國內智能駕駛的標桿換了，之前小鵬一騎絕塵，看智能駕駛都得盯著小鵬汽車看，但是最近余承東的“遙遙領先”已經魔性的搖到了智能駕駛，特別是華為的ADS 2.0從成本上已經大幅度下降進入20-30萬區間的汽車，所以本文將從以下：

遙遙領先的華為智能駕駛

華為智能駕駛硬件

華為智能駕駛軟件算法

三個部分，也分別對應為智能駕駛功能，硬件，算法三個方面去分享交流下華為的智能駕駛，希望能給大家帶來一些信息。另外文末有小調查，你覺得華為智能駕駛在市占率上是不是能像其技術那樣遙遙領先？ 遙遙領先的華為智能駕駛 我們一般談智能駕駛，腦海里面常常浮現的就是領航輔助，記憶泊車等高階的智能駕駛，其實一個完整的智能駕駛功能體系包括三個方面：

安全，也就是我們聽到的AEB等傳統ADAS安全防撞的功能，國內C-NCAP對這個方面有完整的定義，并發布測試。

行車，包括車道居中，領航輔助等，當前大家宣傳的比較多的就是高速和城區領航輔助。

泊車，包括車位的泊入和泊出，遠程泊車，記憶泊車，代客泊車等，我們之前文章《關于自動駕駛泊車-市場功能，硬件和技術》有相關介紹。

根據華為發布信息，華為在安全方面能夠做到AEB 90km/h的制動剎停，而目前CN-CAP測試標準最高速度是60km/h;華為能夠對側翻車，逆光行人橫穿分別在90km/h和85km/h實施制動剎停，這些數據確實讓人驚嘆，在競品中是遙遙領先。

在行車方面，華為將在2023年底實現僅僅依靠SD人類導航地圖來領航輔助，平均接管率達到200+km，當然這個數字的意義不大，因為大家測試的路程沒有統一，也沒有統一的交通情況，但作為業內人士來講估計大家都會贊同華為的技術和功能現在就是遙遙領先。

?

在泊車方面，從我自己的感覺來講，遙遙領先，從可以識別車位的能力到泊車的速度來講都不亞于老司機，我曾經在路邊前有都有車的側向停車位猶豫思考如何泊，但華為亮起的泊車路徑以及快速的泊入讓我如釋重負。 最近問界M7的發布會上，華為表示支持自車+0.4m超窄車位，機械停車位泊車；更支持地面，地下記憶泊車，年底將支持代客泊車。 所以，從功能科技角度來看，華為智能駕駛確實是遙遙領先！那華為實現這些遙遙領先的背后硬件方案如何呢？

華為智能駕駛硬件方案

華為的硬件經歷了ADS 1.0硬件和ADS 2.0硬件，華為最開始的智能駕駛項目是和北汽極狐開啟的，大概在2022年初實際交付，當時的3個激光雷達，前方4個攝像頭（1個長距，1個寬視場角，2個組成雙目），6個毫米波雷達，配上2顆華為昇騰610芯片的MDC 610pro 或者叫MDC 810。之后和長安寧德時代合作的阿維塔也是沿襲此套硬件方案。ADS 1.0 當時剛開始出來，有人號稱成本都快10萬了，除了價格貴了點，其他毛病都沒有，所以這些車剛開始價格都是40萬左右的售價。

華為ADS 2.0硬件最早開始于問界M5之后到M7，兩款車的售價是30萬元左右的顯然原來的1.0的硬件價格太貴，所以2.0的硬件減掉了側向兩個激光雷達，減掉了前向兩個雙目攝像頭，減掉了3個毫米波雷達，減掉了一塊昇騰610芯片，這一套價格應該可以把原來的成本至少減掉一半以上，按照現在來看應該是3萬人民幣之內。 根據余承東最近問界M7發布會信息以及查詢問界M7官方網站發布的信息，ADS 2.0硬件下的性能與ADS 1.0可謂并無任何差異。如果從激光雷達的角度來講的話，3顆激光雷達的布置從視場角來看的話肯定好于1顆前向。

值得一提的是，華為方案的激光雷達在其記憶泊車方面算是一枝獨秀了，小鵬記憶泊車是記住軌跡，而華為卻是利用激光雷達鑄就了行走的畫圖機器，通過激光雷達畫出泊車地圖，然后根據地圖可以支持任意停車位的泊車。還有抓狂的是華為在其ADS 1.0方案時候就將前向激光雷達和側向兩個顆激光雷達解耦，也就為ADS 2.0只用一顆埋下了伏筆。 其實對于硬件來講，目前很多新勢力都堆了此類的硬件方案，但顯然都很難達到華為智能駕駛的效果，華為智能駕駛背后還有其軟件能力支撐。

華為智能駕駛軟件算法

華為發布其主要依賴兩個算法：

?

“看得懂物”的GOD（General Obstacle Detection，通用障礙物檢測網絡）2.0網絡，可以識別通用障礙物白名單外的異形物體，障礙物種類精細識別（如區分救護車、警車等），識別率高達99.9%?

“看得懂路”的RCR 2.0（Road Cognition & Reasoning，道路拓撲推理網絡）實現導航地圖和現實世界的匹配。

如何識別異形物體，或者未標注的物體是感知的難題，在智能駕駛剛開始的時候，大家都是沖著自己標注的方式去告訴汽車這個物體是什么；但到了特斯拉在臺灣高速上，撞上事故車之后，基本發現這種標注根本行不通，長尾太多了。到了特斯拉2022年的AI day上特斯拉推Occupancy networks《智能駕駛-城市領航輔助必備的BEV以及Occupancy networks》，對于駕駛來講不管你是什么，而主要是看你是否影響駕駛也就是道路是否被占有。 華為采用的方式其實和特斯拉是類似的Occupancy networks，不過可能的差異是華為應該很好利用了其激光雷達，這樣應該是可以降低對視覺的算法算力要求或者缺陷。感知傳感器攝像頭和激光雷達匯入一個時空網絡，這個時空網絡是一種在其結構和分析中包含空間和時間信息的網絡，它用于建模和分析隨時間和空間演變的復雜系統，之后進行感知處理。總結起來華為GOD算法三個亮點是：

感知的Occupancy 預測，基于方向，速度，時序的Flow 預測從而實現動態以及靜態的障礙物感知。

端到端的Risk field預測和路徑規劃。

通用物體檢測OVOD，Open-vocabulary Object detection 是一種更加通用的目標物檢測，傳統的目標物檢測是需要匹配標注的物體，但OVOD檢測和識別圖像中開放的對象集及其相關屬性的任務。對象和屬性是在推理過程中通過文本查詢定義的，無需在訓練過程中預先了解測試類。

整個算法從感知到結果的運算在10ms之內計算完成。其實自動駕駛中，算法結構相對容易，谷歌等學術，GitHub等一眾熱衷分享的資源，總會讓你站在巨人肩膀上，但是數據和算力確不是所有人能夠搞定的事情，華為表示其有一支道路實況采集團隊，發現有價值的場景就自動發送云端自動標記，通過NeRF(Neural Radiance Field)算法構建3d空間，整個流程一天可以構1百萬框真值。根據華為感知算法負責人蘇朋表示，華為已經根據真值構建了超一億英里，然后通過成千上萬張NPU算力芯片來訓練算法,之后將訓練的算法OTA部署到整車上,從而確保越來越聰明。 一般實現領航輔助有一個重要的前提是，告訴汽車你要去哪里，但這個不是我們人類看的地圖，他是給智能駕駛的地圖也就是領航地圖。

國內剛開始采用的是高精地圖路線，高精地圖的基礎層是可以顯示厘米級精度的路邊信息。例如，那里的數據包含所有道路標記和地理邊界。但是呢我們之前文章《去高精”不是“去地圖”，而是“去圖商”》講述了當前高精地圖的困局，所以目前產業不少走向去高精地圖化。當然不少喊著去高精地圖但是還是需要特殊的智能駕駛地圖，例如高德推的HQ地圖，騰訊推的HD Air，四維圖新推的功能地圖等。但是華為此次的RCR確實完全不需要智能駕駛地圖的存在，只需要利用人類駕駛SD地圖信息。

那華為算法如何實現的？ RCR 2.0（Road Cognition & Reasoning，道路拓撲推理網絡），這是華為給出的方案，他可以實現導航地圖和現實世界的匹配。 如何理解導航地圖和現實世界的匹配，首先回到按照高精地圖駕駛的方案，高精地圖提供汽車高精度駕駛的參考線，智能汽車配合高精定位按照參考線行駛，不管轉彎還是路口按照線跑就行了，你可以理解為類似火車的電子軌道。 所以沒有高精地圖時候，車輛智能駕駛就會需要自己解決兩個難點：

如何確定車輛行駛在車道內？一般就是視覺車道線識別技術，之前文章Momenta的“無圖”智能駕駛算法方案》介紹了momenta的DDLD就是此類技術。

路口如何確定車道的關系，確保自己轉彎或者直行走在正確的車道？我們之前文章《Tesla AI Day -特斯拉自動駕駛FSD的進展和算法軟件技術之算法》介紹過特斯拉的車道識別算法。

里面特斯拉技術亮點之一就是能夠推理路口車道之間的關系。 所以，華為應該就是采用特斯拉類似的視覺算法技術，確定車輛行駛在車道內，根據人類使用的SD導航地圖提供的路線信息以及路口視覺感知信息，RCR來推理路口車道之間的關系，從而實現領航輔助。 于是這些算法的組成就有了華為說的既能“看得懂物”的GOD又能“看得懂路”的RCR算法。總的來說和特斯拉的路線類似，但華為又將激光雷達玩的溜溜的。

總結

華為確實是一個很厲害的公司，我們目前看到很多公司都是產業的快速應用，但華為有2012實驗室等致力于很多基礎性的研究，從而為產業提供基礎技術，當然也可能是人才方向，這些都為產業的快速應用提供非常好的基礎。 另外華為還有不少人專門研究市場，技術，產品之間的關系以及演化路徑，確保自己的技術和產品站在一個正確的方向中。 最后華為在產品研發實施中非常注重主線，記得剛開始的華為智能駕駛真的不好用，功能也不多，但是隨著幾次迭代日臻完善，后來和華為朋友聊天，他們表示開發中他們會抓住關鍵路徑，先搞定基礎，關鍵，再進行優化迭代。 所以華為積累技術基礎，把握方向，抓重點和優先進行實施，做任何事情基本都容易成功。那么比你更富有，比你更聰明，還比你更勤奮，那其他人還怎么活？

編輯：黃飛

?