上汽深化L4自动驾驶自研，Robotaxi项目落地临港丨产品观察

文丨彭苏平

编辑丨苏建勋

近期，上汽人工智能实验室（上汽AI LAB）对外发布了2.0版本的高级别自动驾驶技术架构。按照计划，该架构将于年内搭载在上汽Robotaxi 2.0上，并在临港开启运营。

上汽AI LAB是上汽集团旗下的创新平台之一，去年曾和合作伙主导研发了上汽享道Robotaxi项目的落地。截至目前，上汽已经在上海嘉定、苏州高铁新城两地布局了60辆Robotaxi，开放运营点位超过100个。

此次发布的2.0版本，是上汽AI LAB自主研发的新一代方案。与上一代方案相比，2.0版提供了更为复杂的冗余系统，例如在感知层面，仅激光雷达就有6颗。另外，通过与上汽旗下品牌飞凡合作，新一代系统全部前装上车，感知硬件与车辆的集成度更高。

目前，一小批车辆已经在临港滴水湖周边进行测试。据36氪了解，上汽Robotaxi 2.0规划的运营规模是200辆，将在今年第四季度开始在上海临港对外开放，之后还将进一步在深圳落地。

上汽AI LAB Robotaxi项目技术负责人于乾坤博士对36氪表示，从技术上，他们的Robotaxi车队已经能够做到几百公里不接管，未来的目标是，通过3-4年的努力，实现10万公里不接管，基本达到人类水平，然后再通过4-5年的努力，实现百万公里不接管，达到10倍人类水平。

不过，规划还是相对乐观的，无人驾驶客观上还是要克服诸多难题。于乾坤表示，要达到上述目标，很关键的一点就是要收集足够多的数据来进行算法优化。

“到这个水平肯定是需要大批量车的，我们到2025年车队规模会达到上万辆。”不过他强调，上万辆车不可能全部是Robotaxi，而是会有相当大一部分量产车，在消费者日常的行车过程中进行数据采集。

专注L4自动驾驶研发的公司，近两年来都在力推前装量产，一方面能够进一步扩大数据来源和丰富度，提升算法水平，另一方面也能增加收入渠道，支撑公司更长远地走下去。

于乾坤认为，相比于这些L4的科技公司，上汽AI LAB的优势在于主机厂的基因，它先天具有量产的敏感度，在与主机厂的合作中也会更有默契，在量产落地方面会更为顺畅。此外，在数据的采集方面，上汽内部也打造了统一的数据工厂，集团旗下多个品牌的车型数据都能够集结于此，在数据量级上或能占据优势。

上汽AI LAB临港测试车，顶部凸起部分装载了固态激光雷达

高冗余方案上路

上汽AI LAB 的这套最新自动驾驶技术架构，配置了高度冗余的软硬件。

感知方面，最新的技术架构包含了6颗固态激光雷达、5个周视相机、4个环视相机、5颗毫米波雷达以及12颗超声波雷达。

新一代架构的传感器数量和精度都有显著提升。在此前的架构中，仅有3颗机械式激光雷达，周视相机尽管配了8个，但仅有230万像素，这次则升级到了800万像素。

配置如此多的传感器，车辆造型会受到不小的影响。不过，基于上汽原厂设计，最终呈现出来的Robotaxi测试车相对来说与常规的车辆差别不是那么大。

36氪在现场看到，与很多测试车辆在车顶装了一顶“大帽子”不同，上汽AI LAB测试车将激光雷达分散地嵌在了车顶的四周，同时车辆左右翼子板也分别放置了两颗激光雷达，与车身融合得已经相对较好。

定位方面，新一代技术架构采用了高精度GPS定位、IMU惯导定位、激光雷达地图定位、视觉语义定位，总共四套定位系统层层备份，以确保定位准确且稳定。

规控方面，同样设置了四层系统。第一层是一个由高性能计算机所组成的 HPC，它能提供 1000TOPS以上的算力，同时配备了两个32核的CPU以及128G的内存和2T的硬盘储存；第二层是一套具有64TOPS算力以及双Xavier布局的TCU，可实现 L2+的一些功能；第三层则定制了一个 MCU，主要的作用就是在前两层失效的时候，第三层仍然能够运行L1 -L2的更低级别的智能驾驶功能，比如自适应巡航、AEB主动刹车等。

除此之外，在最底层也设计了远程驾控系统，多一重在控制室内进行操作的备份，这也是为后期副驾“去安全员”所做的准备。

在软件层面，新一代技术架构也进行了重新设计。比如在感知算法上，上汽AI LAB采用的是一套前融合和后融合相结合的一种融合感知算法。

根据相关产业研究报告，多传感器融合有前融合、后融合两种方式，其中后融合类似于“投票机”，即每个传感器独立完成“输出原始数据-数据处理-输出识别结果”的过程并传递到域控制器，最后将其按照一定权重做最终的仲裁。

而前融合则是将传感器的原始数据全部保留，在统一时钟、坐标系后进行融合，最后提取特征实现环境感知。产业链调研显示，当前主机厂大多停留在后融合阶段，而据于乾坤介绍，前融合与后融合相结合，有利于提升感知的精度和稳定性。

在硬件的配置上，上汽AI LAB的这套方案已经基本“打满”，不过自动驾驶的功能表现，不仅仅依赖于硬件。并且，从大规模量产上车的角度，硬件配置还是要尽可能地精简以达到更高的性价比，算法的提升是核心。

36氪在现场体验了测试车约10分钟的车程，车辆可以完成常规的红绿灯识别，并根据规划路线进行自主换道，也能够在右转时识别到行人并减速。

不过，相比于人的驾驶，这套自动驾驶系统还是表现出了一些“不自然感”。例如，在距离较近的位置识别到车辆时，测试车还产生轻微的顿挫，因为它预判旁边的车辆可能有侵入车道的可能。此外，整段车程中，车辆行驶的速度并不高，在一小段限速50公里的路上，车辆的时速在40多公里。

推动落地量产

在感知、定位、规控等环节进行全面的冗余布置，业内并不多见。

于乾坤坦言，做一套高度冗余的系统，难度要增加不少，例如在规控环节，如何在两级系统之间做好切换。另外，投入的工作量也会比较大，上汽AI LAB现在搭建了两支不同的团队，一支做L4，另外一支做L2，对应的感知算法也有高配跟低配。

规控中四级不同的系统，用的是同一套架构，但算法完全不同，这意味着上汽AI LAB这个团队，既要做高等级的自动驾驶系统，也要做能够在紧急情况下接管的L2及辅助驾驶系统。这对于一个仅有200多人的团队而言，挑战不小。

但是，通过整体技术架构的改进和算法水平的提升，将自动驾驶系统尽早地应用在车上，本身也是上汽AI LAB的规划。这也是最新一代自动驾驶系统在感知硬件上“武装到牙齿”的目的所在——在车队规模较小的早期，利用多传感器，尽可能多地采集数据，来更快地推动算法的迭代。

自动驾驶面临的普遍挑战是长尾问题，工程师和程序员们很难提前为车辆“预知”到所有的驾驶场景，总会有一种突发的情况是没有被训练到的，一旦遇到这种情况，车辆无法进行判断和决策，自动驾驶还是要回到人为接管的状态。

如何解决长尾问题？于乾坤认为没有捷径，一是“刷题”，不断地跑测试，二是掌握一些策略，提高系统的变通能力。

“一方面，我们也是采取‘题海策略’，用足够多的场景数据去帮助训练，这就依赖于上汽搭建的一套数据工厂和仿真模拟工具链体系，基于这套体系，我们能够实现车端问题的自动上传、实时处理，所有的数据处理和算法迭代都能在云端自动进行；另一方面我们也在用多重冗余的系统硬件架构、远程驾控等手段增强车的自身能力，通过解决车端系统时延、时空同步、安全降级策略等方面的问题，在软硬件架构的一体化上实现更多突破，从而在遇到未知场景时，车能拥有更多策略以及变通的能力，保障行驶安全。”于乾坤介绍。

他坦言，实现真正的无人驾驶，要攻克的技术难关还有很多，包括冗余架构设计、算法和软件体系优化、车载芯片升级、传感器升级等等，甚至还可能要对整车架构和结构做重新考虑，这是一个长期的工作，需要一整套云端、车端体系化的支持，更需要大量人才的努力和探索。

上汽AI LAB也将在这一领域加大投入，据介绍，公司将在临港注册实体，完成落地签约，按照规划，到2025年公司员工人数将超过400人，投资额也会进一步扩大，为建立“真无人”车队做进一步扩张。