重新配置需要什么样的传感器和软件体系结构。

右图看起来和l2有点像，但实际上这里面有计算力、通信带宽、传感器包和冗余架构的一些变化，低配用单soc、高配用多soc，通信需要添加千兆以太网通信 因为这也适合各个高中，对于量产的dcu来说，必须考虑性能和价格的平衡，所以建议满足现在的量产诉求，适量确保升级空之间。

这是域控制器的示例。 这款域控制器是与国内一线主机厂合作开发的，包括行驶系统和停车系统。 预约了4d雷达和激光雷达接口，实现了高速公路的自动驾驶和停车场景的功能。 接口也支持多通道以太网1车载以太网接口，进行了从模拟到设计验证的全过程。

针对上述硬件，我们将介绍软件体系结构和系统分配。 这里特别想提到的是，在量产架构中，不花钱的车型可以通过较大的计算力迅速实现soa软件的定义，从而节约价值成本。 在大量生产这一点上还是要考虑效率，但那里还是有很多需要优化对比性的地方。

通常，批量生产中需要考虑在有限的资源中满足车的限制情况，实现高水平的自动驾驶批量生产。 我们的提案一方面遵循soa的框架，另一方面为了提高其效率，最终平衡量产价格和效率，还需要进行具有对比性的优化。

在此总结商用车高等级自动驾驶批量生产中领先技术的特点。 第一，由于涉及跨平台行业的优势，我们有更开放的合作态度，通过tier 0.5的方法与主机厂合作，可以迅速响应顾客的诉求，也支持白盒的交付； 第二，我们有一个博士团队，从感知到融合再到计划控制，带领软硬件全栈技术推进产品批量化生产； 第三，我们有非常成熟的批量生产能力和批量生产经验，商用车中光aeb/paeb就已经定点批量生产了10多辆车型第四，我们有完整的合作伙伴，与上下游的供应商和顾客形成了深入的合作，知名的oem、tier1、芯片，

是的，今天就说这么多。 谢谢你。