三代自动驾驶系统及主流科技公司自动驾驶技术方案简介

截止目前，按技术特点，自动驾驶技术大致经历了三代发展：第一代自动驾驶技术以后融合感知技术，高精度地图，基于惯导、GPS定位系统，预测模块，基于优化、搜索的规控等组成。第一代比较成熟的自动驾驶技术的框架其实在2017年已经很清晰了，博主本人在2017年参加京东JRC X机器人挑战赛时即采用的当下第一代自动驾驶技术架构，即整体框架基于ros，增加了数据收发、任务收发和完成的确认机制，感知硬件采用Kinect V2，使用YOLO做目标识别、检测，然后对检测出目标框做大数中值滤波，得到目标物体上接近中心的位置分布，最后根据像素uv和深度d求目标位置再将位置坐标转换到机械臂坐标系下。定位模块硬件上包括IMU和单线激光雷达，采用Gmapping模块进行定位，最后的将感知信息、定位信息输入决策模块，决策模块通过状态机进行任务规划，A*、D*算法进行全局路径规划，基于贝塞尔曲线、粒子滤波等进行局部路径规划。经调研了和了解，目前技术栈主要基于后融合及感知、定位、预测、规控各模块序贯架构的公司有陕汽、千挂科技、慧拓、以及小米汽车等。

第二代自动驾驶系统在第一代自动驾驶方案基础上，算法框架统一BEV框架，感知采用了基于共享主干网的Transformer多任务感知模型，在输出目标感知的同时，几乎所有框架也都包含Occupancy预测，同时基于本地实时地图生成方法降低了系统对高精度地图的依赖，规控部分仍以搜索和优化方法为主。第二代自动驾驶技术是当前比较主流自动驾驶方案，最早以特斯拉AI Day上分享的基于共享主干网络的多任务感知模型和基于动态交互树的决策、轨迹优化模型最为经典，当前包括小鹏的Xnet架构，百度、华为、小马智行、元戎启行、赢彻、智加科技等都有相关的会议报告或公开资料展示其基于BEV的第二代自动驾驶技术方案。

第三代自动驾驶系统诞生于chatGPT大火之后，chatGPT相比于之前指令式聊天模型有了质的飞跃，具备根据前后文进行多轮推理，生成超长回答，支持多模态输入，智力水平接近人类等特点，其背后代表性技术为基于Transformer的亿级参数大模型和基于巨量网络数据的RLHF（人类反馈强化学习）技术。chatGPT主要用于自然语言领域，属于时序建模方法，与自动驾驶技术有一定相似性，自动驾驶也需要基于当前观测和历史观测给出车辆当前和未来一段时间控制信号或数据。因此，很快在自动驾驶领域得到应用。第三代自动驾驶系统和第二代框架相同，均是基于BEV框架，但感知、规控算法开始采用端到端的方式，并在训练通用自动驾驶控制器的同时，利用大规模语料数据训练模型的自动驾驶场景描述能力，代表性工作如2023年CVPR Best Paper UniAD和毫末智行的DriveGPT。当前毫末智行公布的涉及第三代自动驾驶方案资料最多，其构建的DriverGPT，据PPT演示称完成了实车城区自动驾驶，并能根据视觉数据用自然语言推理当前自动驾驶系统规划和决策的合理性。实际产品要等到2024年才会上市，具体第三代自动驾驶系统表现如何还得看实际测试效果。当前，百度也在布局基于大模型、强化学习端到端的自动驾驶系统研究，并招募相关人才。

与自动驾驶技术发展相对应的，硬件平台与平台算力也在同步发展，当前感知模块占用自动驾驶系统绝大部分算力，因此硬件平台发展与当下主要感知模型架构密切相关。2018年感知模型以ResNet为代表，参数量大概百万级。代表性的硬件芯片有TI TDA4、英伟达Xaiver、地平线J3，算力需求大概30TOPS。后面EfficientNet出现，其在ImageNet上的准确率为84.3%，高于ResNet-200的79%，但其推理速度较ResNet在TPU上快6.1倍，在GPU上快3.3倍，其参数范围达到千万级，与其对应的硬件平台为地平线J5、英伟达Orin。当前随着transformer相关模型的上车加速，模型参数已经到达亿级，相应的硬件也在积极适配transformer相关模型参数及算力需求，地平线J5也有相应的工具链可以部署transformer相关模型，但完全适配transformer大模型的则是地平线BPU Nash架构，可以部署大规模transformer&GPT大模型，并支持蒙特卡洛树搜索（Alpha Go主要技术之一，可实现复杂、超大求解空间快速搜索）。硬件虽然更新速度较快，但目前还不能满足自动驾驶系统移动端算力、架构需求，当前根据一众大佬预测完全L4级RoboTaxi的算力需求大约在2000TOPS左右，与英伟达下一代自动驾驶SOC Thor算力相同。
后续博文会B站同步更新，欢迎大家关注！
作者：不优秀博仕Hanker