印章素材图片

贾浩楠来自奥菲寺的量子势报告| QbitAI，微信官方账号 城市飞行员辅助驾驶已经是“现货”了。 北京顺义市区，11km自动驾驶不接管； 明年将上线交付，技术来自成立2年的自动驾驶公司米莉智行。 这两年，米莉以惊人的速度完成了产品的量产和上车，积累了400万公里的真实路测里程，刚刚融进近10亿元成为独角兽。 进步之快，业内罕见，但从何而来？ 艾日或许能一探究竟。 NOH是Mimo智行的智能驾驶先导产品。 不同于乘用车中常见的辅助驾驶，NOH不再局限于巡航、跟车、车道偏离预警等简单的功能，而是实实在在的减轻了驾驶员的负担。 自主规划路线、自主选择驾驶策略、自主避障、自主变道…… 大家可能更熟悉覆盖高速路段的智能导航产品，因为高速场景的边界条件更清晰简单，更容易实现。 我有勇气挑战城市路边。表现如何？ 首先是红绿灯识别，在确认可以通行后，进行无保护的左转: 根据导航路线，下一个路口即将右转时，NOH会提前主动变道: 主动避让违法横穿马路的行人； 还会主动避开交通堵塞: 接下来，环岛进行了一系列高难度的自主进出行动，期间还避免了两轮电动车: 也能准确识别等候区，正确驶入驶出； 还有两个有趣的细节，其中一个是车辆减速通过没有隔离带的道路: 这表明NOH在识别环境方面具有较高的准确性。 另一种是车辆减速通过没有红绿灯的路口: 这种策略说明NOH并不是一味的保守和僵化，它仍然会在保证安全的情况下兼顾通行效率。 当业内大多数玩家仍在激烈争夺高速飞行员辅助驾驶时，Mimo智行已经将NOH能力扩展到了城市道路。 对于这样的效率，米米知行解释说是因为他们给自动驾驶打上了思想的钢印。 在这种思想的信念下，中国第一个自动驾驶数据智能系统MANA诞生了。 MANA，智能数据的技术体系，中文叫学虎。 以《三体》命名，面壁的罗辑掉进了冰封的湖中。从此，他明白了黑暗森林法则，找到了打破三体威胁的法则，开启了威慑时代。 以此命名，意为从法力出发，透彻理解自动驾驶的核心能力。 这是数据驱动的。 特斯拉率先证明了庞大的数据、超强的计算能力和快速迭代的闭环能力对自动驾驶的重要性。 “数据驱动”的概念其实就像黑暗森林的法则。初闻之，觉得字字有理，却又浅显难懂深意。 其实数据闭环的模式在所有自动驾驶公司都差不多，核心无非是“数据采集-训练-调配-采集”的循环。 但实际操作起来没那么简单。 海量数据涌入系统后如何处理？如何分类和标记？如何加快训练速度？是否有必要在各种天气和路况下重新运行验证测试？ 这些刚刚成立两年的问题都实现了。 能够让数据驱动真正形成闭环的条件并不复杂，在自动驾驶的研发过程中化作思想的封印、镌刻。 意识形态封印的命题只有一个，那就是: 研发、量产、落地，扎低成本、高速度。 首先是低成本，包括数据采集、处理、AI模型训练、系统测试等环节。 其次是高速，与上述环节一一对应。 其中，成本包括数据传输和存储等人力和财务成本，以及AI训练和测试过程中的时间成本。 不用说，成本越低，获得的数据越多，模型迭代越快。 而高速度可以保证海量的数据在获取后一步一步的紧密跟进，快速将数据优势转化为产品端的技术进步。 通过这两点，数据驱动可以爆发出巨大的能量。 Mimo智行构建的MANA数据智能系统就是为这两个原则服务的。 MANA包括以上所有思考点，由四个子系统组成: 基础包括数据采集、传输、存储和计算，以及新的数据分析和数据服务。 TARS是核心算法的原型，用于感知、认知、车侧映射和验证的实践。 LUCAS是算法在应用场景中的实践，包括高性能计算、诊断、验证、转化等核心能力。 VENUS是一个数据可视化系统，包括软件和算法的实现、场景的还原以及数据洞察。 MANA不是一个软件，而是一个技术系统，其中包含许多子模块。它们共同构成了Mimo智行的数据驱动能力，也是解释Mimo业务快速进展的关键。 从数据本身的角度来看可能更好理解。 首先，数据应该是可感知的。目前，毫米级智能自动驾驶方案的核心感知设备是摄像头和激光雷达。 对于收集的数据，首先通过ResNet网络计算基础数据，然后生成两个分支。一个是FPN网络，可以计算目标信息，如车道线、路基、车辆、红绿灯等。 另一个分支用于自由空间生成和场景识别。 对于激光雷达点云图像，使用点柱算法。首先对点云数据进行降维、伪二维，然后用一般的图像方法进行计算。 两种数据源采用过程融合，并加入时间序列的特征，实现感知的快速提升，更准确地刻画现实世界。 第二步，数据不仅被感知，还被系统识别，就是解决从客观世界到驾驶动作的映射。 首先是表达特定场景下的驾驶行为，从宏观角度可以概括为:天气、道路结构、交通参与者、交通流密度、相互朝向、主要车辆路线、碰撞风险、碰撞时间。 然后从现有的数据中挖掘和表达这些属性，然后进行聚类和分类，找到更舒适高效的解决方案。 然后通过端到端的模拟学习，以前面的例子为指导，得出车辆的具体动作。 模拟学习需要更大的数据样本，尤其是标记数据，然后从数据中学习规则。 所以，问题的关键是专注于快速贴标签。 特斯拉已经积累了20亿公里的数据，标记了60亿个物体，包括精确的3D信息、深度和速度。 同样的数据量是按照同样的标准人工标注的，没有一家自动驾驶公司花得起时间和金钱。 因此，毫米开发了一套高效的贴标系统，采用无监督自动贴标算法，性能比市面上很多产品强一倍。 目前，纳米量级的数据处理大部分是通过自动贴标完成的。 此时可以将数据馈给算法进行训练，那么如何验证训练好的模型的效果呢？ 尤其是短时间内几个功能升级后，如果把所有版本依次拿到实车上，然后开发下一个版本……自动驾驶可能永远无法实现。 所以我们应该把验证工作放在仿真系统中。 每次在仿真中将路边还原到“元宇宙”中，都可以在系统中调整同一场景中不同的光照、不同的天气、不同的曝光条件，来模拟算法在不同工况下的性能。 至此，一组数据完成了它们从被采集到被处理、成为训练教材、提升系统能力的全部使命。 你应该知道法力对未来智慧的重要性。 如果把数据比作燃料，MANA就是能让燃料爆发出能量，带动整个系统运转的发动机。 而且，这种“发动机”不仅速度快，而且经济实惠。 马纳要带智敏智行去哪里？ 当然是更快的自动驾驶能力提升和更大规模的量产落地。 了解法力系统的来龙去脉，内涵… 也能理解MANA承前启后的意义，解释终结速度的真正原因，也是这款自动驾驶新独角兽未来战略规划的前提。 例如，在AI日上，米莉分享了她对未来数据发展的判断。 未来几年，在智能汽车的推动下，人类存储的数据将发生结构性变化。 图像数据会越来越多，计算的要求也会因数据类型的变化而变化。 深度学习的计算能力将变得越来越重要，对计算能力的需求将迅速增加。 因此，除了推出单板算力达到360T的自研计算平台外，Millie还宣布建立自己的超级计算机中心。 等等，大模型、大数据、量产、自研计算平台、自建超级计算机中心…… 你熟悉它吗？ 打通数据闭环似乎与特斯拉的路线相似。 核心原因还是数据。 Mimo智行首席执行官顾郝伟对数据挖掘和利用的“细分领域”有着独特的解读。 他认为，特斯拉的领先最终是基于十亿公里的里程数据。 一家自动驾驶公司建立一套数据闭环并不难。真正有价值的是通过数据闭环可以运行的数据量有多大。 这不仅代表了一家公司目前的业务进展和技术能力，也预示着未来算法迭代的“加速度”。 数据驱动的优势恰恰是获取的成本和效率。 作为长城汽车集团的子公司，米利智行客观上具备自动驾驶量产的先天优势。 长城汽车拥有六个子品牌、数十款车型，是智能化转型的关键窗口。更重要的是，这些车型的年销量超过百万辆。 事实正是如此。 在AI DAY上，董事长张凯表示，自成立两年以来，累计实际道路测试里程已达400万公里，产品已搭载在长城坦克、WEY和哈弗等五款车型上。 三年内，毫米级智能驾驶产品装机量将达到100万辆。 在即将到来的2022年，这个数字将迅速扩大到34款，具体装机量估计在30-40万之间。 对于Mimo智行来说，每年可以增加几十万辆的产品装机量，其带来的数据增量是大多数新势力或者自动驾驶公司难以达到的。 智能驾驶套件以前置安装的形式安装在量产车上，获取数据的成本几乎只有数据传输的通信成本。 在实现了低成本、高效率的数据采集之后，毫米的智能化发展路径和未来潜力，越来越像行业内的另一个关键玩家。 特斯拉。 瞄准乘用车量产，快速增加装机量，积累里程，在数据迭代中不断进化。 同样，在法力之谜完全揭晓后，另一个话题也被问到了—— 如何在这样的规模上训练数据和模型？ 顾说，最好的解决方案是自建超算。 是的，如果你熟悉这个领域，你可能还记得特斯拉今年的核心技术进步来自自建的超级计算。 这是巧合吗？顾却不这么认为。 因为经过实践，Mimo智行刚刚证明了数据驱动是自动驾驶技术的核心和基础，任何自动驾驶研发都将遵循这一原则。 如今，几乎所有自动驾驶玩家都意识到了数据驱动的重要性，他们都渴望毫无例外地打通自己的“任杜尔脉”。 但这其中，真正理解“量产-成本-效率”和“面对面”内涵、真正有能力践行这一定律的玩家并不多。 然而，通过各种进展和成就，Mimo智行解释了为什么它发展迅速并受到高度重视。 它有先天的优势和后天的努力，以“雪湖”之名实行的自动驾驶着陆规则… 在生产线结束之前，行业中没有这样的速度: 最快的大规模数据闭环、最快的自动驾驶创业公司营收提升、最快的量产自动驾驶解决方案交付、最快的燃油车智能驾驶，打破了新势力引以为傲的垄断。 因此，如果说之前智慧和智慧的进步被视为“微模式”，那么现在更值得关注的是“微速度”。 “毫米级速度”代表了其实践成果，也体现了在日益清晰的自动驾驶落地规则中，中国玩家基于中国路况给出的行业标准。