飞机先生

{{detailStore.create_time}} {{item.series_title}}

{{detailStore.author.is_follow?'已关注':'关注'}}

原创文章

日榜 TOP{{detailStore.day_rank}} 月榜 TOP{{detailStore.week_rank}}

在新出行社区上有一个很有意思的话题：“怎么样的智能驾驶会让你愿意为车买单？”

从大家真实反映中可以看到，用户更关心的是智能驾驶功能上是否更安心、更安全以及更舒适，而不是目前大家所看到的算力之争或者是“堆料”之争。

如何在高性能的智能驾驶平台上构建一套好用的算法以此满足用户需求的场景体验，成为车企下半场的核心竞争力。

在这两个维度上目前行业也有各种观点与看法，例如有车企直接采用外包方案、也有供应商共创方案，当然也有自研方案。

飞凡R7 作为飞凡汽车独立运营的一个全新开始，跨步走的更大，除了“尝鲜”的应用 LUMINAR 1550nm 激光雷达、Premium 4D 成像雷达以及 ORIN X 芯片等硬件外，也踏上了全栈自研的方式。后起的飞凡汽车，在智能驾驶上又是如何思考硬件与算法、算法与用户体验之间的关系的呢？今天我们也和大家好好聊一聊。

如果还没进新出行飞凡 R7 群的同学可以加微信「 xchuxing08」 回复「 飞凡 R7 」，而包括我、专业 KOL、专业编辑老师等也在群内，欢迎大家一起共享共创！

一、为什么下半场核心竞争力是“融合”？

在智能驾驶的上半场，我们看到一众车企开始“食材”堆料。例如有高性能激光雷达的前装量产、8MP 摄像头的应用以及双 Orin 芯片的竞争，到下半场，争夺的焦点来到如何在“食材”上做好的“菜”，解决用户体验的痛点，这就需要权衡“厨师”的工艺，我们也叫算法。

而多传感器融合的难点在于“厨师”如何在高性能的硬件平台上，将各种传感器、芯片、地图、定位信息等做成一道道菜。智能驾驶也遵循木桶效应，即不能出现短板。

如何在硬件平台上定义应用算法能力，实现好的用户体验，也会成为自研梯队的差异化竞争优势。

如果我们再按照简单的划分，算法其实就是一张行走的神经网络，它的角色就是通过我们的感官输出信息，例如我们在路上看到一个目标物识别出一个行人或者一台车，这就是算法。而系统是通过算法来输出可通行空间、规划以及决策等，这也直接决定了用户体验的舒适性。

算法让我们知道我们认知的是什么，系统才知道我们接下来要做什么，可以看到传感器硬件就是源，它是我们的五官，但是算法会成为硬件与系统之间最重要的桥梁，也是算法成为整合智能驾驶流通的“血液”。

那为什么我们会说最核心的是融合算法，而不是我们目前看到的感知算法？或者是激光雷达算法呢？

我们知道智能驾驶强调最多的是数据，但目前大家更多的是从大数据走向小数据、从千人一面走向个性化的阶段，所以除了要解决智能驾驶数据量的收集问题，更重要是数据的处理效率。

所以融合算法便起到了最为关键的作用。

不同的传感器都存在不同的数据敏感度以及准确度，好的融合算法就是好的 leader ，它作为司令官让各个传感器各司其职外，还需要确保做出最高效以及最安全的判断，实现最优体验，它能充分利用不同传感器的优势，提升对不同场景下的感知精度，以此来提高安全以及性能，让各个传感器在不同场景下发挥其特长。

但不同传感器的“性格”不同，这也给做主导的“司令官”CPU 很大的压力，那目前大家是如何思考融合算法的？

二、前融合？后融合？全融合？

传感器融合是通过算法把不同传感器所感知到的目标合成在一个统一的坐标系下，系统可以消除不同传感器之间的“矛盾”，同时增加传感器之间的冗余、互补性，同时确保系统的实时性。

例如不同传感器感知同个目标物出来的结果是相同的，这可以在不同环境中做冗余，例如夜间或者逆光等环境下激光雷达可以替代摄像头识别部分感知，当然在颜色、文字等具体信息摄像头又与激光雷达形成互补。

目前行业两种主流融合思路是前融合与后融合。

首先是后融合，后融合是通过各个传感器对目标物进行感知，并且将自身属性的识别结果在决策层上做融合，这是目前大部分系统所采用的方案。

可以看到后融合输出的结果已经成为最终目标，也就是已经是一个结果，所以后融合也被称为决策级融合，后融合中央处理器就像是「法官」，各个传感器因为属性独立，即使存在感知差异或者错误也不会对结果有关联。

例如摄像头在夜间把一个行人看成一台车，但激光雷达能识别出是人，其实不会因为摄像头的识别而影响感知系统的感知结果，最终可以正确识别出这是一个人。所以这也引出我们上面提到的另一个优势，就是冗余以及互补性，并且开发起来起来也较为简单，我们只需要在不同场景下设置不同的置信度，最终完成决策。

但它的挑战由于是目标识别结果后再融合，中央处理器会牺牲一定的精确度，「法官」有时候会偏信了某个传感器的信息，而忽略了真正的正确信息，所以会出现部分目标漏检情况。

相比后融合的分布式架构不同，前融合则是基于集中式架构，更强调「融合」的作用。前融合是将传感器的原始信息包括图像、激光雷达点云信息全部集中到融合模块，在融合模块中实现预测、跟踪等，所以前融合就像是把多个传感器集合成一个超级传感器。

由于是数据级的融合，所以基本没有数据损失，可以实现精准的结果，前融合中央处理器就像是「厨师」，需要针对不同食材的属性做好的烹饪，在出锅前已经将各个食材的味道属性做了深度融合。

可以看到由于输出的都是原始数据，各个传感器数据特征信息需要在融合之前就被提取出来，这也相当于烹饪之前厨师需要对各个食材做处理，保证在烹饪时即拿即用。所以原始数据量对于中央处理器的计算能力需求也比较高，同时不同传感器的输出结果时间以及属性不同，例如激光雷达带有深度信息，摄像头带有颜色以及文字信息，毫米波雷达带有速度信息等，也对融合的时一致性以及时效性带来挑战，

伴随着传感器以及处理器的升级，飞凡则提出新的融合算法，即全融合。

全融合也就是通过将前融合的多任务、多特征神经网络的感知结果与后融合的传感器独立输出的结果进行综合，同时依赖 R7 上的双 Orin X芯片平台，实现更高效以及更安全的感知判断能力。

如何理解呢？

飞凡R7 整车共配备了 33 个传感器，33 个传感器就像是在 飞凡R7 上装置的 33 个精锐部队，他们“驻扎”在车辆各个位置各司其职，并且针对海、陆、空领域有不同的作战优势。

它们时时刻刻将自己擅长作战的信息（感知信息）传递给总司令（决策层）。

飞凡R7 的全融合技术亮点在于每个部队作战方式灵活，有两种快速响应的作战方式应对复杂场景。第一种是“团战”，也就是前融合方案。通过 33 个部队根据各自优势协同作战，针对不同领域发表观点，由司令官综合情况讨论出一个最优的协同作战的方式。另一种是 33 支部队各自为营（后融合），在自己特长的领域做特长的事。在观察整个作战环境后，各个部队需要根据自己作战优势做出判断，由总司令官综合 33 支部队做出最后决策。

可以看到“团战”的方式在汇报给“决策层”之前其实已经把各个传感器的特性输出最终结果，而这个结果是结合了激光雷达、摄像头、毫米波雷达等融合进来的 3D 信息、颜色、运动目标、速度等信息，每个信息都有关联性，团战也是数据集的融合，让数据的损失更少。

同时每个部队针对自己的优势，只发表自己特长的观点，例如激光雷达说出自己的点云信息或者目标物3D信息，摄像头说出自己的图像信息、毫米波说出目标物的速度、距离等信息，由“决策层”根据当下情况做优先级判断，也就是融合一个最终的目标信息。

相比其他车企选择的前融合或者后融合不同，飞凡汽车将合二为一，利用这两种不同作战优势，将各个传感器的性能发挥到极致，并且确保带来最佳的输出的结果以及带来更优的体验。

这两种作战方式到底如何在现实中如何发挥作用呢？

三、挑战的底气：全融合技术 

1、全融合算法能够发挥哪些作用？

目前 R7 已经通过了 40+万公里的国内高速测试，目前国内高速单程里程为 17-18 万公里，测试里程覆盖了来回程。作为飞凡汽车独立运营后的首款车型，R7 并没有走从传统 ACC  到 ACC/LCC 再到高速领航辅助驾驶的传统迭代的步伐，反而是一步到位。

“飞凡速度”背后，高效的算法是构建体验功能的基础。

从飞凡汽车发布的 RISING PILOT全融合高阶智驾系统的视频上，可以看到其中许多场景，都是针对国内实际路况量身定制，例如匝道全域增强识别、静态路障识别、雨雾恶劣天气识别、预感知避让、大型车辆避让等。从视频中可以看到三大困扰驾驶者很久的“热门”场景：

（1）匝道全域增强识别。目的是为了解决很多复杂上下匝道口，系统会突然减速变道或者识别错误错过匝道的问题。 RISING PILOT 通过提前对远距离匝道口做增强感知，从而有更充裕的时间提前做变道准备，并且能够实时观察前后车辆以及旁边车道车辆的行驶状态，从而在安全范围内完成变道，汇入匝道。

（2）静态障碍物识别及避让。面对地图上未及时标识的施工占道、铁栏杆等障碍物，在没有高精地图的协助下，大部分车辆的处理结果是漏检或者直接刹停呆在原地。飞凡全融合算法能够让车辆行径更为灵活，一方面可以提高变道效率，一方面巩固驾驶安全性——在城市或者高速环境中如果因为障碍物紧急刹停，很可能会造成追尾等危险后果。

（3）恶劣天气下稳定工作的高阶智驾系统。得益于 LUMINAR 1550nm 高规激光雷达以及 Premium 4D 成像雷达的优越性能，RISING PILOT在恶劣天气影响下依旧可以保持稳定工作，跟车、识别、避让都游刃有余，实用性大大提升。

2、全融合算法在变道策略上具有哪些优势？

匝道和静态障碍物，毕竟只占行程的小部分。大多数时间，我们对智能驾驶的需求集中在车道保持、主动变道超车。想要提供能让用户心甘情愿买单的智能驾驶体验，在变道策略的设计上将面临不小的挑战。而在RISING PILOT这套智驾方案中，得益于全融合算法，系统对道路信息能做出最快速的捕捉与消化，在最短时间内发挥多传感器的优势、判断车流信息并得出一个最佳的规划策略，以应对别人加塞或者避免走在不是效率最高的车道上，把智能驾驶体验表现的更像人类驾驶。

比如在车辆较多且车辆行驶普遍较快的高速路场景，安全的权重增加，可减少变道行为；如在光线较好且车辆较少的高速路场景时，则效率的权重增加，可保证安全的前提下增加变道超车等。

3、搭载自主可调的 MY PILOT

在功能层面上， RISING PILOT 还考虑不同驾驶者驾驶风格和习惯，推出自主可调的MY PILOT。

有了全融合算法的稳定性以及高效性作牢固基础，MY PILOT可根据车辆实际行驶的环境条件，在RISING OS系统中支持用户在舒适、标准、运动多种智驾风格中自定义，根据或激进、或佛系的个人驾驶习惯，实现不同风格的智能驾驶行为决策。

飞凡 RISING PILOT 全融合智驾系统的高速领航功能现阶段实力得以通过视频一窥究竟，已然让人跃跃欲试。作为目前业内首个打通硬件、全融合算法以及系统思考的车企，究其背后，更是得益于飞凡汽车开启自研所带来的独到优势。

四、轻资产 背后 ： 全栈自研的决心

RISING PILOT 是飞凡汽车独立运营后，全栈自研开发，启动时间与蔚小理等新势力一梯队转向自研路线接近。能在短短两年半时间内，从0起步，交出一套比较值得期待的高阶智驾系统，可以说得益于其背靠上汽集团的“硬实力”与研发团队算法开发的“软实力”。

LUNIMAR、NVDIA、ZF、HELLA等全球顶级的智能驾驶企业，都是飞凡汽车的战略供应商，为RISING PILOT提供了行业最顶尖、可量产的硬件支持。

同时飞凡智驾共创中心的500余人团队，都拥有来自智能驾驶、人因工程等多领域的学术背景、科研能力，以及丰富的量产经验，具备了能保证科研及工程化落地的能力。

最后，不得不提的是上汽集团雄厚的资源以及规模优势，令飞凡既能够以轻资产的方式快速上道，同时也享受上汽集团的创新研发落地经验、聚拢集团人才，成为飞凡汽车在与新势力等一众车企对抗中的独到优势。

五、总结

智能驾驶下半场竞争的焦点已不再是大算力或者是其他硬件之争。到底怎么样的智能驾驶会让你愿意为车买单？

飞凡也给出了一个新的答案——RISING PILOT全融合高阶智驾系统。基于高性能的智能驾驶平台上构建一套好用的算法以此满足用户需求的场景体验，并且我们也与官方确认，在十月份开启交付后 RISING PILOT 是交付即可用的状态，具备高速领航辅助驾驶的能力，这也凸显出飞凡汽车的底气与诚意。

在成都车展发布会上飞凡汽车 CEO 吴冰表示：“目前 R7 也已经通过超过 40 万公里的高速道路测试，全融合算法也逐步成为未来行业技术趋势，未来智能驾驶的行业格局也将从此改变。”

接下来在交付后我们也会为大家开箱 R7 量产版高速领航辅助驾驶，为大家做更深度的横评与实测。