電子發燒友App
2023 年 10 月 27 日，蟄伏了 3 年之久的極越 01 正式上市，相比于已經曝光到幾乎明牌的整車，我更對極越 01 所搭載的這套輔助駕駛系統更感興趣。 主要有兩個點：
Apollo 高階自動駕駛能力全面賦能
單挑特斯拉，中國唯一的量產純視覺方案
這兩個點提取一個關鍵詞最終都落在了「純視覺」上，如果長期研究輔助駕駛技術的對純視覺輔助駕駛方案都不陌生，這是目前僅有特斯拉一家量產應用上車的智駕方案。
在 2023 年新能源汽車行業如此內卷的態勢下，極越 01 作為一個新選手要用什么姿態來奪得大眾的目光？
顯然智駕是一個比較好的選擇，不管是華為、蔚來、理想、小鵬都明確了自家要在智能化這條道上比拼到底，而這中間最核心的部分當屬智駕。
智駕比拼是一個確定性的答案，可是在國內沒有一家說要完全切換到純視覺，當然除了極越。
這是一個很有趣的現象，一方面是國內各家不敢切換還是不想切換；另一方面純視覺究竟有什么魔力，讓特斯拉和其他廠商分歧如此之大。
對于中國路況，其他主機廠給出的答案是要用激光雷達解決多復雜場景，實現安全容易，而極越的選擇是用「純視覺」挑戰技術極限。
01
先了解整車
極越 01 目前推出兩個版本：
極越 01 MAX
CLTC 續航 550km
后驅電機最大功率 200 kW
標配高通 8295、2 顆 Orin X?等支持城市輔助駕駛的智駕硬件
售價 24.99 萬元（1.9 萬上市權益包后 23.09 萬）
選裝 100 度電池包，續航可達?720km
極越 01 MAX Performance
標配 100 度電池包，CLTC 續航 660km
四驅雙電機?200kW + 200kW
標配高通 8295、2 顆 Orin X?等支持城市輔助駕駛的智駕硬件
標配可升降尾翼
售價 33.99 萬元（1.9 萬元上市權益包后 32.09 萬元）
從實際體驗來看，作為一個新品牌，新產品極越 01 的完成度是不錯的，以智能化為整體差異化的方式雖然很難，但路徑選擇道也合理，整車設計并沒有出現過于嘩眾取寵的點。
可是極越 01 最大的難點在于，一上市就遇到了汽車行業史無前例的價格戰，特別是整車的優惠權益讓很多潛在用戶看不懂的情況下，24.99 萬的起售價顯得并不是很有沖擊力。
但真的如此嗎？
先說一個現象：「極越 01 整體優惠后的價格其實非常有誠意，但是極越對于權益的策略制定卻非常混亂，這個混亂導致很多真實的潛在用戶根本看不懂。」
一個一個說：
一，現金優惠
這個優惠是實打實的現金權益，是直接抵扣在車價里面的，這里面包含兩個部分：
1.9 萬元上市權益金：9000 元盲訂膨脹金 + 5000 元大定立減金 + 5000 元邀請獎勵（4000 元京東卡加上 10000 積分）；
1.5 萬元選裝基金：如果選擇收費選裝項目可以立減 1.5 萬元。
也就是，1.9 萬元和 1.5 萬元疊加使用后，可綜合優惠 3.4 萬元。
二，整車權益
在 11 月 30 日之前的定購的用戶，均可享受三個非常劃算的權益：
終身整車及三電質保、道路救援：價值 8000 元
直流家充樁或 2 年免費充電：價值 7500 元
ROBO Drive MAX 6 個月免費訂閱：價值 5880 元
也就是說，購買極越 01 MAX 550km 版疊加完權益后只需要 23.59 萬元，同時還能免費拿一套舒享套裝。
但智駕權益里面有一個小細節，按照目前的權益策略是買斷 1.99 萬元、訂閱 980 元/月，但如果你用選裝基金買斷智駕系統的話只需要 4900 元買斷。
但你需要注意一個細節，如果你用 1.5 萬元選裝基金去抵扣智駕買斷，那么你也會失去舒享套裝。
總結則是，舒享套裝和智駕系統你只能白嫖一個。
講完整車，下面智駕才是極越 01 的核心。
02
智駕最終要回歸到硬件的合理性上
硬件堆疊并不能保證最終的體驗
在講極越 01 的純視覺方案之前，先說一個背景：
我們都知道市面上將智駕分為「純視覺」和「激光雷達融合」方案兩種，可是對于這兩種方案區別性的解釋，往往只歸結在有無激光雷達硬件這一個維度上。
顯然，這么理解對于輔助駕駛的解釋即不明確也不立體。
我們先理解輔助駕駛系統包含的核心兩個能力，很好理解：一個是硬件，包含計算平臺、感知傳感器、定位等；另一個則是算法，一個系統運行的基本神經網絡系統。
純視覺和激光雷達方案，除了字面意思理解到的感知傳感器的區別，還有就是算法對于攝像頭和激光雷達數據處理的方式。
簡單說就是，即使使用了激光雷達，但激光雷達數據的融合方式也決定了系統整個能力的表現，有些廠商的方案是視覺數據和激光雷達數據是分別處理的，融合過程在各自輸出結果的層面上完成，也就是自動駕駛領域常說的?「后融合」。
這樣做可以盡可能地保證兩個系統之間的獨立性，并為彼此提供安全冗余。
但后融合也導致神經網絡，無法充分利用兩個異構傳感器之間數據的互補性，來學習最有價值的特征。
這也是異構感知傳感器系統，為什么大部分都存在「時間上的感知不連續、空間上的感知碎片化」的問題。」
我回想起 2021 年，車企爭相宣布擺脫供應商方案，選擇自動駕駛「全棧自研」，彼時輔助駕駛賽道還是 Mobileye 的天下，大部分車企的輔助駕駛方案都來自于 MobilEye 的能力，乃至于國內第一個高速導航輔助駕駛量產方案蔚來 NOP 也是基于 MobilEye 視覺方案進行的二次開發。
從供應商切換到自研意味著一切從零開始，但是要很快追平原有方案的體驗。
但是新產品的上市，只留給了車企們兩年的時間，而 Mobileye 成立于 1999 年，2008 年就提供了 Eye Q1 芯片，目前出貨量已經超過一億片。
到了 2020 年 Eye Q4 已經是全球出貨量最大的智駕芯片，Mobileye 的 L2 方案幾乎拿下來國內外大部分頂級廠商，蔚來、理想、寶馬等等。
這種競爭并不公平。
好在我們有一條清晰的捷徑?「激光雷達」，它可以提供珍貴的距離真值，給出了相對直接的世界描述，給開發提供了極大便利。
也正因如此，一切就顯得水到渠成，眾多車企開始比拼激光雷達的數目。鋪天蓋地的宣傳下「硬件性能不等于最終體驗」這件事卻被有意忽略了。
硬件只是基礎，算法的能力決定了系統的上限。
到 2023 年，消費者開始發現，即使攝像頭和激光雷達遍布全車，更高階的輔助駕駛功能并沒有如期而至。
車企的算法能力沒有因為硬件的堆疊而得到質的飛躍，而特斯拉依然靠著幾乎普通的感知硬件，用純視覺始終保持在輔助駕駛第一陣營。
純視覺通往高階輔助駕駛的最優解？
人靠視覺就能開車，那么視覺就能完成輔助駕駛。這是馬斯克的第一性原理，特斯拉死磕純視覺的理由。
那么技術上是怎么實現的？
我們在路上看到一輛車能夠知道，這可能是一個障礙物，同時我們也可以大概估計這輛車離我們有多遠。
純視覺算法也是如此。
本質上是通過對圖像信息的特征進行廣泛的訓練，讓神經網絡獲得視覺估計距離的能力。?
經過大量數據訓練的算法，能夠得到前方障礙物的類型，同時得到一個位置估計，提供給下游規劃控制算法。
當然，這里最重要的是：「精確的真值標注」和「大量的數據」。
這不是一件簡單的事情。
需要用數據壓榨算法的能力，在弱硬件上得到足夠好的性能，逐漸逼近算法的上限。
03
純視覺算法的上限在哪?
純視覺估計距離具備足夠的數學理論基礎
這里舉一個例子，雙目測距，假設我們有一個點 P，但是我們用不同的攝像頭去拍攝這個點，那么這個點會分別在左邊和右邊的圖片上分別形成一個點。
如果我們對這兩個點的位置尋找得足夠準確的話，根據圖片上這兩個點 p_l，p_r 的位置差別，我們可以按照相似三角形的原理，計算出 P 點在世界中的位置。
當然，這里有許多局限，在圖片上的點進行搜索時，我們并不總能如愿找到精確兩個點對，所以傳統雙目測距會有一定的局限性。
但是，這種數學原理也告訴我們，視覺算法的上限是足夠高的。
本質原理即：多個攝像頭之間的視覺特征互相驗證，能夠獲得相對精確的距離信息。
實際上目前主流的 BEV 的網絡，某種程度上也可以看作將視覺特征投影到 BEV 俯視圖下，各視角的特征進行互相自動驗證，最終得到一個相對精確的結果的。
但即使業界認為視覺的上限很高，但執行量產的動作卻是一個地獄級別的難度，那么純視覺難度在何處？
「純視覺」企業工程師的噩夢
從傳統雙目視覺的角度看，我們無法如愿找到精確的兩個點對，而從深度學習的角度看，我們無法保證神經網絡內部的多個攝像頭的視覺互相驗證時正確的。
算法一直都在不斷演進，例如 BEV 視角去進行自動駕駛感知，Transformer 結構也獲得了很多關注。
但是在特斯拉驗證可行之前，沒有人這么做量產。
因為需要大量的數據進行神經網絡的訓練，來逐步提升距離估計的精確。
特斯拉用強大的工程能力完成數據閉環，示范這件事情可行。回想起 2021 年看特斯拉 AI Day 那個夜晚，行業驚呼特斯拉的工程能力之強，也驚呼純視覺的上限竟然如此高。
那么需要怎么做？
為了保證輔助駕駛的可靠性，工程師需要一個對周圍障礙物估計的網絡，這樣就車輛能夠看到周圍交通參與者，并且能夠對它們進行及時的反應。
這就是 BEV 動態網絡，本質上俯視圖，將所有的攝像頭信息都投影到這個俯視圖上，由于每個攝像頭之間有互相的信息補齊，這樣對遮擋的物體也能夠較好的識別，并且當引入時序信息。
也就是說，將這一個時間段前面的信息也融合進來也能夠多一些信息進行推理，這樣會給 PNC 帶來更好的障礙物軌跡預測結果，進而帶來更安全且順滑的體驗。
視頻截圖是基于極越 01 前段時間在上海市區，基于 BEV Transformer 的純視覺架構跑出來的效果，展現出的足夠高的精度和足夠遠的感知距離，可以證明極越的純視覺方案已經有比較高的完成度。
但是這還不夠。
除了障礙物，系統還需要車道線和道路拓撲結構的識別，同樣的，將周圍的攝像頭轉換到BEV 空間下，將周圍的地圖繪制出來，這就是常說的實時繪制地圖。
這些部分完成之后，最難的部分來了。
這些本質上到目前所感知到的障礙物還是白名單物體，并且還是物體級的識別。當在城市中駕駛時，很多物體需要被更精確的描述，而且很多物體在并不在常見的白名單中。
這里出現了一個新的詞：白名單。
其實你就簡單理解成，這個時候系統所感知到的障礙物都是通過標準完成的，工程師將感知到的數據進行數據標準，形成一個可用數據包然后通過云端和實時感知進行數據比對，這樣系統在駕駛開啟時所感知到的物體都是經過標注后的。
但這有個問題，即使今天自動標注也已經逐步量產，但在真實物理世界里所出現的障礙物也不能被窮盡，同時數據標注的精度不夠高，也不能描述具體物體的 3D 信息。
一句話總結則是：白名單里的物體都是工程師標注后系統已知的物體。
那系統不知道的物體呢？
這里就需要一個「占用網絡」。
簡單來說就是，純視覺將世界感知分為無數個網格體，每個網格體里面代表被占據的概率。
在極越 01 上市之前，極越官方釋放了一個基于 OCC 占用網絡的視頻 demo，可以看到視頻里包含的感知內容：一個常規的周圍環境實時顯示；另一個通用占用網絡。
這便是極越的輔助駕駛方案：動態 BEV + 靜態 BEV + 占用網絡。
這條路與特斯拉基本一致，不同的是極越的攝像頭是 800 萬像素，而特斯拉的攝像頭是 200 萬。對于相對較遠的物體，極越這套硬件可以分配到更多的像素理論上限會更高。
BEV 動態識別網絡 + BEV 靜態網絡做地圖構建，這是相對常規的內容，頭部的幾家也基本上完成了 BEV 的量產。
為什么占用網絡上車才能證明純視覺最終能走通？
占用網絡將世界感知為相對比較小的占用空間，每個空間里面有被占據的概率。相較于常規的畫一個 3D 或者 2D 框來描述某一個具體的物體，占用網格的描述更加細膩。
例如一個兩節的大公交車，常規的描述是一個 3D 長寬高， 但是當這輛公交正在進行轉向的時候描述就顯得不夠精確了。
如果將這輛公交車分割成很多塊，這樣即使運動起來，描述也足夠精準。
極越這里也展現了不是畫一個 2D 框，顯示這個是一輛車，而是顯示這是一些被占據的空間。
這樣更加精細地描述了感知世界之后，邏輯就可以變成：
如果道路上沒有被占據就是可行駛空間，這就完全跳脫出原來識別是一個具體物體（人，車，錐桶等），然后再考慮能不能開的邏輯，而是有障礙物影響就需要做繞行或者新的路徑規劃。
這就規避了窮舉道路上所有目標的問題。
為什么純視覺占用網絡不像 BEV 一樣，提出之后被大量跟進，到目前國內也只有極越宣布今年 12 月上車？
因為二者的技術迭代路線已經出現了顯著的分歧，大部分高度重視激光雷達的算法方案，都在研究如何將激光雷達的真值更好地使用。
激光雷達可以相對天然得到一個占用網格結果，尤其是在前視部分。
比如華為提出的 GOD，從某種意義就是 Lidar 點云作為基礎，得出的占用網絡結果，通過 3D 點獲得 3D 占用網絡，再通過視覺進行一定的融合表現也很好。
相較于 Lidar 直接獲得真值，純視覺這條路要靠多攝像頭直接推導出距離信息，這中間的難度極大。
但是純視覺這條路得出占用網絡（Occupancy Grid 3D）并不是終局。
之后還會有：
「Occupancy Flow 」：就是對占用網絡運動狀態相關的估計，這個格子的自身運動狀態是什么。例如視頻里第二張圖中的紅色圈出的部分，估計出非剛體的不同部分的運動狀態，藍色運動，紅色靜止；
Occupancy prediction：對占據網格預測相關的估計，這個格子下一步怎么走
也就是說，以前目標級別的任務，在更細粒度上的占用網格上都可以做一遍，占據網絡對周圍世界的理解，不是目標級別的感知可以比擬的。
寫在最后
極越選了一條非常難并且不一樣的路，在選擇的過程中一定會伴隨著質疑，但是極越還是勇敢地站出來。
當視覺能力足夠強時，足夠完成城區高階輔助駕駛。
若無必要，勿增實體，這是互聯網產品圈非常流行的一句話。
極越方案里的純視覺選擇就是這么出現的，不看硬件，只關注體驗。
純視覺的核心是：
構建以視覺為中心的輔助駕駛系統，不被其他的傳感器分掉研發精力，并且構建出一個非常精簡的數據閉環系統，在之后的方案迭代中能夠保證數據的高度可復用性。
也期待極越使用純視覺完成端到端的方案構建。
這條路很難，但是選擇最難的這條路，或許是通向未來的最正確的一條路。
編輯：黃飛
?
工商網監
評論