详解华为智驾方案

文| 张家磊

编辑| 冒诗阳

汽车像素(ID:autopix) 原创

从华为智驾到鸿蒙智行，华为的智驾方案经历过从 ADS 1.0 到如今ADS2.0的演变。1.0时代，智能驾驶的未来路线还不太清晰，从各种传感器到高精地图，华为可以说把能想到的都用上了。

比如在2022年4月首次合作推出的极狐阿尔法S HI版上，这款车配备了三颗激光雷达，相似的硬件配置方案，也用在了同年8月推出的阿维塔11上。

智驾硬件上的堆料，直接推高了车的终端售价，两款车最终定价都触及了40万元的高位。 但智驾堆料堆出了高定价，堆出了汽车品牌追求的高端产品，却没有为智能驾驶用户体验的落地铺出路来。

包括华为在内的智能驾驶研发团队一直没有解决的一个问题是，这些五花八门的传感器之间，所面临的“语言不通”障碍。

多传感器的融合是十分困难的，其中最有代表性的就是激光雷达和摄像头的融合。 前者提供点云信息，后者直接给出图像信息。

激光雷达的工作原理是这样的 ：通过发射脉冲光束，测量光束触碰周围物体后所反射回来的时间，由此来计算被测物体的距离。它的好处是精准和适应性强，可以达到毫米级的测距精度。可以在各种环境中使用，包括光照强烈和恶劣天气。

虽然可以准确的感知周边环境的三维信息，但激光雷达只能提供稀疏特征数据，行业里称之为“点云信息”。而摄像头却能直接采集出图像信息，提供给系统算法，自动分析图像并识别出其中的各种物体，由此来更精准的做出驾驶决策。

也就是说，激光雷达虽然精准可靠，但无法单独支撑智能驾驶功能的迭代。如果华为不想向特斯拉一样走向纯视觉的方案，多传感器之间的融合，是必须解决的问题。

如何做好传感器之间的融合一直是个难点。目前行业中探索的主流融合方式之一，称为点级，这套方案，需要将激光雷达和摄像头在车上的位置，进行高质量校准，极其精密的对齐，才能让两者的内容完全重合，如此来实现两组传感器的之间的“硬关联”。

但这是一套脆弱的融合方式，如果车辆行驶中产生的颠簸，让传感器发生轻微的位移，那很小的误差也会造成对齐失败。

此外，这种融合方案会浪费很多数据。比如激光雷达所采集到的稀疏矩阵数据，在与摄像头这种稠密矩阵数据进行融合的时候，会浪费大量具有丰富语义信息的图像特征。另外在图像特征质量比较低的时候，性能会大幅度下降。

今年4月16日，华为发布了自己的BEV+Transformer+GOD方案，为如今华为更成熟的ADS2.0方案打下了基础。与特斯拉的纯视觉不同的是，华为在传感器硬件上，依然保留了一颗激光雷达，采用的是多传感器融合的方式。那在这个方案之中，华为是如何解决激光雷达和摄像头的融合问题呢？

对于GOD技术的细节，华为没有做特别详尽的解释。但我们在2022年华为与香港科技大学、香港城市大学发布的这篇论文里，可以看到华为解决激光雷达和摄像头融合问题的一些可能的方式。

首先通过激光雷达的点云数据，初步获得行车环境的特征图，再基于特征图，用Transformer结构的解码器，预测一个初始边界框，大概的将行车环境中，所需要注意的物体框选、标注出来，得到含有距离信息的边界框。

到这一步，系统仍然处理的是激光雷达所采集到的信息，处理完激光雷达的信息后，系统会将这些信息投影到摄像头采集到的图像上，把2D图像的特征融合进去，给边界框赋予语义信息。

这里面很重要的一个工具，是大模型Transformer，它能够自适应地寻找2D图像与3D点云的关联。对硬件的对齐要求也没那么高了。

通过Transformer，华为可以让雷达和摄像头，两个传感器之间的硬关联，变成了软关联。这样就可以得到一个包含详细距离信息，系统又能看得懂的感知数据了。

为了提高对小物体检测的稳健性，系统再次导入整个高分辨率的图像。通过Transformer中的交叉注意机制，以一种稀疏到密集的、自适应的方式将2D图像再次融合。使得系统能够自适应地确定，应该从图像中获取哪些信息，包括信息的位置和性质。来对之前的边界框进行增强，让小物体的识别更加精准。

解决了传感器融合的问题后，华为就能让GOD网络获取更加丰富的感知数据，能帮助神经网络模型更好地感知和理解车辆周围环境。再通过GOD网络自主学习，构建3D世界模型。

华为为什么要大费周章的建立GOD网络，而不是像特斯拉一样，采用一套纯视觉的智能驾驶方案呢？

事实上，华为乃至整个智能驾驶行业，都没有停止对特斯拉的学习。

2021年，特斯拉FSD Beta开始采用了一套基于BEV+Transformer的智能驾驶方案，BEV即鸟瞰图，它就像是为智能驾驶打开了一个从空中俯视上帝视角，让车辆能够把近处的感知统一放到一个平面中。

特斯拉的方案，为华为和其他埋头苦干的智驾公司，提供了另一种思路，华为在ADS1.0时代，也采用了这项组合技术。

但BEV框架还是不能解决所有问题，智驾系统需要先识别面前的是什么物体，才能做出相应的决策。如何识别前方物体呢，就需要依靠大量的系统训练，将一个个识别成功的物体，放进智驾系统所建立的“白名单”中。

可是“白名单”不足以覆盖实际交通环境中出现的海量障碍物类型，真正复杂的交通场景下，白名单永远都填不满。另外，感知系统只能识别到之前见过的物体，而没有办法识别一些异形的物体。

这项技术有一个硬伤，就是鸟瞰图是一套只有横纵坐标的二维图像，无法在Z轴上，感知到高度信息。

也就是说，特斯拉的这套方案可以让姗姗学步的智能驾驶走起路来，却还是不能保障走路时不摔倒。

特斯拉很快找到了自己的解决方法。2022年的特斯拉AI Day上，OCC占用网络被引入，它通过大量的分析和训练，将多个摄像头提供的2D图像信息，在3D空间中还原。用无数个小体块来展现现实世界。

但到这一步，国内智能驾驶方案商却跟不上了。实际上，纯视觉FSD真正的难点在于海量的驾驶数据，除了采集数据，更需要一个强大的模型，来对智能驾驶方案进行训练。

特斯拉自研芯片和Dojo模型，外购GPU将云端算力堆到10 Exa-flops，就是为了处理大量的传感器数据，并进行深度学习和模型训练。

如果国内智能驾驶方案商贸然模仿，自家智能驾驶技术进步速度，可能永远也追不上特斯拉， 华为不甘心只当一个追随者。

原本国内的新势力们解决这个问题的方式是依赖高精地图。在发现高精地图因为成本和更新不及时的问题，而无法长久应用后，大家纷纷开始研发自己的方案，华为就是其中之一。

华为所建立的多传感器融合方案，就是为了避开特斯拉OCC花在将2D图像还原成3D，所需要的那部分复杂计算。通过加上一颗激光雷达，提供更加详细的距离信息，华为降低了数据分析的难度，对云端算力的需求也相应降低。

此外，在国内复杂的城区路况下，对近距离测距的精准度要求更高，比测试场地中更棘手的case多很多。这颗激光雷达就可以对前方障碍物进行详细测距，再与摄像头的数据精准匹配，得到更为准确的数据。并且在暗光、大光比、雨雾天气这种摄像头识别不那么准确的时候，也可以稳定输出感知数据。

虽然眼下华为保留单激光雷达的方案，在装车的硬件成本上，仍然会高于只有摄像头的纯视觉方案，但研发投入、时间周期，也是需要被计算的成本。

如今，在华为智驾方案不断迭代的途中，特斯拉的纯视觉方案FSD已经很久没有披露出进展了。也许，融合激光雷达的智驾路线，“总成本”更低。

▍智界S7上市

智能驾驶方案迭代到现在，算法已经不是各家竞争的焦点。 在数据量不足的时候，面对不同城市的复杂路段，难免出现漏洞。如何快速获取行驶数据，并在短时间内将训练结果OTA到车辆，才是加快开城速度的关键。

从竞争者蔚小理的部署情况来看，也许明年，辅助驾驶的数据竞争赛，就要正式开始了。

与这几家企业一样，华为计划今年年底开通全国的无图城区智能驾驶，压力一点都不小。

按道理来说，辅助驾驶开通之前，车厂都应该用自己的车队跑一遍，给大模型的训练一个基础的数据。但全国都跑的话，需要耗费大量的时间和人力、算力。如果直接开通给用户，短时间内大量的数据涌入，也会让华为不堪重负。优先开通“通勤模式”，让各地的车主在同一路段反复跑，对大模型反复进行“自训练”，也许是比较稳妥的方式。

华为的融合方案，就单车的硬件和计算成本来说，肯定是有所增加的。 融合算法必须证明自己在“总成本”上更具性价比，才有可能被大规模的铺开。 多去路上收集实战数据持续训练AI，才能让车辆越“开”越聪明。

华为打算如何面对这些挑战，我们也只能拭目以待了。