交流群 | 进“传感器群/滑板底盘群”请加微信号：xsh041388交流群 | 进“汽车基础软件群”请加微信号：ckc1087
2022年，如果有朋友想讨论自动驾驶卡车量产，或许可以参考嬴彻科技在9月1日科技日上发布的《自动驾驶卡车量产白皮书》（后文简写为《量产白皮书》）。自动驾驶正在探索从概念验证走向产业化落地，量产已经是绕不开的话题。市场上的自动驾驶公司都在不同程度地推进技术或车型的量产工作，不过什么是量产、怎么做量产，一直未有明晰的论述。作为自动驾驶卡车赛道上的代表性公司，嬴彻科技从成立之初就提出“技术+运营”双轮驱动的战略，始终坚持量产导向的技术研发，并且在2021年底具备了量产能力。而此次嬴彻科技应该算是以己为例，站在行业的角度完整且公开地阐述了自动驾驶发展的技术路线和量产开发方法论，其内容覆盖的广度和深度，堪称业内罕有。嬴彻的技术体系可以总结成8个字：始于“量产”，终于“无人”。这一点如今越来越成为行业共识，而这其实已经是嬴彻3年前的坚定选择。在这个过程中，嬴彻遇到了哪些挑战，他们又是如何去解决这些问题？公司是如何打磨自己的流程体系和工程化能力的？嬴彻如何从量产走向无人？借着这次嬴彻科技日和《量产白皮书》的发布，笔者与嬴彻科技的相关专家进行了深入的交流，厘清了嬴彻技术路线的核心脉络。
嬴彻表示，面向干线物流场景，首先要看最终客户需要一台什么样的车，能够提高运营效率，降低TCO成本，然后进行整车的产品定义——要具备什么样的功能、要达到什么样的安全要求及成本目标。关于现阶段行业中的自动驾驶开发体系，其存在开发体系的不规范化和技术的迭代效率较低的问题。原先的自动驾驶卡车技术都只应用于后装车辆，属于各家的demo或者试运营项目，但技术若要大规模应用就必须前装，而前装就需要一套系统的技术体系来支撑。将自动驾驶系统与整车视为一个完整的系统进行设计，是嬴彻在做方案设计时最基本的出发点。以产品为导向，正向推动需求分析和产品定义，并以此确定开发目标，从而避免开发过程中的碎片化、不规范化和技术的迭代效率较低的问题。根据白皮书显示，嬴彻的整套技术体系涵盖了自动驾驶卡车开发的各个部分，包括需求定义、系统开发、流程与工具。自动驾驶卡车的量产开发不止是一个自动驾驶系统，要与车端多个复杂的系统来进行交互，所以在系统开发层面，嬴彻将整体开发任务拆解为包含自动驾驶系统在内的7大核心子系统进行开发。每个部分的具体要素如下图所示：
嬴彻科技-自动驾驶卡车系统的7大子系统详情
（注：包括自动驾驶系统、电子电气架构、线控底盘、人机交互、网络安全、云基础设施、数据闭环）
从整个技术体系的特点来看，嬴彻的技术体系始终围绕量产展开，不搞技术demo的花拳绣腿，总结了8大量产开发原则。这8大原则也让嬴彻“带着脚镣跳舞”：一方面，该体系体现了嬴彻对自动驾驶卡车围绕量产的技术要求和安全性要求的充分理解和尊重；另一方面，在成本、性能受限制的前提下，量产需要更强的技术和工程能力齐头并进，缺一不可，而工程落地能力也是一直被行业所忽视的，这其实是一种壁垒更高的能力。基于这8大原则，笔者整理出了嬴彻在打造自动驾驶卡车量产技术体系时的整体思路。
嬴彻科技-量产8大原则
当前，行业内对于自动驾驶重卡安全的理解往往是一种狭义的理解——更多的是由于卡车独有的物理特性（车身长且宽、车重大），而将其安全的理解局限于自动驾驶系统的安全。但自动驾驶重卡的安全不仅仅只体现在自动驾驶系统层面，也在于开发流程以及企业的安全管理体系。
在整个体系的安全层面， 笔者从自动驾驶系统的安全设计、核心硬件的冗余设计、网络安全、开发流程的安全四个部分展开论述。
（1）感知融合方案
感知系统的能力好坏不在于传感器的种类和数量，而在于能否将融合做好，只有做好多传感器的融合才能更好地提升感知精准度，从而确保车辆的行驶安全。从传感器的融合方案来看，嬴彻科技采取了多模多视角 Transformer 的前融合感知，相较于业内传统的BEV Fusion算法，该融合算法在NDS（导航数据标准）上运行的mAP值（Mean Average Precision平均精度均值）超过2% 。针对融合方案的创新之处，嬴彻科技CTO杨睿刚介绍道：“目前业界常用的前融合框架通常会为每类数据源设置单独的BEV主干网络，并通过将不同源的特征图堆叠后进行局部卷积实现融合。我们将投影后的BEV特征直接进行融合，并共享BEV下的特征编码（Feature Encoder）与多任务头（Multi-Task Head），这样的融合方式能节省约10%的计算量与参数，并且使用Transformer能同时捕捉到局部和全局的相关信息。该融合方案在小物体的识别以及抗天气干扰方面，都有一定的优势。”
嬴彻科技-多模多视角 Transformer 的前融合感知架构
（2）规控一体化架构
行业内规控算法普遍采用的是分层的架构，即预测、决策、规划、控制的分层实现，整套架构方案易工程化实现、鲁棒性高，但这种分层的做法，会造成控制端和规划端的匹配失衡，比如在高速场景下，重卡的车速非常快，而使得控制的时延增大。在干线物流场景下，由于国内高速道路的路况较为复杂，所以自动驾驶公司普遍在避障问题上的解决方案相对比较保守，通常来说，会尽可能让车辆避免采取变道措施。一方面，嬴彻开发了时序分解方案TDPred（Temporal Decomposition Prediction）通过将完整时长分解为多个短时组合，通过金字塔式卷积操作，实现精确的高速长时长预测（长达10s以上）。
另一方面，针对挂车的柔性连接、载重波动、质心偏移，以及卡车自有的横向控制精度低、车辆参数偏移等问题，嬴彻采用了车辆参数自适应建模技术，对车辆、外部环境、执行器都建立了动态模型。模型参数在运行过程中能够通过环境数据自适应更新，再结合模型预测控制算法，通过状态约束来保证控制结果的安全，同时通过代价函数的调整来实现控制结果的最优。
嬴彻当前的自动驾驶卡车产品，在硬件设计方面，比如自动驾驶域控制器（ADCU）、传感器、核心线控零部件等，都配置了符合相关车规级标准的冗余设计。面对商用重卡严苛的车规级安全需求，嬴彻在市面上没有成熟产品的情况下，自主设计了拥有通用计算域、AI域、安全域和高速网络的异构域控制器，并且支持A/B双面冗余，当A板失效后，B板将迅速接管车辆控制，为高阶自动驾驶提供安全保障。嬴彻科技某架构工程师说：“主系统与冗余系统之间将有非常高速的带宽，不仅是检查彼此的故障，对彼此的感知结果、控制结果也会做相互校验。”与之相配合的系统软件，拥有定制化开发的安全管理系统、编程框架、实时运行库等，能够实现高速通讯、故障诊断和自动回复、精确的时间同步以及硬件抽象等功能，为域控制器提供了扩展性，同时满足高安全性要求，这一切，如果没有强大的工程能力，是无法实现的。
嬴彻科技-自动驾驶域控制器的功能域定义
嬴彻的自动驾驶系统的传感器布置采用了多传感器异构方案，除了可以应对更多的corner case外，不同传感器之间也能做到一定的冗余安全，比如两侧的两个补盲激光雷达可以提升盲区内横向精度，也可以作为对Camera的冗余。商用车的冗余安全要求较高，但相关技术的发展尚未成熟，部分商用车主机厂的底盘系统中，功能安全的开发只能满足自动驾驶系统的部分安全需求。一方面，商用车由于车辆质量较重、转向力矩和制动力输出较大、系统延迟较大的原因，其冗余安全要求会比乘用车更高，并且随着车辆里程数的不断增加后，制动器间隙、转向系统间隙等会出现较大的衰减，从而影响相关零部件的耐久性；另一方面，行业内的商用车线控技术虽然已经相对成熟，但线控冗余设计并不成熟，更没有满足相关系统功能安全等级的要求。于是，嬴彻联合主机厂和Tier1等产业合作伙伴，共同进行功能定义，研发了一套具备制动冗余、转向冗余和电源冗余的全冗余线控底盘技术方案，其中，线控制动和线控转向分别实现了主备系统的独立运行能力，系统之间也通过CAN总线传输，保证系统之间的快速响应。以下是嬴彻线控技术中的相关冗余安全设计：线控制动：主制动（EBS）+冗余制动（rEBS）+冗余制动（ETB）
线控转向：主转向（EHPS）+冗余转向（CEPS）
供电电源：主电源+冗余电源（冗余电源控制器SES）
该架构可以支持L4 技术平台，是真正具备“Fail
Operational”即故障下可运行功能的冗余线控底盘系统。嬴彻在相关供应链还不成熟的条件下，取得了这项至关重要的技术成果的成功探索，充分体现了嬴彻在整车开发，硬件选型和供应商评审方面的深厚积累，而这也是自动驾驶量产过程中不可或缺的关键能力之一。
近几年，自动驾驶行业牵扯到一些高度敏感的信息内容（如高精地图信息等），其信息安全问题越来越被关注，图森未来也由于数据安全带来的地缘政治因素，而被迫在中美业务中二选一，国内监管层面也陆续推出了不少的相关政策。某头部主机厂信息安全工程师说：“国内自动驾驶行业在数据的全生命周期管理中发展较慢，以前在政策尚未监管的情况下，各家都是直接采集数据、直接用。”可想而知，整个自动驾驶行业对于信息安全的管理还处于不成熟的阶段，但嬴彻方面提到，他们已建立了一套自己的信息安全管理方案。嬴彻科技某云基础架构工程师说：“嬴彻对数据的采集、存储和使用采取了一系列全生命周期的安全措施，根据数据安全相应的法律法规及处理指南采用如安全访问控制、脱敏处理、数据软加密、硬件加密存储等多种措施保证数据的机密性、完整性、可靠性、可用性等一系列安全属性。”此外，在信息安全测试验证方面，嬴彻同时采取了正向验证和逆向验证，让产品的信息安全能力能得到更好的验证。
此外，行业内针对未知的不安全场景尚无公认的场景库和应对措施，也没有建立一套完整的安全管理体系。嬴彻的安全原则会涉及到自动驾驶重卡产品开发的整个生命周期，包括流程安全、整车的安全和核心系统安全。以下为笔者整理的各部分的细节内容，以供参考：
自动驾驶卡车量产的目的就是规模化，但规模化的前提条件就是合法的正向前装。在自动驾驶卡车的量产开发过程中，存在整车正向开发的严谨性、软件开发的敏捷性、自动驾驶算法复杂性与需求的不确定性之间的矛盾。嬴彻科技创始人兼CEO马喆人说：“自动驾驶技术需要用到大量的深度学习，本质上来讲，它拥有大量的不可解释性。如果纯粹走正向开发，没有一个公司可以把一个产品做出来，从时间和成本上来讲是不可想象的；如果纯粹做敏捷开发，产品也做不出来，即使产品能做出来，也没有司机敢开，嬴彻也不敢将其投放在路上。”而嬴彻在这个过程中很重要的一项成果是探索出一条正向开发与敏捷开发相结合的行之有效的自动驾驶产品开发体系。其中包括自动驾驶软件敏捷开发流程、整车正向开发流程、生产准备流程、测试验证流程。从整车的角度总体遵循V模型进行正向开发，不过在软件算法中形成大量敏捷迭代的闭环，从而有效地平衡开发效率与安全可靠之间的矛盾。
嬴彻凭借这套正向开发和敏捷开发结合的方法，可以解决自动驾驶卡车开发流程中的很多问题：嬴彻科技某架构工程师说：“若要产品快速落地，就需要对开发效率提出很高的要求，也要在高效开发的同时，避免让运营车辆上的问题再次出现在量产车上，因为一旦加快开发速度就可能会导致疏忽。”从白皮书上可知，为了保证自动驾驶卡车的开发效率和质量安全，嬴彻采用了一套“质量阀门评审”的管理方式，由嬴彻和OEM团队根据项目具体情况，设置阀门交付内容及评审节点，保证相关节点的量产质量要求，同时也保证了阶段性目标的顺利完成。保证产品的生产质量是一个非常系统性的工程化能力，从零部件供应商的管理，再到整车的制造精度，最后到整车下线时的检测，才能在线下交付后保证整体精度的一致性。除了前期设定的目标，以及FEMA、APQP、PV、DV和 PPAP等流程管控， 对于自动驾驶的整车产品，嬴彻有更严格的强化管控。嬴彻某整车项目负责人为我们举例说：“比如说我们传感器安装在驾驶室顶围的位置，对商用车这个设计很熟悉的人知道，这个位置一般OEM不会去太在意它的精度，但是恰恰对自动驾驶来说精度要求很高，向后看的摄像头我们有一句话叫做失之毫厘谬以千里，所以我们跟OEM一起做了很多工作来保障传感器安装的精度。”而如果有在制造环节难以消除的不一致性问题，由于系统性地进行开发和设计，嬴彻最终也能在算法端进行覆盖，从而保证真正大批量生产产品的一致、可靠和耐久。
嬴彻科技-后视摄像头安装位置
一辆自动驾驶卡车需要的是车辆上各个子系统间的全面配合，比如线控底盘、车身系统、自动驾驶系统、动力系统、人机交互系统等。若是后装车辆，只能实现简单的基础功能，无法满足安全和性能所必需的全系统设计要求。嬴彻方面提到，公司通过DDT/ODD定义、专项研究以及冲突融合三个步骤，循环往复、逐步深入地去做功能需求的定义。其中，DDT/ODD侧重于功能定义的广度，结合了商用车和干线物流的特点，增加了一些相关的功能；专项研究侧重于功能定义的深度，通过设定多个不同类型、跨不同功能的专项，以解决特定问题；冲突融合是在各类功能设计文档评审过程中，提前发现功能定义过程中的冲突。
前装量产的自动驾驶卡车就必须满足车规标准，而且车规的标准是贯穿整个产品开发周期的各个阶段。车规标准意味着需要做到可认证的整车产品、符合车规的零部件、算力的优化，同时符合车规标准的产品在软硬件等各个层面，都可满足可靠性和耐久性的要求。与非车规的后装卡车相比，满足车规标准的卡车会面临非常多的限制条件。一方面，交付的自动驾驶卡车需要满足相关测试标准；另一方面，产品又需要在硬件的标准下实现其性能的最大化。这两点与非车规的后装是完全不同的。在后装模式下，硬件性能的不足可以通过不断地堆砌相关硬件来攻克，比如一块Orin芯片的算力不足，可以放两块，两块还不够甚至可以放三块。而在软件算法实力上，各家自动驾驶公司或许技术差距并不是非常明显，所以未来每家量产能力的关注点将聚焦在工程化能力的差距。嬴彻从成立之初就一直在满足车规标准下开发自己的产品，这就意味着始终面对着非常多的工程化难题。相比于测试车辆上配置的非车规级芯片，量产车型上的车规级芯片，其性能会出现50%的下降，比如某些大算力芯片由于开发得晚，大多尚未过车规，因此在量产车辆需要对算力的调度进行优化。在感知系统层面，嬴彻采用多任务深度神经网络，在算力局限的情况下，重点提升难训练任务和重要任务的训练效果，并在保证精度不变的条件下，实现了5倍以上的加速。在规划控制层面，采用传统轨迹追踪控制算法的自动驾驶卡车行驶过程中，车辆会频繁地调整方向盘，会降低了零部件的耐久性。为了解决这些问题，嬴彻通过规控一体化技术，尽可能减少方向盘的调整，降低了底盘系统内机械件之间的磨损，提升了底盘零部件的耐久性。嬴彻的下一代自动驾驶域控制器，单板算力高达256 TOPS，作为未来迈向高阶自动驾驶的关键硬件，其重要性也是不言而喻的。但大算力域控制器的最大的挑战在于功耗及散热设计方面。嬴彻科技某架构工程师提到，为了解决大算力域控制器的散热问题，公司的具体措施是：从优化成本的角度考虑，嬴彻选择采用风冷散热方案。公司也为此进行了数十次的仿真优化迭代，通过芯片的合理布局、导热材料的选型、散热器的结构设计优化，以及系统布置的优化等措施，最终成功设计出了使用风冷的域控制器方案。
自动驾驶卡车是一种高科技产品，区别于传统卡车，增强用户的体验感是提升产品价值的关键，而关键在于是否能做好人机交互和实现维护简易。
人机交互可以让用户更容易使用自动驾驶功能，不需要花费更多的精力去琢磨，到底怎么去使用自动驾驶车辆。友好的人机交互可以让用户更容易使用自动驾驶功能，提升对系统的信任，减少自动驾驶使用过程中的焦虑与疲劳，让行车过程更加安全和高效。自动驾驶卡车的实际用户是司机，但自动驾驶系统具有较高的复杂性，需要较高的交互功能，让司机更容易上手，比如指示的清晰程度，大屏上面信息的直观性等等。相比之下，许多自动驾驶公司的现阶段产品更多考虑的是为专职测试司机使用，而嬴彻需要考虑的是面向所有的社会化司机使用。嬴彻科技针对干线物流的场景特点，设计了一套视觉、听觉、触觉多模态全冗余的人机交互系统。据白皮书介绍，该人机交互系统会具备以下三个特点：首先，多样化的信息获取方式。除了常规的方向盘和踏板信息外，还使用了DMS（安全员监控系统）、HOD（手握状态检测系统）。其次，多维度的交互。通过视觉、听觉、触觉的多种方式，为安全员快速传递关键信息。最后，按照事件处理的紧急程度的不同，采取不同的交互策略，以接管请求的触发方式为例，对于紧急程度较高的事件，会同时多个预警系统，比如视觉、听觉、触觉等；而对于紧急程度较低的事件，会以相对柔和的方式，比如单纯触发视觉——氛围灯或者大屏上的提醒。
自动驾驶卡车的整体设计是非常复杂的，以现有的传统卡车售后维修体系来看，一旦遇到车辆故障，试运营的车辆就需要回到系统制造商处进行一对一的维修，并且维修人员需要具备一定的专业能力。为了解决售后维修困难的问题，嬴彻利用车云协同能力，支持远程车辆状态监控和监管，通过云服务对车辆问题进行自动分析并反馈到售后支持。另外，嬴彻也开发了专用售后诊断工具，将售后维修标准化，使普通维修站操作人员也能够进行维修。
在干线物流场景下，最主要的成本是人工和油耗，两者约占50%以上，在L4技术和法规尚不成熟的情况下，完全无人在短期内不可能实现，而降低油耗却可以通过自动驾驶技术实现。各家自动驾驶公司在节油算法方面，都在做一些布局，但普遍的理解尚处于比较片面的阶段，仅限于如何去收放油门及如何控制刹车。与之相比，嬴彻在白皮书中，提出了一套系统化的节油算法。嬴彻是以不同的时间维度作为划分，分别从车速、刹车、油门三个不同因素上来分析节油策略。首先是小时级别的全局优化，在这一层的优化里面用上了车云协同的技术，可以提前预知一些拥堵的路段，在全局上规划我们的车速，保证时效。从重卡自动驾驶行驶数据和节油数据来看，平均车速对油耗是一个很大的影响因素，从全局上来看，让车开得越慢，油耗就越低，但是在实际运营中全局上的时效又有一个硬约束，运营必须要保证时效。我们在全局优化上会时刻对车辆做一个全局的车速优化，让车辆在尽可能保证商业运营时效的前提下，让整个车辆的平均速度尽量降得更低。这是全局在小时级别上的优化。其次是一个分钟级的优化，主要是指几分钟的时间区间。该级别面对的是一个PCC的场景（冲坡与溜坡），对于不同的坡道具备相应的冲坡策略，比如车辆在坡底时会提前加速，等到上到坡顶以后，会保持一个相对较低的车速，然后再整个下坡的过程中，让车辆用自己的重力去下滑，而完全不去加油门，通过这样的技术来提升节油水平。再者是一个秒级的优化，大概是十秒左右的时间区间。主要在两方面做了工作——更加智能的换道和动态跟车。嬴彻在跟车和换道的场景当中，采用了一些特殊的处理逻辑，保证了在这些场景下的油耗最优，并在算法上做了优化。最后是亚秒级的优化，即是在一秒以下时间区间。主要做的是油门控制和变速箱控制。对油门控制的目标就是让整个发动机尽量去趋近于它的一个最优油耗的运行空间。除此以外，我们不但控制油门，同时控制变速箱，通过两者结合，让发动机的运行状态保持在最经济的一个工作点上。综合来说，这整个节油算法是一整套组合拳，通过这样一整套组合的方法，从而降低重卡在运营过程中的油耗。
在拥有了整套自动驾驶卡车技术体系以及开发实践后，嬴彻设想了下一代的自动驾驶系统是一种基于端到端的神经网络模型，该系统是一种无监督的模型，它不需要手动标记数据，只需要来自真实场景的数据即可。而数据，恰恰是目前嬴彻具有显著优势的资产之一。据嬴彻方面介绍，通过增强影子模式，嬴彻已经在超过600万公里的运营里程中挖掘到了超过170万个高价值的场景片段。“它的价值不仅仅是让我们迭代这一代的产品，也可以让我们有更多的实际数据看到下一代的无监督技术，我们围绕它开始做仿真器。这些数据对我们下一代很有帮助，也指导我们收集的数据从短数据到长数据，这都是推动我们走到真正面向高阶的逼近无人的一个最实质的技术要求。”马喆人说。
嬴彻方面表示，未来L4级无人驾驶技术的卡点不在于冗余及硬件部分，而在于软件算法部分。一方面，预计2024年左右，商用车头部供应商将会发布满足高阶自动驾驶要求的线控产品；另一方面，自动驾驶域控制器的算力在不断提升（2000 TOPS以上），激光雷达、毫米波等传感器的性能也在不断提升（有效探测距离可达300米）。在软件算法层面将面临的技术挑战主要是三个方面：人工数据标注代价大、基于规则的建模和决策系统无法应对复杂交通场景、传统自动驾驶系统架构遭遇瓶颈。面对这三个方面的挑战，嬴彻已经在做准备。
嬴彻大胆设想了一种全新的自动驾驶架构，拆除了自动驾驶系统子模块之间人为设计的边界，并将其替换为端到端的深度神经网络。同时在控制端依然保留了经典控制算法，具有可以保证误差范围和安全裕度的优势。这种端到端框架有一个关键优势，即它是无监督的，不需要手动标记数据，只需要来自真实场景的数据。而从嬴彻围绕着量产落地和实际运营的技术路线来看，嬴彻在无监督自动驾驶系统的演进中是具备优势。因为干线物流卡车的路线是点对点的。受限制的运营路线和不太复杂的流量，使网络的训练相对简单。同时，嬴彻科技利用高保真卡车动态模型开发了独特的仿真环境，并且正在开发基于 NeRF 的渲染引擎来支持动态流量，打破了目前 NeRF 仅适用于静态环境的限制，从而获得拥抱现实世界驾驶中的极端复杂性的极高扩展性。
嬴彻科技-NeDFS 仿真模拟器
据嬴彻估计，到 2025 年，这套端到端系统就将开始在车队上得到验证。
在满足量产和运营的各种严苛条件下实现自动驾驶整车的前装量产，用杨睿刚常用的一个比喻就是：带着镣铐跳舞。第三，围绕高阶自动驾驶整车的全面安全设计和开发能力。（微信关注后回复“白皮书”，可获取完整版白皮书。）
写在最后
与作者交流如果希望与文章作者直接交流，可以直接扫描右方二维码，添加作者本人微信。
注：加微信时务必备注您的真实姓名、公司、现岗位
以及意向岗位等信息，谢谢！
关于投稿如果您有兴趣给《九章智驾》投稿（“知识积累整理”类型文章），请扫描右方二维码，添加工作人员微信。注：加微信时务必备注您的真实姓名、公司、现岗位
以及意向岗位等信息，谢谢！
“知识积累”类稿件质量要求：
A：信息密度高于绝大多数券商的绝大多数报告，不低于《九章智驾》的平均水平；
B：信息要高度稀缺，需要80%以上的信息是在其他媒体上看不到的，如果基于公开信息，需有特别牛逼的独家观点才行。多谢理解与支持。