/ 導(dǎo)讀 /

2021年10月25日，特斯拉市值站上萬(wàn)億美金，成為美股第五家市值破萬(wàn)億的企業(yè)，幾乎超過(guò)美股全部主要車(chē)企市值的總和。特斯拉在資本市場(chǎng)的成功，刺激著投資者的神經(jīng)，也促使市場(chǎng)再一次將視野聚焦在自動(dòng)駕駛領(lǐng)域，進(jìn)一步思考自動(dòng)駕駛技術(shù)路線的發(fā)展方向。

本文希望從技術(shù)角度客觀分析和回答以下問(wèn)題：自動(dòng)駕駛等級(jí)提升需要解決什么關(guān)鍵問(wèn)題？怎樣的自動(dòng)駕駛方案更加具有實(shí)現(xiàn)大規(guī)模無(wú)人駕駛的可能性？自動(dòng)駕駛作為現(xiàn)實(shí)世界的AI問(wèn)題，難點(diǎn)在哪里？以上問(wèn)題促使我們理性客觀地思考該如何去實(shí)現(xiàn)自動(dòng)駕駛——這一承載了太多期望、不斷挑撥大眾神經(jīng)的技術(shù)生產(chǎn)力變革，從而推動(dòng)行業(yè)冷靜且務(wù)實(shí)地向前發(fā)展。

自動(dòng)駕駛的眼睛：

基于高質(zhì)量圖像成像的視覺(jué)雷達(dá)

隨著自動(dòng)駕駛等級(jí)的不斷提高，控制權(quán)和責(zé)任主體逐漸從駕駛員轉(zhuǎn)換為車(chē)輛，智駕系統(tǒng)的定位也將由擴(kuò)增人的感知能力到接管車(chē)輛自主駕駛。由此對(duì)智駕系統(tǒng)之于物理世界環(huán)境理解的要求完全不同，將由對(duì)物理世界部分信息的提取提升到事無(wú)巨細(xì)的全面感知與理解。而這種變化，首要就是對(duì)2D圖像成像與3D建模的越來(lái)越高的要求：1）更高分辨率和環(huán)境適應(yīng)度的2D圖像成像；2）對(duì)物理世界準(zhǔn)確且稠密的實(shí)時(shí)3D建模。

Camera是自動(dòng)駕駛感知物理世界最重要的傳感器，其分辨率的提升將極大的提升圖像的信息承載量，使得自動(dòng)駕駛系統(tǒng)能夠感知更加細(xì)節(jié)和更遠(yuǎn)距離的行車(chē)環(huán)境。當(dāng)前主流自動(dòng)駕駛前視攝像頭的分辨率已經(jīng)到800萬(wàn)像素以上，而更高的分辨率也是未來(lái)必然發(fā)生的事情。自動(dòng)駕駛汽車(chē)面臨的是一個(gè)開(kāi)放性的外部環(huán)境，除了分辨率的提升，還需要提升自動(dòng)駕駛在各種行車(chē)路況下的圖像成像質(zhì)量，比如不同的光線環(huán)境，傍晚、夜晚等，不同的氣候環(huán)境，雨雪霧天等。相對(duì)于傳統(tǒng)汽車(chē)應(yīng)用的車(chē)載成像，自動(dòng)駕駛對(duì)于車(chē)載成像質(zhì)量的要求將極大提升，如何通過(guò)成像計(jì)算獲取更高質(zhì)量的圖像就成為一個(gè)要解決的關(guān)鍵性問(wèn)題。

自動(dòng)駕駛汽車(chē)在三維物理世界中運(yùn)行，必然要求對(duì)物理世界進(jìn)行更加深刻的三維理解。當(dāng)前的高級(jí)別輔助駕駛在道路上不斷出現(xiàn)各種各樣的事故，這些事故的發(fā)生很大程度上是由于沒(méi)有識(shí)別到未被樣本庫(kù)所覆蓋的異形、非標(biāo)等物體，比如一輛拉著一棵樹(shù)的貨車(chē)等，而這些corner case是無(wú)法被窮盡的。對(duì)于行車(chē)環(huán)境的實(shí)時(shí)稠密3D建模不僅可以識(shí)別異形和非標(biāo)等物體，還能判斷路面坑洼與起伏，這無(wú)疑將大大提升自動(dòng)駕駛的安全級(jí)別。當(dāng)前自動(dòng)駕駛的3D環(huán)境感知，主要依賴(lài)激光雷達(dá)等主動(dòng)投射測(cè)量裝置，但其在分辨率上遠(yuǎn)低于Camera，也不具備顏色信息。隨著深度學(xué)習(xí)的發(fā)展，單目深度估計(jì)、雙目立體視覺(jué)、SFM、MVS等問(wèn)題已經(jīng)可以被深度神經(jīng)網(wǎng)絡(luò)所建模，從而可以基于多目視覺(jué)通過(guò)AI的方法實(shí)時(shí)生成3D點(diǎn)云，其視覺(jué)點(diǎn)云天然與圖像對(duì)齊，并且其分辨率也能達(dá)到圖像分辨率的級(jí)別。因此，如何通過(guò)多目視覺(jué)實(shí)現(xiàn)高分辨率的實(shí)時(shí)稠密3D建模，即視覺(jué)雷達(dá)，是另外一個(gè)要解決的關(guān)鍵性問(wèn)題。

視覺(jué)傳感器的信息承載量極高，目前遠(yuǎn)未被充分挖掘，但無(wú)論2D圖像成像還是實(shí)時(shí)稠密3D建模都需要強(qiáng)有力的算法和算力進(jìn)行支撐，這需要算法和算力進(jìn)行協(xié)同設(shè)計(jì)。視覺(jué)傳感器+算力+算法的傳感器計(jì)算模式，將更加本質(zhì)的推動(dòng)解決自動(dòng)駕駛當(dāng)前面臨的關(guān)鍵問(wèn)題，即從2D和3D層面對(duì)物理世界進(jìn)行事無(wú)巨細(xì)的感知與理解。

鑒智機(jī)器人核心團(tuán)隊(duì)擁有超過(guò)十年的圖像處理、AI算法和算力設(shè)計(jì)的行業(yè)經(jīng)驗(yàn)，將以視覺(jué)傳感器為核心，通過(guò)解決車(chē)載ISP、視覺(jué)雷達(dá)等視覺(jué)傳感器2D、3D成像的核心問(wèn)題，打造更加強(qiáng)大的自動(dòng)駕駛之眼，從而推動(dòng)自動(dòng)駕駛安全等級(jí)的提升。

1.1 從手機(jī)ISP到車(chē)載ISP

ISP（Image Signal Processor）是指通過(guò)一系列數(shù)字圖像處理算法完成對(duì)數(shù)字圖像的成像處理。在攝像機(jī)成像的整個(gè)環(huán)節(jié)中，ISP負(fù)責(zé)接收感光元件的原始信號(hào)數(shù)據(jù)，可以理解為整個(gè)攝像機(jī)圖像輸出的第一步處理流程。ISP在提高圖像質(zhì)量、增強(qiáng)數(shù)據(jù)的一致性等方面有著極其關(guān)鍵的作用。

得益于智能手機(jī)的發(fā)展和手機(jī)攝像頭像素越來(lái)越高，手機(jī)ISP在過(guò)去幾年得到了快速的發(fā)展和進(jìn)步，手機(jī)拍照和錄像的質(zhì)量也越來(lái)越高，甚至到了驚艷的地步。比如在夜晚等場(chǎng)景，可以拍到比人眼看到的更清晰、光照更充足、色彩更豐富的照片；比如在進(jìn)出隧道等光照變化劇烈的場(chǎng)景，也可以錄制出比人眼表現(xiàn)更穩(wěn)定、更清晰的視頻。這些效果除了源于手機(jī)攝像頭硬件上的升級(jí)，專(zhuān)門(mén)的AI ISP處理算法和處理芯片也起到了至關(guān)重要的作用。

隨著自動(dòng)駕駛對(duì)車(chē)載成像質(zhì)量的階躍式提升需求，車(chē)載ISP，特別是針對(duì)駕駛場(chǎng)景優(yōu)化的AI ISP處理算法和處理芯片，將迎來(lái)爆發(fā)式的發(fā)展。AI在車(chē)載ISP整個(gè)流程中將變得越來(lái)越重要，特別是在降噪、去模糊、HDR等問(wèn)題上，可以在夜晚、陽(yáng)光直射、進(jìn)出隧道等暗光、強(qiáng)光、高動(dòng)態(tài)場(chǎng)景得到遠(yuǎn)超人眼的成像效果，同時(shí)最大程度上解決由Sensor引起的噪點(diǎn)、模糊等問(wèn)題。將AI計(jì)算前置在ISP計(jì)算Pipeline中，通過(guò)流式計(jì)算，使得ISP的計(jì)算Pipeline不被打斷，也將大大提升AI ISP的性能功耗比。

鑒智機(jī)器人擁有全鏈路的芯片級(jí)ISP IP的設(shè)計(jì)能力，將解決ISP特別是AI ISP在車(chē)載場(chǎng)景的核心問(wèn)題，讓車(chē)載攝像頭成像更清晰，從而進(jìn)一步提高視覺(jué)雷達(dá)點(diǎn)云生成和圖像語(yǔ)義感知等后續(xù)任務(wù)的準(zhǔn)確性。

圖1：鑒智機(jī)器人擁有全鏈路的ISP算法和算法硬核化設(shè)計(jì)能力

1.2 從2D感知到視覺(jué)雷達(dá)

面對(duì)大規(guī)模自動(dòng)駕駛，對(duì)3D點(diǎn)云的信息稠密程度、場(chǎng)景泛化性、性能可擴(kuò)展性方面提出了更高的要求?；谝曈X(jué)雷達(dá)，通過(guò)雙目或者多目立體視覺(jué)計(jì)算，產(chǎn)生實(shí)時(shí)稠密的3D點(diǎn)云是更優(yōu)的方式。

雙目立體視覺(jué)是機(jī)器視覺(jué)的一種重要形式，與人眼類(lèi)似，它是基于視差原理，通過(guò)計(jì)算圖像對(duì)應(yīng)點(diǎn)間的位置偏差，來(lái)獲取物體三維幾何信息的方法，和基于TOF、結(jié)構(gòu)光原理的深度相機(jī)不同，它不對(duì)外主動(dòng)投射光源，完全依靠拍攝的兩張圖片（彩色RGB或者灰度圖）來(lái)計(jì)算深度。

傳統(tǒng)的雙目立體匹配算法針對(duì)弱紋理、反光等區(qū)域效果比較差，同時(shí)對(duì)于物體語(yǔ)義信息利用比較少，算法適用范圍具有局限性，點(diǎn)云效果上限比較明顯。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于CNN、Cost Volume、Transformer的立體匹配算法展現(xiàn)出來(lái)了極強(qiáng)的算法效果和潛力。目前知名自動(dòng)駕駛數(shù)據(jù)集KITTI上的立體匹配任務(wù)排名靠前的基本都是基于深度學(xué)習(xí)的算法。基于深度學(xué)習(xí)的雙目立體匹配算法對(duì)于計(jì)算芯片的AI算力提出了比較高的要求，對(duì)于研發(fā)模式也提出了新的要求，需要從傳統(tǒng)的雙目相機(jī)研發(fā)模式變成以AI為核心、軟硬結(jié)合、數(shù)據(jù)驅(qū)動(dòng)的研發(fā)模式。

從雙目立體視覺(jué)更進(jìn)一步，充分利用相機(jī)的運(yùn)動(dòng)信息和多個(gè)相機(jī)間的幾何約束，通過(guò)相機(jī)姿態(tài)估計(jì)、深度估計(jì)、光流估計(jì)、MVS等算法，以及任務(wù)之間互相監(jiān)督的一系列自監(jiān)督算法，可以得到360度的點(diǎn)云數(shù)據(jù)，也就是視覺(jué)雷達(dá)，從而形成與圖像分辨率相匹配的稠密點(diǎn)云。同時(shí)，以攝像頭+算力+算法為核心的視覺(jué)雷達(dá)，還具有產(chǎn)業(yè)鏈成熟可控、成本可控、器件穩(wěn)定性有保證、滿足車(chē)規(guī)等優(yōu)勢(shì)，更容易實(shí)現(xiàn)大規(guī)模前裝量產(chǎn)上車(chē)使用。

圖2：鑒智機(jī)器人視覺(jué)雷達(dá)Roadmap

自動(dòng)駕駛的大腦： 全流程數(shù)據(jù)驅(qū)動(dòng)的強(qiáng)單車(chē)智能

自動(dòng)駕駛的大腦負(fù)責(zé)從感知到?jīng)Q策的駕駛?cè)鞒蹋彩亲詣?dòng)駕駛最復(fù)雜、最核心和難度最高的部分。傳統(tǒng)的以規(guī)則為核心的軟件1.0工程化系統(tǒng)，在可維護(hù)性、擴(kuò)展性和進(jìn)化性上都具有一定的局限性。以AI和軟件2.0為核心，全流程數(shù)據(jù)驅(qū)動(dòng)的感知、預(yù)測(cè)、規(guī)控算法和強(qiáng)單車(chē)智能的解決方案，無(wú)疑是實(shí)現(xiàn)大規(guī)模無(wú)人駕駛更可行的方案。

鑒智機(jī)器人核心團(tuán)隊(duì)在AI算法和應(yīng)用、軟件2.0的基礎(chǔ)設(shè)施、數(shù)據(jù)驅(qū)動(dòng)的大規(guī)模實(shí)踐上擁有豐富的經(jīng)驗(yàn)，將通過(guò)全流程數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)駕駛大腦，建立強(qiáng)單車(chē)智能，從而降低對(duì)外部基礎(chǔ)設(shè)施的依賴(lài)，更加利于自動(dòng)駕駛的復(fù)制與推廣。

2.1 深度學(xué)習(xí)帶來(lái)的2D感知技術(shù)突破

感知是自動(dòng)駕駛獲取信息的第一步， 所謂感知是指通過(guò)攝像頭或其他傳感器識(shí)別所看到的物體并理解該物體是什么，這對(duì)自動(dòng)駕駛是至關(guān)重要的環(huán)節(jié)。自動(dòng)駕駛車(chē)輛首先是要識(shí)別車(chē)道線，然后還要識(shí)別紅綠燈、標(biāo)志牌，除此之外就是識(shí)別障礙物比如前后左右有沒(méi)有車(chē)輛，有沒(méi)有行人，才能夠進(jìn)一步規(guī)劃行駛路線。

過(guò)去十年是人工智能技術(shù)的黃金十年，深度學(xué)習(xí)改變了計(jì)算機(jī)視覺(jué)整個(gè)領(lǐng)域，也帶來(lái)了2D感知各個(gè)方向技術(shù)的突破。2D感知主要有圖像分類(lèi)、圖像（物體）識(shí)別、細(xì)粒度識(shí)別（人臉識(shí)別）等方向，所采用的技術(shù)也從最早的模板匹配、線性分類(lèi)到現(xiàn)在所廣泛使用的深層卷積神經(jīng)網(wǎng)絡(luò)，再到最近刷新各大視覺(jué)任務(wù)榜單的Transformer。隨著硬件計(jì)算能力的不斷提升、算法范式的不斷改進(jìn)、可利用數(shù)據(jù)資源的不斷增長(zhǎng)，基于攝像頭的2D感知已經(jīng)成為了乘用車(chē)智能駕駛的主流方案，同時(shí)也成為了很多解決方案的核心差異點(diǎn)。

鑒智機(jī)器人核心團(tuán)隊(duì)在國(guó)內(nèi)最早基于深度學(xué)習(xí)在2D視覺(jué)感知各個(gè)方向開(kāi)展系統(tǒng)性研究和大規(guī)模落地應(yīng)用，在眾多全球最具影響力的2D感知AI比賽和評(píng)測(cè)中獲得冠軍，發(fā)表頂級(jí)會(huì)議和期刊論文幾十余篇，在多個(gè)業(yè)務(wù)領(lǐng)域?qū)崿F(xiàn)了人工智能2D感知技術(shù)的大規(guī)模應(yīng)用落地。

（a）目標(biāo)檢測(cè)、人體骨骼點(diǎn)

（b）全景分割

（c）360°視覺(jué)感知

（d）單目

測(cè)距

圖3：鑒智機(jī)器人在2D感知方向具有世界一流的核心能力 2.2 從2D感知到4D感知

如果說(shuō)2D感知還是在平面上檢測(cè)、識(shí)別、分割物體，那么加入深度信息后，基礎(chǔ)的2D感知即轉(zhuǎn)化為3D感知。如果進(jìn)一步在3D的基礎(chǔ)上加入時(shí)間這一維度，進(jìn)化得到的則是4D感知。在自動(dòng)駕駛領(lǐng)域，4D感知可以完整且連續(xù)的探測(cè)車(chē)輛周?chē)奈矬w。

基于深度學(xué)習(xí)和三維視覺(jué)技術(shù)不斷發(fā)展，隨著Cost Volume、Optical Flow、differentiable Homography、Transformer等技術(shù)的成熟，以及多傳感器融合、眾包重建、稠密重建、自動(dòng)標(biāo)注等方向不斷發(fā)展，可以高效率的提供高質(zhì)量、大規(guī)模的4D場(chǎng)景數(shù)據(jù)，端到端的4D感知正在成為技術(shù)趨勢(shì)。相比于傳統(tǒng)的2D感知+后融合的方案，端到端的4D感知擁有很多優(yōu)勢(shì)，可以解決測(cè)距抖動(dòng)較大、多攝像頭拼接不準(zhǔn)確、時(shí)序結(jié)果不穩(wěn)定、迭代效率較低等一系列問(wèn)題。

更進(jìn)一步，基于端到端的4D感知，可以進(jìn)行更好的4D預(yù)測(cè)，一方面可對(duì)于交通參與者進(jìn)行更優(yōu)的運(yùn)動(dòng)軌跡預(yù)測(cè)，從而實(shí)現(xiàn)性能更加優(yōu)異的規(guī)劃控制；另一方面可對(duì)于道路行駛區(qū)域預(yù)測(cè)更加精細(xì)的3D結(jié)構(gòu)化信息，在線生成局部實(shí)時(shí)3D地圖，降低對(duì)高精地圖等基礎(chǔ)設(shè)施的依賴(lài)。

圖4：鑒智機(jī)器人針對(duì)復(fù)雜路口駕駛場(chǎng)景的4D感知結(jié)果

自動(dòng)駕駛被認(rèn)為是目前最重要的硬科技創(chuàng)新之一。在汽車(chē)行業(yè)百年未有之大變革的歷史性時(shí)刻，中國(guó)由于在電動(dòng)汽車(chē)領(lǐng)域的提前布局、全面開(kāi)花，以及完整產(chǎn)業(yè)鏈的巨大優(yōu)勢(shì)，國(guó)內(nèi)企業(yè)在自動(dòng)駕駛方向擁有非常好的機(jī)會(huì)和產(chǎn)業(yè)優(yōu)勢(shì)，有機(jī)會(huì)通過(guò)電動(dòng)化和智能化實(shí)現(xiàn)百年汽車(chē)工業(yè)這一最重要的支柱產(chǎn)業(yè)的超車(chē)和領(lǐng)先。但自動(dòng)駕駛的發(fā)展速度仍然低于大眾和市場(chǎng)的預(yù)期，這里存在若干影響自動(dòng)駕駛等級(jí)提升的關(guān)鍵性問(wèn)題亟待解決，鑒智機(jī)器人基于自身在AI算法、AI算力層面的積累，致力于解決自動(dòng)駕駛成像計(jì)算和下一代自動(dòng)駕駛方案的關(guān)鍵性問(wèn)題，從而推動(dòng)自動(dòng)駕駛的創(chuàng)新發(fā)展。

審核編輯 ：李倩