轻舟智航的转型，用 1 万元的成本量产 NOA

智能驾驶在今年走进了分岔路。

一方面，立足于 L2 的 OEM 和供应商在今年实现了由高速走向城区的场景拓展，代表企业有小鹏和华为。一方面，高举高打 L4 的 Robotaxi 企业遇了冷，大批企业遭外界唱衰、路测停滞甚至倒闭......

这波「寒气」虽然还未让国内 L4 公司窘迫不堪，但是转型、寻求规模化量产落地已经成了燃眉之急。

而这一波转型浪潮中，轻舟智航算是动作最快的公司之一。

轻舟智航今年开了两场大型发布会，今年五月，轻舟发布「双擎」战略，即在持续投入研发布局 L4 级 Robobus 的同时，向车企供应稳定成熟的且可自由配置的智能驾驶前装量产方案。

说白了，双擎指的就是两条腿走路，一边坚持 L4 的投入，一边寻求 L2 级的前装落地。

而在 11 月初，轻舟发布了自动驾驶解决方案 Driven-by-QCraft 的中文名称——轻舟乘风。

一般 L4 以供应商身份入局，公众最关心的问题主要有三点：

第一，硬件成本如何控制？毕竟大多数 L4 公司几乎是不计成本的为测试车堆叠硬件，光是覆盖 360° 视野激光雷达的成本，量产车都是 hold 不住的。

关于激光雷达需要多提一句，大多数 L4 公司所采用的激光雷达是机械激光雷达，不太需要在意车辆的造型。但是量产车则完全相反，想要上车，就必须用一个或多个固态/半固态雷达。

第二，算法层面的技术能力如何？毕竟上了量产车就得满地跑了，虽然测试示范区域也属于公开道路环境，但区域一大扩大，道路环境会更复杂，corner case 势必会更多。

第三，前装量产的前景如何？有个残忍的现实是，虽然现阶段每家车企都越来越注重智能驾驶的能力，但头部车企大多都坚持自研，而大型 OEM，例如比亚迪、广汽、长城等等，都已经敲定了合作伙伴，甚至量产了相关功能。也就是说，以目前的发展来看，智驾的「摊子」在变大，但是留给 L4 的优质客户并不是那么多。

而站在 2022 年底这个时间，行业里除了 Momenta 与智己联合交付了量产基础辅助驾驶功能以外，还鲜有 L4 公司能够在于 OEM 的合作中交付亮眼产品，甚至还有一些 L4 公司仍在坚守 L4 自动驾驶这条路线。

而轻舟智航算是第一批主动转型的自动驾驶公司，我们刚好借这个机会看看轻舟的解题思路。

想量产？降本很重要

L4 转型做 L2 功能量产，首先需要迈过的坎就是削减成本，毕竟一辆主销中端车型，其售价也就在二十多万元，留给智驾软硬件的成本空间并不多。

在今年 5 月的发布会上，轻舟公布了覆盖了 L2—L4 场景的 DBQ V4 方案，该方案共有三个版本，分别是旗舰版、加强版与标配版。

其中，旗舰版配备了 12 颗摄像头、 5 颗半固态激光雷达（1 颗主激光雷达、4 颗补盲激光雷达）以及 6 颗毫米波雷达，这套方案的目标是实现 L4 级别的自动驾驶。

而成本方面，据某头部激光雷达供应商称，其新推出的半固态补盲雷达价格在几千元级别，这样来看，其总成本（所有硬件）很可能在小几万元左右，这样的价格对于中端车型来说并不是很友好。

相比之下，硬件配置有所削减的 DBQ V4 标配版更具性价比。

标配版系统搭载了一颗激光雷达，其布局位置也是在车辆额头位置。轻舟智航称，标配版系统总硬件成本在一万元以内。而硬件则包含了激光雷达、毫米波雷达、摄像头只能驾驶域控制器。

同时，轻舟智航称要以 1 万元的硬件成本，实现 99% 的 L4 能力。

换句话说，轻舟首先要将这些硬件成本压缩到 1 万元以内，其次还要依赖这套硬件实现城市级 NOA。这不由让我想到了特斯拉 FSD，凭借并不昂贵的摄像头，实现城市区域的 FSD Beta。

而特斯拉以低成本落地 FSD Beta 的核心秘诀有两个，一是全栈自研，这里自研不仅包括软件，还包括 FSD 芯片等核心硬件。第二，软件算法能力。

所以，压低成本的轻舟，其软件算法能力如何？

在今年的轻舟科技工坊上，轻舟软件团队对外展示了一波核心技术。

超融合感知与时空联合规划

什么是「超融合」

轻舟智航称：「万丈高楼感知起」，相信没有人质疑「感知能力」之于自动驾驶的重要度。

而不同的传感器，其感知方式和采集数据都是不同的，如何处理并利用好这些数据便成了关键，这其中最重要的就是算法模型。

我们都知道，采用多传感器的系统方案，往往需要将不同的数据进行融合，行业主流的方式包括前融合与后融合，部分车企还会进行中融合。

前融合指的是数据融合，即把各传感器的原始数据进行融合处理，得到的是一个具有多维综合信息的结果层目标。

例如将摄像头信息与激光雷达数据进行融合，得到的结果就既包含颜色、物体类别，又包含形状、距离信息。如果再加上毫米波雷达，还能够根据本车的速度得到相对距离与相对速度等信息。

后融合也叫目标级融合，或者也说结果融合。指的是每个传感器首先生成感知结果，例如图像、点云等等。

此时系统将这些数据带入到现实坐标系中进行转换，目标数据处理完成后，再进行融合。后融合是传统智能驾驶常用的融合方法，缺点是低置信度信息会被过滤掉，造成原始数据的丢失。

中融合也叫特征级融合，即首先提取原始数据中的重要特征，进行预处理。目的是将多层次的特征（例如颜色、形状等等）进行提取和处理，实现更高效、智能的图像信息处理。

而轻舟智航采用的是时序穿插融合，官方称之为「超融合」。轻舟智航的「超融合」包含了前、中、后融合，而且在时间顺序上是穿插进行的，通过不同传感器的数据融合、或是结果融合，去更好地互补不同传感器的优势。

轻舟智航感知负责人张雨称：超融合感知技术，可让感知模型在不同阶段、利用不同传感器信息相互补充，得到更优融合结果，避免各类误检和漏检，精度高且鲁棒性强。

另外，基于超融合方案，轻舟智航还打造了一套大模型 OminiNet。

值得注意的是，OminiNet 是一个可将视觉图像、激光雷达点云等信息通过前融合和 BEV 空间特征融合，同时在图像空间和 BEV 空间中输出不同感知任务结果的大模型。

轻舟智航感知负责人张雨也解释了 OminiNet 和小鹏 XNet 的最大区别，虽然二者都是是二者都是一模型、多任务的模型。但是在他看来，还是有以下几点区别：

第一个是感知，轻舟的 OmniNet 相较于 XNet 会增加多传感器融合。比如说 XNet 的输入其实只有图像，根据官方 PPT上来看是多相机、多帧的一个输入模型，而轻舟除了多相机、多帧的相机输入之外，还会有激光雷达和毫米毫米波雷达。

第二点是相较于 XNet 的输出，轻舟的输出会更多样，它会更担负起来感知的多任务输出的角色。举几个例子，第一是小鹏会输出感知的动态目标和静态目标，动态目标包括了位置、姿态、尺寸、速度、预测、静态目标，就包括了车道线、停止线等等。

对于轻舟，除了这些之外，OminiNet 还会输出类似于像特斯拉的 Occupancy Network 一样的通用障碍物占据栅格，以及一些其他的下游的输出。

同时，轻舟也宣称 OminiNet 可在提升感知精度的同时，节省 2/3 的算力资源，所以可以部署在量产计算平台上。

时空联合规划算法

感知是基础，而 PNC（规划和控制）则影响着体验。

轻舟认为，PNC 是城市 NOA 的超级大脑，轻舟的规划和控制包括了车端核心模块和支持模块。

其中核心模块包含了导航、预测、决策规划和控制。车端模块则包含了 HMI、定位服务、日志、环境感知和系统输入。

在 PNC 方面，轻舟并没有采用业内常用的时空分离算法，转而采用时空联合规划算法。

简单地说，传统的「时空分离规划」只考虑了路径规划和速度规划，分别对应横向控制和纵向控制。而「时空联合规划算法」则同时考虑空间和时间来规划轨迹，在路径基础上再求解速度从而形成轨迹，能够能直接在x-y-t（即平面和时间）三个维度的空间中直接求解最优轨迹。

抢滩登陆

在前文中我们提到，一套智驾系统的成功与否，还与市场影响力高度相关。

举个例子，近两年，Mobileye 在国内的风头完全被英伟达、甚至国内供应商地平线压制。主要原因是其「黑盒」方案满足不了国内新势力的需求，且 Mobileye 一向都不是以芯片算力见长。

但没有人会否定这家公司的行业影响力，这不仅仅是因为它的芯片出货量已达到 1 亿片，更是因为当有车企对 L2 基础辅助驾驶功能有需求时，Mobileye 还是有能力提供一套成熟稳定的解决方案。

而对于轻舟智航这类公司来说，与客户联合落地功能，且打出口碑，是非常重要的事情。

在轻舟看来，现在正是入场的好时机。

《2022 中国自动驾驶初创企业投融资系列报告》指出，随着技术的成熟和成本的下降，ADAS 功能逐渐由高端车型向中低端车型渗透。

而随着辅助驾驶的功能逐步量产，更多功能与系统将会成为标配，最终渗透到中低端车型。

根据艾瑞咨询《汽车产业变革浪潮——中国智能驾驶行业研究报告》预测，到 2025 年乘用车辅助驾驶渗透率将达到 65%，L2 级和更高级辅助驾驶进入普及期。

而通过降低成本，将 NOA 等功能渗透到细分市场，正是轻舟去抢占市场的重要途径。

而发布了双擎战略与「乘风」的轻舟智航，其身份也不再仅仅是一家布局 Robobus 的 L4 自动驾驶公司，更是一家智能驾驶通用解决方案供应商。