杭州 --°C 消息 发布作品
hao1123

hao1123

当前位置:首页 > 科技 > 自动驾驶提速:感知与算法迭代的关键挑战

自动驾驶提速:感知与算法迭代的关键挑战

hao1123
hao11231795131301|15阅读

前阵子跟一个做感知算法的朋友吃饭,他提到他们车队刚跑完一轮夏季测试,光一个城市的路口左转场景就攒了十几万帧数据。听着挺唬人,但他补了一句:真正能进训练集的,筛完只剩三成不到。剩下的要么标注质量不过关,要么场景重复度太高,喂进去也是白喂。这大概是自动驾驶行业眼下最真实的写照——数据不缺,缺的是能用的数据;算法迭代不慢,慢的是从实验室指标到路上跑通的那道坎。

2自动驾驶提速:感知与算法迭代的关键挑战

感知这块,摄像头、激光雷达、毫米波雷达的融合方案喊了好几年,真正量产交付的车型里,能把三者时序对齐做到毫秒级的没几家。问题不在硬件本身,激光雷达点云稀疏、摄像头受光照影响大,这些老生常谈的毛病其实都有解,难的是融合之后的置信度怎么给。举个例子,暴雨天摄像头画面糊成一片,激光雷达的回波又被雨滴干扰,这时候系统该信谁?业内常见的做法是给每个传感器设个固定权重,但实际路况千变万化,固定权重根本兜不住。现在有些团队在试动态权重分配,靠实时评估各传感器的数据质量来调,思路是对的,可工程落地时又卡在算力上——车端芯片就那么大功耗预算,你多跑一个评估模型,别的模块就得让路。

算法迭代的节奏也被数据闭环拖住了。传统做法是车队采数据、回传、人工标注、训练、发版,一圈下来少说两三个月。特斯拉走得激进,影子模式加自动标注,把闭环压到几周,但那是建立在百万级车队规模上的,国内几家新势力车队量级差一个数量级,硬抄作业抄不动。更现实的路径是聚焦长尾场景做定向采集,比如某个城市的潮汐车道、特定时段的学校门口,这种打法效率高,可问题在于长尾之所以叫长尾,就是你永远不知道下一个坑在哪。我见过一个团队花了半年死磕无保护左转,结果量产前发现用户投诉最多的是地库坡道会车——场景优先级排错了,前面功夫全白费。

端到端方案这两年被聊得很多,从感知直接输出控制指令,省掉中间模块间的信息损耗,理论上很美好。但实际跑下来,可解释性成了***烦。出了事故,你没法像模块化架构那样逐层排查是感知漏检还是规控误判,整个黑盒摆在那,监管和保险都不认。所以现在多数玩家走的是折中路线,感知端用BEV加Transformer做特征融合,规控端保留规则兜底,说白了就是既要端到端的好处,又不敢把安全冗余全押上去。这种拧巴状态短期内不会变,毕竟路上跑的不是测试车,是载着人的商品。

算力堆叠的边际效益也在递减。前两年大家比着上Orin芯片,单板算力从几十TOPS飙到几百TOPS,可实际利用率能到六成的都算优秀。很多算力是被冗余的模型副本和低效的数据搬运吃掉的,算法团队和芯片团队各管各的,中间那层优化没人细抠。有个做中间件的朋友吐槽,他们帮客户做算子融合,同样的模型推理延迟降了百分之四十,客户自己都没想到。这说明什么?说明行业还远没到拼算力天花板的阶段,先把现有硬件的潜力榨干再说。

说到底,自动驾驶这轮提速,比的不是谁家demo视频剪得漂亮,是谁能把数据筛选、传感器融合、闭环迭代这些脏活累活做出工程效率。感知和算法的迭代没有银弹,每个百分点的提升背后都是标注规则改了几十版、融合策略调了上百次、路测里程绕了地球好几圈。那些还在牌桌上的玩家,拼的就是这股钝刀子割肉的耐心。至于什么时候能真正放开方向盘,别听发布会上的时间表,看他们测试车队夜里几点收工更靠谱。