L4公司，凭啥做得好L2/3？( 四 ) 车东西（公众号：chedongxi）作

试想一下，当这套博弈算法运用到文远知行的L2+系统中，显然就是对目前传统L2或L2+系统的一种降维打击。
四、精简模型适应量产平台消费者明年就能买
从前文来看， L4公司的自动驾驶算法，在感知、预测、决策环节都表现出了极大优势。
但一个关键问题是， L4的测试车普遍用了级别更高的机械式多线激光雷达，以及装有多颗大功耗GPU的工控机。在做量产车的L2+系统时， 360度机械式激光雷达变成了视角有限的半固态激光雷达，工控机变成了算力有限的嵌入式计算平台。
硬件弱了，还怎么发挥算力优势？
李璇坦言，对于感知和预测的深度学习模型来说， L4向L2+迁移过程中的主要挑战就是怎么在低算力的硬件平台上面跑完成更多的任务。

文章图片
▲文远知行通用技术平台
她表示，文远知行针对这一问题应用了多任务学习模型、量化剪枝，模型编译等技术，实现在低算力的基础上保持依然可用的感知水平。
并且此前文远知行一直在使用股东英伟达的各类自动驾驶芯片，对嵌入式平台也非常熟悉。
对于规划控制， L4公司们面临主要的挑战在于受限的算力，以及更少和更不精确的上游输入。
解决算力限制的方法是算法的裁剪，以体量的精简换取算力需求的降低。这一过程涉及到大量琐碎的工程工作，需要根据需求在质量和算力使用上做大量的权衡。
她举了一个例子解释，这就相当于我们用智能手机应用的设计理念，在非智能手机上做一个应用，最后做出来的应用可能界面、外观设计不如智能机上的那么好看，但核心的功能和体验，肯定是比非智能机上的应用要领先一个时代的。
而更少和更不精确的上游输入，则可以理解为自动驾驶系统对外部世界理解的很多“不确定性” 。
如何最大程度消除这些不确定性的最好的方法就是将L4系统上才会使用的不确定性计算系统和框架应用在L2+系统上。这样的不确定计算框架可以使车辆行驶时对于未知情况采取适当折衷的对策。
上述一系列做法解决了L4的算法下放到L2+系统上的问题，但还有一个更为关键的问题——L4的公司在算法能力上要明显强于L2的团队。
人员配置上，传统L2玩家的人员构成以工程化团队和一般算法工程师为主，缺乏经验深厚的自动驾驶高阶算法人才——让其在研发更为复杂的城市道路自动驾驶系统时，无法使用足够高级的技术架构和方法。
这也是为什么一直都是特斯拉、蔚小理这样的新造车公司在引领量产自动驾驶功能发展——率先推出NOA自动导航辅助驾驶类的功能，并向着城市NOA进发。
传统车企阵营中，几百款在售燃油车，直到2022年初才有长城的摩卡这一款搭载了NOA类功能（目前零星增加了若干款）。因为大部分传统车企的传统供应商，根本没有做出来这个功能。
最后总结来看，当下正是L4公司入局L2+市场的绝佳机会。
在特斯拉等新势力的带动下，新一代消费者对L2或L2+系统的认可度与需求度日益提升。而传统车企的数百款车型在L2+上几乎全是空白，有急迫且海量的装车需求。
L2+以点到点自动驾驶为核心功能，需要新的技术架构才能实现——这正是L4公司所擅长的，此时入局恰逢其时。
至于配合车企需求、解决各种测试验证的问题，交给博世这样经验丰富的Tier1解决就好了。
据介绍，由文远知行和博世联手打造的L2+产品明年就能实现量产装车，这家一线自动驾驶公司，正走在一条由L2+和L4双轮驱动的康庄大道上。