“智驾科技MAXIEYE郭恩庆：解码所有人可享的智能驾驶”

7月1日-2日，由盖世太保汽车主办的“2021第四届世界自动驾驶论坛”在上海隆重举行。 本次论坛将聚焦自动驾驶感知、智能驾驶域控制器、芯片、计算平台、无人驾驶不同落地场景等自动驾驶关键技术进行讨论，以促进自动驾驶相关技术的更快发展和完整性。 以下是智驱科技 Maxieyecto 郭恩庆[/S2/]在本届大会上的发言。

智驱科技maxieye cto郭恩庆

首先，以10年为周期，考虑中国自动驾驶的产业变局。 (德尔福)从2007年开始，国内陆续引入了adas。 当然，第一是基础控制，包括acc。 还不能进行全速acc，横向只是报警。 从2000年开始到国内汽车厂试，年属引入期，雷达视觉方案已有基础应用，第一是双预警或基础纵向控制。 年开始出现数据融合的产品，1r1v数据融合。 年处于爆发期，从截止到2019年的数据来看，整车厂的adas装配率不高，2021年又出现了一些新的趋势。 随着大计算力平台的出现，单纯制造低速(场景)和高速)场景，对于大计算力平台来说是徒劳的，因此要求在大计算力平台中放入很多东西，硬件和软件被深深地解除结合

回顾以前我们制作的l1、l2系统，很多主机厂采用了完美的处理方案。 但是，让我们来看看tesla和Peng等新兴的造车势力。 他们安装了硬件，找回了这个，用数据重复着。 所以，我们敏锐的感觉是下一个时间，一个是软硬解耦，一个是数据迭代，推动adas前进的风火轮。

让我们看看小组的数据。 这是工信部统计的年市场渗透率15%左右，也就是说实际上并不那么乐观，但是已经规模化落地，开始大规模预装。 例如，我知道一家主机厂以前组装率大概在10%以内，但去年下半年由于竞争压力，组装率上升到了45-50%。 当然，并不是所有车型。

让我们看看年ICV的技术路线图。 到2025年l2将达到50%，l3也将达到50%。 也就是说，从15%到50%有很大的增长空。 这也是我们真正必须落地的地方。 另外，到2030年达到70%意味着这里没有提到l4，我理解l4和l5首先从运营和部署的角度出发，对大部分汽车工厂的规模化APP应用都倾向于提到l3和L2+。

高工智能数据显示，目前我国的汽车装配率不比国外高，主要集中在10-15万车型范围内。 也就是说，l2增长空之间非常大，在这方面面临着变革。 以前传过来的钥匙传递方式完全是自上而下的，大tier-1的将死方法不利于进入l3。

l2十年了，为什么至今装配率只有10几%？ 例如，急转弯的稳定性可以保持，也可以不保持。 那么，让客户推测一下，或者客户在这个弯道上吃了一惊，系统比别人开车要累。 车辆cut-in的识别有时也很慢。 我们系统开发的目标是不断提高解决能力。

但是，在某些场景中，系统无法解决。 请告诉我系统无法解决的事情。 客户也不会总是担心，推测这个系统的行为。 这里分两种，系统感知边界，警告司机。

看看这些瓶子。 前面三张照片是啤酒瓶、雪和石头。 虽然现在可以感知，但无法识别是雪、石头还是啤酒瓶。 如果这个路口关闭了，可能会减速，也可能会委托司机接手，但问题是这场雪可以过去，实际上停止的风险可能比过去更大。 我们必须在尝试扩大系统能力的基础上划清界限。 目前l2最大的问题是边界不清晰，有必要进行推测、测试和体验。

高速公路上有些叫做l3。 这个tesla很可靠。 另外，也有突然遇到水，道路被水淹了的场面。 这些场景让我觉得，要真正实现稳定的l3，或者清晰地定义l3的边界还有很长的路要走。 随着l2的普及，l2这个节点应该发生什么样的事件？ 总之，l2真正普及是为数据回归提供了非常好的机会，但这一机会需要深入挖掘全栈式的研发和传感器能力。

可以跳过l2，直接制作l4，l5吗？ 这是个问题。 今天没有答案。 以视觉为前提进行分解后，会发现感知系统包括前视、后视、侧前视、侧后视在所有功能中的作用，前视在其中发挥着非常大的作用。 也就是说，我们光靠硬件累计不深入挖掘传感器能力，这个性价比就会慢慢降低。 当通过堆叠传感器来提高系统能力时，系统将整合所有传感器的特征，而实际上是整合了所有传感器的短板。 所以，我们认为应该不断发掘传感器的能力。 我们认为这是正确的快速发展方向。

那么跳过l2，直接制作l3吗？ 这其实没有答案，但我们认为l2是基础。 在我刚才说的情况下，所有你的训练，所有的深度学习都是基于历史数据的，所以不知道会发生什么。 因为实际上只能跑一会儿再用数据说话，所以基于l2进行软硬解耦，数据的回归是关系到主机厂和科技创新公司合作的非常重要的一点。

十年了。 l2只有15%的普及率。 我们的主机厂得到了什么？ 我明白主机厂得到的最多的是集成经验、应用经验，但是对解决问题的认识的下一步我们必须尽快补充。 相对来说，l2没有得到这个数据。 我想做一个叫l3的东西，你有信心结合我刚才说的特殊情况把这个交给你吗？ 我说我们可以ota。 ota不是对安全的妥协。 不能说拿着这个牺牲顾客的安全来做ota。 我们以为l2可以相对成熟利用，但我们正在优化空之间，优化并积极探索l3边界，向l3前进。

那么，请想想我们自己该怎么办。 我们的新科技企业如何在这场变革中更好地与主机厂合作？ 我们必须开发更好的l2 (系统)，发掘l2 )系统的潜力，发掘感知的潜力。 首先，从客户的角度来说，我们必须保证这个系统安全舒适，有合适的购买预算。 我们不赞成重叠硬件。 也就是说，系统应该是这样的，从车厂的立场来说是安全的，也包括持续盈利空之间，降低价格。 从技术供应商的角度来说，是技术挖掘、功能体验、前瞻技术与工程落地的平衡、持续的价值增长。 作为软件供应商或算法供应商，我们也需要找到与主机制造商长时间共赢的方法，因为在中国软件不太受重视。 在这里，出现了一句话，所有人共享，它必须能够使用。 我们反对硬件的堆积。 想使用的是我们把系统变成应有的样子。

与这个目标相比，我们三点下了力气。 1、全栈型开发。 要干到什么程度？ 挖掘出了什么样的数据？ 例如，在检测率、漏检率、误差精度方面，只有进行全栈型的研究开发，才能有效地将感知与管制联系起来。 如果主机厂想控制一点，我们的研发可以和主机厂合作。 2、将体验极限化，我们充分挖掘传感器能力，增加系统能力scope，确定系统边界。 3、规模化应用。

l2是基础，需要全栈、极致、放大，这里举几个例子。 有人进行1r1v融合，为什么要进行1r1v融合？ 因为单个传感器可能会泄露误检测。

请看图。 左边传过去融合，右边是视频检查，下面还有另一条线。 也就是说，基于以前传下来的外观，看这辆车像车，将其视为车，但容易误检测。 另一个是接地线，用两个特征对这个物体进行冗余性检查。 这样可以更可靠地稳定你的视觉系统。

另一个是cut-in的问题，左图中车头看起来露出了一半，但在bonding box完成之前，头部角度不稳定，通过车辆的lane assignment进行了图像级的检测。

大家可能也有这样的事。 是s曲线。 三次曲线位于比较远的地方，不能很好地识别s曲线。 我们将和s曲线进行比较并逐步说明。 然后，我们用的是优化的思想。 很多人开s形弯道并不是沿着车道的中心线走的。

大家可以看到前面的路。 向左的分支也是如此。 完全无法弯曲，或者用前面的照相机检测到(方向盘)用力切断，非常害怕。 我们逐步拟合，逐步拟合后重新生成轨迹。

也有岔路，发现右边的线不会断。 我们的系统每次都沿着这条线走。

这条路不整齐，普通的l2不能通过，但tesla可以通过。 我们该怎么办呢？ 我们提前划分阶段，我们按照目前稳定状态下维持车辆稳定的最小轨迹进行。 今后，该系统即使经过这样的弯曲，也不会在70米以内退出或猛烈殴打。

这是基于纯粹的视觉，用照相机发掘出来的。 左照相机的分支点有一个小黄点，这对于地图的定位很有好处。 也就是说，我们现在对于车道线的检测，不是只检测一两条车道线，而是让他们沿着车道走。 我们绘制了车道线的全部脱铺图，便于定位地图，选择哪条线方便马上控制，大多数线路都能检测到。 当然，那对计算力有一定的要求。 也就是说，如果充分发掘，性价比最高。

我们谈谈工程化和性价比之间的平衡。 我们不想装载硬件。 我想深入发掘传感器感知的能力。 另外，大家都在落地。 如果我能处理从北京到上海，从高速，从点到点的话，就没必要接手了。 一万元能处理还是五万元开l5之类的车？ 你会选哪个？ 没有一致的答案。 但是，短期内第一个更靠谱。

让我简单介绍一下智能驱动器的技术。 (在视频中，我们安装了所有的传感器。 不是为了安装那个，也有为了去除而安装的。 装那个是因为想探索系统的边界。 也有即使车相撞也不知道的车。 没有意识到危险。 这样就可以实现差异化、数据回归。

这是我们深入学习的路径，企业规模不大，但我们在国内做深度传感的时间还为时过早。 目前主流产品为ifvs-500，年出货商用重卡10万台。 另外，我们现在也在计划多r多v的方案。

卡车目前是我们的大业务，但是卡车车头与轿车不同，死角很大，所以我们企业自己开拓了150度和50几度的摄像头，以便最大限度地覆盖死角。

另外，今年也有量产项目，场景、系统测试数据、驾驶行为数据、高精度地图收集点的数据等，都开始回复数据并通过这个链接。

我们认为感知和计划必须统一。 这个统一不一定是一个企业进行的，而是深入的合作。 也就是说，adas在10年间实现了这个模式，无论是市场成熟度还是技术成熟度，都不仅仅是我们为顾客提供的合作模式的关键模式，而是要进行深入的合作，共同迭代。 这是真正从l2走向l3，而且制作极其舒适的l3的基础。

请关注我们的企业。 谢谢你。