轻舟智航启动量产上车！「造血，反哺」成L4公司主旋律

作者 / 于雷

近日，Argo AI在烧光36亿美元后宣布解散的消息，在自动驾驶行业掀起轩然大波。因为这让人看到，即使是资金雄厚的造车巨头，也难以支撑其持续的「吸血」。

对此，轻舟智航联合创始人、CTO侯聪直言道：「早期很多创业公司希望直接通往L4，但如果没有持续强有力的资金支持的话，确实存在很大的问题，这也是Argo做不下去的一个原因。」

11月1日，轻舟智航在一场技术工坊活动上，公布了自动驾驶解决方案Driven-by-QCraft的中文命名「轻舟乘风」，并首次分享了该方案在感知、PNC、数据等城市NOA核心领域的技术优势。

而就在同一天，小鹏宣布获得了广州智能网联汽车道路测试牌照，将使用前装量产车进行城市自动驾驶的Robotaxi载客商业化运营。

如今的自动驾驶技术路线之争，已逐步呈现出主流趋势：不管是渐进还是降维，都写在了多家自动驾驶公司或车企的发展路径上，而轻舟智航也遵循了技术和商业化的新需求和新热点，成为城市NOA大军的一员。

为何选择双线并行？

2020年，轻舟智航推出了第一代专注城市复杂交通场景的自动驾驶解决方案Driven-by-QCraft。在这两年多中，Driven-by-QCraft已经更新至第四代，而且也从单一的L4级自动驾驶能力，升级成基于「双擎」战略的自动驾驶和高等级辅助驾驶的双线并行。

「城市NOA是辅助驾驶的天花板，也是无人驾驶的入门槛，它已成为汽车高端智能化的大势所趋。」轻舟智航联合创始人、CTO侯聪表示，基于L4技术才能做出好的NOA功能，而做NOA功能也能不断提高L4的技术能力。

在侯聪看来，高速NOA是「能用」的半自动化阶段；而达成良好的高速NOA体验以及部分区域的城市NOA点对点自动驾驶，是「好用」的降低接管率的阶段。之后要实现的，则是较大ODD范围内的城市NOA点对点自动驾驶，也就是「爱用」的阶段。

轻舟智航的目标，是从「好用」起步，走向「爱用」。要走好这条路，「轻舟乘风」就是最关键的工具。

「两个闭环」促进迭代

轻舟智航的规划是，通过基于城市NOA的渐进式路线，通过发展过程中不断获得的数据闭环和现金流闭环，向L4自动驾驶迭代。

其中，数据闭环正是解决众多城市ODD使用场景泛化性的高效渠道。侯聪表示：「我们拥抱L2的数据积累方式，利用量产车形成数据闭环，再用数据驱动。只有通过这种方式，我们才能够获得像特斯拉一样的数据优势。」

另外，侯聪还提到，通过与车企合作，也将让自动驾驶公司在发展中获得持续的造血能力：「在国内实现Robotaxi或许还需要5-10年的时间，这一阶段应该专注于去做量产的项目。」

据侯聪透露，轻舟智航目前已在量产方面取得了实质性的进展：「我们现在已经拿到了量产车的定点，在全面做交付的工作。」

「超融合」实现多传感器时序穿插融合

对于城市NOA，侯聪表示：「有L4经验的公司显然更有优势，因为在技术上有充分的积累，涉及到整个底层的框架设计以及算法的一些选型。」轻舟智航认为单激光雷达的城市NOA，正是当前阶段最务实的方案，可以同时兼具安全性和成本优势。

但是硬件向车规级降维的同时，城市NOA面对的道路交通环境复杂度并未减少，对感知算法观察和提供有效数据，同样提出了极高要求。感知的模型为了更好地满足城市NOA在车端部署，需要提供精准高效的感知融合算法，满足车规级计算平台的适配，并有效解决复杂路况中的各种长尾问题。

对此，轻舟智航提出了「超融合」感知方案。轻舟智航感知负责人张雨表示：「『超融合』感知方的『多传感器时序穿插融合』技术，可让感知模型在不同阶段、利用不同传感器信息相互补充，得到更优融合结果，避免各类误检和漏检，精度高且鲁棒性强。」

当前主流的融合方案有前融合（数据级融合）、中融合（特征级融合）和后融合（目标级融合）三种。不同融合方案各有优劣，有效的融合结果才能给下游任务输出可靠的信息，为车辆做出安全的预测和决策提供保障。

而轻舟智航的「超融合」感知方案，就包括了前、中、后融合。轻舟智航首次将时序多模态特征融合的大模型（OmniNet）部署在量产平台上，以一个神经网络即可实现视觉、激光雷达、毫米波雷达在BEV（Bird’s Eye View）空间和图像空间上输出多任务结果，为下游的预测和规划控制模块提供更丰富的输出。

相较传统方案，OmniNet可在提升感知精度的同时，节省2/3的算力资源，满足车规级芯片应用需求，并可低成本适配不同厂家传感器配置，更适宜通过数据驱动解决实际道路面临的长尾问题。

如何让一颗激光雷达「物尽其用」？

轻舟智航的城市NOA方案中，包括了摄像头、毫米波雷达、以及激光雷达。

对于激光雷达的加入，侯聪认为中国规范程度较低的道路环境，需要借其来让城市NOA快速上车：「综合考虑目前的技术发展的情况，如果有足够的资源投入，其实我们认为纯视觉就可以解决长尾问题。但是，目前产品时间线（城市NOA）比较紧张，我们认为还是要用一个激光雷达。」

作为当前车规级传感器中成本最高的部件，如何更彻底地发挥激光雷达的感知优势，让其物尽其用，也是轻舟智航在城市NOA方案中思考的一点。

首先是激光雷达的布置位置，道路上最容易干扰自车行驶的是，前向静态物体和低速物体，通过前向布局得到了的120°前向视场角，可以处理绝大部分自车需要关心的复杂场景。

而接下来，则是轻舟智航通过OmniNet模型的时序和空间融合算法，让其在看不到的后方也发挥价值：在车行驶过程中，前向激光雷达扫过的区域会在系统时刻进行记忆，并在车往前行进后将记忆区域的点云数据，与侧向后向的纯视觉信息进行补充和融合，从而保证对前后向区域的充分认知。

至于倒车场景，轻舟智航认为在较低速道路或停车场，自车和其他交通参与者速度都不高，无需依赖激光雷达也可以完成基本倒车场景功能。

首次实现时空联合规划的PNC模块

相比感知，更加困难的是PNC（Planning and Control，规划和控制）模块。

PNC的车端模块包括导航、预测、决策、规划、控制等核心模块，以及HMI、环境感知、地图定位等支持模块；PNC的离线模块可以收集、查询、测试数据，训练模型，通过仿真分析模型和算法效果，最后再将模型和算法效果反哺给车端模块。

PNC如同驾驶员的大脑，负责指导车辆在复杂城市路况中完成导航、预测、决策规划和控制等一系列操作，对于行车效率、舒适性至关重要。

业界采用的是「时空分离规划」，也就是把「对轨迹的规划」拆分成两个子问题，即路径规划（path planning）和速度规划（speed planning）。路径规划对应于横向控制，即方向盘；速度规划对应于纵向控制，即刹车或油门，这种决策机制也就是通常所谓的「横纵分离」。

（时空分离规划）

「时空分离规划」相当于先为车辆「铺好」一段铁轨，再在铁轨上计算速度。这种方式非常依赖手写规则调整车辆行为，也非常依赖大量路测来验证算法。

（时空联合规划）

轻舟智航自研「时空联合规划算法」则打破了这种模式，可以同时考虑空间和时间来规划轨迹，而不是先单独求解路径，在路径基础上再求解速度从而形成轨迹。将「横纵分离」，升级为「横纵联合」，能直接在x-y-t（即平面和时间）三个维度的空间中直接求解最优轨迹。

换句话说，「时空联合规划算法」就类似于正常人类驾车的思维，路线和速度都可以根据路况灵活调整。特别是在面临动态障碍物的交互时，能提前把握最好的时机，选出最佳行车轨迹，更流畅地完成车辆间的博弈，并且不会出现反复急刹的情况。

数据驱动+工具链，加速城市NOA落地

当前，数据驱动已在感知等模块的研发中展现出了极大价值，但PNC模块由于普遍使用规则系统，数据驱动的实现一直是业界尚未攻克的重要难题。轻舟智航采用的时空联合规划由于在运作模式上更接近实际驾驶行为，则可直接利用人类驾驶数据不断进行模型训练。

此前，通过对自动驾驶数据和人工驾驶数据的自动化标注，轻舟构建了包含道路、环境、自车行为意图等信息的驾驶数据仓库，快速对各类数据和场景进行挖掘和评测。

对于城市NOA场景所需要的复杂数据，轻舟智航也通过在全国10座城市公开道路常态化运营的Robobus，收集了超过112万公里城区道路的L4级激光雷达、摄像头和毫米波雷达等传感器数据，以及长期积累的司机驾驶行为数据积累。

另外，针对最近流行的「重感知，轻地图」路线，侯聪明确轻舟智航也要摆脱对地图的强依赖。他认为，城市级地图的构建成本、更新成本都会更高，且更新及时程度也可能存在问题；其次，高精地图也受制于法律法规。

「如果完全依赖地图去做城市场景的话，会遇到很多挑战。终极方案是应该尽量去摆脱对地图的依赖，通过感知的方式对场景进行环境认知，来解决这一问题。」