关于自动驾驶的实现路径，此前行业内一直存在争论，有倾向于以摄像头为主的视觉派，用更高的性价比降低自动驾驶的应用门槛，也有以激光雷达为主的派系，力求做到对周围环境更精准的探测能力。然而随着传感器的成本逐渐向车规级方向靠拢，核心算法的快速迭代，自动驾驶不同路径之间的界限正在消融，如何打造出兼顾安全性和高性价比的量产方案，推动高级别自动驾驶进入“量产时代”，成为了当前各大自动驾驶公司竞相追逐的方向。
　　
　　对此，轻舟智航联合创始人、CTO侯聪给出的答案是，坚持多传感器融合和更高的数据质量及使用效率，用10%的成本实现99%的L4能力，将量产成本降至最低一万元人民币，快速推动高级别自动驾驶的前装量产。
　　
　　用10%的成本解决99%的场景问题
　　
　　在上周轻舟品牌日活动上，轻舟发布了新一代量产车规级自动驾驶方案DBQ V4，其中旗舰版可以实现完全的L4能力，而标配版则能够以10%的成本即可实现99%的L4能力。不同成本对应不同应对场景的数量，成本越高就越能处理更加复杂的场景需求。侯聪表示，当面对更复杂的场景时，这个解决方案便需要更强的感知能力与计算能力，成本一定会有增加，所以这是一个成本与场景覆盖度之间的平衡问题。
　　
　　在品牌日上公布了一万元成本解决方案之后，轻舟智航被问及最多的问题便是这个标配版的硬件架构究竟由哪些组件构成以及一万元的成本是否能够负担得了这套硬件。侯聪乐观地表示在轻舟智航的估算下供应链量产的成本完全没有问题，其配置是随“机”应变的，可以根据主机厂的需求进行更加灵活的搭配。如果用户只关心如何解决99%的问题，成本只需要一万元便能做到。但即便是1万元人民币的成本，依然还是会包括激光雷达、摄像头以及域控制器等配置。
　　
　　在纯视觉的解决方案中，95%甚至99%以上的高速场景问题可以得到解决，但是轻舟智航为了保证足够的安全性，还是增加了激光雷达来解决相关的长尾问题。同样，单纯依赖视觉也不能完全解决城市环境下的长尾问题。如果只是加一颗雷达便能满足更多用户在更多场景下的需求，激活更多场景下的自动驾驶能力，并进一步提高安全性，侯聪认为""这个成本非常划算""。
　　
　　坚持多传感器融合的技术发展思路
　　
　　针对DBQ V4提供的不同配置方案，侯聪表示，轻舟首先关注的还是覆盖场景的百分比。如果以完全的L4去解决所有场景的自动驾驶需求就需要一个强大的传感器配置方案，这样才能增强感知的质量与距离，以应对更多的高速或其他复杂场景，提高覆盖场景的数量。尽管这样会用到数量较多的传感器，但由于其单个成本受到前装量产半固态方案的影响已经能够做到较低的水平，并不会为轻舟智航带来硬件上的成本压力。
　　
　　在轻舟智航的感知解决方案中，传统认知中主传感器的概念已经极其淡薄，多传感器融合的思路中更重要的是去判断在什么场景、哪种感知距离下、哪一个传感器能够发挥更大的作用。多场景融合的思路中，光线不理想的场景下，激光雷达的效果更好；雨雪雾等恶劣天气中，毫米波雷达的识别率更高；200米以上的远距离感知，则要交给摄影头发挥作用。
　　
　　与此相关的便是传感器数量与成本的问题，轻舟智航将成本放在次要位置，首先考虑的是安全。侯聪认为无论Robobus还是Robotaxi都要保证没有盲区，尤其是盲区极大的Robobus，必须降低靠近的行人与非机动车的潜在风险。为此，即便出现了传感器性能的冗余也是必须承担的成本。

　　相比数据量，轻舟智航更看重数据质量与使用效率
　　
　　相对于那些看重积攒用户行驶里程数据的自动驾驶研发者，轻舟智航在数据方面强调的是数据本身的质量与使用效率。只看公里数的话这个指标在侯聪看来过于单一，他更加关注的是为了进一步提升自动驾驶能力需要什么样的数据。
　　
　　在数据采集方面，轻舟智航在开发初期一直坚持做数据定向采集，已经借助上百台的车队规模在全国10个以上的城市收集到了大量的有着丰富多样性的高质量数据，并借此使得数据增量边际效益最大化。有着几百万台车在路上跑的特斯拉可以通过数据挖掘的方式从海量数据中找到有价值的数据，这固然也是轻舟智航的方向之一，但由于这需要与车企共同努力才能达成目标，在未来和车长达成深度合作以后，则会转向采用特斯拉的数据获取方式。
　　
　　与此同时，轻舟智航认为盲目地做路测与数据采集已经对于技术提升没有多少帮助，真正有价值的数据来自于那些处理得不理想的长尾问题。针对这些场景的采集，一方面要通过制定系统化的采集策略去完成，后续更要通过与车企的合作以海量数据的挖掘来获取数据，这样才能实现采集数据的高效。
　　
　　除数据采集外，基于精度更高的离线大模型和精心设计的数据工程，轻舟还可以更加高效的实现数据的自动化挖掘和标注系统，大大提高数据的使用效率，也更轻松且准确地完成对数据的自动化标注与筛选。
　　
　　其中，在数据挖掘方面，据侯聪介绍，轻舟已经搭建完成了整套数据挖掘体系，在和主机厂合作中可以迅速挖掘出大量高价值数据。
　　
　　在数据标注和模型训练方面，轻舟利用领先的自监督学习技术，无需通过人工标注的方式来训练部分感知模型，充分利用全量数据的价值；另外，利用半监督学习技术，可以通过跨传感器跨时序的知识来进行标签的自动化标注，极大程度弥补了人工标注成本高效率低的缺点。
　　
　　在如此高效的数据采集、挖掘、标注和模型训练基础上，轻舟智航还实现了大规模的仿真场景的生成和泛化能力。目前，轻舟的测试里程中很大一部分来自仿真里程，这部分的数据量是实际行驶里程的百倍以上，去年已经突破了一亿公里，为高效的技术迭代奠定了基础。

　　小结
　　
　　轻舟智航将致力于通过技术深度与场景宽度的持续深耕，向“将无人驾驶带进现实”的使命不断迈进。正如轻舟智航创始人、CEO于骞在演讲中表示：“择高处立、向宽处行是轻舟对于’将无人驾驶带进现实’实现路径的思考和总结，体现了技术和商业化并重的发展思路。轻舟将与产业伙伴密切合作，不断探索适合中国自动驾驶商业化落地的道路，通过一个商业闭环推动更大的商业闭环，早日实现我们的终极目标。”

（钛媒体网）