【51CTO.com原創(chuàng)稿件】 在自動駕駛領域，數(shù)據(jù)智能是AI自動駕駛技術(shù)的“明珠”，是最終成為勝利者的成功要素。完善的數(shù)據(jù)智能體系是AI自動駕駛科技公司成功的基石。在業(yè)內(nèi)，誰能高效低成本的挖掘數(shù)據(jù)價值，誰就能成為競爭的王者。

12月23日，毫末智行（以下簡稱毫末）發(fā)布了中國首個自動駕駛數(shù)據(jù)智能體系MANA，中文名雪湖。毫末喜歡借助《三體》命名，雪湖就來自《三體》第二部《黑暗森林》，這個名字代表了毫末以AI通向自動駕駛夢想的思考。

AI DAY前一日，毫末剛剛宣布完成A輪近10億元融資，成為中國第一家實現(xiàn)規(guī)模量產(chǎn)的自動駕駛獨角獸公司。投資方為美團、高瓴創(chuàng)投、高通創(chuàng)投、首程控股、九智資本等。

目前，毫末的小魔盒平臺輔助駕駛里程已經(jīng)突破400萬公里，在2年內(nèi)有5款乘用車、5款無人物流車、2款無人跟隨設備搭載了毫末的產(chǎn)品。毫末計劃在未來三年，將有超過100萬輛乘用車搭載毫末智行輔助駕駛系統(tǒng)。

MANA體系的構(gòu)成

毫末通過對400萬公里用戶行駛里程數(shù)的沉淀與思考，總結(jié)出與數(shù)據(jù)規(guī)模相關(guān)的函數(shù)：F（x）=Z+M（x），它展示出一條代表自動駕駛能力發(fā)展的曲線。

F代表產(chǎn)品力，Z₀代表毫末第一代產(chǎn)品，M是一個把數(shù)據(jù)轉(zhuǎn)化為知識的函數(shù)，包括數(shù)據(jù)獲取、表達、存儲、傳輸、計算、驗證，以及對成本和速度的影響。

MANA就是這個最核心的M。MANA由TARS（數(shù)據(jù)原型系統(tǒng)）、LUCAS（數(shù)據(jù)泛化系統(tǒng)）、VENUS（數(shù)據(jù)可視化平臺）、BASE（底層系統(tǒng)）四個子系統(tǒng)組成。

具體來看：

BASE包括了數(shù)據(jù)的獲取，傳輸，存儲，計算，以及新的數(shù)據(jù)分析和數(shù)據(jù)服務；

TARS是一些關(guān)于計算的核心算法原型，用于感知、認知、車端建圖和驗證的實踐；

LUCAS是對算法在應用場景上的實踐，包括高性能計算、診斷、驗證、轉(zhuǎn)化等核心能力；

VENUS是數(shù)據(jù)可視化化系統(tǒng)，包括軟件和算法的執(zhí)行情況，對場景的還原，以及數(shù)據(jù)洞察等能力。

而MANA將是毫末AI的底層系統(tǒng)，作為毫末自動駕駛能力進化的核心動力。

數(shù)據(jù)在MANA中的實踐

毫末CEO顧維灝從感知、認知、標注、仿真、計算五個方面，對毫末如何實踐作出進一步的分享。

[[441879]]

毫末智行CEO顧維灝

感知

目前毫末核心的感知設備是車載攝像頭和激光雷達，核心問題是如何實現(xiàn)1+1≧4的效果。相較于過往標準的結(jié)果融合方法，毫末做兩種數(shù)據(jù)源的過程融合，這種方法更高效。

系統(tǒng)中，首先把攝像頭和激光雷達的數(shù)據(jù)在backbone中進行計算，然后經(jīng)過Transformer的多模態(tài)融合，把數(shù)據(jù)映射到tensor space中。再經(jīng)過一層特征提取后，加入時間的特征，在這個過程中使用RNN和光流SLAM進行時空融合。這樣就有了時空一體的模型，在此基礎上再進行多Head的計算，計算出所需要的結(jié)果。

這種多數(shù)據(jù)源的時空融合，會快速拉升感知能力，讓自動駕駛系統(tǒng)能夠更準確的刻畫現(xiàn)實世界。

認知

感知要解決的是從傳感器信號中重建客觀世界的問題，而認知要解決的是從客觀世界到駕駛動作的映射問題。

顧維灝提出認知三要素：安全、舒適、高效。安全上，毫末擁有全棧自研安全認知模型CSS，其核心是自動駕駛系統(tǒng)不只局限在從純機械的角度保證自己不主動犯錯，而是充分考慮從數(shù)據(jù)中學習到的對其他交通參與者行為的理解和超時空的歷史經(jīng)驗；

在安全底線之上，從數(shù)據(jù)中學習舒適和更高效的量化標準，以及這三要素之間的制約關(guān)系，讓自動駕駛算法可以更好的處理復雜的駕駛場景，制定更符合用戶喜好的駕駛策略。

具體方法是把影響我們駕駛行為的細節(jié)，從宏觀上分成幾個影響因素：天氣、道路結(jié)構(gòu)、交通參與者、交通流密度、彼此方位、主車路線、碰撞風險和碰撞時距。毫末從已有的數(shù)據(jù)中挖掘和表達這些屬性，然后在進行聚類和分類，形成下圖這個結(jié)果。它們將駕駛場景做出宏觀維度的劃分。

將駕駛場景做宏觀維度的劃分

毫末正在研究一種端到端的模擬學習，就是以過往的事例為指導，從數(shù)字化的場景中得到具體的本車動作。模擬學習，需要更大的數(shù)據(jù)樣本，特別是標注好的數(shù)據(jù)，然后從數(shù)據(jù)中學習得到規(guī)律。

模擬學習是自動駕駛的最好的認知學習方式，最為直接，因為所有的場景都可以被數(shù)字化感知，所有的標注都已經(jīng)在我們自己開車的過程中自動被標注。我們需要做的，就是挑選更符合要求的駕駛行為，并在不同場景下持續(xù)的訓練。

毫末首先定義好能夠得分的目標函數(shù)，它是一個概率函數(shù)，表征了在某個場景下人類動作和交通規(guī)則約束下該做的動作的概率。

根據(jù)前面提到的細分場景分類，訓練自車動作和全局最優(yōu)的網(wǎng)絡。毫末實踐了6種強化深度學習的算法（下圖），發(fā)現(xiàn)RSAC算法更適用于我們研究的場景，能夠更快收斂，得分最高，走的更遠。

圖右上為6種強化算法

標注

感知的進步需要很多標注的數(shù)據(jù)。面對大規(guī)模量產(chǎn)，尤其要關(guān)注這個問題。比如，Tesla標注了60億個物體，包括精準的3D信息、深度、速度。毫末現(xiàn)在也有幾百人在幫助我們做標注，但是如果做到這60億，達到如此的精度，按照今天的市場價格，這樣的方法并不高效也不經(jīng)濟。

所以毫末要做一個高效的標注系統(tǒng)。毫末把閉環(huán)的思路用上，把無監(jiān)督自動標注算法用上。比如車道線識別，目前大部分是通過自動標注完成的，目前性能是市場上其它很多家的幾倍。

驗證

驗證現(xiàn)在有種流行的說法叫自動駕駛元宇宙。毫末的主要方法就是通過仿真制造訓練數(shù)據(jù)，在仿真世界中整個世界的數(shù)據(jù)都是被標注好的，是天然的數(shù)字世界。在仿真世界中可以呼風喚雨，在不同的光照，天氣、道路摩擦系數(shù)下，也可以快速完善算法的迭代。

MANA超算中心和HSD

人類的數(shù)據(jù)規(guī)模在從文本向圖像轉(zhuǎn)變，其規(guī)模非常龐大。因此毫末MANA超算中心正在籌備中，主要用于自動駕駛的數(shù)據(jù)處理、訓練、推理和驗證等需求。

此外，顧維灝表示，2022年年中，毫末輔助駕駛系統(tǒng)HPilot即將推出“城市NOH”這一全新功能。2022年下半年，毫末將計劃交付全場景NOH，并在2023年推出擁有HSD（HAOMO Self-Driving）的車隊。

隨著毫末智行MANA——中國第一個自動駕駛數(shù)據(jù)智能體系的建立，相信國內(nèi)自動駕駛核心技術(shù)將迎來更快、更好的發(fā)展。相信未來毫末能夠在乘用車、無人物流車等領域成為行業(yè)的領導者。

【51CTO原創(chuàng)稿件，合作站點轉(zhuǎn)載請注明原文作者和出處為51CTO.com】