长城汽车+毫末智行=最强领航辅助驾驶？
这几天，毫末智行在 “2022 HAOMO AI DAY”上，带来了其Hpilot3.0版本，即最新的领航辅助驾驶系统NOH，并宣称将在今年上线，并率先搭载在长城WEY摩卡车型上。
针对NOH上，毫末CEO顾维灏表示：“毫末的产品力，不输特斯拉在中国的表现。”中国人向来谦虚谨慎，实际上，毫末内部的真实想法是，NOH的真实表现完全超越特斯拉。
那么，毫末的NOH到底如何？
不管技术多先进，最终都是为真实的驾驶场景服务，抛开“堆资料、列数据”的方式。今天我们就直接以场景入手，来系统的聊一聊毫末的NOH。
在此之前，我们先来简单了解一些背景信息。现阶段，乘用车上，能够商业化落地的领航辅助驾驶场景主要有两个：城市和高速（环路也归于高速场景）。
高速场景大部分车企都已经具备，比如小鹏NGP、蔚来NOP、理想NOA，以及华为系合作的大部分车型极狐，赛力斯都可以，但能完成城市领航辅助的车企凤毛麟角，目前已经上车的仅有华为系的极狐阿尔法S HI版和特斯拉的FSD（完全辅助驾驶），小鹏最新的支持全场景领航辅助驾驶的XPILOT4.0要到明年才会开通。
如果辅助驾驶以场景来划分，高速只能算是入门级别，因为高速是封闭场景，单向车道，没有红绿灯，场景非常单一。可以说是自适应巡航的延伸，只是增加了自动下闸道，自动变道、自动超车，大曲率转弯等功能。
而城市场景属于“困难模式”，它才是考验领航辅助驾驶系统的试金石，尤其是低速场景，各种鬼探头、加塞、行人横穿马路等状况随时存在。
这也就引出了本文讨论的重点：为什么同样是发布领航辅助驾驶系统，毫末能够引发这么大的反响，铺天盖地的报道。根本原因还是在于，它的技术突破高速场景的局限，能够在复杂的城市场景上路。
下面，我们就用大白话来分析一下，毫末的NOH优势在哪里。
根据毫末的说法，公司已完成了城市NOH全部的功能开发。它可在城市环境中实现自动变道超车、红绿灯识别与控车、复杂路口通行、无保护左右转等主要功能，同时也可以应对车辆近距离切入、车辆阻塞占道、交叉路口、环岛、隧道、立交桥等复杂的城市交通场景。
我们抽取其中两个最常见，也是最难的场景：红绿灯识别和无保护左转。看看毫末是如何应对的。
红绿灯场景识别
红绿灯识别是城市领航最为普遍且最具难度的识别场景。原因有3点：1、它比较小，是典型的小目标检测问题；2、它的状态会动态变化，比如闪烁；3、此外，红绿灯的状态也五花八门：横着的、竖着的、三个的、五个的、有待转的、有倒计时的，形色各异。
这给车企提出了巨大的挑战。特斯拉的FSD功能，虽然支持城市路况，但不支持红绿灯识别。目前在售的面向大众的乘用车型中只有极狐阿尔法S HI版支持红绿灯识别。去年上海车展期间，它在上海市区路测的视频，结结实实秀了一把肌肉，相信很多人还记忆犹新，这在业内是独一份的。现在，毫末的NOH也来了。
那么，毫末是如何解决这个问题的呢？
在系统训练阶段。为了提高红绿灯场景的识别准确率，系统需要提前获取大量的数据来训练算法，但短期内又无法获得大量的数据，毫末的办法是“人造数据”，然后与真实数据融合。
它通过3D仿真引擎得到大量不同光照、不同背景下的红绿灯表现来完成。这个过程可以理解成模拟红绿灯让算法学习。
然而，模拟毕竟和真实情况存在差异，比如真实场景下，红绿灯在夏日强光下和夜间的状态，以及破损，被雨水和尘土弄脏的情况五花八门。使得合成的模拟数据和真实数据总会存在差异。导致合成数据无法被正确使用。
毫末的办法是，尽可能使用合成数据来训练算法，减小海量合成数据和真实数据之间的概率分布差异；并且，利用合成数据定向弥补真实场景中缺失的数据，减小二者特征空间的概率分布差异。简单点说就是，让合成数据多“露脸”，供系统训练算法，让它记的更牢，难辨真假。
在真实识别环节，毫末设计了一个针对红绿灯检测及位置的“双流感知”模型。先识别红绿灯的信息，比如灯箱的检测和灯型分类，得出红绿灯颜色、形状和朝向等信息；再识别目标车道的红绿灯灯组。
然后将二者的数据融合，生成对当前环境的判断，与系统训练的数据库对比，得出红绿灯的具体位置和状态。
根据毫末的说法，它们已经用这种方法在不同城市、不同距离、不同转向、不同光线的条件下进行了大量测试，都能准确地识别出红绿灯信号。
无保护左转
无保护左转也是真实驾驶中高频出现的场景。处理难度非常高，它既要注意前方的红绿灯，后方车流，还有侧向和对向直行的车辆。如果直行和左转是同一个灯，前方有掉头车辆，那情况更加复杂。
这其中每一个小环节都是一个“需求”，要通过代码呈现出来。过去采取的是需求堆叠的方式，就是出现一个需求，增加一段代码。这导致代码非常臃肿，维护难，修改难，并且不稳定。一旦出现没有遇到过的细节，系统可能随时崩溃，比如前车突然掉下一个大石块，系统没遇到过，不知道怎么办。
毫末的做法是用机器模型学习来替换这些手写规则和参数。毫末基于Tranformer模型学习复杂路口场景，通过Attention注意力机制，使用热力图方式量化出与周围交通参与者的安全风险，“近距离用红色表示，输出Attention High”（全神贯注，这里可以理解成小心），而“中距离用黄色表示，输出Attention Middle”（忽略）。
大白话说就是，把表示距离的具体参数通过色彩量化，红色是近距离，说明比较危险接近，黄的是远距离，说明比较安全，系统根据这些量化的信息做出判断。这里有一个非常关键的技术Tranformer，我们会在下文重点讲到。
数据智能体系MANA
毫末能够轻松处理以上两个常见且困难的场景，主要依赖其自研的数据智能体系
MANA（雪湖）。这几天，相信大家对这个词已经听得耳朵起茧了，具体概念性的资料就不列了，有兴趣的同学可以自己去翻一下官方资料，其结构如下图：
一句话总结，它可以理解成辅助驾驶数据的大管家，所有与之相关的事它都管。
这就来到了本文的重点，MANA最大的亮点就是Tranformer神经网络。它最早由谷歌提出，用来进行自然语言处理NLP。NLP在汽车上的应用也非常普遍，比如车机的智能语音，你告诉它“我冷了”，它会自动打开空调，而不需要直接告诉它打开空调，这里就是经过自然语言处理过的信息。
后来因为Tranformer在大数据处理方面的优势，非常适合汽车自动驾驶海量数据的处理，被特斯拉引入其FSD神经网络算法，进行辅助驾驶数据处理。毫末是车圈第二个采用该神经网络的辅助驾驶公司。
神经网络也是辅助驾驶里经常出现的高频词汇，那么究竟什么才是神经网络？
简单讲就是数据翻译模型。在辅助驾驶里，就是数字与结果的“翻译器”，输入“数据”，输出“结果”。比如传感器检测到一只猫，经过各种数据融合，标注，分析之后输出一种结果，判定这是一只猫，中间的过程就是神经网络干的事情。它的本质是数学函数设计，可以理解成一种解题方法，一个数学公式等等。Tranformer英语是“变压器”的意思，这里翻译过来可以理解成“翻译器”。
在辅助驾驶软件工作时，目前业内常用卷积神经网络CNN进行图像识别，然后循环神经网络RNN进行数据的语言处理。弊端是不可跳级，效率低，准确率差。Tranformer就是在这样的背景下被引入辅助驾驶数据库。
根据毫末的说法，Tranformer带来的优势包括但不限于：
1、数据融合更加准确。
目前，除了特斯拉使用纯摄像头，辅助驾驶感知层的数据获取均采用“摄像头+激光雷达”方案。摄像头输出的是图像信息，激光雷达输出的是点云信息，所以数据融合是神经网络在处理数据时绕不开的问题。
目前业内最常用的是后融合，传感器各自生成当前环境的画像，系统对各自的画像进行融合，它的缺点是过滤了很多原始信息，容易造成结果误判；前融合是将二者搜集到的信息原始直接输入系统进行融合。它的优点是保留原始信息，提高准确性。毫末基于Transformer神经网络采用的是前融合方案。
毫末CEO顾维灏说：目前大部分的感知系统都存在“时间上的感知不连续、空间上的感知碎片化”问题。
前者说的是摄像头，因为它拍摄的画面是以帧为单位，但每一帧的时间间隔不是定值；后者说的是传感器的方位和种类。不同传感器或者相同传感器安装位置不同会引发空间的碎片化问题。
解决以上问题是数据融合的大前提。这时候，Tranformer神经网络的优势就体现出来了。
顾维灏介绍，Transformer中的Attention结构（注意力机制），可以提供统一的融合框架。适合自动驾驶中多种传感器数据的融合，增加感知模型的能力。同时也可以提供抽象空间下时序融合的能力，通过前后帧的自动匹配，让目标更加稳定。
针对空间的“错落”问题，Tranformer先对图像进行标记，然后将其放入三维空间中，通过注意力机制对图像进行空间调整；关于时间不连续问题，Tranformer对图像帧数的提取不受时间限制，通过元素间的关联性来对图像帧数排序。
解决了以上两个问题，Tranformer融合后的信息就更加准确。
2、智能数据标注。
先简单了解一下数据标注是怎么回事。
辅助驾驶算法本质是对人的学习，传感器收集到的数据需要对其进行特征标注，
举个例子，车辆拍到一只狗的图片。数据标注的工作就是，将图片上的这只狗“肢解”，比如耳朵，眼睛，鼻子，腿，不同的特征用线框标注出来，记下它的体征，录入系统，供机器学习。下次再碰到同样的数据时，将其与系统收录的数据库对比。上文提到的红绿灯识别就是这个逻辑。
这也解释了业内常说的数据积累越多，越有利于算法迭代。当然，这个前提是有效数据，这里就不展开了。系统今天看见一只柯基，识别它是一只狗，但是明天看见哈士奇，未必能识别它是一只狗。只有见过了所有狗的品种，再碰到其中的任何一只时，系统才能认出来它是一只狗，而且是哪一个品种，因为有历史数据库的对比。数据标注的意义就在这里。
数据标注是任何辅助驾驶公司都无法逃避的工作。之前，辅助驾驶公司一直都是自己采用人工标注的方式来完成这项工作。或者借助第三方数据标记公司，以及Amazon Turk平台（亚马逊的成立的第三方数据标注平台，类似于数据标注领域的淘宝），但所有都是人工手动标注。它们存在一些共性弊端，费时、费力、费钱。
而毫末MANA系统Tranformer神经网络采取自动标注的方式，将人力从数据标注的工作中解放出来。毫末介绍，目前其自动化标注刚刚达到80%。
过程分两步：“目标粗定位”和“属性精细估计”。
先来看“目标粗定位”，车辆在运动过程中收集多帧点云数据（多帧是摄像头，点云是雷达），在BEV（Birds Eye Views鸟瞰）视角下，以pillar（柱形）为单位分别进行物体3D检测和回归物体的运动行为。
先通过高精度3D障碍物检测网络和3D障碍物跟踪算法对物体进行定位。再通过时空金字塔网络内部的2D空间卷积和1D时间卷积提取信息（上文提到的时间和空间融合），对提取的信息进行融合刻画物体的状态分类和运动检测。
大白话说就是，先确定物体位置，再刻画具体轮廓。
“属性精细估计”的目的是确定物体静态还是动态。如果是动态，毫末需要对物体尺寸和位姿进行估计。先通过Transformer提高点云稀疏地区的点云密度，方法就是上文提到的时间和空间融合法，使其呈现出物体具象，再利用PointNet网络进行3D框回归，这一步其实就是对数据进行标注，最后优化物体的运动轨迹，对其位姿进行精确估计。
当然，所有软件的硬件支撑就是毫末和高通联合打造的小魔盒3.0，相信很多同学对相关数据都已经看腻了，在此就不列了。
理论上讲，毫末的领航辅助驾驶水平在业内已经算得上是领头羊水平。
以上便是关于毫末最新NOH技术的全部介绍，如有问题，欢迎交流。