“乘”风破浪 轻舟智航杀入城市NOA赛道

2020年，轻舟智航推出了第一代专注城市复杂交通场景的自动驾驶解决方案「Driven-by-QCraft」，适应于城市公开道路上的多种复杂路况，并可高效部署于多类车型。

在过去两年多中，「Driven-by-QCraft」快速迭代，持续升级，并在今年5月推出了最新一代的车规级前装量产自动驾驶方案，助力车企实现城市NOA方案的全面落地。

来自诗人李白，轻舟智航自动驾驶品牌名称正式发布

今天，轻舟正式将其自动驾驶解决方案「Driven-by-QCraft」命名为「轻舟乘风」，它涵盖车载软件、车载硬件和数据自动化闭环等多个方面，可以提供轻舟智航最前沿的感知、PNC等能力，为最终用户带来更安全、更便捷、更舒适的体验。

「轻舟乘风」取自诗句「长风破浪会有时，直挂云帆济沧海」。这两句诗出自唐代诗人李白的《行路难》，表达的是一种历经坎坷，但仍然无比坚定的信念，也充分彰显了轻舟智航的价值主张：基于数据，成于感知，用PNC引领城市NOA；其远景则是携手生态伙伴，打造使用广阔使用范围的自动驾驶解决方案 。

轻舟智航，杀入城市NOA主赛道

城市NOA，今年自动驾驶市场被提及最多的专业词汇，作为专注L4自动驾驶的初创公司，轻舟智航看到了其中的商机，城市NOA需要处理的问题和L4面临的问题非常相似，真正做好城市NOA面临诸多难题：
传感器和计算需要符合车规级，由此带来的成本、功耗限制，需要通过更强的算法框架优化和工程化能力来解决；面对更广泛的ODD使用场景，需要通过更高效的数据利用，以数据驱动实现更强泛化性；

针对城市中各种复杂的交通参与者互动和博弈场景，需要在确保安全性的前提下，更聪明地进行预测、规划和控制，实现更高行车效率。

因此，城市NOA是辅助驾驶的天花板，也是无人驾驶的入门槛。而依托L4以及robobus积累的经验和技术，轻舟智能针对上面的难题，带来了自己的城市NOA解决方案。

一颗激光雷达的城市NOA是当前阶段最务实的方案？

既然从L4转战L2，那么轻舟智航的L2方案就很有看点，他们的思路很清晰，主要围绕单激光雷达+视觉传感器展开。轻舟智航的年轻工程师们认为，相较于纯视觉方案，一颗激光雷达的城市NOA可在保证安全性的前提下，实现更多场景，最优性价比。

目前，行业内涵盖多种辅助驾驶配置方案，下至纯视觉、低算力平台的低配方案，上至配备激光雷达，搭载双NVIDIA DRIVE Orin或双地平线征程5计算平台的高配方案。

在当前阶段，由于道路上充满复杂多样的障碍物和Corner Case场景，纯视觉方案很难应对中国的城市NOA需求。而激光雷达能够提供精确的3D测距，可以及时捕捉准确物体的位置、形态、大小、运动状态等信息，便于系统及时做出更为安全且舒适的规避动作，有效应对多种Corner Case难题。

轻舟智航的城市NOA主张是在保证安全性的前提下，实现高性价比。同时，他们也认为这是当前激光雷达方案中最务实的城市NOA方案，有望更快「上车」，推动城市NOA的快速落地。这里还要多说一句，轻舟智航的城市NOA总体也属于轻地图，重感知的范畴，这里面既有城市内高精度地图

至于特斯拉的纯视觉路线，可能真的不够中国特色。

多传感器融合，轻舟智航带来的思路够新吗？

主流的融合方案包括前融合（数据级融合）、中融合（特征级融合）和后融合（目标级融合）三种。不同融合方案各有优劣，有效的融合结果才能给下游任务输出可靠的信息，为车辆做出安全的预测和决策提供保障。

前融合可以实现更高质量的融合效果，但对于不同传感器的时间同步性和空间标定的要求非常苛刻。而后融合的解耦性更强，但依赖经验丰富、工程素养良好的工程人员编写基于经验的规则，同时需要大量的仿真、实车测试以获得更广的覆盖度，并且可扩展性有限，工程投入边界收益低。

轻舟智航的感知算法通过「前中后穿插融合」，通过激光雷达、毫米波雷达、视觉等多传感器融合，感知模型可在不同阶段充分利用不同传感器信息，让不同传感器优势互补，可以避免单模信息丢失，实现更早的多传感器信息共享，得到更优传感器融合结果，从而可以更准确更精细地感知动静态物体及状态信息，避免各类误检和漏检，精度高且鲁棒性强。

既然说到感知，接下来我们自然而然就应该聊到感知方案。就像前段时间小鹏汽车在科技日上推出的Xnet多相机、多帧数据输入方案，轻舟智航OmniNet也是类似的方案。

以一个神经网络即可实现视觉、激光雷达、毫米波雷达在BEV（Bird’s Eye View）空间和图像空间上输出多任务结果。相较传统方案，OmniNet在实际应用中可节省2/3的算力资源，并拥有更高的感知融合精度和模型迭代效率，而且可以低成本适配不同厂家的传感器配置，更轻量、更高效、更灵活地满足城市NOA的量产需求。

轻舟智航此次提出的OmniNet是应用于前中融合阶段、实现数据/特征融合的全任务大模型，也是首个可在量产计算平台上实现时序多模态特征融合的大模型。利用一个神经网络模型，将视觉、毫米波雷达、激光雷达等数据通过前融合和BEV空间特征融合，让本来独立的各个计算任务通过共享主干网络（backbone）和记忆网络（memory network）进行高效多任务统一计算，最终同时在图像空间和BEV空间中输出不同感知任务的结果，为下游的预测和规划控制模块提供更丰富的输出。

城市NOA时代，PNC定高下？

PNC，又一个自动驾驶领域的名词，它的全称是Planning and Control，在车端涵盖导航、预测、决策、规划、控制等核心模块，以及HMI、环境感知、地图定位等支持模块。

PNC的离线模块可以收集、查询、测试数据，训练模型，通过仿真分析模型和算法效果，最后再将模型和算法效果反哺给车端模块。简单的说，它就是打磨城市NOA的训练场，在这个训练场，轻舟智航可以更迅速且精准的完成对NOA的基础功能训练和特殊场景升级，从新手快速成长为老司机。

独家的时空联合规划

通常来说，业界采用的是「时空分离规划」，也就是把「对轨迹的规划」拆分成两个子问题，即路径规划（path planning）和速度规划（speed planning）。路径规划对应于横向控制，即方向盘；速度规划对应于纵向控制，即刹车或油门，这种决策机制也就是通常所谓的「横纵分离」。

「时空分离规划」相当于先为车辆「铺好」一段铁轨，再在铁轨上计算速度。这种方式非常依赖手写规则调整车辆行为，也非常依赖大量路测来验证算法。

轻舟智航自研「时空联合规划算法」打破了思维定势，同时考虑空间和时间来规划轨迹，而不是先单独求解路径，在路径基础上再求解速度从而形成轨迹。将「横纵分离」，升级为「横纵联合」，能直接在x-y-t（即平面和时间）三个维度的空间中直接求解最优轨迹。

同时考虑空间和时间的「时空联合规划算法」，也是公认的更优的规划算法，更适合国内复杂的路况。

这种策略让车辆在行驶时，能够比普通驾驶员甚至老司机「开得更好」，特别是在面临动态障碍物的交互时，能提前把握最好的时机，选出最佳行车轨迹，更流畅地完成车辆间的博弈，并且不会出现反复急刹的情况。

不仅如此，在多车道行驶时，车辆还可以通过判断前方车流量和车速，灵活地变道选择更快的路线，而不会「死板地」跟着前车缓行。更聪明、更灵活，行车效率更高效。

因此，采用「时空联合规划」的车辆，可在保证安全性的基础上，用更短时间、更舒适的体验，把乘客带向目的地。而且越是在复杂的路况环境中，越能带来更为显著的效率和体感提升。

从目前的情况看，轻舟智航已不再单纯是一家做Robobus的L4自动驾驶公司，更是在快速推进自动驾驶前装量产，同时它也有成为最好的自动驾驶解决方案供应商的野心。

而随着越来越多供应商入局城市NOA，轻舟智航也面临的很多挑战。不可否认，L4级自动驾驶积累的技术经验、PNC、感知融合模型等技术确实给了它竞争的资本，但更快的被车企认可，拿下更多前装订单，依然是当务之急。好消息是轻舟智航已经拿下了某家车企的订单，而它的产品也即将亮相，最终能否赢得消费者的青睐，也将成为轻舟智航的“期末考试”，我们一起期待吧。（图/文 本站 冷晓阳）