今天小編分享的汽車經驗：年内BEV落地之戰：華為遙遙領先，還是蔚小理登上王座？，歡迎閱讀。
圖片來源 @視覺中國
文｜HiEV 大蒜粒車研所，作者 | 張祥威，編輯 | 德新
落地城市 NOA，是今年最重磅的自動駕駛大戰。而 BEV 感知，目前看來是通往城市 NOA 的必經之路。
年内落地 BEV，已經是國内自動駕駛頭部玩家的共識。
其實，BEV 是很早就提出的算法，又稱鳥瞰圖或上帝視角。直到近幾年，特斯拉将其用于自動駕駛領網域，國内車企随之布局，才受到更多關注。
國内涉足 BEV 的，造車新勢力有小鵬、蔚來、理想等，科技公司有百度、華為、毫末智行等。尤其今年 4 月，國内新能源汽車龍頭比亞迪宣布年内落地 BEV，将大戲推向高潮。
為何要落地 BEV？主要是自動駕駛場景發生了變化。
高速場景相對簡單，城市場景更為復雜，感知任務規模大幅增加，需要更多地利用深度學習。
感知層面，傳統的 2D 檢測已經力不從心，只有 BEV 能更好地完成城市場景感知任務，并為下一環節的規劃、控制打好基礎。
落地 BEV，最直觀的檢驗就是城市 NOA 功能能否在多個城市大規模推送。這場感知算法的重大轉變，考驗的是車企的算法自研功底。
進入城市，BEV 感知算法興起
故事從特斯拉重寫 Autopilot 軟體代碼開始。
2019 年，特斯拉推出高速場景下的 NOA（Navigate on Autopilot），小鵬、蔚來等造車新勢力緊随，興起了一小股高速 NOA 技術潮。
直到 2020 年 8 月，馬斯克透露，團隊正在重寫 Autopilot 的底層代碼。
又過了兩個月，特斯拉推出 FSD Beta ，可以支持在城市道路場景下的 NOA。支撐城市 NO 功能的，便是全新的 BEV 感知算法。
為什麼會出現這一變化？
毫末智行技術副總裁艾銳告訴 HiEV，" 在特斯拉推出 BEV 之前，大家使用的是前視相機，周視用的很少。高速上，車密度不大，側後方用一些雷達也夠了。進入城市後，車流量開始密集，僅看正前方也不夠了。BEV 的出現， 核心在于需要做 360 度的感知。"
特斯拉重寫代碼的同年，蔚來和小鵬也開始轉向。
蔚來引入原 Momenta 研發總監任少卿，任的背景是計算機視覺研發，加入蔚來後負責算法團隊，開始在 Mobileye 方案外啟動自動駕駛自研。
小鵬也開始研發基于 XNet 的 BEV 感知架構。2021 年的 1024 科技日上，吳新宙透露，在過去 6 個月裡，每一個預測和規劃代碼全是重寫的。
對于兩家重寫代碼這件事，均勝電子副總裁郭繼舜向 HiEV 表示，" 周期性重寫代碼是對產品和系統認知提升後的必然階段。在工程化方面，該踩的坑基本都要踩一遍，大家都需要階段性更新代碼和架構。"
從已有信息看，基于 BEV 研發全新算法，小鵬們的做法相似。大家均是從靜态 BEV 網絡算法、動态 BEV 網絡算法部署算法。
靜态 BEV 解決的是道路結構還原，感知對象是車道線、道路邊界、停止線，可以解決部分攝像頭被遮擋、車道線模糊等問題。
動态 BEV 解決的是交通參與者的還原和預測，感知對象車輛位置、姿态、尺寸、速度，可以在車輛同時出現在多顆攝像頭視野内，可以穩定地追蹤和感知出物體的距離和速度。
在 BEV 出現前，傳統 2D 檢測的好處是整個計算非常直觀，但整個投影過程都是使用軟體的方式，沒辦法形成端到端，會出現信息丢失、誤差等問題。
BEV 的到來，将讓小鵬們獲得更強的 360 度感知能力。
不過，這裡面的難度并不小。
復雜的代碼，以及昂貴的數據标注
BEV，全稱Bird ’ s eye view，本質上多個目标前融合感知方案。
簡單理解，它是将攝像頭等傳感器采集的 2D 為主的影像數據，轉化為 3D 坐标空間下的數據，從而實現對物理世界的真實還原。
特斯拉的做法大致是：
基于純視覺，利用 8 個攝像頭采集數據，通過深度學習的主幹網絡 Backbone 對各個攝像頭進行特征提取，再通過 Transformer 将 2D 影像轉化為 3D 空間。
應用的技術并不新潮。
Backbone 的本意是人的脊梁骨，在深度學習中被引申為主幹網絡的意思，其主要作用是就是提取影像的特征。
Transformer 最早在 2017 年由谷歌提出，是利用注意力機制（Attention）來提升模型訓練速度的模型。将 Transformer 發揚光大的是 GPT，也就是 Generative Pre-trained Transformer。
通過BEV 和 Transformer，特斯拉開始獲得全新的 " 上帝視角 " 下的數據。并在此基礎上為數據加上了時間戳，形成了 4D 空間。以用于對目标物測速，乃至對目标物的運動軌迹進行預測。
可以說，BEV 改進了自動駕駛看物理世界的視角，可以更高效、準确地獲取感知數據，這為後面的規劃和控制提供了基石。
國内的自動駕駛玩家已經認可了這種方式，并且紛紛布局。
與特斯拉不同的是，國内玩家之前的方案中，在攝像頭之外增加了更多的傳感器和定位系統，比如超聲波雷達、激光雷達、高精度地圖等。
方法論相似，挑戰在于融合困難，以及更多的代碼量、數據标注工作。
寫代碼是一項繁重的任務。
小鵬汽車自動駕駛副總裁吳新宙披露，城市 NGP 的代碼量是高速 NGP 的 6 倍、感知模型數量是 4 倍、預測、規劃、控制相關代碼量是 88 倍。
為 BEV 的數據進行标注，同樣需要大量的工作。
舉個例子，要構建實時語義地圖，需要對數據進行結構性訓練，基于 BEV 模型做數據的标注、分割、分類。僅标注一項，根據毫末智行 CEO 顧維灏預測，BEV 的模型大概需要标注 1 億公裡的數據。
智能駕駛數據服務商柏川方面告訴 HiEV，數據标注行業單人單月的綜合成本約為四千元，千人規模的标注團隊一年成本要達到 1 億元。
另一位從事數據标注的業内人士向 HiEV 表示， " 要标注 1 億公裡的數據，實際上會有失效率，按照 50% 的失效率計算，假定都是簡單場景，每人每天标注 2km，需要一萬人的團隊标注至少四年的時間。 "
好在，特斯拉已經探了路。
早前，特斯拉有一支千人規模的人工标注團隊，後來開始增加自動标注和虛拟仿真等工具。
對此，上述數據标注從業人士表示，" 特斯拉的自動标注是行業風向标，其預标注技術目前行業最優。加入自動化标注模型後，假定可以提效 80%，可以将 1 萬人團隊的标注時間縮減到一年。"
小鵬、毫末智行等已經感受過人工标注的成本之昂貴，開始探索自動标注。其他各家，也可以進行借鑑。
BEV 帶來的變化：方案 " 減配 "，芯片合作更緊密
BEV 帶來的第一個變化，是讓自動駕駛配置開始縮減。
在沒有布局 BEV 之前，國内車企是最早通過高精地圖來實現自身定位。車規級激光雷達成熟後，車企又加入了激光雷達。
布局 BEV 算法後，一些車企們開始由原來的堆砌配置，轉為縮減配置。
大家發現，BEV 可以實時生成語義地圖，進而替代高精度地圖，甚至還可以去掉超聲波雷達。
事實上，小鵬早期并不打算去高精度地圖。
吳新宙曾提到，對于城市場景，高精地圖的鮮度非常關鍵，小鵬汽車正在和高德地圖一起努力，希望發布的時候能夠做到天級更新高精度地圖的能力。
不過，耗資幾千萬可以買下高速道路的高精度地圖，但要買下城市場景下的高精度地圖，費用又是另一個級别。
更何況，獲取地圖審批資質的效率，也會耽誤自動駕駛向多個城市推送的進程。最終，車企們不得不進入自動駕駛的縱深地帶，利用技術甩掉高精度地圖的拐杖。
這裡面也有一定挑戰。
"BEV 去高精度地圖，很多公司不一定能搞定，需要做大規模的雲端場景重建、自動化的元素提取。另外，純拓撲的任務還是很難，很多時候會因為遮擋、車道線不清晰而難以實現。" 宏景智駕高級工程經理柴可寧告訴 HiEV。
至于 BEV 是否會去掉激光雷達？
特斯拉的答案是， 利用 Occupancy 占用網絡，以及 4D 毫米波雷達的點雲信息，就能替代激光雷達。
國内是另一重景象。
國内目前尚未興起去激光雷達的苗頭。艾銳認為，激光雷達不會由于 BEV 算法的出現而被替代。
" 在夜間，攝像頭根本看不見。激光雷達是一個物理傳感器，可以主動發射信号。對高端車型來說，可以讓車輛多一重安全性。對于中低端產品來說，成本相對較高，只有追求極致性價比，才會去傳感器。" 他解釋道。
其實，基于純視覺還是多模态，本質上不是技術問題，而是一個商業成本問題。從技術角度，多模态的效果肯定更好，但從成本角度，多模态的上車搭載量會少。
BEV 帶來的第二個變化，是需要芯片廠商更好地适配，與車企形成深度合作。
因為，BEV 方案比較考驗芯片對于算子的支持能力。
除了特斯拉采用自研 FSD 芯片外，頭部自動駕駛玩家更多地 基于英偉達 Orin X 落地 BEV 方案，且以雙 Orin X 為主，算力高達 508TOPS。
對此，艾銳表示，" 英偉達的芯片基礎計算單元是 CUDA，非常小，也非常靈活，對算子的支持能力非常強。"
而如果算力小了，要實現同樣的幀率，就需要做特别的算子優化。
事實上，一套标準的 BEV 算法，現在的很多芯片都不支持，大家在用各種各樣的算子去替換它們，這就需要芯片廠商和主機廠深度配合。
今年 4 月，比亞迪在上海車展宣布基于地平線征程 5 的自研 BEV 方案将在年内量產。目前，地平線可以向車企提供 BEV 參考算法，且正在布局 Occupancy 占用網絡。雙方的合作，将是基于征程 5 落地 BEV 的首個案例。
最後，BEV 技術的強大感知能力，不僅吸引了乘用車競相布局，也在商用車裡面開始應用。
比如，摯途科技的 BEV 方案，便針對商用車型車身長、檢測盲點較大的特點，向車企提供攝像頭選型和安裝位置方案，可以實現前方 300 米範圍的檢測，且增加了車身和近距離的感知冗餘。
頭部車企闖關 BEV 感知時，其他傳統車企會面臨更大的壓力。
後來者，自研還是外包？
對于 BEV 方案，發力較晚的車企其實有着更多選擇。
一種是自研。
要做 BEV 方案，方向大致已定。需要選一套傳感器方案，基于大算力芯片進行開發。另外，還需要自動标注閉環系統，以及用于數據訓練的智算中心等等。
時間上，做 BEV 的周期相對造車更短。
" 主機廠從傳統 2D 檢測轉到 BEV 感知，如果要把數據準備都算上，快的話需要一年時間。" 艾銳說。
投入事項明确，周期相對較短，這決定了車企可以進行自研。
我們也注意到，除上述幾家布局 BEV 的車企外，其他玩家也在準備入局。
今年 1 月，長安汽車智算中心 GPU 算力擴容集成項目開始招标。2 月，吉利星睿智算中心在湖州長興揭牌。
另一種是與供應商合作。
如果看整個國内汽車市場，會發現自動駕駛方案供應商也有其存在價值。
除了造車新勢力覆蓋的 30 萬以上的高端市場外，中低端市場十幾萬以上 30 萬以下的車，仍然是主流。
據 HiEV 了解，毫末智行将基于十幾 TOPS 的芯片運行 BEV 算法，" 硬體成本上，幾千塊錢就可以做到城市 NOA，類似的產品很快也會出現。"
一些之前布局 L4 的科技公司，比如小馬智行、元戎啟行、商湯絕影等，也在推出 BEV 的方案。這些公司做 BEV，優勢在于之前的算法更易于遷移。
理論上，這些公司不會面臨華為向車企提供解決方案時的 " 奪走靈魂 " 的質疑。
" 華為太大了，它有能力做任何事，包括造車。我們很小，而且非常開放，車企不需要擔心失去靈魂。" 一位自動駕駛解決方案供應商的高管表示。
" 在 BEV 上，我們願意賦能車廠，是服務者的心态。很多時候，車廠對我們感興趣的就是真值系統，它一年有幾千萬的标注預算，搭載真值系統後，可以降到幾百萬，肯定會感興趣。整體上，車企對我們的感知算法很感興趣。" 柴可寧說。
" 從技術演進趨勢看，不是零和博弈。作為一個解決方案供應商，我們的算法、雲端中心還是有一定的領先性。" 商湯絕影量產行車智能駕駛研發負責人蔣沁宏表示。
如果車企不想重復造輪子，至少在可見的一段時間，與解決方案供應商合作，盡早進入自動駕駛的賽道是一個好的選擇。
基于 BEV 的城市 NOA，年内将落地百城
還記得 2020 年下半年，蔚來推出基于 Mobileye 的高速 NOP 功能，小鵬則基于英偉達 Xavier 推出了高速 NGP。
如今，三年時間不到，大家又開始比拼基于 BEV 感知架構落地城市 NOA 的效率。
一個例子可以看出各家競争的激烈。
最近，小鵬發布了一項名為 " 通勤模式 " 的功能，又被稱為微縮版城市 NGP，可以在無圖方案的四五線城市使用。
" 聽說我司預告城市通勤模式之後，有兩家友商已經快速決策分别從宣傳和實際行動上致敬一下子。" 小鵬汽車自動駕駛產品高級總監劉毅林在社交平台上發文表示。
今年以來，各家陸續公布基于 BEV 的城市 NOA 落地計劃。
小鵬計劃今年下半年，将在大部分無圖城市開放變道、超車、左右轉能力；
蔚來已經推送的 Banyan2.0.0 版本，切換為了 BEV 架構，下半年将推出帶有城區能力的 NAD Beta 版本；
理想的城市 NOA 将在第二季度内開啟推送，并于年底前完成 100 個城市的落地推送；
其他玩家，毫末智行、華為、比亞迪，也将在今年落地 BEV 方案。
中國有 600 多個城市，按照各家計劃，年内将有接近六分之一也就是近百家城市可以使用城市 NOA 功能。
對于這些大力投入的玩家來說，有的需要維護一早立起的自動駕駛一哥的江湖地位，有的蓄勢通過城市 NOA 規模落地打一個後來居上的漂亮翻身仗，也有的要證明自己在自動駕駛領網域也是遙遙領先，也有的要借助車企，為更大的市場立一個标杆產品，一切都将在下半年出現定論。
各家競逐城市 NOA 落地時，還有一家真正的巨頭正在候場。目前，特斯拉 FSD Beta 已經在海外城市範圍内推送，進入國内只是時間問題。
如王傳福所說，新能源汽車的上半場是電動化，下半場是智能化。
在電動化競争階段，大家還有傳統造車工藝可供依仗，智能化的競争階段，将是包括 BEV 感知、規劃、控制，以及智能座艙等在内的各個點位的全方位競賽，更加考驗車企的軟體研發能力。經歷 BEV 算法落地大戰後，車企的核心技術将再次重塑。
更多精彩内容，關注钛媒體微信号（ID：taimeiti），或者下載钛媒體 App
