作者 / 於雷
從未間斷的自動駕駛技術路線之爭，近期似乎又上了新的高度。
豐田旗下的Woven Planet明確加入「純視覺陣營」，瞬間成為了自動駕駛領域的爆炸性新聞。不僅因為豐田全球銷量第一的身份，也因為其作為特斯拉的早期核心投資者，豐田此前表露出來的身份一直都是鐳射雷達擁躉。
2017年，豐田TRI部門基於雷克薩斯LS600h改造自動駕駛原型車，就已搭載了7顆鐳射雷達。2021年，豐田Mirai和雷克薩斯LS採用的Advanced Drive駕駛輔助系統，也配備了3顆鐳射雷達。
對此，
豐田方面的解釋指向了當前自動駕駛最大的兩個難題——降低成本，擴大技術規模。
據悉，Woven Planet使用的攝像頭比以前使用的感測器便宜90%，而且可以很容易地安裝在乘用車上。
不過，這也並不意味著純視覺方案將成為高階自動駕駛的主流方案。從目前市場上的智慧車型規劃來看，一顆鐳射雷達稀疏平常，2-4顆也已上車。業內對於兩種路線的爭論雖遠不能分勝負，但也在持續揭露出這兩種方案亟待解決的問題。
一、降本與量產難題
實際上，純視覺和多感測器融合方案，已經成為當前自動駕駛發展道路上的一大分歧。Waymo、Cruise、百度、華為、滴滴、小馬智行等公司都在採用以鐳射雷達+攝像頭為主的多感測器融合方案，而堅定宣稱走純視覺路線的知名公司僅有特斯拉和豐田。
清華大學動力工程與工程熱物理博士張抗抗表示，
純視覺方案的最主要優勢是成本低，而多感測器融合方案可以更好地處理corner case，但對算力要求非常高，也有非常高的硬體成本。
不過，即便是有一天視覺演算法達到了人類駕駛員的水平，增加鐳射雷達仍可以進一步降低事故率，要考慮的僅僅只是成本收益問題。
但現實情況是，鐳射雷達想要大規模裝車，成本問題首當其衝。以大疆Livox Horizon鐳射雷達為例，採用6個成本相對較低的905nm鐳射發射器，透過非往復式掃描方案，做到了等效100線左右的水平，大幅縮減鐳射發射器和接收器的數量，
但上市時售價仍達到了海外800美元/國內6499元人民幣
（目前官網售價已調整至海外1299美元/國內7199元人民幣，具體原因有待核實）。
逆向工程及成本分析公司Systemplus Consulting曾對這款鐳射雷達做過測算分拆，表示該雷達的光學模組成本佔比達到54%，而發射模組、接收模組成本佔比分別在7%和4%，其他成本佔比較大是MCU模組。
可見，即使透過掃描技術降低鐳射發射器的線束需求，其對應的光學模組成本佔比依然是最高。
而鐳射雷達核心的MEMS微鏡、鐳射發射器等上游元器件主要靠進口，這部分技術被國外企業壟斷，短時間內難以實現降本。
長江證券研究所的報告指出，MEMS半固態鐳射雷達供應鏈最為成熟，產品售價在500-1000美元。Flash鐳射雷達在消費電子領域產品有較高成熟度，但在車載領域需要解決高能量發射的痛點，目前價格相對MEMS較高，遠期有潛力下探到500美元以下。
至於未來，華為此前提出要將鐳射雷達成本降低至200美元，已經當前公開發言中相當低的數字。國內鐳射雷達供應商探維科技CEO王世瑋，在近期採訪時也給出了他的最新預測：
鐳射雷達未來有機會做到2000-3000元人民幣，這也是車企可以接受的一個範圍。
另一方面，張抗抗在分析中，對華為的200美元說法，提出了5個方面的猜想：1、量產導致成本的降低；2、技術的進步促使了成本降低；3、針對應用場景開發特定效能的產品以降低成本；4、提供更好的系統開發環境以降低主機廠的研發成本，相當於變相降低了鐳射雷達成本；5、華為提供整套方案，鐳射雷達讓出的利潤可在整套方案中掙回來，也相當於降低了成本。
但從目前的情況來看，降本的預期可能還很遙遠。
蘇州嶺緯智慧科技有限公司的一位客戶經理透露：
如果有效探測距要達到200m以上，大機率要用到1550nm鐳射發射器，其價格在100美元左右。
而1個Livox Horizon鐳射雷達，就用到了6個鐳射發射器，還是成本更低的905nm。
然而，1550nm鐳射發射器已成未來的應用方向。目前的車規級鐳射發射器一般有905nm和1550nm兩類。但因為905nm鐳射可能傷害人眼，為滿足Class-A安全要求只能降低功率，探測距離相對有限。而1550nm的鐳射在到達視網膜之前基本都會被晶狀體和角膜吸收，可採用更大的發射功率，穿透能力、探測距離更加出色。
相比單車就要帶有2-4顆鐳射雷達的多感測器融合方案，只依靠攝像頭的純視覺方案成本優勢非常明顯。
根據半導體公司安森美公佈的資料，L2級自動駕駛每輛車攝像頭總成本為40美元，L3級自動駕駛每輛車攝像頭成本也只是185美元。
這不僅對量產車製造成本影響較小，也在相應程度上解決了只能應用在中高階車型上的問題。Woven Planet也將他們已確定要走的純視覺方案稱為「突破」，希望能夠有助於降低成本，更好地擴充套件豐田汽車自動駕駛技術。
二、演算法迭代難題
除了成本以外，純視覺方案和多感測器融合方案也有著邏輯上的不同，不能僅對比感測器效能和算力。
對於純視覺方案來說，研發壓力主要在於軟體算
法。
攝像頭可以比作人眼，可以採集帶有最豐富和完整的畫面資訊，但能解析多少要靠經過學習、最佳化、篩選後的AI模型，進行高效可靠的推導。即使在硬體相同的情況下，也能依靠軟體不斷迭代來提升能力，最終達到人眼的水平，甚至超越人眼的水平。
鐳射雷達的能力與硬體效能高度相關，核心原理是運用回波時間測量法，由鐳射二極體發出紅外脈衝光，脈衝光照射到物體表面後發射回一部分光束，光束被鐳射雷達上搭載的光子探測器接收並記錄，透過計算發射和探測的時間差，得出目標物表面與鐳射雷達探測器之間的距離。
對於鐳射雷達來說，
點雲數量和最終能夠得到多少細節有著直接關係，如大疆Livox Horiz
on點雲數
據率可以達到24
0000點/每秒。但也因為點雲數量異常龐大，需要極高的算力支援。
目前，蔚來、智己等帶鐳射雷達的多感測器融合方案，算力已經高達1000+TOPS。
此外，鐳射雷達因為不具備色彩、文字等完整的環境感知能力，實際並不能作為單一的感測器來使用，不能當做攝像頭的完全冗餘。而且，其對於環境的適應能力，也不如宣傳時來的誇張，玻璃、雨霧、揚塵、飄動的垃圾等都有可能影響鐳射傳遞，進而影響最終的感知結果。
當然，目前視覺方案的感知能力也有侷限，但卻是高度冗餘的訊號，最終的上限也可以接近甚至超越人眼。不過，純視覺路線也更為漫長，需要積累足夠多的資料和情景，不斷進行演算法迭代。
特斯拉的AI高階總監Andrej Karpathy早些時候也在公開演講裡表示：「純視覺能夠精準感知深度、速度、加速度資訊，實現純視覺是一件困難的事情，還需要大量的資料。」
Andrej Karpathy提及的資料，也是困擾純視覺方案迭代，以及影響自動駕駛公司和車企路線選擇的難題。
純視覺系統辨別物體高度依賴樣本的訓練，難以辨別樣本未覆蓋的物體，
這也導致其在初期應對corner case的能力有限。
而且，無論單目還是多目方案，都存在距離檢測難度大的問題，靜止物體的識別率相對較低。
早期以視覺為主的駕駛輔助方案，實際應用時都遇到過大量難以招架的場景，甚至還引發了數起轟動性事故，包括特斯拉將側翻倒地的白色卡車當成天空、未識別出正在轉彎的白色半掛卡車；蔚來ES8撞擊施工作業車；小鵬P7未識別出側翻轎車、未減速撞向60km/h正常行駛的空載掛車等。
為此，特斯拉提出的解決方案是「影子模式」：
透過量產車輛持續收集外部環境與駕駛者的行為，與自
身策略對比，如果駕駛者實際操作與其判斷有出入，資料就會上傳至特斯拉雲端，並對演算法進行修正訓練。
目前，特斯拉車端搭載的HW3。0晶片具備每秒處理2000多幀畫面的能力。
Andrej Karpathy透露，完成7輪影子模式的迴圈驗證之後，特斯拉一共處理了100萬條10秒短影片，這些影片全部來自特斯拉車身拍攝的畫面。同時，特斯拉為60億個物體做了標籤化處理，同時包含精準的深度和速度資訊。這些資料一共有1。5PB。
然而，特斯拉的解決方案並不容易複製。其得以實施影子模式，一方面依託於出色的量產車銷量，另一方面也是因為其每款車均預裝了全部的駕駛輔助硬體。這對於市場規模不夠的造車新勢力、或解決方案供應商來說，都存在很大挑戰。
地平線智慧駕駛產品線產品規劃與市場高階總監呂鵬還向Auto Byte指出了另一個關鍵問題：
「目前大部分車企傾向於選擇帶鐳射雷達的方案，其原因在於純視覺方案走到量產落地需要花更長的時間，而現在競爭主要是加速商業化落地，速度至關重要。」
Woven Planet的想法與特斯拉類似，其工程副總裁Michael Benisch表示：「我們可以釋放豐田和大型汽車製造商所擁有的優勢，即獲取大量資料。」他們認為，使用大量汽車收集不同的駕駛資料，對於開發一個強大的自動駕駛汽車系統十分重要，但使用昂貴的感測器測試自動駕駛汽車成本太高，而且無法進行規模化測試。
三、感測器冗餘和融合難題
在純視覺方案和帶鐳射雷達的感測器融合方案之間，冗餘也是被談及較多的問題。
純視覺方案的核心在於讀懂拍到的東西到底是什麼，基於攝像頭收集到的僅是2D資料，需要進行影象分割、物體分類、目標跟蹤、世界模型、多感測器融合、線上標定、視覺SLAM、ISP等一系列步驟進行匹配與深度學習，分析影象中的每個畫素，將其還原成真實的3D場景。
但是，純視覺方案的能力與資料量高度相關，目前仍存在漏檢無法完全應對corner case的情況。因此，有部分企業提出了加入鐳射雷達來解決測距問題，給攝像頭做部分冗餘。
這種初衷是利用各感測器的優勢，如視覺的影象資訊+雷達的速度和位置資訊。
不過在實現這一目標的過程中，也出現了新的難題，不同感測器之間要如何融合？是否只保留優勢資訊，還是不同感測器之間也要相互交叉驗證？相比之下，僅有單一型別感測器的純視覺方案，這方面的壓力要小得多。
馬斯克近期在微博討論自動駕駛汽車不同的感知方案時也表示，汽車上的純視覺方案，尤其是在使用顯式光子計算時，比雷達+視覺的組合要好很多。後者有太多的不確定性——當雷達和視覺感知不一致時，不清楚該相信哪個。
王世瑋也對其選擇純視覺路線的動機做出了進一步分析：
「多感測器融合確實是比較複雜、容易出問題的地方，攝像頭和雷達獨立去做採集和感知，決策過程中還要做取捨和判斷，如果規則設定或者系統架構不合理，也有可能會出現1+1＜1的情況。」
目前，多感測器主要有三種融合架構，但均存在優劣勢：
集中式融合架構：將各感測器獲得的原始資料直接送到中央處理器進行融合處理，資料處理精度高，演算法相對靈活，但各感測器相互獨立，資料直接流向融合中心，缺乏必要的聯絡，融合中心的計算和資訊負載過重，容錯性過差。
分散式融合架構：將各感測器獲得的資料進行區域性融合處理，然後將結果送入中央處理器，最終獲得目標結果。每個感測器均具備估計全域性資訊的能力，可靠性、容錯性高，對通訊頻寬要求低。但中央處理器只能獲得各個感測器處理後的物件資料，無法訪問原始資料。因為感測器自身帶有處理器，也導致體積大、功耗高。
混合式架構：集中式和分散式的混合應用，部分感測器帶處理器，不帶感測器的傳輸到中央處理器，兼顧集中式融合和分散式融合的優點，穩定性較強，但同時也面臨缺乏部分原始資訊，對通訊頻寬、計算能力要求高等問題。
除了融合架構之外，多感測器方案還要面臨資訊融合時的級別分類：前融合包括資料集融合與特徵級融合，後融合是目標級或決策級融合。
不過，由於原始資料噪聲大、資訊利用率低以及多模態感測器的無對準，達到相當好的效能並非易事。目前，該路線也還存在諸多挑戰：未建立統一的融合理論和有效廣義融合模型及演算法；對資料融合的具體方法的研究也處於初步階段；融合系統中的容錯性或魯棒性問題也待解決。
但在當前階段，增加鐳射雷達做部分資訊的冗餘，仍是解決視覺技術不夠成熟的一種策略。呂鵬也向Auto Byte表示：
「在視覺技術還不夠成熟的時候，鐳射雷達是可以被用來『補短板』，多一個資訊維度的輸入保證安全。」
黑芝麻智慧應用工程總監王九旭也提到：「現階段，鐳射雷達確實是一個能有效補齊攝像頭、毫米波雷達不足的硬體。在一定演算法基礎上、足夠算力支撐下，藉助鐳射雷達可以加速自動駕駛推出時間。」
從目前的商業化方案來看，有競爭自動駕駛量產節點意圖的車企，普遍都採用了帶有鐳射雷達的多感測器方案。
但細分下來，這些在宣傳時均少不了以鐳射雷達作為亮點的車企中，也不乏一些僅以鐳射雷達做資訊冗餘，實際在走純視覺路線的車企。
其中，比較有代表性的是集度和智己。前者的系統原型是百度純視覺方案ANP，後者採用的Momenta技術也是純視覺路線，而且無鐳射雷達的L7測試車已在去年進行過上海市區的公開路測。
根據集度公佈的資訊來看，其是做出了純視覺和雷達兩套完全獨立的系統，以實現互為備份、相互補充。與之類似的還有Mobileye，以純視覺子系統為主，雷達子系統主要在緊急避險時用作安全冗餘。
而採用這種方案的目的，也是規避純視覺方案依賴資料且需要大量時間走向成熟的問題。
對於特斯拉和豐田來說，龐大的量產車規模是被他們押注純視覺方案的關鍵。但是在目前的技術環境下，純視覺和多感測器融合方案，並不一定是相互對立的關係。
至於未來的結果如何，呂鵬與Auto Byte交流時提到了至關重要的一點：「不管是純視覺、鐳射雷達，還是別的技術路線，最終在市場上勝出的自動駕駛解決方案，看的還是使用者體驗。
如果純視覺方案和帶鐳射雷達方案的安全性與使用者體驗相當，那麼市場自然會偏向純視覺的方向，畢竟這其中直接涉及到整車的成本，但這也是一個循序漸進的過程。
」
參考連結：
https：//view。inews。qq。com/a/20210427A044EM00
https：//www。doc88。com/p-99639058019672。html？r=1
https：//zhuanlan。zhihu。com/p/470588787
https：//www。zhihu。com/question/433267289/answer/1857116584
https：//zhuanlan。zhihu。com/p/161561792？ivk_sa=1024320u
關於Auto Byte
Auto Byte 為機器之心推出的智慧出行垂直媒體，關注自動駕駛、新能源、晶片、軟體、汽車製造和智慧交通等方向的前沿研究與技術應用，透過技術以洞察產品、公司和行業，幫助汽車領域專業從業者和相關使用者瞭解技術發展與產業趨勢。
歡迎
關
註標星
，並點選右下角
點贊
和
在看
。