今天小編分享的汽車經驗：千挂科技薛毛：幹線智能貨運如何實現加速突圍，歡迎閲讀。
幹線智能貨運正加速進入商業化探索階段。
作為供應鏈管理中至關重要的一環，幹線物流扮演着連接供應商、生產商和分銷商之間的紐帶。在快速變化的商業環境中，了解幹線智能貨運的商業模式和面臨的挑戰對于了解行業發展至關重要。
為此雷峰網新智駕邀請了千挂科技量產技術總監薛毛先生來進帳享。以下為演講内容，雷峰網新智駕進行了不改變原意的整理：
大家好，我是千挂科技量產技術總監薛毛，今天和大家交流分享一下我們千挂科技近期的一些量產項目和系統研發的進展。本次的主題是量產研發加商業運營雙循環，如何幫助幹線智能貨運服務加速突圍。
首先介紹一下本次交流的内容概況。第一點，我們先會看一下整個幹線智能貨運當前概況和模式，然後影響幹線智能貨運落地進展的核心痛點。其次我們會以千挂科技為例，講我們是如何打造前裝量產智能駕駛商用卡車。最後講講就是關于在可靠性方面的一些積累。
幹線智能貨運目前的概況和模式
中國幹線物流市場是一個非常巨大的市場，有着 4. 6 萬億的體量，但同時其實也只有 3% 到 4% 的一個很低的毛利。所以不管是車隊老板還是個體司機，大家都非常會摳成本，因為這個會明顯影響的是大家的一個毛利的高低。
再一個從人口的角度，随着出生率的下降，預期在 2030 年，整個貨運市場的人力缺口大概會大于 9. 5%。
我們想通過技術改變一些将來這種會出現在運輸上的矛盾。
落地進程的核心痛點
下面是我們關于幹線智能貨運落地進程的一些核心痛點的理解。
量產難
首先從量產難的一個角度來講，大概會分到幾個方面，一個是整車功能，包括系統的性能、可靠性，還有前裝的規模化、整車成本。
從整車功能來講，需要準确識别應用場景的一些需求。比如在軟硬體研發階段，還有設計的階段，短期和中期内技術能力其實能達到的一個水平是有預期的，但同時還要符合車規，包括做一個正向開發，這是一個比較有挑戰性的事情，需要的團隊能力既要有軟體開發的思維，也要有傳統汽車開發的思維。這個在概念理解、開發模式、工具流程、測試理念、集成理念、交付理念，多個環節都會有碰撞和融合，想要實現一個 1 + 1 大于 2 的效果，還是非常有難度的。
其次在功能和需求準确的前提下，實現優秀的系統性能也是富有挑戰的、復雜的工程任務。除了整車功能，其實我們看智駕系統的性能也是有非常高的要求，包括在基礎的架構性能、算法性能以及硬體系統的性能。
今天我們先只講一講硬體性能方面在量產項目中的一些心得。
首先第一個是智駕網域的性能，包括算力、傳感器、控制器、通信方案，這些硬體的水平，其實一定程度上和一定時間範圍内決定了我們之後的整車功能的一個上限。
其次是，車輛平台的性能，這個性能其實會包含很多部分，典型的比如説線控的性能，車輛自身的性能。舉個例子，像我們線控接口的一個豐富程度，還有一個響應速度，包括線控制動力的範圍。最典型的像商用車上 EHPS 的跟随精度，還有響應速度，都直接影響整車的功能表現。
除此之外，在量產的智駕網域我們還得考慮提供一定的靈活性，随着目前市面上的傳感器性能越來越強大，數據帶寬要求越來越高，智駕網域如何能對接更多的各種各樣的傳感器，其實也是一個非常重要的問題。與此同時，我們不僅需要考慮智駕網域的數據接入實時性，還要考慮時間同步，包括它的診斷以及在遇到功能降級時候多個方面的影響。
智駕系統的可靠性也是目前量產化難做的但又非常重要的一點。
從零部件層面，包括零件資質以及質量标準體系，還有供應鏈的水平。比如説我們在做一些電子電氣設備研發的時候，最基本的要滿足一些 ACE-Q 的認證，比如説像汽車集成電路可能要滿足 AEC-Q100，一些光電部分需要滿足 Q102，被動的組件需要滿足 Q200。舉個例子，做產品的時候，可能後期我們會做 ESD 測試，像 AEC-Q100 就要求你的器件要承受 2KV 的人體放電模拟，在邊腳引腳要承擔 750V 的帶電器件模式，還有其他引腳需要承受 500V 的電壓，這個對于量產都帶來了功能、性能、成本等多方面影響。
除了零部件的可靠性，還包括一些功能安全的設計，比如説需要遵守 V 模型開發，包括 V 模型裏邊提到的相關項分析、功能定義、安全概念、安全目标，再到具體的軟硬體設計和測試，這部分需要投入非常大的人力和物力成本，也勢必影響整個項目的開發周期。所以在量產的項目裏邊如何去權重它與開發進度，以及它的可靠性，都是需要一些工程積累的。
其次除了這種客觀的可靠性，還有主觀對可靠性的感知，或者説大眾的接受能力。
在司機開車不關注或者無接管的條件下，自動駕駛安全級别量化按理不低于人類司機即可。目前統計的數據是在高速路段平均無事故裏程是不少于 53 萬公裏，這是一個客觀指标。但在實際場景中，人們感性上總是難接受這個事情，大家總是希望自動駕駛是絕對安全可靠的，這個也是我們整個行業需要共同去努力提升的。
另外一個決定量產化難做的原因是整車成本。所有的東西都是跟成本挂鈎的，工程本質是要求我們收斂到一個最經濟的路線上，所以在各種制約的條件下，如何能找到一個量產化的最優解，也是一個非常難的事情。
應用難
從應用難的一個角度分析的話，實際運營場景中遇到會各種各樣復雜的問題，比如説對于運力的時效性的要求，這個是在功能設計層面非常難考慮的一個問題，但是在現實場景中就會遇到這樣的需求。經濟性要求，比如説從軟硬體開發成本，像硬體的 BOM 成本這個刨除之後你的商業模型如何能獲取利潤？這個也是大家目前比較難落地或者難應用的一個點。
除了這種客觀或者技術的問題，法律法規也是我們必須要遵守的。比如説我們做的車得符合國家相關的認證或者規範，滿足相關的測試标準。
還有一些其他的安全問題，比如説我們需要考慮各種各樣的環境、道路、場景因素，這個是在概念階段要做到足夠的分析，才能保證功能開發出來是可以解決一些實際問題的。
千挂模式：多拉、多跑、多賺
商用車的智能駕駛應該是一個生產工具，而不僅僅是一個附加的功能，它幫助司機或者車隊是掙更多的錢，特别在幹線物流行業，這個是最基本的認知。
其次，卡車作為一個生產工具，其實多掙錢就是多跑、多拉貨，一天能額外跑個 200 或 400 公裏，它的生產力一下子就上來了。舉個例子，比如説從 a 點到 b 點的 1000 公裏，追求高時效性的企業往往會配備兩個司機，這樣就能确保每天 1000 公裏的往返能力。一個卡車司機的成本大概是 15- 18 萬元，這和目前自動駕駛硬體系統的成本其實是差不多的，規模起來之後自動駕駛的硬體成本可能會變得更低。所以，對于企業來説，一年可以把這個成本省回來，後面就是淨賺，這也是目前客户比較認可的一個商業邏輯。
具體到千挂，我們的切入方式其實就是 " 雙駕變單駕 "，通過智能駕駛提升單人日均駕駛裏程，按照我們的模式，估算下來一台車一年的利潤可達到 15- 20 萬元。
除了提升裏程之外，在優化排放，提升安全性方面，自動駕駛也有非常大的技術潛力和迭代的可能性。
從長期來看，我們覺得 " 脱眼脱手 " 才是自動駕駛幹線物流的唯一解決方案。
為什麼説是唯一？這裏有一些具體的説明，是關于輔助駕駛現階段存在的一些問題。德國布倫瑞克柏林工業大學曾聯合保險事故調查公司，做過一個關于輔助駕駛的研究報告，通過對照試驗發現，随着駕駛時長的增加，駕駛員是更容易犯困的。這個實驗雖然是基于模拟倉的一個統計，但是有一定的説服力。
如果説大家有開過帶輔助駕駛功能的車，也不難發現，在長時間駕駛的情況下，如果只是脱手，但不脱眼的話，随着駕駛時長的增加，自己會變得更容易犯困，某種程度上反而會帶來更大的安全隐患。
所以，我們要做到 " 脱眼脱手 " 這個級别，它對于系統的要求就是：只要車還在動，那就需要保證智駕的系統是相對安全的。
對比純無人模式，" 脱眼脱手 " 模式是更容易落地的。
首先第一個點是場景的需求，比如在幹線物流場景，駕駛員不僅要處理駕駛本身問題，可能還會有很多關于貨或者關于收費等各種各樣的問題，這些問題屬于自動駕駛 ODD 範圍之外的事情，中短期來看，這個目前都依然需要人去解決。
其次是技術能力的要求，如果系統的 ODD 定義準确，那麼在 ODD 之外的情況下，人類駕駛者可以幫助車輛提前安全停車，從而保證在當前整體理論和行業水平沒有突破的情況下，智能駕駛可以順利落地。
從經濟層面來來看，單車每年大概是多出 15- 20 萬元的毛利率，如果算上 5 年的折舊，這個利潤率明顯要比自動駕駛系統的硬體成本要高。
可以説，這些維度支撐起了千挂的核心模式，下面來講一講我們是如何做的。
如何打造前裝量產智駕卡車？
千挂采取的是和主機廠一起做整個智能駕駛商用卡車的量產。主機廠是幫我們提供整車的一個平台，千挂提供智駕部分的軟硬體方案，然後我們共同去做整車的定義和開發，再基于整車廠的強大的整合和量產能力，幫助我們從概念設計到驗證評審再到市場量產，是一個非常深度的合作。
區别于傳統的 Tier 1 加 OEM 的模式，千挂科技本身在商用車自動駕駛量產的事情上其實是建立了一套靈活且高效的合作模式。從定義整車的功能概念，再到具體的軟體設計，都是完全參與。
除了和主機廠對接整車的需求和功能定義之外，我們其實也會和很多 Tier 1 去直接溝通某些零部件的技術指标和性能，比如深入了解電液助力轉向，還有甚至 eps 的一些趨勢。同時作為智駕方案商，我們也會和一些國内外領先的傳感器和芯片公司有一些深入的交流，比如説評測一些最新的傳感器和半導體芯片等。
概念階段
在概念階段，我們希望達到的效果是讓司機 " 脱眼脱手 " 之後能夠安全放心的水平。這個從技術層面講是一個非常難做的事情，但我們在技術層面已經有一些非常不錯的積累。同時我們的 ODD 裏邊是會搭配一個司機使用，全程是有一個雙重的保障。
概念分析完，自然就決定了我們會選的傳感器、需要的算力，技術路線以及最後出來的效果要求。千挂跟很多單純追求低成本的輔助駕駛會有不同，在功能定義上完全走的是兩個不同的路線。這也體現在概念階段的定義，決定我們追求目标的下限是不一樣的。
幹線物流 ODD
下面講關于幹線物流 ODD 的理解。ODD 的定義直接關系了後面所有的整車功能定義，以及後續所有的軟硬體開發。我們理解 ODD 開發并不是一個從 0 到多的枚舉或者頭腦風暴，而是基于各種客觀的因素做排列組合，一一确認，然後做減法的一個過程。
千挂的概念分析階段，其實針對 ODD 總共大做了 5 大級别的一個運行情景的分析，涵蓋從靜态、實體環境條件、駕駛人員狀态、車輛狀态、道路狀态以及多個層面的組合分析，盡可能減少對不安全的場景的特性理解。這樣的分析之後，才能幫助我們針對這種特性去做系統級别的設計。
舉個例子，幹線物流肯定會遇到一些車輛啓停的場景，極端情況是這個場景可能會出現一些小動物，或者説小孩子在車身附近，我們的 ODD 必須要包含這個場景。所以我們引入了在商用車上并不常見的超聲波傳感器。舉例子也是想説明我們做的事情并不是傳統的 L4 或者 demo 驅動的開發模式。
設計階段
具體到設計階段，千挂科技和東風柳汽的前裝量產項目，已經是順利完成了 A 樣車的試制和整體的測試任務，在線控性能、外觀結構、整車電子電氣适配、标定優化等多方面其實取得了不錯的進展。同時 B1 樣車也按項目計劃改制中。借助于東風柳汽強大的整車集成和先進整車制造能力，我們預期是在 2024 年将正式下線我們前裝量產車型。
千挂科技已經從底層到應用軟體，從基礎架構到量產工具，在各個方面取得了一些不錯的工程積累。今天也是針對整車智駕功能中的硬體系統做一些分享。
整體架構
首先是智駕網域控硬體層面的整體架構，面向整車前面提到的功能定義，我們做的相關項分析示意框圖大概如這個圖所示，ADCU 是我們整個方案的核心，它一方面是承擔着左側傳感器的接入，同時右側接入的話是我們的線控以及車輛底盤的一些執行器，它是一個承上啓下的作用。這個 ADCU 的設計需求其實完全是根據我們自己對于 ODD 以及運營場景裏面遇到的一些問題的理解，純定制研發的一個產品，目前已經完成了原理圖階段的設計。
傳感器方案與布局
我們在認真嚴謹地評測了前裝市場的一些傳感器之後，選定了多款半固态激光雷達作為我們量產項目裏邊的一部分的傳感器，因為它的成本已經被乘用車的量產項目帶下來了，并且在質量和供應鏈上面有更加有優勢。加上業内比較成熟的攝像頭，還有毫米波傳感器，全套配置下來，為我們後續的感知研發還有性能提升奠定了非常充分的基礎，也兼顧了量產在性價比和質量方面的綜合性要求。
不同的傳感器有着不同維度的感知特性，為了保證 ODD 場景内硬體感知層面做到可 " 脱眼脱手 " 的功能完備和功能備份，我們搭建了一個 360 度的冗餘環境感知系統，包括激光雷達、攝像頭、毫米波、超聲波雷達。其中激光雷達我們用了 6 顆，它們所實時產生的感知數據是一個非常大的數據量，大概是在 400 Mbps，前向激光雷達最大探測距離能達到 500 米，角分辨率在 ROI 可以做到一個 0. 08 * 0. 08 度，這是一個非常誇張的水平，為後續的復雜場景，包括遠距離或者一些小物體的識别，在硬體層面提供了可能性。
前向的攝像頭，最大有 800 萬像素和 30FPS 的環境感知能力，同時攝像頭在硬體層面也支持 HDR、LFM，針對特定場景例如高動态，還有定制和優化。
這張圖是我們最終的激光點雲在真實場景下的效果，可以看到車身 360 度都是完全的覆蓋，前向能提供 500 米範圍的超遠距感知（綠色點雲）。這裏要想分享一個點，如何在整車上适配多個傳感器，這個非常考究團隊的工程能力和合作能力。比如説從早期的 FOV 覆蓋，到結構設計仿真，理解傳感器的工作原理（安裝傾角問題），樣件快速成型，法律法規方面的約束、不同挂車差異、工業設計能力、感知模型效果等。
比如説半固态雷達，它的壽命或者它的功能在實際的裝配中肯定會受到傾角的影響，這些需要我們去理解傳感器的原理細節。
這上面的每一環都是必不可少，且是環環相扣的，如果做不好，影響可能是一連串的。比如説激光雷達的測距或者掃描方式發生改變，攝像頭的分辨率或者 fov 或者它的觸發時序發生改變，這個都可能會導致感知此前積累的很多數據無法復用，算法需要額外多次迭代，這個都是有工程成本在裏面。
我們早期是評測過很多家的感器，也得到了非常多的供應商的大力支持，在雙方緊密的技術合作之下，我們在如何快速地、低成本、高質量做整車傳感器的軟硬體适配方面是積累了不少經驗。
自研網域控制器 ADCU
ADCU 是我們從整車的功能定義出發，提出了需要滿足對應場景解決方案的計算平台的設想，包含了從算力、傳感器接入能力、車身控制、智能網關、智能電源，還有熱管理以及最小安全系統等各個模塊。
我們對于網域控制器的理解是 CPU 和 GPU 的算力是同等重要的，在感知預測、深度學習、Resolution、Feature map size 等方面對于 GPU 是強需求，在運動規劃、SLAM、Fusion 和 Tracking 方面對 CPU 的能力會有強需求。所以在控制器的研發和設計層面，我們會兼顧 CPU 和 GPU 的整體的算力需求。
目前我們的控制器能做到整機的 GPU 等效算力大致于 6 顆 Orin， CPU 是等效于 8 顆 Orin；三層異構計算控制系統，支持多路相機和車載以太網設備接入，同時支持 TSN 時間敏感網絡。
除了接入能力方面，我們在可靠性冗餘方面也做了很多的設計，比如典型的像雙路冗餘電源輸入，不同物理和數據鏈路的傳感器接入。此外還增加了集成式智能電源管理單元，高速信号的傳感器管理單元等等。
這樣復雜的網域控制系統，它的散熱系統也是非常麻煩的事情，我們聯合東風柳汽對網域控的水冷散熱也做了正向的開發，不僅實現了小體積高密度，同時滿足了車規級對于散熱系統的液冷管路和驅動設備的可靠性和穩定性的需求。
電源管理系統
商用車在實際運營過程中會面臨很多工況和環境條件，比如説加速、減速、制動，還有一些高功率的負載的開關，包括説因為線束較長存在的線束電感，在大電流的情況下可能會導致的高壓脈衝危害。
雖然這些波動會在 ISO 16750-2、GB 28046-2 電性能測試裏面覆蓋到，但是涉及到整車級别需求來看，可控、精細化配置以及可診斷的電源管理，還是一個大趨勢。典型的像特斯拉已經在他們的整車電源管理系統實現了這種相對比較智能的設計。
使用 Smart HSD、MOSFET+ 采樣邏輯代替傳統保險絲加繼電器的模式，在過流、過壓、 短路、過温、開路等檢測和耐受性能上有着數量級的提升，典型 Smart HSD 開關次數在 10^15 次以上且保證性能無衰減，而傳統繼電器只能做到 10^5 左右。除了基礎層面的提升，還會有很多數據分析和數據挖掘的價值在裏面。
人機互動部分
傳統車輛的人機互動系統更多是功能屬性，而自動駕駛系統的人機互動的并不只是簡單的功能完成，實則某些場景中與安全強相關。如合理的接管邏輯、方式和阈值判斷，以及簡潔易懂、有效及時的提醒及提醒閉環或不必要的誤觸發，這些在預期功能安全中都需要被分析到。前面提到我們的 ADCU 的性能是非常強大，足以支撐人機互動對于硬體性能方面的需求，但我們從可靠性角度出發，還是會做一個智駕網域和座艙網域在硬體上的一個隔離。
典型的比如我們的 ADCU 之外，我們針對人機互動部分會有一套單獨的硬體系統，這個能保證整車的概念安全和設計解耦。
如何提高可靠性？
零部件和供應商
内部角度，比如説我們自己做的控制器的芯片選型，首先它要滿足 AECQ100 的要求，在開發模式上要遵從 V 模型的開發 + 驗證的方式，同時生產制造也要符合汽車行業規範，這個是對于内部研發項目的一些基本要求。
外部看的話，我們會有很多傳感器選型和功能性能評測、 DVPV 測試報告的審核，再到供應商質量體系審核以及定點。
内外雙抓手保證零部件層面的自研和外購件符合規範。另一個角度就是自研和外購件在零部件層面的可靠性要求在我們看來并不是隔離的，反而對于自研項目中的原理細節的理解，能幫助我們去更專業的評價外購件的能力水平。
系統概念
舉一些例子，比如説我們自己在做自研 ADCU 過程中，我們采用 ASIL-D 等級的 MCU 作為最底層的安全保障，然後攝像頭和雷達都會在數據層面分在不同的物理和協定鏈路，接入不同的異構計算網域進行傳輸和處理。對于 MCU 和一些關鍵的外設會采取雙電源冗餘的設計。再比如，像在線控通信矩陣層面，對于制動信号，我們會要求從多個不同的傳感器采集點的報文。
功能安全的導入
車規級選型只能保證器件的相對可靠，但元件的可靠其實并不代表系統功能是可靠的。系統的功能首先要從系統功能定義出發，合理的拆解分析，我們對于智駕系統的功能進行了危害分析和風險評估之後，大致得出了智駕系統需要滿足的安全目标共 21 條，并且針對每一個 safety goal 均有明确的 ASIL 等級以及它的安全狀态定義，還有故障容忍時間 FTTI 的明确定義。對于每一個安全目标也相應完成了它的 FTA 故障數分析，我們在概念階段做了非常詳細的工作。
明确定義的報警和功能降級也是我們實現後期安全停車或者最小安全策略的一個必要的輸入。我們前面提到的 21 條的功能安全目标，拆解到 700 多條的 FSR，再導出到指導設計的技術安全需求的 TSR 和硬體層面的 HSR，指導我們具體的軟硬體設計。
整車測試驗證
可靠性其實既是設計出來的，同時也是測試出來的，而整車級别的測試反而是更接近于最終用户或者客户的驗證工序。從台架加速試驗到載荷路譜試驗，以及後期的長期真實道路測試，對于加裝智駕系統的整車可靠性都是終極大考。
尋找幹線智能貨運真正應用的痛點
現階段我們的理解是實踐出真知，我們已經從身體力行的在落地一些真實的運營，并且在實際運營中迭代產品，比如路測過程中發現的實際場景的問題和需求，我們都會高優處理和思考，并将這些需求納入之後的開發需求，真正的從實踐或者運營場景出發，再回到運營場景中去；除此之外，我們研發也正向的基于 OOD 的功能開發需求，在不斷提高我們自動駕駛解決幹線物流的技術指标，提高真實場景中的自動駕駛率，提高運營的效率。這兩方面是一個雙向奔赴的過程，相互促進才能提速量產化和批量化運營的一個進度。
好的，然後今天的交流分享先到這裏。
Q&A 環節
Q：有做駕駛員的疲勞測試嗎？
這是一個好問題。我們在研發測試，包括運營測試階段，在車上都是有裝了類似于 DMS 或者説手環這樣的設備，都是在監測或者采集一些測試場景的數據，然後也在聯合一些外部高校在做駕駛員疲勞度的數據采集和分析的工作。這個對于我們後續去量化這些指标，包括説我們的系統能在多大的程度給駕駛員提供休息的時間等問題上提供一定的理論和數據依據。
Q：千挂科技招人會比較關注什麼樣的點？
首先基礎的一點，對專業能力或者説是技術能力有一些基本的要求，除此之外我們也會看重一個團隊合作能力或者解決問題的能力，這裏也歡迎大家多看一下我們在招聘渠道的公開崗位。
Q：請問現在的卡車線控技術已經足夠成熟量產了嗎？
這個并不是一個單純的技術問題，而是一個工程問題，是工程就得考慮成本，并不是説現階段技術做不到。據我們了解，在電源冗餘、轉向冗餘、制動冗餘等方面有很多這種方案，但現階段它是不是最經濟的方案，我們還在實踐和讨論的過程中。
Q：自研的 ADCU 内部有冗餘嗎？
有冗餘的，前面有提到我們的 ADCU，它不僅是在系統架構上是有一個三層的冗餘，而且在與外部傳感器設備接入上也是有三個不同的鏈路和協定，保證不會因為某一個鏈路有問題，導致其它不同維度探測感知的傳感器也出現失效。同時在 ADCU 内部也會有電源部分或者重要外設部分的冗餘。
