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，MAXIEYE智驾科技创始人兼CEO周圣砚发表了相关演讲，以下内容为演讲全文。

周圣砚：大家下午好，我分享一下我们在智能驾驶技术发展以及产业化发展过程中的新思考。我们通过这几年的发展观察到，在整个自动驾驶行业有几个大的行业之困。首先有两个比较大的困难，一个是升维和降维的逻辑，第二个是成本与体验的差异。前几年大家讨论的主要话题是直接式还是渐进式，这几年行业逐渐形成了共识，渐进式基本没有争议了，前两年开始整个行业，无论是早期做Robotaxi还是Robobus，都逐渐转到了L2以及L2+的产业化和规模化的路上。

当我们进入到这样一个L2和L2+的路线上，我们发现仍然存在焦虑，为了消除这个焦虑我们不断增加算力，500T不够我们用1000T，一个激光雷达不够我们用三个激光雷达。问题是增加这么多的成本，其实体验并没有上去，并没有完全给用户一个很好的体验，这就是我们看到L2在逐渐形成刚需和标配，但是领航辅助驾驶实际上开通率是不高的，存在系统经常退出，以及信号丢失的问题，这些就给消费者一个不是那么可靠的感觉。当用了上万块钱的传感器和大算力芯片以后，体验感并没有得到提升，这是很大一个痛点。

如何破局呢？我觉得有两个点，第一个我们要打造产品化的能力，并且这个产品化的能力要具备持续升维的逻辑。第二个我们公司基于行业痛点的一些思考，认为自动驾驶应该回归商业的本质，我们基于这个商业本质推出了矩阵化的产品方案。说到AI，前段时间比较火的ChatGPT大模型，其实和自动驾驶没有什么必然关系。首先通用大模型是一个语言模型，就是一个兼容游戏，和自动驾驶AI的本质区别是它不需要有实时性，用户对它错误的容忍度极高，他回答的问题可能是一本正经的胡说八道，你可以提示它，引导它得到你想要的答案地这个过程中它可以犯错，但是自动驾驶AI是高实时性，1000T对ChatGPT达不到万分之一的算力，但是在车里面已经是非常大的算力了，其实自动驾驶的技术模块从来没有变过，包括大家说的BEV Transformer，我们认为自动驾驶技术模块就是分为四块，感知、融合、规划、控制。只不过由于AI技术的不断渗透，AI在不断往每个模块渗透，2015年开始整个行业都在替代感知规则，用这样的算法，现在L2，L2+的产品都是全面用深度学习的方式所替代。

2020年开始特斯拉提出来BEV Transformer的方式，自动驾驶进入了2.0时代，我们用上帝视角的方式去进一步端到端的解决感知和融合的问题，无论你用多少个摄像头，无论加不加毫米波雷达、激光雷达，在上帝视角用深度学习来解决问题。现在整个行业我们至少已经在做自动驾驶2.0的事情，2.0接下来会发生3.0，当大量的BEV Transformer技术上车之后，就要通过驾驶员行为的学习把规划给做了，最后控制可能还是经典的一些算法，就这三件事情，一步一步做。

说完大模型，回到产品，我们认为我们要回归产品的商业本质，我们提出成本要和体验相匹配，我们看到L2相对来说比较标准化，但是各种各样的L2+，城市领航、高速领航，实际上都不成熟，没有给客户一个非常好的体验感。成本上去了，体验并没有上去，这时候就出现了消费者不愿意买单的情况。

我们认为L2+应该真正和L2形成代差，有几个主要的功能，第一个是高速无忧，实现点到点。产生功能上的代差，成本上差距又不能太大的情况下，应该去掉或者不能强依赖于高精度地图，包括城市岔口L2，增强版L2，城市里可以保证增强版L2，大路、小路都可以做车道保持和道路居中，这个产品消费者会买单。

L2+和L2++最大的差别是有没有解决城市NOA，高速路场景占中国公路总里程不到3%，但是80%智驾的应用场景聚焦高速，这是二八法则。我们认为，用户可以在80%的用车过程中体验到自动驾驶带来的便利性，这是小投入但是有很大的商业价值的事情，所以是“高速NOA慢不得，城市NOA快不得”。

我们最终归纳的价值定义产品的方式，第一是L2要主打极致的性价比，功能就是安全性、可靠性要高于法规。第二是极低AEB误触发率，给客户足够安全的基础保障。还有支持单视觉的解决方案，昨天我们看到美国已经出台法规形成标配，单视觉解决了车厂的成本问题。L2+主要是高速NOA+记忆行泊车，还有单SOC和被动散热，各种SOC组合在一起，我们认为这不是一个好产品。第三个要解决GOD，好多友商都提到了要实现行泊合一，不是行泊一体。L2++就是解决城市的问题，实现多传感器冗余，实现足够的安全备份。

我们公司围绕着三个核心痛点提出了产品矩阵。

单视觉的L2解决方案，有几个大的特点，区分于目前市场上的方案，第一个亮点是可以实现CNCAP五星+，另外可以实现数据闭环，同时支持视频的复用。L2+的产品，标准是5R6V的配置，前视800万，后视300万，四个超级鱼眼的环视，实现高速重感知、轻地图的方案。这是产品动画和实际高速路上测试的表现。这是基于BEV Transformer的效果，这是前视的产品Demo，可以看到左边的图，不光进行了目标检测，同时还预测到目标两秒后的位置，把高架整个道路前方150米道路拓扑实时构建出来了。

我们算一笔直观的经济账，低阶是如何赋能高阶的。过去业内干了什么事情呢？硬件预埋。当时行业内你能做一个高性能的L2，其实消费者愿意用两万块钱买单。今天再说给客户推广一个基础版的L2功能，可能一千块钱才能接受。硬件预埋这个时代过去了，除非是车厂自己买单，这个时代下我们如何让车厂可以通过一个比较经济的方式去赋能高阶，所以我们把场景做了一些减法。比如，我们实现点到点的无人驾驶到底关注哪个点，哪个点是难点和痛点？我们认为路口、高速路分岔和汇合是痛点和难点。配置率很高的L2，实际上可以为我们做高阶的自动驾驶提供源源不断的数据支撑。

这就是我们提出来打造自动驾驶双循环，用低阶的L2做数据部署、产品部署，实现了两个循环。第一个是内循环，内循环就是说不断降低接管率，不断提高系统边界。我们实际上已经从我们现在部署的产品已经收集了超过2亿公里量产场景数据，我们把AEB的误触发从10万公里一次降低到了100万公里1.7次的误触发率，这是内循环。还有把碰撞事故，安全气囊起爆前后5秒钟的数据上传上去，第一时间知道产品质量的问题，产品的售后问题。把数据打通之后，可以让车厂更加接近客户、了解客户，发现问题，及时解决问题，这是内循环。外循环，我们说低阶赋能高阶，刚才的视频已经说得比较清楚了。

我们做这些产品的方案，最后再讲一下我们底层的技术逻辑。第一是说我们是行业里面为数不多坚持核心技术栈自研的企业，其中最痛点的是感知自研，整个行业里只有不到ADAS的10%是坚持感知自研的。同时，我们需要一套数据引擎做数据闭环，做自动化标注，也会跟车厂进行链接。

这是我们实际量产过程中的AEB触发的场景案例，这是用户端回传回来的数据。这是我们积累的很多场景，比如雨、雾天气等等。

再说一下我们比较领先的自建的数据仿真平台，这是我们为了做BEV Transformer建立的一套高效半自动化的地图创建，创建完了之后去训练BEV。地图创建的精度可以达到3公分，角度误差小于0.1度，这种情况下距离七八十米的时候车道线可以做到像素级对齐，这是我们在地图上做的标注反投回到图像上的结果。

由于在路上采集数据的时候都是正常驾驶，所以会发现在路上采集的99%的数据是正常驾驶数据。如果在训练数据里没有加入比较极端的案例，比如说高速公路上的逆行车辆，BEV Transformer遇到这些问题的时候就会失效，就是训练样本不均衡。为了解决训练样本均衡的事情，我们甚至都开始进军游戏行业了，做3D、4D场景还原，包括增强现实，这些都是真实的场景，但是增加了一些虚拟元素，一些车辆，这还在研发过程中，可以看到有一点点不真实。包括锥筒，包括行人在你面前横穿，摔倒的场景，都是我们自己训练出来的，是为了给BEV一些平时采集不到的数据。

我们支持数据闭环，视频仿真，地图重构等等这些东西，都在一个我们自研的工具上MET—TOOL实现。

这是我们量产车型的一些客户案例，谢谢各位，我们认为AI正驱动自动驾驶规模化和高阶化，希望与客户全维陪伴，和合作伙伴共同成长，谢谢大家。