以“5G大时代，勇闯无人区”为主题的2023世界智能驾驶峰会在北京国家会议中心成功举办。本次峰会由智驾网策划，智驾传媒与中国邮电器材集团有限公司共同承办。

今年是峰会举办的第五届，从2018年首届峰会举办至今，智能驾驶正从L2级别辅助驾驶逐渐向高级智能驾驶进化，拥有智驾功能的新车渗透率逐年增加。同时，芯片、激光雷达、高精地图、高精度定位等相关产业链也正迎来爆发式增长。

本次峰会设《智能驾驶的中国方案》、《高阶智能驾驶的落地之战》、《无人驾驶的商用车落地场景》和《智驾产业链的全球化与本土化》四大版块，汇聚100多位产学研代表共同分享、探讨行业现状与未来发展。

在论坛现场，智行者科技联合创始人张放发表了相关演讲，以下内容为演讲全文。

张放：各位专家，各位同仁大家好，我是智行者的张放，感谢智驾网的邀请有这样一个机会跟大家分享北京智行者科技在无人驾驶大脑方面的工作和落地进展。今天要分享的主题是“无人驾驶大脑实现自动驾驶多场景落地”，我简单介绍一下智行者。我们成立于2015年，目前有8年多的时间，在国内自动驾驶企业里面属于最早一批成立的自动驾驶公司，我们聚焦在无人驾驶大脑的研发，致力于成为通用的软硬件一体的解决方案提供商。

目前我们也成功实现智慧出行、智慧生活、特种应用等多场景落地，大家印象里北京智行者可能是一家环卫公司，我们还涉足安防领域、乘用车领域，在智慧出行领域获得了两个定点。以下是我分享的主要内容，主要是总体解决方案和内部涉及的关键技术，介绍一下无人驾驶大脑在当前的落地进展。

我们公司的目标是研发一个无人驾驶大脑，无人驾驶大脑的核心目标是通过一个统一的无人驾驶大脑，实现不同场景的落地应用。主要有三方面的特点：

第一方面是安全，安全是我们对无人驾驶大脑最关键的要求，通过各种措施，比如说通过262功能安全要求，通过软件质量的要求，不同维度保证整个自动驾驶大脑在设计方面是安全的。

第二方面是可持续进化，可持续进化决定了自动驾驶大脑的上限和能力，特别是在进化的时候，我们迭代的速度和如何低成本的进行自动驾驶大脑的迭代是非常核心的部分。

第三方面是高效赋能，这是北京智行者面临的非常独特的问题，因为我们希望通过同一个大脑赋能不同的场景，怎么样最大化的共用不同场景里面的模块、基础软件、功能软件，提升整体效率，高效赋能在不同场景，也是我们进行算法研发、架构设计时候面临的重要挑战。

我们提供三方面的核心能力：AVOS，自动驾驶软件操作系统。AVCU，域控制器。AVDC，云端数据闭环系统。智行者无人驾驶大脑的“铁人三项”，这里面有一个关键词是多场景、全工况，我们是这么理解这个问题的，给客户提供点到点驾乘体验跟这个很相似，首先要有开放结构化的道路，比如说高速领航系统、城市领航系统，都是开放的结构化道路。第二个是半封闭非结构化场景，第三个是3D越野场景，类似于野外场景、农村道路，都是提供点到点自动驾驶服务的非常重要的场景之一。

为此我们也设立了无人驾驶大脑技术架构，从底自上是硬件、软件、数据平台。对硬件来说，因为是整个无人驾驶大脑的运营载体，保证了无人驾驶大脑能够持续、高效、稳定的运行，因为我们有不同场景的要求，有车规级的要求，机器人领域是商用车的要求，其他工况也有其他领域的要求。

软件操作系统里面也涵盖了从最底层的系统软件、中间件、功能软件等不同的部分，系统软件采用的是经过安全加固和补丁操作系统，中间件我们也花了很大精力开发，为了适应不同的硬件，最重要的工作是如何设计一套中间件来保证架构服务，保证上层算法在不同硬件里的无缝衔接，对上层提供统一的服务、API。最上层的是自动驾驶核心关键算法，感知、定位、预测等等不同的算法。再往上是数据闭合系统，如何打造云端高度自动化数据闭环系统，让车端自动驾驶大脑能够高效、低成本的进行算法迭代。

这是整个开发的逻辑，我们有两方面的开发，非常像手机的开发，一部分人开发OS，一部分人开发软件。开发OS的相当于开发最上面的功能软件，自动驾驶核心的行走功能，无论是应用到哪些场景，自动驾驶核心的能力是从A点到B点的行走功能，我们认为这是类似于系统软件或者功能软件开发的内容。再上层是应用软件，上层有不同的应用，可能是清扫的任务，可能是洒水的任务，可能是载客的任务，上层的应用开发人员是通过自己设计的图形化开发平台，低代码的开发模式可以像搭积木一样去进行复用，同时下载到硬件，在实际工况上回收数据，保证车端自动驾驶系统越来越聪明。

我们总结下来有两点核心的优势，分别是数据流和功能流。在数据流层面通过不同场景的、多场景不同类型车辆的量产部署，使我们收集到的数据异构性、丰富程度非常高，有的是在结构化道路，有的在非结构化道路，包括在园区内等等不同场景。有了这些数据我们可以让车端自动驾驶系统越来越聪明，我们通过图形化的开发方式可以快速将应用、功能软件组合成不同的应用，应用到不同的场景。

这里关键技术我就快速过一下，首先是自动驾驶的核心功能软件相关的，对于感知来说目前采用的是基于BEV Transformer的技术方案，通过激光雷达和不同视角下的特征进行融合，再进行Transformer的融合机制，生成当前时刻BEV的特征，通过时序融合实现历史BEV特征，在主网架构情况下输出不同的检测目标，包括目标检测、路障检测、可通行区域、典型道路分割等等。

对于BEV来说火是火在城市的NOA，但是问题在于识别距离是有限的，目前基本上一个BEV方案识别有效距离在50—70米，我们城市里有高架的场景，为了保证这一点，其实我们补充了毫米波和长距视距检测来提升在城市范围内前端远距离的感知能力。对于定位来说我们也是提供不同的能力，有不同的方案。

在这里我们提供了相对定位和绝对定位双模输出的方案，主要是解决两个问题，第一个是如果我们过度依赖绝对定位，这是目前最常出现的问题。无论是高速还是城区里，在失效的时候对驾驶体验是有非常大影响的，航向抖动就直接造成下游控制的抖动，造成远距离目标的变动，我们通过相对定位来解决这个问题，因为相对定位所识别到的，所产生的场景重建和日常的感知模块所输出的结构是一样的，所以并不会有突然的抖动情况出现，在这里我们也是将相关的工作发表在机器人顶刊上，对激光雷达、惯导耦合，比目前开源算法效率提升50%以上，整个算力没有大规模的要求，有了结构化的约束，跟传统的做组合导航相比不会随着时间发散，一定是维持在约束里的，包括交互式预测、决策的方案等等。

第二个是云端数据闭环系统，包括五个方面，首先是数据采集，也包括自建车队的数据采集，提供整个感知系统或者自动驾驶的真挚。除此之外我们也通过和整车厂合作，提供前装过程中自动驾驶的前端数据采集能力，再往下是数据加工、数据管理、训练服务、测评服务等等。

这是数据闭环系统整个架构，在车端布置不同的收发器，收集我们想要的数据。底层计算资源、存储资源有池化，保证上层无感。上面应用平台API，解决自动驾驶的独特性问题，包括数据分析、标注、清洗、回放等等不同的任务。这里刚才也提到了在数据采集端有自建的车队，有机械式的激光雷达保证真值，在量产里面提供辅助驾驶的方案，辅助驾驶配置的数据采集方案，这是我们整个数据挖掘的模式，分三种模式，一种是自动驾驶模式，自动驾驶开启的时候我们如何发掘高价值的数据？我们用的是通过不同模块之间的相互监督，可以是并行空间域上的监督，也可以是时域上的监督。另外自动驾驶模式的监督，通过自动驾驶与人工驾驶的差异进行数据挖掘。最后是定义一些我们感兴趣的场景，比如说经常会遇到一些问题的特种车辆，拖车、环岛、事故场景、急刹车、急转弯，在自动驾驶认为不应该出现的场景，都定义为感兴趣场景或者异常场景进行数据挖掘。

这是数据管理系统，包括数据管理、模型管理、版本检索，还包括自动驾驶的标签化场景管理。我们最后会将在车端遇到的数据进行云端数字孪生，智能场景重建，来保证我们更新的算法版本、更新的软件版本能够解决问题，再遇到相似场景是能避免事故或者不出事场景的发生。

最后图形化软件开发平台，在MCU端开发大家普遍把图形化开发作为标配，在SOC目前还没有明确的工具和方案，我们开发了一个类似的工具。主要是为了开发人员进行更高效的开发，采用图形化拖拽式的低代码开发方式，上面是建模、代码、生成等等，中间是新操作平台，左侧是当前的工程示图，右边是我们部署的已经积累的核心模块，核心功能算法。

 最后介绍一下自动驾驶大脑的量产应用，我们在选择落地场景的时候主要是考虑人们的需求，总结下来，人们最大的需求是对于自身生命安全的保障，因此我们选择的首先落地场景是在特种领域，像无人运输车、无人消防车等等。在生命得到保障之后，后面是希望更轻松的劳动，减轻繁重的重复劳动，因此我们选择了无人环卫场景，业主一般是管理方、园区方，在市政道路上的责任定义还是不太清楚的。再往上是精神需求层面，保证生命安全，在轻松劳动的时候想获得更加优越的体验，这方面更接近于现在做的驾驶辅助系统，给驾驶员提供更舒适的体验。

这是我们在无人安防领域的应用，包括低速版本、中速版本、高速长续航的版本。还有低速环卫应用，洗地车、清扫车。这是我们在乘用车方面辅助驾驶的方案，我们从2021年开始投入了非常大的精力做乘用车的前装量产，给整车厂提供辅助驾驶的方案。

这是典型的工况——上下匝道、隧道、高密车流，这些都有很好的体验。我们与整车厂也达成了量产定点合作，今年1月拿到了厦门金龙高阶自动驾驶软硬件一体解决方案定点，今年4月份也是拿到了猛士科技高阶自动驾驶软硬件一体系统量产项目定点。