学习笔记（Automotive Intelligence Robot）
本文 | feynman.yang 来源 | 学习总结
如果你的善良得不到理解和尊重，那就收起你的好心，释放你的锋芒！
——2022年8月7日记于广州
今天跟几个刚毕业的学弟学妹拉了一个群，后来就直接开始拉起一个Meeting，有国内读研的、有海外读研归来的还有几个马上奔赴深圳的工作岗位的，大家对于智能驾驶有着急切的热情，AI的时代，智能化汽车会是一个时代的风口，大家对于当下低垂的就业市场下，智能驾驶类岗位就是一个的首选。
以下的文章内容就是我们聊天内容的整理，我自己做了一些文本化整理，由于笔者能力有限，阅历不足并且多数是大家未经思考的漫谈，所以大家可以当杂文看。
对于智能驾驶系统的发展，我们一直有一个经典的比喻就是攀登珠峰的北坡和南坡之争，一个南坡，一上来就是陡峭悬崖但是一路攀登到顶，路险路程近；另一个就是北坡，虽然艰险但是相对平坦，中间又有若干休息平台。
对于智能驾驶系统而言，“南坡”就是直接L4商用，对于“北坡”就是从L2+渐进式的方式到达L3L4直到L5，对于绝大多数的企业而言通常是逐步的完成智能驾驶系统的设计，从简单到复杂，从单一功能到复合功能，从小场景到全场景，功能慢慢在集成的过程中不断的丰满、充实并智能化，因为我们需要在不断的适应市场的需求，并不断的做出调整，在当下的时代并没有任何人可以证明L4是一个真正的需求。
第一阶段：智能驾驶系统在L2+状态，功能拆分为行车和泊车两个部分，分别按照独立的系统来开发应用：
-
泊车系统主要是APA（自动泊车）、AVP（代客泊车）、VPA（记忆泊车）等；
-
行车系统主要是ACC（自适应巡航）、TJA（交通拥堵辅助）等更多的辅助功能【备注：部分功能的名称和描述上略有差异】；
这个阶段的功能对于高精地图和激光雷达都是不需要的，当下我们就是在第一阶段；
第二阶段：智能驾驶系统开始进行融合进入L3，也称之为行泊一体方案，也就是在这个阶段的功能需要在一定程度上打破外界环境和场景的限制，需要适应城市道路和高速场景，能够完成从固定点到固定点的导航辅助驾驶（NGP-Navigation Guided Pilot），这个对于环境感知能力和高精地图的需求提出了更加苛刻的要求，但是高精地图的敏感和激光雷达的成本压力都在逼迫大家走向“轻地图，重感知”，这也就开始掀起了视觉感知的浪花，也就是Tesla的FSD的路线对于L3而言也许会慢慢成为共识；
本身行泊一体方案在软件和算法上都不是将两部分软件组装在一起，如果真的是糅合一起，那就意味着这将是一个“ * 山”一样的代码集，因此第一阶段和第二阶段的开发将会是完全割裂的设计，需要重新做软件架构和算法开发；
对于智能驾驶来说，L3阶段并不会一味追求完全的“零”缺陷系统，短期内由于环境识别等领域准确度仍有不足，单纯堆砌大量的硬件则又带来极高的成本压力， L3 水平的智能驾驶系统是成本和缺陷率的动态平衡的结果，将一部分系统缺陷的结果交由驾驶员来处理，或许是真正实现“无人”驾驶之前必要的权衡之举，L3将会是一个很久的过渡期；
第三阶段：对于L4实现的过程需要智能驾驶系统开始进入打磨算法、优化，L4级自动驾驶作为一种高度自动化的驾驶系统，在特定环境中已经完全不需要驾驶员在环进行控制和接管了，但是超越其处理极限的场景中，车机系统能够实现safety-stop，在特别的极限场景中仍然需要驾驶员接管方向盘，这种特定区域下定义的处理极限就是我们需要重点突破的corner case，这一些也是从L3向L4跨进的主要工作。
再往后的发展，可能就不在我们的认知中了，我们的能力和认知大概也就可以看到这3~5年的发展，以行泊一体为起点，实现点对点的的导航辅助驾驶为重点，用工程化、量产化以及标准开发流程（ASPICES & SOTIF）来实现智驾系统的全面落地上车。
对于技术上的挑战，我想已经有很多的文章详细的描述了，我这边就一笔带过，我个人感觉：技术实现是第一道坎；工程化是第二道坎；商业化是第三道坎。
对于当下的L2+已经开始跨过了技术可实现的阶段，现阶段绝大多数的团队都在主攻工程化，面对SOP的压力，对于工程化的问题，这部分最“简单”而又最“艰难”的部分任务：
1、代码部分的模块化，对于量产的系统而言，无论从OTA的角度还是从功能维护的角度而言，根据不同的功能属性对软件代码进行模块化是一个必由之路，对于多模块的设计还可以实现跨核甚至是跨控制器的部署（这部分还涉及到微内核的RTOS系统问题），这将对硬件系统的性能要求进一步的降低，成本的压缩应该是最直接的体现；
2、功能的可测性，对于开发之后的功能现阶段存在太多的“测试盲区”，这种盲区的小范围和高频率就会产生较大的隐形风险，因此很多的时候就是仿真来解决“难复现”的测试和验证，这本身对于一个复杂的软件开发是有一定的参考价值，作为release过程中预测试是可以的，但是对于量产前的测试而言是不满足的，开发功能的粒度和测试的深度是一个需要系统工程师深度把握的问题；
3、辅助驾驶功能的可移植性，对于软件功能而言“重复性”开发是一个极度消磨财力、物力、人力和时间的事情，也极度影响士气人心，对于维护成本也是高的可怕，一旦开始在多个平台上陷入到解bug的漩涡中，那就意味着几个项目开始分道扬镳，并开始“滚雪球”，到最后一发不可收拾，因此对于同平台的多项目的开发，保持可移植性将会是一个重要的系统能力，实时的同步拉通是一个必然需求；
4、车规化，车规化从根本上讲就是稳定性和可靠性，这就是一个复杂、全面且多变的系统工程工作，我们从传感器、控制器、底软、操作系统、应用层APP、每一个算法runable环环相扣，从系统需求、软件需求、软件开发文档、代码验证、系统验证再到单元测试、功能测试、系统测试以及路测验收，这将是一条横向内容很广纵向分工很多的战线，这必然是一场“会战”；
BOUT Intelligence Robot
汽车智能机器人
在百度世界2021大会上，百度创始人、董事长兼首席执行官李彦宏首次提出了“汽车机器人”的前瞻概念，并发布了Apollo“汽车机器人”。
汽车行业的发展已经从电气化迈进了智能化的时代进程，汽车行业将会开启混合模式：工业机械设计+人工智能+计算机系统。
计算机视觉、大数据分析、机器人、语音识别与自然语言处理、云计算和AR/VR技术堆栈体系正在向汽车转移。人工智能增强了驱动自动驾驶的认知能力，许多潜在的应用在今天不断发展。随着自动驾驶车辆从3级和4级向完全自主方向发展，网联车辆的潜在应用也在不断发展。ADAS功能和互联汽车功能已经提供了数据科学和人工智能应用，因为网联汽车通过出行选项生成了更多的数据，而汽车正在蜿蜒前行，成为车轮上的软件。
引用 Refreences
本文由不架构的汽车电子电气原创，作者：Feynman-Yang。
文中部分图片、封面图片来自网络截图，如因版权等有疑问，请于本文刊发30日内联系。
•电话：暂不公布 •邮箱：[email protected]•知乎：小佛爷修罗道 •领英：feynman,yang•微信：暂不公布•Twitter：feynman,yang
原文始发于微信公众号（不架构的汽车电子电气）：关于智能驾驶实况的云漫谈
