沒想到啊沒想到，看似常規的自動駕駛技術分享，竟然意外曝出行業內幕？？？“今年開始，有一些自動駕駛駕駛供應商用傳統CNN包裝所謂“無圖方案”忽悠車企。”“很多AEB“五星”測試結果，實際是在用場景識別的方式作弊！”“一些本來被認為做得還不錯的玩傢，向車企兜售劣質方案，拿用戶性命開玩笑！”
這可能是今年最直白，最激烈自動駕駛前沿現場。
智駕科技的創始人、CEO周聖硯，毫不客氣地揭“老底”。
所以問題來，智駕科技為什麼這麼剛？它說的都是真的嗎？
以及，指出問題外，智駕科技有沒有解決問題的方法？
揭哪些底？
主要的問題有兩個，都是針對今年自動駕駛大熱的趨勢或議題。
首先，是去高精地圖依賴。意思是高階智駕功能，尤其是拓展到城市道路的領航輔助，今年正走向輕高精地圖化，甚至是去高精地圖的技術路線。
原因也很簡單，一是道路基建更新快，高精地圖的采集更新不及時；二是高精地圖本身的制作，需要投入巨大的成本；第三點，高精地圖信息的采集、制作、使用等等環節，法規準入愈發嚴格。
但智能駕駛的量產競速不等人，所以輕圖或無圖就成幾乎所有量產玩傢追求的方案，也成主機廠卷成本的必然選項。
不過智駕科技CEO周聖硯卻說，今年年初這個思路剛流行起來時，就發現行業某些玩傢，拿傳統的CNN，包裝“無圖方案”。
準確的說，是在主機廠客戶看不到的底層算法上，使用成熟但能力不足的CNN，替代BEV，通過調參等手段做一個十分漂亮的Demo。
CNN就是卷積神經網絡的簡稱，也是傳統圖像特征識別、提取的手段。但其局限性在於對目標的識別基於單幀數據，沒有時序特征，也難以建立起不同目標之間的關系特征。
舉個例子，“無圖”情況下需要系統實時感知生成道路拓撲結構，CNN隻能通過岔路口始終不變的“點”來識別。
但如果有目標經過這個“點”，造成短暫的遮擋，CNN就會瞬間失去對道路范圍、車道線的正確識別，造成變道失敗、緊急退出等等情況。
緊急情況下，隱藏著巨大的安全隱患。
第二點，是最近頻頻吵上熱搜的AEB功能。智駕科技曝一個更猛卻令人哭笑不得的內幕：
實際上一些所謂C-NCAP五星級AEB功能，都在使用“場景識別”作弊。
啥是場景識別？就是通過特殊的場景觸發特定機制。
因為無論是C-NCAP或是任何-NCAP的標準AEB測試中，假人目標永遠是黑上衣藍褲子，一旦系統識別到黑上衣藍褲子人形目標，立刻提高AEB系統靈敏度，多快速度都能剎住。
但這樣的系統是無法正常使用的，誤觸發太多。所以用戶正常使用中，所謂“五星”AEB，根本沒有任何作用。
簡單到令人瞠目結舌。
智駕科技認為，現在行業出現這種低成本“劣幣驅逐良幣”的隱患。
而真正有積累且負責任的自動駕駛公司，會用技術解決問題。
搞什麼新動作？
智駕科技首先科普區別真無圖和假無圖方案的最直觀方法，就是看系統有沒有實時感知生成的道路拓撲結果：
支撐這項能力的，是以Transformer架構為基礎的BEV算法。
BEV是將傳統自動駕駛２D圖像的感知方式，轉換為在鳥瞰圖視角下的３D感知。BEV空間經過處理，是可被算法理解和應用的。
在BEV框架下，所有後續的感知、預測、規劃都可以在同一個空間進行，減少上層對不同空間結果進行判斷決策的麻煩。
再進一步，BEV將不同傳感器輸入在同一空間進行統一，一些事情就更容易。比如對物體的深度、體積、位置處理。
另外，BEV不僅有更豐富準確3D信息， 4D信息的提供也更容易——即時序融合。
由於BEV將各傳感器數據都拉到統一空間，並統一形式，就更容易得到不同源的信息或特征，更容易知道不同目標在時間先後以及空間相對關系。
再再進一步，時間和空間做到更好的統一，那麼很多傳統感知的短板也能彌補。
首先是對於運動物體的估計會更準確，預測算法也會更穩定、高效；另外因為BEV算法是基於學習而來，那麼對於遮擋場景以及物體狀態可以做出推理，腦補出完整形態等等。
周聖硯認為，BEV給自動駕駛一把新的鑰匙，實現自動駕駛端到端的重新定義。
智駕科技從2020年開始，做的最重要的一件事，就是用BEV+Transformer重構自己的全部技術體系，成果是青雲Hyperspace架構。
融合道路拓撲、目標軌跡、占用空間三大網絡。
傳統的L2系統，或基於高精度地圖的智駕，道路拓撲的關系不需要車端感知完成，但在無圖情況下，道路拓撲的關系檢測就交給BEV。
青雲BEV架構的感知系統，精度上可以達到橫向5公分，縱向1/1000的精度。千分之一就相當於在100米發現一個道路的分叉點，而這個關於分叉點的誤差不會超過10公分。
其次，青雲BEV架構能輸出車道線、地面箭頭、斑馬線、停止線等等目標，多達100多種交通要素屬性，這些要素足夠做無圖 NOA 的需求。
第三，青雲BEV具備超視距的能力，在6V（攝像頭） 的基礎上，向後可以最遠看到100米，向前可以看到150米，且精度不打折扣。
最後，由於添加時序信息，青雲BEV目標遮擋，能夠自行“腦補”，還原整個道路拓撲的完整性。
目標軌跡網絡，是青雲 BEV 架構的第二個模塊。在傳統的CNN網絡下下，目標檢測僅僅停留在歷史和當下的單個目標的軌跡，對未來的軌跡，隻能用基於規則的卡爾曼濾波的方式進行線性預測，往往是不準的。
青雲 BEV 則利用生成式的方式解決目標軌跡的預測問題。可以準確的預測目標 3 秒後的軌跡。相當於AI司機也具備防禦性駕駛能力。
青雲 BEV 架構的第三個亮點，也是行業目前最期待的一個技術點=創新，就是純視覺占用空間。
直觀的說，就是將車輛周圍的世界用 10 公分的立方體組成網格，像搭樂高積木一樣把它搭出來。除能部分替代激光雷達的的作用，降低成本。
更重要的是系統不區分車輛、行人等不同目標，直接網格化表達，當系統發現前面有一個障礙物，不用經過感知識別等一系列決策鏈條，系統直接進行進行自動剎車。
通過智駕科技的青雲架構也能看出，BEV+Transformer帶來的不僅僅是技術創新，而是顛覆傳統CNN算法模塊化累加造成的不確定性，可以理解為一種絕對意義上的底層技術創新重構。
智駕科技也基於此提出一種很新的城市NOA實現方法——記憶共享：青雲BEV架構利用拓撲元素，加之組合導航算法，可支持一次性完成自動化建圖記憶，這是記憶共享技術實現的基礎。
然後，通過MAXIPILOT®全系智能駕駛產品的投放市場，實現不同級別價位車型覆蓋，這意味著入門級配置即可支持城區建圖，能夠幫助車廠客戶以80%的規模化量產方案為基礎，構建20%高配方案所需要的核心場景數據。
這套MAXIPILOT®全系智能駕駛產品的邏輯，就是基於這樣的思路誕生。
MAXIPILOT®2.0 Lite主打城市增強L2方案，依托青雲BEV技術解決當下L2體驗不連續的產品痛點，例如L2系統在路口場景容易退出/道路拓撲變化體驗不佳等。
包含BEV一體機和MDU20域控兩種產品形態，覆蓋20萬元以下車型細分市場實現智慧化升級，支持極高性價比的輕地圖高速NOM（Navigate on MAXIPILOT®）應用落地。
同時，MAXIPILOT®2.0 Lite也是行業內唯一支持BEV部署的前視一體機高性價比算力平臺方案，定位覆蓋日常行車70%以上場景的千元級別產品。基於單個BEV一體機數據閉環，快速獲取關鍵路口/特殊道路拓撲等場景數據，高效開城。
MAXIPILOT®2.0 Pro，基於5R6V的傳感器配置，單SOC實現行泊高度合一，是中算力平臺性價比之選，支持實現全場景高速NOM、記憶行泊車等智慧化功能方案。
MAXIPILOT®2.0 Pro支持占用空間網絡部署，支持輸出BEV特征抽取後的特征地圖（DREM-Deep learning REM），以數據合規方式上傳雲端，同樣通過記憶地圖共享實現高效開城。
MAXIPILOT®2.0 MAX主推nR9V的傳感器配置方案，支持輕地圖拓展城區NOM領航輔助駕駛方案，能夠更好應對城區復雜環境及交互。同時方案可選前向激光雷達，作為城區視覺冗餘的多重保障。
MAXIPILOT®2.0 MAX的亮點在於可以通過復用2.0 Lite和2.0 Pro積累的海量價值數據，實現成本可控、節奏可控的開城。
總結一下，智駕科技現在在做一件足夠超前且又很決絕的事——果斷扔掉CNN的包袱，用BEV+Transformer重構之前所有產品。
而BEV+Transformer帶來的，不僅僅是智駕功能體驗上的大幅改善，還指向一條統一技術框架、數據高度復用的量產之路。幾乎完美解決入門智駕系統裝機量大但數據價值不高，而高階系統裝機量小數據不足的問題。
智駕科技為啥這麼剛？
智駕科技之前在自動駕駛圈曝光率、話題性並沒有其他明星公司那樣高，是一個十足低調但實力不容小覷的“掃地僧”。
創始人、CEO周聖硯，畢業於北京理工大學、MIT，2016年就創辦智駕科技。
智駕科技從一開始就堅定的走漸進式自動駕駛路線，並且和其他所有創業公司不同，打一個提前量，幾乎獨自吃下一片藍海——
商用車主動安全系統。
2020年起，我國強制中大型商用車標配主動剎車、車道偏離預警等等功能，智駕科技迅速抓住這一機遇，客運貨運雙管齊下，提供AEB、LCC等基礎L2功能，幾年內覆蓋市面80%以上商用車品牌，出貨量遙遙領先。
借助商用車ADAS歷史機遇起飛後，智駕科技還是以熟悉的L2切入乘用車市場，並且在這兩年中，實現數十款量產車型的產品搭載，同時自動駕駛裡程累積，也超過3億公裡。
“智駕模式”，是一條獨特的“商用包圍乘用，L2包圍L3”的“升維”路線，以技術補成本，快速規模量產的模式。開創自動駕駛創業的一個新“門派”
而在如今BEV成為主流後，智駕科技以幾乎相同的底層邏輯，給出量產高階智駕的新思路：低階帶動高階，以規模化“拼圖”的方式，實現NOA快速開城。
同樣也提供量產智駕的一種新參考。