飛凡智駕BEV：已實(shí)現(xiàn)對(duì)遛狗行人、倒地通用障礙等感知
講述|金杰盂
編輯|張祥威
“有了Occupancy后，是否還需要激光雷達(dá)？”
“BEV+4D毫米波雷達(dá)方案，能否支持實(shí)現(xiàn)城市NOA？”
“BEV落地中，芯片的哪些算子還不能很好的支持？”
以上這些，是BEV落地中很多人關(guān)注的問(wèn)題，也是上汽旗下飛凡汽車在量產(chǎn)落地BEV的過(guò)程已經(jīng)有了答案的地方。
相比特斯拉、蔚小理落地BEV方案的節(jié)奏，飛凡并不慢。
2020 年10月，特斯拉開(kāi)始在美國(guó)進(jìn)行基于BEV算法的FSD Beta 測(cè)試。幾個(gè)月后，2021 年 4 月，飛凡汽車開(kāi)始為 PP-CEM智駕系統(tǒng)布局 BEV算法。去年9月，BEV感知算法在飛凡R7車型上進(jìn)行量產(chǎn)。
PP-CEM&飛凡智能駕駛首席科學(xué)家金杰盂認(rèn)為，BEV有以下幾大優(yōu)勢(shì)：
- 可以提供更好的異構(gòu)多傳感器的表征，進(jìn)行多元數(shù)據(jù)的融合和預(yù)測(cè)處理；
- 更便利地進(jìn)行時(shí)序融合，和更多的連續(xù)幀的特征處理；
- 把更多的任務(wù)模塊集成到神經(jīng)網(wǎng)絡(luò)中。
金杰盂在上汽飛凡PP-CEM團(tuán)隊(duì)負(fù)責(zé)智能駕駛相關(guān)的開(kāi)發(fā)和工程生產(chǎn)，帶領(lǐng)團(tuán)隊(duì)完整量產(chǎn)了飛凡的R7和F7的Orin平臺(tái)行泊一體智能駕駛系統(tǒng)和生產(chǎn)售后相關(guān)的全套開(kāi)發(fā)落地。
據(jù)他介紹，飛凡在研發(fā)BEV方案過(guò)程中，更注重對(duì)數(shù)據(jù)挖掘，以及多樣性、有效性的獲取，設(shè)置了非常多的觸發(fā)事件，可以每周進(jìn)行 250 萬(wàn)個(gè)clips 的處理。
另外，針對(duì)原生算子不支持的情況，會(huì)進(jìn)行一定的操作組合，以及比如針對(duì)坐標(biāo)處理層的定制化開(kāi)發(fā)和算子優(yōu)化，以實(shí)現(xiàn)性能的數(shù)倍提升。
飛凡的量產(chǎn)車采用了不同傳感器配置的方案，并且支持多種傳感器下的Occupancy占用網(wǎng)絡(luò)，這將為接下來(lái)的城市NOA落地打下基礎(chǔ)。
2023年下半年，是頭部幾家車企較量智駕水平的重要節(jié)點(diǎn)，飛凡在BEV方案上的投入，將是其躋身智駕第一梯隊(duì)的基礎(chǔ)。
本文是HiEV出品的系列直播「硬核拆解BEV」第四期，金杰盂分享的《車企如何布局BEV通往高階智駕》內(nèi)容梳理。
一. 注重數(shù)據(jù)挖掘，每周可以處理250萬(wàn)個(gè)clips
整體看，一套BEV方案有三個(gè)核心：
- 芯片SoC；
- 像素Pixel；
- 點(diǎn)云Point Cloud。
今年，飛凡上線了泊車功能，即將在城市推送領(lǐng)航功能，一些如遙控泊車的功能也將釋放。我們還在做 PP-CEM 2.0 的開(kāi)發(fā)，接下來(lái)會(huì)推出更復(fù)雜場(chǎng)景下的功能。
飛凡的智駕方案有不同的配置：
- Pro版，包括 5-6 個(gè)毫米波雷達(dá)、12 個(gè)攝像頭、1個(gè)激光雷達(dá)，2顆 Orin X ；
- Standard版，包括3 -5 個(gè)毫米波雷達(dá)、11 個(gè)攝像頭、1顆Orin X；
- Lite版，包括 3 到 5 個(gè)毫米波雷達(dá)、7 個(gè)攝像頭、1顆 Orin N。
在設(shè)計(jì)BEV方案時(shí)，攝像頭、4D毫米波雷達(dá)、激光雷達(dá)會(huì)經(jīng)過(guò) encoder 的層級(jí)，然后進(jìn)入Cross Attention層，生成多模態(tài)的3D 特征。針對(duì)多模態(tài)的 3D 特征再進(jìn)行時(shí)間序列的處理，實(shí)現(xiàn)4D特征融合。
整體上，有幾類任務(wù)的Head網(wǎng)絡(luò)：
- 周圍的靜態(tài)交通環(huán)境要素，比如車道線、路沿、停止線、道路標(biāo)識(shí)、人行道等；
- 交通參與者的任務(wù)輸出，比如運(yùn)動(dòng)的障礙物、交通錐，紅綠燈、車尾燈等；
- 泊車任務(wù)要素輸出，比如泊車位、多語(yǔ)義分割通行空間與地面要素等；
- 語(yǔ)義占據(jù)柵格要素輸出等。
如何實(shí)現(xiàn)高效的數(shù)據(jù)閉環(huán)？
飛凡現(xiàn)在做得非常多的是主動(dòng)挖掘，clips挖掘是決定迭代效率的關(guān)鍵環(huán)節(jié)。飛凡每周大概可以進(jìn)行 250 萬(wàn)個(gè)clips 的處理。
那么，怎么實(shí)現(xiàn)數(shù)據(jù) clips 的多樣性和有效性？
我們?cè)谲嚩嗽O(shè)置了非常多的Triggered event（觸發(fā)事件），觸發(fā)這些條件后，可以進(jìn)行多樣性的數(shù)據(jù)回傳。在三個(gè)月里，我們獲得了將近 1200 萬(wàn)個(gè) clips 數(shù)據(jù)回傳。
對(duì)于異常數(shù)據(jù)，比如攝像頭數(shù)據(jù)以及clips數(shù)據(jù)中的異常數(shù)據(jù)，我們開(kāi)發(fā)了大量的識(shí)別和處理的神經(jīng)網(wǎng)絡(luò)小模型，并且會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)小模型做一些標(biāo)簽和處理。
數(shù)據(jù)處理方面，基本上全部做到了自動(dòng)化的處理。比如，對(duì)語(yǔ)義數(shù)據(jù)的處理，包括前向、后向、左右和周視等的語(yǔ)義處理。
我們可以對(duì)不同型號(hào)的激光雷達(dá)（R7上的Luminar和F7激光雷達(dá)版的速騰聚創(chuàng)）采集的數(shù)據(jù)進(jìn)行檢測(cè)神經(jīng)網(wǎng)絡(luò)、分割神經(jīng)網(wǎng)絡(luò)的適配和自動(dòng)化數(shù)據(jù)處理。
在降低對(duì)高精度地圖依賴方面，會(huì)生成非常多的離線道路基礎(chǔ)要素真值，然后進(jìn)行車端和云端的綜合處理，以實(shí)現(xiàn)對(duì)“地圖空洞”（Map Hole）的增強(qiáng)和地圖鮮度的完善。
進(jìn)行自動(dòng)化生成時(shí)，有些標(biāo)簽可能不準(zhǔn)確，但也一定會(huì)有部分標(biāo)簽是準(zhǔn)確的，我們會(huì)針對(duì)不同任務(wù)的數(shù)據(jù)進(jìn)行重采樣。將標(biāo)簽不完整的部分，和完整的數(shù)據(jù)標(biāo)簽進(jìn)行聯(lián)合訓(xùn)練，以提升網(wǎng)絡(luò)的感知性能。
BEV算法向芯片端移植時(shí)，有非常多的層級(jí)是芯片端無(wú)法很好支持的。
舉個(gè)例子，傳感器數(shù)據(jù)送到芯片端時(shí)，有一個(gè)Grid_Sampler（坐標(biāo)處理）的層級(jí)，芯片中并沒(méi)有原生算子的支持，需要我們進(jìn)行定制化開(kāi)發(fā)。
另外，一些原生算子的性能不好，達(dá)不到最佳計(jì)算效率。
在Transformer 架構(gòu)里，飛凡開(kāi)發(fā)了一個(gè)替換梅林結(jié)構(gòu)的算子，性能得到了數(shù)倍的提升。
向芯片端移植的時(shí)候，還會(huì)有非常多的量化，會(huì)有一定的精度損失。
在整個(gè)訓(xùn)練過(guò)程中，我們通過(guò)一系列的算子開(kāi)發(fā)和優(yōu)化，實(shí)現(xiàn)了在耗時(shí)大幅度降低的情況下，精度損失維持在1% 左右，一個(gè)很低的水平。隨著算法、數(shù)據(jù)模型的不斷迭代，以及云端大模型處理能力的提升，我們也在思考后續(xù)如何來(lái)實(shí)現(xiàn)更豐富的智駕功能。
最后，分享一些飛凡最新的算法進(jìn)展。
無(wú)論是否搭載激光雷達(dá)，我們均實(shí)現(xiàn)了實(shí)時(shí)推理的 Occupancy占用網(wǎng)絡(luò)，它主要針對(duì)一些不容易直接表征的環(huán)境信息，進(jìn)行靈活地探測(cè)。
比如，針對(duì)遛狗時(shí)行人和動(dòng)物的高度、位置、速度進(jìn)行探測(cè)，針對(duì)Protruding類（也是歐洲高關(guān)注的場(chǎng)景）的交通參與者的運(yùn)動(dòng)位置、語(yǔ)義、運(yùn)動(dòng)趨勢(shì)進(jìn)行精準(zhǔn)的刻畫，以及對(duì)高速道路上的道路施工場(chǎng)景、異型車輛，以及倒地的自行車和錐桶進(jìn)行精準(zhǔn)車輛周圍的數(shù)字刻畫。
我們還在做全局動(dòng)靜屬性相互關(guān)聯(lián)的算法開(kāi)發(fā)，相信可以針對(duì)城區(qū)的博弈空間，提供更好的端到端數(shù)據(jù)閉環(huán)。
整體上，BEV就是通過(guò)SoC芯片，以及攝像頭、 4D毫米波雷達(dá)、激光雷達(dá)等傳感器，構(gòu)建整個(gè)周圍環(huán)境的數(shù)字Voxel World Model（體素世界模型），然后在World Model 里為規(guī)劃和決策提供更靈活的描述。
二. 時(shí)序?qū)?/span>算法資源占用高，BEV需要激光雷達(dá)
在線上圓桌互動(dòng)環(huán)節(jié)，HiEV邀請(qǐng)到探維科技聯(lián)合創(chuàng)始人、COO沈羅豐、馭視科技定位感知部門總監(jiān)張丹與金杰盂和智駕產(chǎn)品市場(chǎng)專家周琳一起，圍繞BEV方案進(jìn)行了探討。
周琳：飛凡提供了不同的智駕方案配置，原因是什么，優(yōu)劣性如何？
金杰盂：主要還是基于軟硬一體化方案的思考。我們有不同的車型，比如R7是 SUV ，車頂上的空間對(duì)于激光雷達(dá)的安裝比較靈活。F7是轎車，空間相對(duì)受限。BEV 方案的出發(fā)點(diǎn)，是 Soc 的芯片+視覺(jué)要素的處理。在整個(gè)方案的梯隊(duì)化上，我們考慮得比較完備，希望這套方案可以更好地進(jìn)行一些序列化、梯隊(duì)化的拓展。
沈羅豐：時(shí)序的使用，是否會(huì)對(duì)算法資源占用有更高的要求，如何平衡算力資源和識(shí)別效率之間的平衡？
金杰盂：選擇時(shí)序，主要因?yàn)樗鼘?duì)于感知、預(yù)測(cè)、規(guī)劃，以及位置、測(cè)速、精度提升都有非常好的受益。
為了平衡耗時(shí)和精度，我們會(huì)對(duì)歷史幀的Feature 做低分辨率的處理，在訓(xùn)練時(shí)做一些稀疏化的處理，來(lái)實(shí)現(xiàn)計(jì)算效率的綜合平衡。
沈羅豐：你們使用了不同廠家、不同類型的激光雷達(dá)，對(duì)于已經(jīng)做好的模型來(lái)說(shuō)，哪些工作是重復(fù)的？
金杰盂：我們對(duì)不同的激光雷達(dá)做了相應(yīng)的處理，通過(guò)在 Encoder 時(shí)做一些特征的提取，消除一些Domain（域）的誤差。再通過(guò)數(shù)據(jù)對(duì)齊的處理，使特征層的表征盡可能一致。然后做一些語(yǔ)義空間的對(duì)齊， 消除激光雷達(dá)在不同距離、不同角度分辨率下的點(diǎn)云密度差異。
沈羅豐：隨著 BEV 的應(yīng)用，感知系統(tǒng)對(duì)于激光雷達(dá)的需求是加強(qiáng)還是減弱了？整個(gè)系統(tǒng)對(duì)激光雷達(dá)的需求，是不是會(huì)由于應(yīng)用場(chǎng)景的不同而存在差異？
金杰盂：在不同的場(chǎng)景下確實(shí)會(huì)有不同的收益。
視覺(jué)可以提供更穩(wěn)健、更豐富的特征，但是在一些復(fù)雜的場(chǎng)景下，點(diǎn)云會(huì)發(fā)揮互補(bǔ)作用。舉個(gè)例子，對(duì)于一些非規(guī)則的物體，通過(guò)點(diǎn)云的確可以實(shí)現(xiàn)探測(cè)的補(bǔ)充。
總之，隨著BEV的出現(xiàn)，感知性能在進(jìn)步，這個(gè)趨勢(shì)非常明確。
另外，我也想向沈總請(qǐng)教一個(gè)問(wèn)題。在使用激光雷達(dá)的過(guò)程中，我們希望挖掘除了點(diǎn)云位置等以外的其它特征。激光雷達(dá)在這方面有哪些趨勢(shì)？
沈羅豐：激光雷達(dá)本身輸出的是脈沖，是信號(hào)的強(qiáng)度。我們直接測(cè)到的就是脈沖的飛行時(shí)間和脈寬。
對(duì)于不同反射率的目標(biāo)物，強(qiáng)度的對(duì)比度是非常明顯的，所以如果只是需要用對(duì)比度做一些車道線等的判斷，強(qiáng)度信息是足夠的。
金杰盂：不同的激光雷達(dá)，在不同的位置，以及雨、雪、霧、逆光等情況下，會(huì)產(chǎn)生不同的激光。在應(yīng)對(duì)這些場(chǎng)景適應(yīng)性上，有哪些策略？
沈羅豐：激光雷達(dá)遠(yuǎn)近目標(biāo)進(jìn)行判斷時(shí)，遵循近大遠(yuǎn)小的規(guī)律。
如果要實(shí)現(xiàn)更遠(yuǎn)距離的探測(cè)，可以考慮通過(guò)動(dòng)態(tài)的自適應(yīng)方式。比如在某一些角度下，增加采樣的速率來(lái)實(shí)現(xiàn)。
當(dāng)然，這會(huì)犧牲掉其它位置上的測(cè)距能力或分辨率。
對(duì)于近處的目標(biāo)物，分辨率如果過(guò)高的話，點(diǎn)云對(duì)于后端來(lái)說(shuō)是過(guò)剩的。為了減小數(shù)據(jù)的帶寬，以及減少數(shù)據(jù)的預(yù)處理壓力，我們?cè)诶走_(dá)層面嵌入了預(yù)處理的算法，可以將近處的點(diǎn)云進(jìn)行稀疏化處理，降頻輸出后再給到后端。
對(duì)于雨、雪、霧等場(chǎng)景目標(biāo)物，它們會(huì)被探測(cè)到，探測(cè)到之后，我們統(tǒng)計(jì)它們的距離、脈寬分布，進(jìn)行特征的識(shí)別。在激光雷達(dá)內(nèi)部，我們可以做算法的嵌入，提前識(shí)別這些目標(biāo)物，之后把回波去掉，然后給到后端。
金杰盂：一些激光雷達(dá)可以支持動(dòng)態(tài)探測(cè)的點(diǎn)云配置，成本和性能上有哪些趨勢(shì)？
沈羅豐：一般來(lái)說(shuō)，激光雷達(dá)的采樣點(diǎn)頻、測(cè)距能力、測(cè)距精度三者是互相耦合、互相平衡的關(guān)系。
成本主要體現(xiàn)在算法上。我們需要在雷達(dá)系統(tǒng)控制層面之外，開(kāi)發(fā)一部分算法。硬件成本是不變的，需要做軟件層面的自適應(yīng)。
三. Occupancy對(duì)網(wǎng)格要求高，需要云端大模型處理數(shù)據(jù)
張丹：Occupancy這項(xiàng)技術(shù)會(huì)把純視覺(jué)感知的上限提升到什么程度，是否還有其它優(yōu)化方向？
金杰盂：采用傳統(tǒng)的語(yǔ)義分割時(shí)，語(yǔ)義上不夠精細(xì)。我們做了一個(gè)云端大模型，參數(shù)大概是 Billion這種級(jí)別，專門對(duì)語(yǔ)義做處理。
Occupancy對(duì)像素的網(wǎng)格要求比較高，如果很粗糙，下游環(huán)節(jié)很難用。如果網(wǎng)格很精細(xì)，語(yǔ)義很混亂，下游也很難用。并且需要平衡自動(dòng)化真值準(zhǔn)確程度帶來(lái)的過(guò)擬合和泛化魯棒性的問(wèn)題。
所以，需要在云端做高準(zhǔn)確程度大模型的處理，通過(guò)大模型做蒸餾和自動(dòng)化標(biāo)注，才能得到一個(gè)比較精準(zhǔn)的結(jié)果，實(shí)現(xiàn)對(duì)幾何分布或組合分布比較復(fù)雜的障礙物檢測(cè)，具備更好的通用性、可擴(kuò)展性。
張丹：搭載4D 毫米波雷達(dá)、激光雷達(dá)后，對(duì)視覺(jué) BEV 的感知效果有多大的加成作用？
金杰盂：在整個(gè)融合框架里，我們使用了全融合的方式，每一類的傳感器會(huì)進(jìn)行獨(dú)立的BEV 的感知。
帶激光雷達(dá)的車型，對(duì)小的障礙物或者不規(guī)則的障礙物上探測(cè)更加準(zhǔn)確，它與視覺(jué)進(jìn)行組合后，可以獲取更加準(zhǔn)確的特征，實(shí)現(xiàn)更好地探測(cè)。搭載4D毫米波雷達(dá)的車型，在對(duì)道路拓?fù)浣Y(jié)構(gòu)、雨天中的穩(wěn)定性、靜態(tài)非電波穿透類物體的探測(cè)上與視覺(jué)可以互相補(bǔ)充。
周琳：基于 BEV 和4D 毫米波雷達(dá)，是否可以實(shí)現(xiàn)城市NOA？
金杰盂：絕大多數(shù)的城市場(chǎng)景是可以支持的。像特斯拉的 Hardware 4.0 ，有很多場(chǎng)景跑得很好，無(wú)非是算法魯棒性和感知準(zhǔn)確性。
周琳：不帶激光雷達(dá)能夠做到什么程度？
金杰盂：有一些場(chǎng)景，我認(rèn)為有激光雷達(dá)會(huì)更好。比如，對(duì)于送外賣的電動(dòng)車，通過(guò)激光雷達(dá)可以更好地探測(cè)。
張丹： 4D 毫米波雷達(dá)等的硬件成熟需要經(jīng)歷一段時(shí)間，實(shí)際量產(chǎn)過(guò)程中，你們碰到了哪些具有挑戰(zhàn)的問(wèn)題？哪些可以通過(guò)數(shù)據(jù)驅(qū)動(dòng)優(yōu)化，哪些需要硬件供應(yīng)商來(lái)解決？
金杰盂：有兩類問(wèn)題相對(duì)有挑戰(zhàn)性，花了比較多的時(shí)間最終才解決掉了。
第一類，性能問(wèn)題。傳感器的固件存在性能差異，需要團(tuán)隊(duì)對(duì)傳感器深入理解，以及與傳感器供應(yīng)商支持團(tuán)隊(duì)的高效溝通，進(jìn)行及時(shí)地響應(yīng)和處理。
第二類，生產(chǎn)問(wèn)題。傳感器要導(dǎo)入到工廠，與車輛一起按照像流水線批量下線，整個(gè)過(guò)程中會(huì)存在診斷等問(wèn)題。
張丹：飛凡的包括車端算法、數(shù)據(jù)閉環(huán)在內(nèi)的平臺(tái)，是全自研，還是有一部分會(huì)采用第三方的工具？
金杰盂：全自研。邏輯很簡(jiǎn)單，大家都在談數(shù)據(jù)閉環(huán)，其實(shí)所有的數(shù)據(jù)處理處理和算法密不可分。
算法處理數(shù)據(jù)，可能只能把它挖掘成比較有效的clips，然后對(duì)這些 clips 進(jìn)行一些標(biāo)簽化，促進(jìn)算法的迭代。但是，如果數(shù)據(jù)和算法無(wú)法適配，很多時(shí)候組合效率會(huì)很低。
我也想請(qǐng)教張總一個(gè)問(wèn)題。馭勢(shì)科技在園區(qū)等場(chǎng)景做了許多工作，對(duì)于輕地圖，想聽(tīng)聽(tīng)你們的一些思考和一些方法。
張丹：在一些封閉場(chǎng)景，輕地圖肯定可以做。對(duì)于輕地圖，我們內(nèi)部會(huì)再做一些探討和基于BEV的預(yù)研?，F(xiàn)在談到的輕地圖，我認(rèn)為更多的還是在開(kāi)放場(chǎng)景下應(yīng)用，因?yàn)榈貓D的鮮度、成本等方面存在很多問(wèn)題。
四. 4D毫米波有驚喜，從來(lái)沒(méi)把激光雷達(dá)當(dāng)做冗余件
直播期間，金杰盂還解答了一些線上觀眾的問(wèn)題。
Q：BEV 上車之后，會(huì)帶來(lái)哪些功能和體驗(yàn)上的提升？
A：第一點(diǎn)，無(wú)論是LCC 還是領(lǐng)航的功能，連續(xù)性會(huì)更好。加入時(shí)序處理后，對(duì)很多場(chǎng)景比如cut in的處理，性能會(huì)有大幅度的提升。
第二點(diǎn)，我們?cè)谠O(shè)計(jì)產(chǎn)品時(shí)，一直認(rèn)為交互特別重要。無(wú)論是否開(kāi)啟智駕系統(tǒng)，所有的感知要素都會(huì)實(shí)時(shí)地顯示，讓用戶實(shí)時(shí)地感受到車輛的系統(tǒng)探測(cè)能力，了解系統(tǒng)的邊界，更好地去使用系統(tǒng)。
Q：BEV對(duì)數(shù)據(jù)的需求量是巨大的，怎么估算成本，需要多大的數(shù)據(jù)量？
A：有了量產(chǎn)車以后，數(shù)據(jù)獲取會(huì)相對(duì)容易很多，更大的成本來(lái)自于數(shù)據(jù)挖掘和清洗。
具體的數(shù)據(jù)量，不太容易準(zhǔn)確地定義。核心是基于SoC 芯片，軟件、模型算法是否進(jìn)行了有效利用。
Q：激光雷達(dá)本身提供了3D點(diǎn)云信息，對(duì)于飛凡帶有激光雷達(dá)的高配車型，是否還需要 Occupancy ？
A：需要。在一些小的障礙物上，帶有激光雷達(dá)的Occupancy方案能夠在探測(cè)范圍、距離、精準(zhǔn)性上表現(xiàn)更好一些。
當(dāng)然，我們的 4D毫米波雷達(dá)也能夠提供比較連貫、流暢的體驗(yàn)，特別是對(duì)于一些結(jié)構(gòu)化道路而言。
尤其是，今年我們更新了一個(gè) 4D 毫米波雷達(dá)的固件后，發(fā)現(xiàn)它對(duì)一些低矮障礙物，比如15 厘米左右的障礙物的探測(cè)能力非常好，穩(wěn)定性也很好。對(duì)一些道路結(jié)構(gòu)上的處理、環(huán)境適應(yīng)性，也有它獨(dú)特的地方。
Q：主機(jī)廠是否會(huì)在算法比較成熟后，考慮去掉激光雷達(dá)的這個(gè)硬件冗余？
A：我認(rèn)為，激光雷達(dá)本身就不是一個(gè)redundancy（冗余），我們?cè)谧畛蹩紤]激光雷達(dá)的用途時(shí)，就沒(méi)有把它當(dāng)做冗余來(lái)用。
如果車企剛剛開(kāi)始做，又想很快地搞定一些場(chǎng)景，有激光雷達(dá)的話難度會(huì)低一些，當(dāng)然需要付出更多的成本。如果車企已經(jīng)有了很強(qiáng)的積累，不帶激光雷達(dá)也會(huì)做得很好。
要不斷地壓榨傳感器的性能，比如R7 不帶激光雷達(dá)的車，在很多的場(chǎng)景下確實(shí)也可以運(yùn)行得很好。視覺(jué)算法發(fā)展一定程度之后，確實(shí)在面對(duì)很多場(chǎng)景時(shí)問(wèn)題不大。
Q：要帶動(dòng)激光雷達(dá)，芯片算力是否有最低的要求？
A：會(huì)有一些要求，但不是絕對(duì)的。
在激光雷達(dá)點(diǎn)云數(shù)據(jù)上實(shí)現(xiàn)很多的網(wǎng)絡(luò)處理，特別是做一些語(yǔ)義分割等，還是比較耗費(fèi)計(jì)算資源的。我們認(rèn)為，還是要看對(duì)芯片是否足夠了解。最終取決于是否可以對(duì)芯片里面的絕大多數(shù)的計(jì)算資源，能清晰懂得如何利用。
目前來(lái)看，飛凡已經(jīng)圍繞BEV建立了一套成體系的數(shù)據(jù)標(biāo)注和處理體系，并且在算子優(yōu)化、云端大模型建立、Occupancy開(kāi)發(fā)等方面分別取得了進(jìn)展。
通常，傳統(tǒng)車企給大家的印象是，智能駕駛研發(fā)進(jìn)展緩慢，自研比例不高。但是，飛凡通過(guò)BEV方案展現(xiàn)了新的一面，至于真實(shí)的道路表現(xiàn)，應(yīng)該會(huì)在下半年逐漸看到。
