高阶自动驾驶迎来重要玩家：智行者发布 L2＋方案，不依赖高精地图

这个问题虽尚无定论，但已有行业人士表达了「摆脱」高精地图的意愿。

华为终端 BG CEO、智能汽车解决方案 BU CEO 余承东曾多次在公开场合表示，现在自动驾驶还使用高精地图，但未来发展不应该依赖高精地图。

小鹏汽车 CEO 何小鹏也表达了相似的观点：对自动驾驶而言，高精地图一定是过渡，云端的结合也只是一个辅助，真正的自动驾驶一定要能够全场景驾驶。

8 月 17 日，在智行者的媒体开放日上，智行者针对乘用车前装量产，对外发布了一套「不依赖高精地图的 L2+自动驾驶解决方案」，从而快速实现高速、城市、停车等场景的全覆盖。

在这次的媒体开放日，智行者正式发布了自研的自动驾驶系统 INP。

传统的 ADAS 或 L2 级辅助驾驶，在变道超车、上下匝道，或是通过红绿灯时，还需要人类驾驶员给出指令并确认路况，整体使用体验并不连贯。

INP 则希望通过低成本方案实现更高能力的自动驾驶，带来更好的自动驾驶体验。

作为统一架构下的系列化产品，智行者推出了高速与城市两个场景解决方案：

H-INP 采用了 6 颗摄像头+5 个毫米波雷达的多融合感知方案，搭载智行者自主研发的车规级高算力域控制器，算力可达128TOPS。

这套解决方案可适用于高速公路、城市快速道路、连接匝道等多种场景，可实现不同时段（白天/夜间），高密度交通流下的辅助驾驶。

C-INP 覆盖城市工况，包括自动换道、隧道通行、出入匝道、路口通行、换道通行等，可实现不同时段（白天/夜间），人车混行交通流下的辅助驾驶。

上述两种场景均可通过车端影子模式和云端数据闭环，实现功能的快速迭代。

在整体系统架构的设计上，INP 具有功能模块化、接口抽象化的特点：

面向自动驾驶的架构分层架构：架构分层解耦，可以整合利用最新技术成果，聚焦在算法能力提升和车企业务场景理解；

深度优化的通信和调度机制：强化通信和调度，提供多级通信机制与模块部署的局部性特点相适应，提供确定性和 CPU-GPU 联合调度。

简单概括，这套系统可以为车企提供不同的「积木」——既能实现整体架构灵活部署，也能快速整合新的算法，适应车企在整体架构上的不同的需求。

智行者科技联合创始人&研发中心副总经理张放表示，与 ROBOBOTAXI 实现完全自动驾驶，取代出租车司机不同，L2+系统的核心是减轻驾驶员在驾驶过程中的疲劳，而非替代驾驶员。

张放透露，智行者接下来会发力的一个功能就是实现高速公路收费站到收费站的自动驾驶。这意味着，对量产的 L2+系统来说，实现点到点的完整体验非常重要。

据悉，H-INP 的成本在数千人民币。智行者希望通过低成本的方式，快速推进自动驾驶落地，进而形成商业闭环。

与此同时，通过自动驾驶的商用，可大规模收集不同场景下的数据，从而进一步提升自动驾驶的能力。

目前，这套系统还处于原型测试阶段，预计今年第四季度推出量产版本。据了解，H-INP 方案预计将在年底拿到至少两家车企的定点。

余承东与何小鹏对于「摆脱高精地图依赖」的观点并非一时口快。

二是，在城市场景下，高精度地图的覆盖率不高。在这种情况下，想要扩展辅助驾驶系统的 ODD（运行设计域），就不能够过分依赖高精度地图。

事实上，过度依赖高精地图，导致的问题是自动驾驶在体验上的不流畅。

比如在高速场景中：当车辆在高速巡航驾驶时，车辆会莫名减速，导致驾驶员和乘客会感到不适，主要原因是高精地图限速标记错误。

在出入匝道时，高速巡航系统反应异常，提示驾驶员需要接管，这是因为高精地图在匝道和主路过渡阶段，由于点云拼接原因，会偶发错误。

当自动驾驶进入城市场景时，高精地图的「鲜度」就变得尤为重要。道路施工时，高精地图与实际现场不符，系统会提示驾驶员需要接管。

这就涉及到高精地图的「鲜度」问题。如果鲜度不符合要求，地图更新频率太低，就很难为自动驾驶提供支持。

城区道路的变更、维修，红绿灯状态等信息的更新速度快，需要以「天」为单位更新高精地图，从而提升产品体验。

小鹏汽车自动驾驶副总裁吴新宙曾表示：对城市场景，高精地图的「鲜度」非常关键，希望 NGP 发布的时候能够做到以「天」级更新高精地图的能力。

为了更有效解决高精地图成本高、更新频率低、覆盖范围有限的问题，智行者给出的一个参考答案是：「重感知，轻地图」。

「我们说的不依赖高精地图，并不是排斥高精地图，而是在有高精地图的时候如何更高效；在没有高精地图的时候，又如何完成自动驾驶任务。」张放表示。

按照智行者的说法，这是「国内首家不依赖高精地图的高级别自动驾驶解决方案」。

那么，想让自动驾驶不依赖高精地图，智行者的方法论是什么？

张放表示，自动驾驶不依赖高精度地图的核心在于，利用感知系统实时检测道路标线和可通行区域，建立类高精度地图的矢量环境表达，再结合 SD 地图实现车道级导航，从而实现不依赖高精度地图的自动驾驶功能。

在感知端，智行者采用的是基于BEV 多传感器时空融合感知框架，利用深度神经网络，从图像和点云数据提取单传感器或单视角数据的深度特征，然后采用基于 TRANSFORMER 的多传感器特征和多视角特征融合机制，得到当前时刻的 BEV 特征。

为了融合时序信息，智行者还设计了一个时序特征融合模块，将历史时刻的 BEV 特征和当前时刻的 BEV 特征融合得到最终时空特征。

其次，智行者还提出了一种基于在线高精矢量重建的地图定位架构。

通过这一架构，系统能够获得稳定的矢量地图结构以及最终的绝对定位。此外，通过矢量重建，还能获得相对精度可靠的 DR 和高精度的局部矢量地图。

与此同时，基于局部矢量地图进行匹配，也使得匹配定位结果更加鲁棒，不易受单帧感知结果抖动的影响，最后的位姿图优化环节还可以抵抗异常卫星定位结果，保障整体绝对定位的稳定性。

智行者通过重感知的智能驾驶算法架构+在线高精矢量重建的地图定位架构的，可以帮助自动驾驶大幅减少对高精地图的依赖程度。

而在类高速场景（国省道），可借助路径导航和矢量地图重建，仍可支持跟车、自动换道等自动驾驶辅助功能，同时，在信号灯路口可提醒驾驶员注意信号灯状态和行驶安全。

简单来说，无论有无高精地图，智行者的方案可以通过重感知的环境建模与强交互时空联合决策规划方案，基于实时感知保证行车安全，保障车辆的舒适性，同时也让车辆实现更加拟人化的驾驶。

短期看，为了解决某个开放场景下自动驾驶，使用激光雷达补盲以及高精地图能够取得立竿见影的效果。但长期看，依靠大规模高精地图有场景泛化的局限性，尤其是进入到城市道路之中。

因此，「重感知+轻地图」模式，拥有更好的普适性——既降低了对高精地图的依赖，也可以拓展到更多、更大规模的城市和地区。

智行者联合创始人兼 CTO 王肖就透露了一个小细节，最近某家新势力来聊合作，需求就是如何在越野环境下实现自动驾驶。

在这种路况下，则恰恰不需要依赖高精地图。

可以预见的是，这一技术方案会比「重地图」方案更易覆盖高速、城市道路、停车场等全场景区域。

其中，专注环卫市场的产品蜗小白，已占室外环卫市场接近 90% 的市场。

2021 年，智行者的营收已到超过数亿元，据称这是目前自动驾驶行业内收入最高的公司。

如今，智行者再下一城，推出 L2+自动驾驶解决方案，覆盖高速、城市、泊车等场景，开始要在前装乘用车领域攻城拔寨。

对智行者而言，场景万变不离其宗，而支撑这一切的基石是「无人驾驶大脑」——帮助智行者扩大自动驾驶产品的适用范围、降低落地门槛的核心竞争力。

「无人驾驶大脑实际上就是一个会开车的机器人，至于你是开乘用车、商用车，还是特种车、环卫车，本质上我们认为没有多大的区别。」智行者 CTO 王肖说道。

2017 年，智行者推出通用型无人驾驶大脑 1.0 版本，首先在物流和环卫场景落地，并从 2018 年开始在乘用车和特种应用场景实现小范围落地。

「无人驾驶大脑」经过多年的持续进化，已打通多场景 L4 级别自动驾驶应用，也可降维应用于 L2+、L3 级自动驾驶前装量产。

至此，智行者已实现了多场景的商业化落地部署，在行业内率先打造了成熟的数据闭环和商业化闭环。

随着乘用车前装量产方案的发布，智行者也将进入新的阶段。

高阶自动驾驶解决方案的重要玩家，又多了一个。