Puede ser que Estados Unidos no le proporcionó asistencia social o algo así, y la dejó

6/17/2023



En otras palabras, en los cambios posteriores posteriores, la fuerza de las capacidades inteligentes determinará directamente el límite superior de competencia para las empresas automotrices. El desarrollo de la cabina inteligente actual puede describirse como un cambio cada día que pasa. Continúan surgiendo nuevas configuraciones/funciones como pantallas gigantes, voz fuera del automóvil y control por gestos. En el campo de la conducción inteligente, todo el mundo se implica cada vez más.


Si desea realizar una verdadera conducción autónoma, no hay más que dos caminos: el primero es de arriba a abajo, posicionándose directamente en la conducción no tripulada de nivel L4L5, y luego descentralizando gradualmente la configuración y las capacidades, para lograr soluciones de bajo costo. escenarios; la segunda es la forma comúnmente utilizada por los OEM en la actualidad, de abajo hacia arriba, producción en masa de conducción inteligente de bajo nivel e iteración continua de tecnología a través de una gran cantidad de datos generados en sus enlaces para evolucionar a un nivel superior. En esta ruta, la producción en masa es el eslabón más crítico.

Según el informe "Información sobre la tendencia de desarrollo de los automóviles inteligentes en China" publicado por Autohome Research Institute, en 2022, la tasa de penetración en el mercado de las funciones de conducción inteligente L2 representativas, como el frenado activo, el sistema de asistencia para mantenerse en el carril y el sistema de crucero adaptativo crece rapido. Incluso las marcas extranjeras que antes eran un poco conservadoras han considerado algunas de las funciones mencionadas anteriormente como equipo estándar para autos nuevos.



Sin embargo, en el campo que pone a prueba la capacidad de conducción inteligente "L2+", como el NOA urbano (un sistema inteligente de asistencia a la conducción de alta gama para el ámbito urbano, que las diferentes compañías de automóviles denominan de manera diferente), muy pocas personas pueden lograr avances. La mayoría de las empresas que anunciaron la función del NOA urbano son o "futuros" que aún no se han cumplido, o están empujados en forma de pruebas internas, madrugadores, etc., y todavía hay una distancia de la producción en masa real. El comienzo de la segunda mitad de la competencia en el campo de la conducción autónoma también se esconde en los problemas de producción en masa mencionados anteriormente.

★ Ruta de batalla: del mapa [pesado] al mapa [ligero]
Desde el punto de vista actual, no son pocos los jugadores que pueden pisar el campo urbano del NOA. Las empresas que toman la ruta de abajo hacia arriba incluyen Haomo Zhixing, NIO, Ideal, Xiaopeng, Jidu, etc.; las empresas que toman la ruta de arriba hacia abajo incluyen Baidu, Qingzhou Zhihang y Pony.ai. Sin embargo, a juzgar por el tiempo de lanzamiento y la escala de promoción, los NOA urbanos de estas compañías automotrices se concentran principalmente en las tres ciudades de Guangzhou, Shenzhen y Shanghai.



Por ejemplo, Xiaopeng, en septiembre de 2022, la conducción asistida por navegación inteligente NGP de la ciudad de Xiaopeng lanzó oficialmente un programa piloto en Guangzhou. El primer lote de usuarios empujados se seleccionó al azar entre los propietarios de automóviles P5 que habían enviado sugerencias de conducción asistida inteligente en Guangzhou, y tenían que experimentar el "modo novato", es decir, usar NGP urbano durante más de 100 kilómetros en algunos tramos de carretera. con las condiciones adecuadas, y puede desbloquear todas las secciones de la carretera después de más de 7 días. Después de un tiempo, esta función se abrió gradualmente en Shenzhen y Shanghái.

Jihu, que una vez se hizo popular en todo Internet con su video de "conducción autónoma" en la víspera de un cierto Auto Show de Shanghái, aunque entregó la versión Jihu Alpha S HI en mayo de 2022, no comenzó la prueba de función urbana NCA en Shenzhen hasta septiembre. Y luego se extendió a Shanghai.

La razón por la cual las primeras NOA urbanas se concentraron en Guangzhou, Shenzhen y Shanghái se debe a que las tres ciudades mencionadas fueron el primer lote de ciudades en China en emitir licencias piloto de ciudades de mapas de alta precisión. A diferencia del dominio de alta velocidad, las complejas condiciones de la carretera que enfrenta la conducción inteligente de alta gama en el dominio urbano están aumentando exponencialmente, como cambios de semáforos, cambios de carril de marea, predicción de trayectoria de peatones en la superficie de la carretera y vehículos sin motor. predicción de trayectoria... Todos estos escenarios son muy importantes para el software y el hardware empresarial. Los requisitos de capacidad integral son extremadamente altos. Según los datos, la cantidad de modelos de percepción de NGP urbanos Xpeng ha llegado a 4 veces la de NGP de alta velocidad, y la cantidad de código relacionado con la predicción/planificación/control ha aumentado a 88 veces,



Frente a los escenarios complejos anteriores, cuando las capacidades integrales de software y hardware no son tan sólidas, la precisión absoluta y la precisión relativa están dentro de 1 metro, que contiene información de la carretera como el tipo de carretera, la curvatura, la posición de la línea del carril, así como como infraestructura vial, obstáculos, tráfico, etc. Información de objetos ambientales, como señales, así como información dinámica en tiempo real, como flujo de tráfico e información sobre el estado de los semáforos, alta precisión, alta frescura y alta precisión. mapas, se ha convertido en un "atajo" para las empresas de automóviles para lanzar rápidamente NOA urbano.

Pero todo tiene dos lados. Las limitaciones de los mapas de alta precisión y la dificultad de obtener calificaciones también se han convertido en las razones clave para restringir la rápida producción en masa de las empresas de automóviles NOA. En el Foro del Automóvil de China de 2023, Li Wei, experto jefe de Chongqing Changan Automobile Co., Ltd., analizó una vez las desventajas del modelo "con muchos mapas". Él cree que este modelo es una inversión incremental. Aunque el costo de adquisición de datos urbanos de alta velocidad + pequeña cantidad no es alto en la etapa inicial, a medida que la ciudad se expande en la etapa posterior, el costo de adquisición aumentará considerablemente. No solo eso, sino que también enfrenta los problemas a largo plazo de una actualización de mapas insuficiente y una cobertura insuficiente, lo que inevitablemente conducirá a que el sistema de conducción inteligente tenga poca robustez.



En cuanto a cuán alto es su costo a largo plazo, Yu Chengdong, director ejecutivo de Huawei, director ejecutivo de terminal BG y director ejecutivo de solución de automóvil inteligente BU, una vez citó un ejemplo: "Simplemente recopilar mapas de alta precisión de Shanghái durante uno o dos años y 9,000 kilómetros no capturaron Shanghai está completamente cubierto Y desde la perspectiva de la seguridad nacional, las actualizaciones solo se permiten durante unos meses, pero las carreteras de China cambian todos los días, por lo que confiar en mapas de alta definición realmente no puede ser ampliamente utilizado. ” Debido a esto, la industria ha llegado gradualmente a un consenso: la eliminación de mapas puede ser la única forma de lograr rápidamente la producción en masa de NGP urbano.



En la industria, Momo Zhixing es, sin duda, el primer lote de empresas en jugar el letrero de "énfasis en la percepción". Ya en 2022, Momo Zhixing anunció oficialmente un modelo producido en masa equipado con el sistema HPilot 3.0, que puede realizar la función de asistencia al piloto NOH de la ciudad; En abril de este año, en el octavo Momo AI DAY, la compañía anunció el nuevo "Carrier": el nuevo Mocha DHT-PHEV de Wei y el Lanshan de Wei. De acuerdo con el plan actual, la función NOH urbana de Momo Zhixing será la primera en ser implementado en Beijing, Shanghai, Baoding y otras ciudades.



Además de Momo, empresas como Xiaopeng y Huawei, que anteriormente dependían de mapas de alta precisión, también han comenzado a experimentar una evolución de "redetección". Entre ellos, el XNGP de Xiaopeng ha sido probado sin mapas y se espera que se expanda a 50 ciudades para fin de año; Yu Chengdong anunció que el NCA urbano de Huawei que no se basa en mapas de alta precisión se implementará en 15 ciudades en el tercer trimestre y aumentará en el cuarto trimestre. a 45 ciudades. Incluso el gigante de mapas Baidu ya se está acercando a la solución de resensado, y su sistema ANP3.0 ya ha adoptado la tecnología "BEV Surround View 3D Perception" como redundancia de seguridad.

★Batalla tecnológica: [capacidad de datos] es el umbral

Según el pronóstico publicado por Western Securities, NOA en la ciudad del futuro será un gran pastel, y el número de sus modelos puede llegar a 119,000, 676,000 y 2,436 millones en 2023-2025. Pero si quieres comer más de este pastel, no es tan sencillo como determinar la ruta.



Cuando no se depende o no de mapas de alta precisión, como el procesamiento de los datos reconocidos por los sensores, y a través de ellos, se puede lograr una generalización urbana a mayor escala, adaptándose a las condiciones y escenas "desordenadas" de las carreteras en diferentes ciudades. Tome como ejemplo las funciones más básicas de identificar los semáforos para controlar los automóviles y notar los semáforos, que pueden parecer muy básicas para algunas personas. Las especificaciones de los semáforos en diferentes ciudades de mi país no son las mismas, hay tres filas de semáforos, hay cinco filas de semáforos, algunas son horizontales, otras son verticales... Dejando de lado el algoritmo, para cumplir con los escenarios anteriores , la escala de los datos recopilados será la misma que antes. Crecimiento exponencial.

Con esta escala de datos, parece que ya no es aplicable confiar en el modelo de entrenamiento de redes neuronales convolucionales de CNN como antes. En este sentido, Tesla, que tomó la delantera al proponer deshacerse de los mapas de alta precisión e incluso cancelar el lidar, y adoptó una solución de visión pura, hizo un buen comienzo para todos y comenzó a reemplazar CNN con modelos grandes de Transformer, aprovechando de su estructura simple y unidades básicas infinitamente apilables. Obtenga las características de una gran cantidad de parámetros para mejorar.

En comparación con CNN, cuanto mayor sea la cantidad de datos en el Transformador, mejor será su efecto. Los estudios han demostrado que cuando el conjunto de datos de entrenamiento se incrementa para incluir 100 millones de imágenes, el rendimiento de Transformer comienza a superar al de CNN. Y cuando el número de imágenes aumenta a 1000 millones, la brecha de rendimiento entre las dos se hace aún mayor.

En China, Momo Zhixing es la primera empresa de conducción autónoma en presentar el modelo grande Transformer. Aunque no es tan temprano como Tesla en términos de tiempo, la innovación de Momo Zhixing radica en la prefusión de tiempo y espacio con el Transformador.



Por ejemplo, frente a un tramo de una carretera normal, los ojos humanos ven un doble sentido de cuatro carriles, que es una imagen visual continua, pero el reconocimiento por parte de la cámara no es coherente, sino una imagen cuadro por cuadro. Suponiendo que el automóvil está 5 cm a la izquierda, la información reconocida por la persona es normal y se puede enderezar. Bajo el esquema original, el reconocimiento de la cámara es complicado. Tal vez el camino en sí está "torcido". Si no hay un mapa de alta precisión para corregirlo, el sistema puede volverse "seco" y no puede empalmarse de manera efectiva.

Y el método final es usar el Transformador para hacer la fusión previa en el tiempo y el espacio, es decir, a través de la característica de atención del modelo grande, extraer la correlación entre los diferentes píxeles de la imagen, usar su vector de características para realizar la fusión previa y luego use la red neuronal para realizar la predicción del objetivo. Esto no solo puede resolver el problema de que las cámaras multiángulo no pueden separar la "perspectiva de Dios", sino que incluso puede integrar datos LIDAR para complementar el efecto visual.

En este sentido, Perxing, director técnico de Momo Zhixing, utilizó como ejemplo la escena de la línea de carril que es más probable que aparezca en el ámbito urbano. Dijo que, a diferencia de la escena de alta velocidad, las líneas de los carriles de las vías urbanas son extremadamente complicadas. Algunos lugares se han desgastado y algunos lugares se pueden volver a pintar, pero las antiguas líneas de los carriles no se han erradicado por completo. En este escenario, el mecanismo de atención del modelo grande del Transformador puede resolver muy bien el problema.



Vale la pena señalar que hay muchos escenarios similares que enfrenta NOA en el ámbito urbano. Por ejemplo, si hay varios semáforos en rojo en una intersección compleja, ¿en qué semáforo debe encenderse el vehículo? Si desea resolver decenas de miles de escenarios como este, debe identificar muchos datos, etiquetar muchos, simular muchos escenarios, aprender mucho, hacer muchos ajustes y escribir mucho. de reglas...

¿Cómo resolver la "gran cantidad" mencionada anteriormente? En palabras de Gu Weihao, director ejecutivo de Momo Zhixing, la industria se ha dedicado a ello durante 20 años, y cada elemento de previsión, planificación, toma de decisiones y control se divide en pequeñas tareas, y no se ha completado en 20 años. Hasta que se empezó a aplicar la tecnología GPT (Generative Pre-trained Transformer).

El 11 de abril de este año, Momo Zhixing lanzó oficialmente DriveGPT, un modelo generativo a gran escala para la conducción autónoma. Para la escena de conducción, use la secuencia de texto después de la fusión de percepción como entrada, y use la secuencia de texto de la escena de conducción autónoma como salida para tokenizar la escena de conducción autónoma para formar un "Lenguaje de conducción", y finalmente complete el control de toma de decisiones , predicción de obstáculos y cadena lógica de toma de decisiones de la salida del vehículo propio y otras tareas. En términos sencillos, todas las pequeñas tareas mencionadas anteriormente se reducen a dos grandes tareas, una es la percepción y la otra es la cognición.



Además, Momo Zhixing también ha comenzado a explorar cuatro capacidades de aplicación principales con socios ecológicos, que incluyen conducción inteligente, reconocimiento de escenas de conducción, verificación del comportamiento de conducción y escape de escenas difíciles. Por ejemplo, en el reconocimiento de escenas, el costo total de etiquetado de una imagen de una sola aguja de DriveGPT solo equivale a 1/10 de la industria. El uso abierto de esta tecnología en la industria reducirá en gran medida el costo del uso de datos en la industria, mejorando así el desarrollo de la tecnología de conducción autónoma.

Momo puede aplicar gradualmente DriveGPT al NOH urbano, recomendaciones de atajos, combate inteligente y escenarios de escape. La adición de DriveGPT puede hacer que la conducción del vehículo sea más segura, y las acciones de regulación y control sean más humanas y fluidas, y existe una lógica razonable para decirle al conductor por qué el vehículo elige tal acción de toma de decisiones.

Y este es el esquema de eliminación de mapas dado por Momo, que es una prueba de las capacidades de procesamiento de datos. Y este tipo de capacidad de procesamiento, junto con la cantidad de datos de conducción autónoma, es decir, quien primero produce el automóvil en masa, recopila más datos y los procesa a través del automóvil producido en masa, y finalmente realiza la iteración técnica de bola de nieve. Esta es la función NOA urbana donde está el umbral.

Escribe al final:
Los mapas de alta precisión son costosos, difíciles de recopilar y poco actualizados, y la implementación de soluciones de coordinación entre vehículos y carreteras que dependen de una gran cantidad de infraestructura es más difícil que los mapas de alta precisión. Bajo esta premisa, si se quiere producir NOA urbano en masa y concretar un ciclo positivo, no es tarea fácil.

Según Zhang Kai, presidente de Momo Zhixing, la razón por la que la empresa puede lograr rápidamente la producción en masa no es más que unos pocos ciclos cerrados: ciclo cerrado de las necesidades del usuario: análisis continuo de los datos de la escena de conducción para mejorar las estrategias y comentarios sobre la nueva función. experiencia; Ciclo cerrado de eficiencia de I+D: integración de conceptos basados ​​en datos en procesos de desarrollo de productos, como definición de demanda de productos, percepción y desarrollo de algoritmos cognitivos, etc. mejorar la eficiencia general del desarrollo; Ciclo cerrado de acumulación de datos: la implementación de etiquetas de escena de datos de servicio de diagnóstico en el extremo del automóvil cubre el 92% del escenario de conducción; bucle cerrado de valor de datos: el modelo grande continúa extrayendo valor de datos para resolver problemas clave; circuito cerrado de automejora del producto: se da cuenta de que la velocidad de procesamiento de problemas de posventa es diez veces mayor que los métodos tradicionales, y se da cuenta de que los problemas de posventa se pueden localizar en los 10 minutos más rápidos; Bucle cerrado de ingeniería comercial: mejore aún más el proceso de ingeniería de circuito cerrado de I + D de productos desde la recolección y el reflujo, la capacitación en etiquetado, la calibración del sistema, la verificación de simulación y otros enlaces hasta el enlace de lanzamiento final de OTA. El circuito cerrado mencionado anteriormente ya es bastante complicado con solo mirarlo, y es aún más difícil darse cuenta.



En este sentido, incluso si el volumen (solo se refiere a autos inteligentes) es tan grande como Tesla, es necesario expandir aún más la capacidad de recopilación de datos abriendo FSD a otras compañías de automóviles. En este sentido, Momo Zhixing, que se basa en la Gran Muralla y amplía gradualmente su círculo de amigos, y Huawei, que proporciona soluciones a muchos OEM, también parecen tener una cierta ventaja de escala. Creo que bajo tales desafíos, habrá cada vez menos OEM luchando con la "teoría del alma". Después de todo, en el entorno urgente de competencia en la segunda mitad de la conducción autónoma, dicho volumen de datos y capacidades técnicas no pueden resolverse mediante el desarrollo propio y las adquisiciones. arriba.