编辑 / 还是Robo小曹
点击下方卡片，关注“自动驾驶之星”
近日，由汽车评价研究院及地平线主办的「地平线杯」世界十佳智能汽车、世界智能汽车品牌论坛如期举办。在大会现场，长城汽车技术中心副总经理——耿伟峰围绕端到端智驾方案的优缺点及解决方案，进行了详细介绍。
耿伟峰表示，长城也曾经历传统的CNN多相机感知+高精地图的高速NOA方案，但依赖地图并非长远之计。
“在整个行业刚开始推城市NOA的时候，还是基于高精地图的。这导致只能逐个城市地进行开城。长城认为，这样的路线是走不通的。”
由此，蓝山的智驾系统从一开始，就未采用高精地图，只用导航地图。而下一阶段，长城希望实现全场景的「车位到车位自动驾驶」。
他介绍称，高精地图能够弥补很多算法问题，的确能够提升体验，但是覆盖性很差。
“根据所有图商的并集统计，全国双向车道地图大概是1000万公里，真正的高速和高架只有3.6%。而在城市也只有10%左右有高精地图的覆盖。”
耿伟峰表示，一旦智驾进城，道路复杂度会指数级增加，面临的场景是无限的，其中也包括一些异常突发场景：违规自行车、违规行人、非机动车等等。如此看来，基于规则的开发难度是无法想象的。
因此，长城的智驾系统并未像其他车企那样，从分段式架构开始做，而是利用SEE一体化智驾技术架构。
“端到端架构是现阶段实现城市无图NOA的最优解。基于数据驱动，可减少约75%的人工编码。同时，算法能力会更强，迭代速度也会更快，极大提升了场景解决速度。”
不过他也指出，虽然目前最先进的端到端技术适用于大多数场景，但并非所有场景，这还是因为其下限问题。
“端到端的优势是能够处理复杂场景，更加丝滑拟人，而且不卡顿；劣势则是有时在一些莫名其妙的场景下，会犯一些低级错误，尤其是简单的场景。例如遵守交通规则，或者简单的压线、变道等问题，而且出现问题后定位非常困难。”
基于这些问题，长城设计的端到端智驾模型，思路是基于模型概率性的算法，加上确定性的算法，利用安全规则对端到端结果进行筛选。
同时，长城也会针对预测结果，以及端到端输出参考线，做传统的运动规划。其算法架构是两个衔接紧密的大模型：一个是负责统一的感知，一个是负责预测、决策和规划输出，多参考线和目标的意图规划信息，然后进行安全规则检查，基于时空联合规划生成最终的行车轨迹，然后再进行横纵向的车辆控制。
另一方面，蓝山智驾采用的基础数据，是基于长城多年积累所得，现已累计到数十PB，包括真实用户的回传数据和专业数采数据。
耿伟峰称，仅蓝山车型，每个月就会产生大概6000台的增量，上市几个月回传数据已经超过2PB。
但是，对以后的高阶智驾来说，数据的量并非关键问题，关键还是如何将这些数据有效利用好。
为此，长城针对数据治理做了详细设计。首先通过多维度精细的标签体系把数据进行拆分，每个精细场景我们都要保证数据的均衡，并且测试、验证也精细化细分场景。
另外，长城针对数据采用VLM视觉语言模型，提取向量特征；同时基于精细标签+AI向量特征，精准挖掘出稀有的数据，以及实车表现不太好的关键场景。
“这些手段能够保证我们数据分布的合理，而不是简单的靠猛堆数据的方法进行学习。”
他表示，传统数据标签的挖掘方案中，筛选效率不足，针对场景挖掘数据也需要耗费大量的人力和时间。而采用智能标签体系+AI特征的方法，可以最大程度缩减挖掘时间，节省人力。
“目前，人工只需要对数据进行确认，就可以针对感知、预测、决策进行一些标注处理。”
除此之外，长城的九州超算中心可动用的总算力超过3 EFLOPS，并且正在持续指数级增长。
“基于大模型、数据和算力资源，我们会将原计划上市4个月的开城时间（原计划在12月底开城），缩短到2.5个月，在11月份实现了所有城市公开道路都可以行驶。”
耿伟峰表示，上次OTA版本已可支持掉头等复杂场景，下次的OTA将会实现待转区、环岛通行等场景支持。
知识星球，新人优惠券来袭，结识一群志同道合的小伙伴一起成长。
下一个风口会不会是生成式AI 与具身智能的时代，我们特意创建了生成式AI与具身智能交流社区，关于大模型，机器人的相关业界动态，学术方向，技术解读等等都会在社区与大家交流，欢迎感兴趣的同学加入我们(备注具身智能)！
自动驾驶之星知识星球主打自动驾驶量产全技术栈学习，并包括: 学习板块，求职面试，有问必答，论文速递，行业动态五大板块！星球内部包括端到端大模型，VLM大模型，BEV 障碍物/车道线/Occ 等的学习资料！
生成式AI与具身智能知识星球，我们相信生成式AI 与具身智能会碰撞出出乎我们意料的内容，本知识形象并包括: 学习板块，求职面试，有问必答，论文速递，行业动态五大板块！星球内部包括生成式AI大模型，具身智能，业界资料整理等的学习资料！
👇点个“赞”和“在看”吧
