易航智能陈禹行：渐进式路径看到无人驾驶量产曙光｜量子位·视点( 五 ) 视点发自凹非寺量子位|公众号

比如说有的车型对成本控制要求很高，它安装的这些传感器精度可能就会相对低一些，然后误差、噪音可能会比较大，这个时候我们就得做很多信号上的处理，让最终我们拿到的信号不要有精度上的问题。
再比如有的车厂选择了中小算力的计算平台，那么就要求我们软硬件必须深度地进行优化和匹配，才能充分地激发算力，实现这些高级功能。
像我们现在用的这种苹果手机，其实它的算力要比安卓手机或者高通的芯片低一些，但是苹果手机使用却更加流畅，是因为它是软件硬件在一起进行优化、调试，它才能最终达到一个更好的结果。
我们易航智能也是一直坚持构建全栈自研的能力，像我们已经能涵盖感知、决策规划控制，包括软硬件开发、测试标定等等这些的能力。
实现自动驾驶量产的关键技术有哪些？讲完全栈自研能力对于量产的重要性，我们再来看一下全栈自研这个过程中到底有哪些关键的技术和能力。这里我们从以下几个方面，就是感知、规划控制和AEB主动安全这三个方面展开讲讲。
首先来看这种感知的算法，自动驾驶要感知比较多的路面信息，包括检测像车辆、行人这些目标，还有对这些目标进行测距测速等等。同时我们也要检测像车道线这些道路信息。这个工作其实有很多难点，比如说我们在刚刚进入隧道的时候，尤其是天气特别好的时候，人眼都会因为突然的明暗变化，而瞬间看不清路。对于自动驾驶来讲，我们的摄像头也会由于这种非常明显的明暗变化、由于曝光看不清道路，这个是非常危险的，所以我们就会对曝光提出更强的要求。我们目前要求进隧道的时候，从特别亮到特别暗的时候，必须在100毫秒之内达到我们最终的曝光要求，可以看到隧道里非常黑的路况。其实在夜晚当对面有这种远光灯照过来的时候，我们也是一样的状况，所以这些场景和路况就会有很多难点。
再比如说我们在道路上行驶的时候，有的车尤其是货车，它可能就是在运送很长的墩子或者管子，它比这个车要更长，会伸出这个车。那么这个车距离我的位置在哪里，是按照管子来算，还是按照车来算？上面盖住的布被风刮开之后是什么样的情况？又是不一样的处理方式。这些都对感知提出了很多挑战。
除了检测的问题，还有比如说到路口的时候，有的人站在路边打电话但是并不想过马路，我们也要对他的行为进行一些预测和判断，你要知道他在干什么，有没有过马路的意图；比如有的车他可能在道路上打了转向灯，但是他并不想并线，他只是忘关了。这些情况下，我们都要对这些目标的行为做出一些预测和判断，这个就是我们现在在感知端遇到的一些难点。
那么大家可以看到感知方面，我们又要检测很多的目标，又有很多的功能，所以它对算力有很大的需求。
但算力不是无限的，所以我们就要在特定的算力下，放入更多的功能，这对算法提出了进一步的要求，我们必须要用有限的算力消耗或者是特定的算力消耗，达到更好的效果和更多的功能。
我们目前是采用了算法优化和算力优化两个部分来解决这个问题。
算法优化上主要是用像算法剪枝、知识蒸馏。算法剪枝就是在对模型有一个比较深刻的理解的基础上，我们用自己创新的Scalpel剪枝方法论进行模型压缩，这样就可以提升模型的运转效率。知识蒸馏这边，我们自研了一套领先的大模型，功能算法模型通过知识蒸馏的手段，向大模型来学习，充分继承大模型的优秀基因，最终提升算法的精度。