[本站 資訊]2020年，輕舟智航推出了第一代專注城市復雜交通場景的自動駕駛解決方案「Driven-by-QCraft」，適應于城市公開道路上的多種復雜路況，并可高效部署于多類車型。

在過去兩年多中，「Driven-by-QCraft」快速迭代，持續升級，并在今年5月推出了最新一代的車規級前裝量產自動駕駛方案，助力車企實現城市NOA方案的全面落地。

來自詩人李白，輕舟智航自動駕駛品牌名稱正式發布

今天，輕舟正式將其自動駕駛解決方案「Driven-by-QCraft」命名為「輕舟乘風」，它涵蓋車載軟件、車載硬件和數據自動化閉環等多個方面，可以提供輕舟智航最前沿的感知、PNC等能力，為最終用戶帶來更安全、更便捷、更舒適的體驗。

「輕舟乘風」取自詩句「長風破浪會有時，直掛云帆濟滄?！?。這兩句詩出自唐代詩人李白的《行路難》，表達的是一種歷經坎坷，但仍然無比堅定的信念，也充分彰顯了輕舟智航的價值主張：基于數據，成于感知，用PNC引領城市NOA；其遠景則是攜手生態伙伴，打造使用廣闊使用范圍的自動駕駛解決方案 。

輕舟智航，殺入城市NOA主賽道

城市NOA，今年自動駕駛市場被提及最多的專業詞匯，作為專注L4自動駕駛的初創公司，輕舟智航看到了其中的商機，城市NOA需要處理的問題和L4面臨的問題非常相似，真正做好城市NOA面臨諸多難題：
傳感器和計算需要符合車規級，由此帶來的成本、功耗限制，需要通過更強的算法框架優化和工程化能力來解決；面對更廣泛的ODD使用場景，需要通過更高效的數據利用，以數據驅動實現更強泛化性；

針對城市中各種復雜的交通參與者互動和博弈場景，需要在確保安全性的前提下，更聰明地進行預測、規劃和控制，實現更高行車效率。

因此，城市NOA是輔助駕駛的天花板，也是無人駕駛的入門檻。而依托L4以及robobus積累的經驗和技術，輕舟智能針對上面的難題，帶來了自己的城市NOA解決方案。

一顆激光雷達的城市NOA是當前階段最務實的方案？

既然從L4轉戰L2，那么輕舟智航的L2方案就很有看點，他們的思路很清晰，主要圍繞單激光雷達+視覺傳感器展開。輕舟智航的年輕工程師們認為，相較于純視覺方案，一顆激光雷達的城市NOA可在保證安全性的前提下，實現更多場景，最優性價比。

目前，行業內涵蓋多種輔助駕駛配置方案，下至純視覺、低算力平臺的低配方案，上至配備激光雷達，搭載雙NVIDIA DRIVE Orin或雙地平線征程5計算平臺的高配方案。

在當前階段，由于道路上充滿復雜多樣的障礙物和Corner Case場景，純視覺方案很難應對中國的城市NOA需求。而激光雷達能夠提供精確的3D測距，可以及時捕捉準確物體的位置、形態、大小、運動狀態等信息，便于系統及時做出更為安全且舒適的規避動作，有效應對多種Corner Case難題。

輕舟智航的城市NOA主張是在保證安全性的前提下，實現高性價比。同時，他們也認為這是當前激光雷達方案中最務實的城市NOA方案，有望更快「上車」，推動城市NOA的快速落地。這里還要多說一句，輕舟智航的城市NOA總體也屬于輕地圖，重感知的范疇，這里面既有城市內高精度地圖

至于特斯拉的純視覺路線，可能真的不夠中國特色。

多傳感器融合，輕舟智航帶來的思路夠新嗎？

 主流的融合方案包括前融合（數據級融合）、中融合（特征級融合）和后融合（目標級融合）三種。不同融合方案各有優劣，有效的融合結果才能給下游任務輸出可靠的信息，為車輛做出安全的預測和決策提供保障。

前融合可以實現更高質量的融合效果，但對于不同傳感器的時間同步性和空間標定的要求非常苛刻。而后融合的解耦性更強，但依賴經驗豐富、工程素養良好的工程人員編寫基于經驗的規則，同時需要大量的仿真、實車測試以獲得更廣的覆蓋度，并且可擴展性有限，工程投入邊界收益低。

 輕舟智航的感知算法通過「前中后穿插融合」，通過激光雷達、毫米波雷達、視覺等多傳感器融合，感知模型可在不同階段充分利用不同傳感器信息，讓不同傳感器優勢互補，可以避免單模信息丟失，實現更早的多傳感器信息共享，得到更優傳感器融合結果，從而可以更準確更精細地感知動靜態物體及狀態信息，避免各類誤檢和漏檢，精度高且魯棒性強。

既然說到感知，接下來我們自然而然就應該聊到感知方案。就像前段時間小鵬汽車在科技日上推出的Xnet多相機、多幀數據輸入方案，輕舟智航OmniNet也是類似的方案。

 以一個神經網絡即可實現視覺、激光雷達、毫米波雷達在BEV（Bird’s Eye View）空間和圖像空間上輸出多任務結果。相較傳統方案，OmniNet在實際應用中可節省2/3的算力資源，并擁有更高的感知融合精度和模型迭代效率，而且可以低成本適配不同廠家的傳感器配置，更輕量、更高效、更靈活地滿足城市NOA的量產需求。

輕舟智航此次提出的OmniNet是應用于前中融合階段、實現數據/特征融合的全任務大模型，也是首個可在量產計算平臺上實現時序多模態特征融合的大模型。利用一個神經網絡模型，將視覺、毫米波雷達、激光雷達等數據通過前融合和BEV空間特征融合，讓本來獨立的各個計算任務通過共享主干網絡（backbone）和記憶網絡（memory network）進行高效多任務統一計算，最終同時在圖像空間和BEV空間中輸出不同感知任務的結果，為下游的預測和規劃控制模塊提供更豐富的輸出。

城市NOA時代，PNC定高下？

PNC，又一個自動駕駛領域的名詞，它的全稱是Planning and Control，在車端涵蓋導航、預測、決策、規劃、控制等核心模塊，以及HMI、環境感知、地圖定位等支持模塊。

PNC的離線模塊可以收集、查詢、測試數據，訓練模型，通過仿真分析模型和算法效果，最后再將模型和算法效果反哺給車端模塊。簡單的說，它就是打磨城市NOA的訓練場，在這個訓練場，輕舟智航可以更迅速且精準的完成對NOA的基礎功能訓練和特殊場景升級，從新手快速成長為老司機。

獨家的時空聯合規劃

 通常來說，業界采用的是「時空分離規劃」，也就是把「對軌跡的規劃」拆分成兩個子問題，即路徑規劃（path planning）和速度規劃（speed planning）。路徑規劃對應于橫向控制，即方向盤；速度規劃對應于縱向控制，即剎車或油門，這種決策機制也就是通常所謂的「橫縱分離」。

「時空分離規劃」相當于先為車輛「鋪好」一段鐵軌，再在鐵軌上計算速度。這種方式非常依賴手寫規則調整車輛行為，也非常依賴大量路測來驗證算法。

輕舟智航自研「時空聯合規劃算法」打破了思維定勢，同時考慮空間和時間來規劃軌跡，而不是先單獨求解路徑，在路徑基礎上再求解速度從而形成軌跡。將「橫縱分離」，升級為「橫縱聯合」，能直接在x-y-t（即平面和時間）三個維度的空間中直接求解最優軌跡。

同時考慮空間和時間的「時空聯合規劃算法」，也是公認的更優的規劃算法，更適合國內復雜的路況。

這種策略讓車輛在行駛時，能夠比普通駕駛員甚至老司機「開得更好」，特別是在面臨動態障礙物的交互時，能提前把握最好的時機，選出最佳行車軌跡，更流暢地完成車輛間的博弈，并且不會出現反復急剎的情況。

不僅如此，在多車道行駛時，車輛還可以通過判斷前方車流量和車速，靈活地變道選擇更快的路線，而不會「死板地」跟著前車緩行。更聰明、更靈活，行車效率更高效。

因此，采用「時空聯合規劃」的車輛，可在保證安全性的基礎上，用更短時間、更舒適的體驗，把乘客帶向目的地。而且越是在復雜的路況環境中，越能帶來更為顯著的效率和體感提升。

寫在最后：

從目前的情況看，輕舟智航已不再單純是一家做Robobus的L4自動駕駛公司，更是在快速推進自動駕駛前裝量產，同時它也有成為最好的自動駕駛解決方案供應商的野心。

而隨著越來越多供應商入局城市NOA，輕舟智航也面臨的很多挑戰。不可否認，L4級自動駕駛積累的技術經驗、PNC、感知融合模型等技術確實給了它競爭的資本，但更快的被車企認可，拿下更多前裝訂單，依然是當務之急。好消息是輕舟智航已經拿下了某家車企的訂單，而它的產品也即將亮相，最終能否贏得消費者的青睞，也將成為輕舟智航的“期末考試”，我們一起期待吧。（圖/文 本站 冷曉陽）