自动驾驶企业变现难，尤其是专注于L4级别自动驾驶的企业变现难，早已是行业的共识。尤其是当资本越来越谨慎的时候，这一赛道上的玩家必须开始转型。日前，福特与大众汽车投资的L4自动驾驶技术公司Argo AI宣告倒闭，更是为同行敲响了警钟。轻舟智航联合创始人、CTO侯聪表示：“我们还是坚信L4肯定会实现，但是作为创业公司可以渐进性地先做城市NOA，在这个基础上不断获得数据的闭环与现金流的闭环，这样才能继续迭代技术，最终实现L4的产品。”
城市NOA是辅助驾驶的天花板，也是无人驾驶的入门槛
2022年是城市NOA发展极具里程碑意义的一年，它代表了当前智能汽车核心竞争力的重要标志，也是满足消费者对智能驾驶期待的关键技术。刚刚公布了自动驾驶解决方案品牌Driven-by-QCraft的、中文名称“乘风”的侯聪表示，“城市NOA是辅助驾驶的天花板，也是无人驾驶的入门槛，它已成为汽车高端智能化的大势所趋，以及消费者的众望所归。我们会不断拓展城市NOA的ODD，让辅助驾驶从能用到好用，最终让用户爱用，以更普适性的智能驾驶让开车像打车一样轻松。”
目前，多家自动驾驶企业都已将城市NOA作为快速资金回流的主要渠道。在这个方向上，有L4经验的公司由于在技术上有着充分的积累，无论是整个底层框架的设计还是算法的选型都有着丰富的经验，与其他友商相比有着一定的先发优势。
很多自动驾驶业内人士今年都表示L4级别自动驾驶公司的重点已经变成了降成本，1万美元的解决方案可能都无法满足下游车企的需求，甚至要把成本做到5000美元以下才有活下去的可能。一直以来都在宣传自己单雷达解决方案的轻舟智航在L2级别自动驾驶解决方案商也做出了高中低三个配置的档次，高配成本超出了1万元人民币，中配的成本便已经降至1万元人民币以下。
在L4与L2之间，在理想与生存之间的博弈中，侯聪认为L4级别解决方案的成本由于整体量产使得包括传感器在内的诸多硬件成本出现了大幅下降，但是他并不认为L4解决方案中最重要的是成本问题，而是先要将其做出来。至于L2解决方案中，成本问题是当下必须着力去解决的，所以轻舟智航也会从高配向中配去转移，后者只需要一定的开发时间便能实现很好的城市NOA的功能。
超融合感知方案有望提升精度与鲁棒性
感知如同驾驶员的眼睛，是城市NOA的重要基矗感知模型需要精准高效地观察和认知世界、并为下游任务提供有效数据支撑，同时还要满足车规级计算平台的适配，并有效解决复杂路况中的各种长尾问题。
轻舟智航感知负责人张雨表示，“轻舟独特的‘超融合’感知方案拥有领先的‘多传感器时序穿插融合’技术，可让感知模型在不同阶段、利用不同传感器信息相互补充，得到更优融合结果，避免各类误检和漏检，精度高且鲁棒性强。”
基于“超融合”感知方案，轻舟智航提出了国内首个在量产计算平台实现视觉、激光雷达和毫米波雷达特征和时序融合的大模型OmniNet，以一个神经网络即可实现视觉、激光雷达、毫米波雷达在BEV空间和图像空间上输出多任务结果。相较传统方案，OmniNet可提供更丰富且准确的环境感知结果，有效提升感知精度；可节省2/3的算力资源，满足车规级芯片应用需求，并可低成本适配不同厂家传感器配置；更适宜通过数据驱动解决实际道路面临的长尾问题，“感知更精准、车端更适配、迭代更高效”，更好地满足城市NOA的量产需求。
OmniNet模型架构
通过OmniNet在内的感知算法能力，轻舟智航可让激光雷达“物尽其用”，实现了行业领先的通用障碍物识别能力和噪声过滤能力。其不仅可以有效识别车辆、人群、植被、护栏、锥桶、小动物、施工区域等常见的道路交通参与元素，还包括各类陌生或长尾罕见的异形障碍物，更好应对城市中出现的长尾问题。逐层递进的噪声过滤方案，还能够最大限度地排除雨雾、泛光等噪声对感知的干扰，充分提高安全性。
PNC将成为城市NOA的关键指标
PNC（ 规划与控制Planning and Control）如同驾驶员的大脑，负责指导车辆在复杂城市路况中完成导航、预测、决策规划和控制等一系列操作，对于行车效率、舒适性至关重要，是真正打动用户的核心关键。
“城市NOA，PNC定高下”，轻舟智航技术合伙人李栋表示，“轻舟智航能够提供中国最好的PNC方案，我们秉承着自己的算法‘世界观’，致力于以空间和时间复合的视角看待和解决自动驾驶的各类问题，前瞻性地选择了更适合国内复杂路况的决策规划技术架构，独家实现了行业公认更优的时空联合规划算法。”
“时空联合规划算法”可直接在空间和时间中求解最优轨迹，如同能够同时控制车辆方向和速度的老司机，更接近实际驾驶行为，可灵活应对国内的各种复杂路况。相较之下，业界普遍采用的“时空分离规划”会将轨迹规划拆分为路径规划和速度规划两个问题，无法同时计算路径和速度，刻板不灵活。不仅如此，“时空分离规划”的研发非常依赖手写规则和大量路测，而“时空联合规划”只需极少手写规则，人效更高，且更适宜利用人类驾驶数据通过机器学习不断提高算法效率。
灵活的“时空联合规划”能够让车辆行车更聪明、效率更高效、体验更舒适。在实际行驶过程中，当车辆面临动态障碍物的交互时，“时空联合规划”可以让车辆提前把握最好时机选出最佳行车轨迹，更流畅地完成车辆间的博弈，而不会出现反复急刹的情况。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”跟车缓行。
车企全栈自研将形成资源浪费
在为了将L2自动驾驶解决方案更快、更好地推向市场时，以蔚小理等新势力以及上汽等传统车企为代表，纷纷选择了全栈自研。
尽管全栈自研已经成为众多车企在宣传时的技术卖点，但自动驾驶企业们对此还是坚持自己的观点。候聪表示，如果每一个车场都全栈自研的话，对于这个行业来讲一定是资源浪费，更适合的模式还应该是由供应商为车企提供更好的解决方案。
事实上，车企的全栈自研也在一定程度上导致自动驾驶企业的高端人才分流。如此一来，无论是前者还是后者，都无法保证将最优秀的人才集中在一个或若干个团队内形成高效互动，这对于仍需提速的自动驾驶技术研发来讲在一定程度上并非好事。
