對于高階自動駕駛，激光雷達雖然不是萬能的，但沒有激光雷達是萬萬不能的。

為實現更好的自動駕駛體驗，過去一段時間，主流車企紛紛宣布在旗下重磅新車上搭載高性能激光雷達，以支撐整車智能駕駛系統未來從L2更好地向高級別的L3甚至L4自動駕駛演進，數量從1到5顆不等。

那么，如果要實現L4級別體驗的城市NOA，需要幾顆激光雷達呢？輕舟智航認為：最少1顆就可以做到。

近日，輕舟智航成功完成了基于單顆激光雷達的城市NOA落地實踐。搭載輕舟智航城市NOA系統的測試車全程無接管地完成了近30km的城市路段，期間分別途經高架立交橋、隧道、多車城市路段、地庫和商場停車樓等多種不同場景，并在這一過程中安全、靈活地應對了諸多極具挑戰的Corner Case。

一顆激光雷達挑戰城市NOA

面向自動駕駛，輕舟智航一直主張“不堆料”，而是通過“隨‘機’應變”的配置方案，滿足主機廠不同價位車型不同級別自動駕駛功能的量產需要。

為此，輕舟智航于今年5月發布了第四代量產車規級自動駕駛方案DBQ V4，目標通過10%的成本即可實現99%的L4能力，量產成本低至1萬元人民幣。

該方案支持1-5個激光雷達、0-4個盲區雷達、6個毫米波雷達、12個感知攝像頭，實現360度無盲區、無死角的感知能力，并可根據主機廠不同級別自動駕駛的量產需要進行功能裁剪，提供不同版本的配置方案，適配轎車、SUV、MPV、巴士等車型，實現“隨機應變”的同時，又不影響整個技術棧。

輕舟智航此次展示的城市NOA體驗，正是基于DBQ V4標配版打造，在256Tops大算力域控平臺的支撐下，僅采用一顆前向120°激光雷達，輔以視覺、毫米波雷達、高精度地圖等實現對車輛周圍物體的3D位置和運動方向判斷，助力實現城市NOA。

例如針對最常見的人車混行，依靠視覺+激光雷達的方案，即可讓車輛精細、準確地感知周圍人車的動靜狀態，即使有人或車輛從人類不容易看到的后方死角的位置沖出來，也可以提前感知并做出預測。這在此次挑戰中有清晰的展示。

夜間行車時，通過激光雷達、毫米波雷達、視覺等多傳感器融合，感知模型可在不同階段充分利用不同傳感器信息，讓不同傳感器優勢互補，避免特定傳感器在特定場景下性能的局限性。

在長隧道中，由于自動駕駛車輛無法依賴GNSS信號行駛，測試車主要是憑借高精地圖、車輛實時的感知信息，再配合慣性導航等技術，實現精確的定位，從而保障安全高速行駛。

在輕舟智航看來，多加裝一個激光雷達就需要更多算力支持，但在非重點區域增加更多激光雷達帶來的邊際收益并不高。

而且就實際應用場景而言，雖然相較于高速NOA，城市NOA會面臨更為復雜的場景和更多的長尾問題，物體辨認難度更高，且可能會遇到突然靠近自車的交通參與者，例如鬼探頭等，但考慮到自動駕駛車輛在行進過程中，道路上的潛在交互場景主要出現在自車正前及側前方，使用120°激光雷達足以處理絕大部分車輛需要關注的復雜場景。

而倒車場景，憑借前方的一顆激光雷達，也足以讓車輛時刻看清狹窄車庫中的行人和鬼探頭車輛，安全繞行和避讓。更何況倒車一般在速度較低的道路或停車場，自車和其他交通參與者速度都不高，無需依賴激光雷達其實也能完成基本倒車場景功能。

“另外，我們現在還是一家L4公司，在L4級自動駕駛研發方面有豐富的經驗，而城市NOA這個場景跟L4場景其實是高度相似的，所以整個算法框架、背后的研發體系以及數據等都是可以高度復用的?！闭劶拜p舟智航城市NOA相較于其他車企及技術提供商的優勢，輕舟智航聯合創始人、CTO侯聰表示。

“不堆料”的底氣是什么？

更靈活的傳感器融合方案、更成熟的規控策略以及更高效的數據閉環，是輕舟智航打造高性價比城市NOA方案的重要支撐。

為實現對各類場景的高精度和魯棒性感知，輕舟智航的NOA采用了激光雷達、毫米波雷達、視覺等多傳感器融合的方案，通過不同傳感器的優勢互補，得以更早實現多傳感器信息共享，從而更準確更精細地感知動靜態物體及狀態信息，避免各類誤檢和漏檢，提升在各類場景中的通過性。

不僅如此，輕舟智航的半監督和自監督預訓練策略還可自動化建立數據閉環，利用車輛收集和提取到的高價值數據，直接作用于算法提升。

“不過對于價值度相對較高的數據，我們依然會選擇人工標注，因為標注質量可以得到更多的保證。在此過程中，我們會先通過算法生成一個預標注框，再通過人工進行一些優化調整，以減少人工的工作量?！焙盥敱硎尽Ｗ罱K得到的結果是，同一個模型不需要做任何定制化或針對硬件方案做重新訓練，即可適配各種激光雷達傳感器配置。

規控階段，輕舟智航自研的“時空聯合規劃算法”，同時考慮了空間和時間，將“橫縱分離”升級為“橫縱聯合”，能直接在x-y 平面和時間三個維度里直接求解最優軌跡。

在輕舟智航看來，這種方案有兩個優點：一是有更大的求解空間，能計算出更多的開法，從而得到更好的行車軌跡。第二，和人類開車邏輯更相似，這樣輕舟智航就能直接在規劃中引入機器學習算法，使用人類的行車數據來訓練和提升規劃算法效果。

比如在加塞、變道、別車等場景中，同時預判周圍車輛的位置和動態，并尋找最好的通過時機，決策邏輯上更接近人類司機。

整體來看，當下輕舟智航的城市NOA已經取得了不錯的路測表現。盡管如此，要想實現高階自動駕駛在更大范圍內落地，離不開數據的驅動，這在業界已經成為了共識。

自動駕駛超級工廠，圖片來源：輕舟智航

為此，憑借以“數據驅動”和“效率提升”為內核的系統化、自動化的自動駕駛基礎設施，輕舟智航提出了獨特的“自動駕駛超級工廠”方法論，旨在打造數據自動化閉環。該“自動駕駛超級工廠”以輕舟矩陣為重要底層，助力打通了從數據處理、標注、訓練、大規模仿真和技術輸出的全流程。

據了解，依托真實路測與生成數據構建的仿真場景，輕舟矩陣可以將自動駕駛的測試成本降至純道路測試的1%，還可以生成數百萬個長尾場景，每天完成數百萬次算法訓練、測試驗證和迭代優化，使自動駕駛軟件能力的進化不再受車輛和人員的限制，實現車輛智能化水平的持續快速提升。

一個典型的應用是，輕舟智航可以搜集大量的雨天駕駛數據，通過模型訓練，更加智能地識別外部世界，比如不會將水花誤認成障礙物，雨水反光也不會導致車輛誤檢。

輕舟智航良好的產業生態及合作關系也為其加速自動駕駛商業化落地提供了重要助力。目前，輕舟智航已經與地平線、火山引擎等產業伙伴共同為客戶提供領先的高性價比的前裝量產方案。其中基于地平線征程5芯片研發的高等級自動駕駛方案，預計將在2022年第三季度開展樣車路測，2023年達到量產水平。