作者 | 張祥威

編輯 | 德新

智駕方案的降本行動仍在推進。

(相關資料圖)

早年，單視覺L2市場的玩家以Mobileye、博世為主，后來國內智駕公司加入，共同推動 1V、1R1V、nR1V等不同的方案興起，L2近乎成為車輛的必備功能。

當下，在行業降低智駕成本的大背景下，有行業公司提出，可以推出成本極致下探的單視覺L2方案，并能解決行業的兩大痛點：

降低AEB誤報率，幫助車企拿到CNCAP五星成績； 支持數據回傳，為高階智駕迭代打下基礎。

與以往的L2方案相比，今天的單視覺L2正在變強，且有了更高的可靠性，成為主機廠向高階輔助駕駛進軍的入場券。

1. 單視覺成本香但有痛點，行業關注AEB誤觸發率

2017年，隨著特斯拉Model 3開啟規模交付，L2逐漸進入公眾視野。

國內市場中，先后出現1R1V、3R1V、5R1V的L2方案，后來還出現了加入激光雷達的L2+方案。再后來，隨著主機廠降本、便于管理的需求，又出現了行泊一體等。

對性能的極致壓榨，其中一個代表是特斯拉。其采用144TOPS的算力堅持使用120萬像素的攝像頭，來實現L2、L2+的功能更新，并且一直在做傳感器的減法，比如去掉毫米波雷達等。

國內主機廠在極致成本競爭下，也已經開始做減法，行業開始出現去高精地圖、去雷達等聲音。

回到L2方案上，過去行業的主流做法是通過1R1V方案來實現L2功能，比如AEB等。

為了降低成本，行業后來又開始去掉毫米波雷達，出現1V方案。不過，去掉毫米波雷達后，僅依靠單個攝像頭容易發生“幽靈剎車”，就是AEB誤觸發率高的問題。

要解決傳統的1V方案幽靈剎車的問題，需要大量的數據，但是又不能拿量產車主機廠當小白鼠。主機廠希望降低成本，又擔心去掉毫米波雷達產生的幽靈剎車。這是過去行業推進「1V」這種極簡L2方案時遇到的問題。

為解決AEB的誤觸發，MAXIEYE做了多種算法冗余，通過兩套甚至更多套不同的算法來進行目標物的檢測，不同算法的檢測特征、原理是完全不同的，并可以相互校驗。

比如，對行人的檢測，一套算法會檢測行人的整體輪廓，另一套算法會檢測行人的關節、頭等局部特征。

5月24日，智駕科技MAXIEYE發布了牧童MonoToGo 單視覺L2解決方案，一站式實現L2全功能集成，具備數據閉環全場景復現、事件觸發數據回傳等功能。

面向當下單V行業痛點，該方案針對性解決了AEB誤觸發等問題，滿足CNCAP五星+主動安全評分。

極簡極致的L2方案再次被刷新。

據悉，這款單視覺L2方案的Vision Only產品在CNCAP標準測試中，主動安全ADAS部分更是得到了88.56%的分數。

要獲得CNCAP主動安全五星，需要系統具備很高的敏感性，同時保證量產時AEB不會出現誤觸發，考驗方案的平衡能力。許多主機廠為了讓量產的車減少誤觸，會把系統調整得很保守，從而無法獲得CNCAP的五星高分。

值得一提的是，MAXIEYE單V產品刷新系統安全指標，這背后有一套數據迭代的邏輯。

隨著量產上車的方案不斷積累更多數據，MAXIEYE會不斷地訓練這套視覺方案，精度、性能、場景隨之提升，從而在主動安全上獲得更好的分值。

2. 從產品底層設計，建立數據回傳機制

獲得主動安全五星成績，僅僅是MAXIEYE的單視覺L2方案能力的一部分。更為重要的是，MAXIEYE的L2方案所具備的數據回傳能力。

“單視覺方案最怕的是一些Ghost（鬼影）。”MAXIEYE創始人兼CEO周圣硯告訴HiEV，因為視覺無法形成深度信息，經過龍門架時，會把龍門架當成大卡車的車尾，進隧道時，也可能把隧道的桿子當成車尾，而要解決鬼影問題，就需要大量的數據積累。

為了做好數據積累，早在2019年左右，MAXIEYE發布1R1V方案時，就為這套方案設計了支持數據回傳和事件觸發視頻回傳的機制。這是當時行業的其他方案沒有考量的。

MAXIEYE在1R1V方案中運行了單V的影子系統，利用影子系統，可以把由于缺少毫米波雷達校驗所產生的AEB誤觸發數據全部回傳回來，用于之后的數據訓練和算法迭代。

據介紹，在1R1V和單V方案市場，MAXIEYE是唯一一家具備數據回傳能力的公司。

為了開發這樣一套系統，MAXIEYE在選擇芯片時，就要求芯片必須支持H.264視頻編碼。“視頻編碼直接決定了方案的后續能力，比如影子系統、數據回傳，以及通過回傳來訓練深度學習的卷積網絡。”

彼時，一款芯片既要有足夠的算力去部署深度學習算法，同時又支持H.264編碼，這樣的芯片產品并不多，它考驗的是芯片公司的IP設計和產品定義能力。

據了解，許多智駕方案供應商早期推出的芯片并不具備H.264視頻編碼能力，數據回傳主要靠大量的人工成本，在方案量產之前通過大量的試驗車采集各種工況數據，數據獲取的成本相對較高。

除了芯片，MAXIEYE自身也基于底層感知自研算法，實現視覺感知網絡的迭代。目前已經實現高測距測速精度、高環境適應性。

受限于芯片算力，L2的算法采用的是MAXI-NET 1.0深度學習網絡。

據周圣硯介紹，機器學習對算法檢測率的提升主要來自兩個途徑：

一是，提升卷積網絡設計，采用運算能力比較大的卷積網絡； 二是，在量產的產品上，由于可用的算力不高，通常為2 - 3TOPS，此時想要提高檢測率就要通過數據。

最終，MAXIEYE選擇了安霸和TI的芯片，并通過算法的不斷迭代，獲取大量量產上車的L2方案回傳的數據，其場景數據規模量已經累計超2億公里。

這種前瞻性設計，為后來解決AEB誤觸發、獲得CNCAP主動安全五星成績打下了基礎。

更關鍵的是，它還為系統向高階輔助駕駛迭代留出空間。

3. 向高階輔助駕駛迭代

主機廠為了提高競爭力，需要提升L2的搭載率，并且方案最好支持向L2+、L2++等高階功能進化。

要做到高階輔助駕駛，要包含上下匝道、過路口等，核心是解決路口的拓撲。

MAXIEYE的單V方案可以支持在經過十字路口時，按照設計好的觸發機制，將過路口前后五秒的視頻回傳到云端。同時，MAXIEYE在云端為主機廠準備了一套VSLAM和地圖重構的算法，將單V的視頻用VSLAM的方式創建整個道路拓撲，作為高階的地圖真值去訓練高階輔助駕駛。

周圣硯認為，雖然單V的算力有限，運行不了BEV算法，無法感知道路的分叉、匯合等拓撲信息，但行業當下L2和L2+的配置率大概會是8:2。可以用80%車輛L2采集的數據，為20%車輛提供城市NOA道路拓撲信息。

這一過程考驗的便是數據閉環能力。

它要求：

整車廠的車輛具備以太網的架構，以太網不只用于ADAS的數據回傳，還可以用于車機等；

智駕供應商具備數據脫敏能力，要用算法把行人的臉、車牌照信息脫敏，L2方案的芯片算力本身有限，將數據脫敏算法植入進去，技術挑戰頗大。

站在主機廠的角度，如果不具備數據回傳能力，意味著和燃油車時代的“放養”沒有任何區別。而且，由于L2的配置率很高，如果無法支持數據回傳，數十萬乃至近百萬輛車無監管地行駛在路上，主機廠對于車輛的數據掌控力也會變弱。

具備數據回傳能力后，主機廠可以聯合智駕供應商一起設計觸發機制，提供基于觸發機制的數據回傳，以還原現場。

它不僅可以提升ADAS本身的性能，也能拓展L2的功能邊界。

比如，安全氣囊起爆后，如果將起爆前后五秒進行數據回傳，就可以幫助主機廠用來做起爆點的設計等等。

目前看，要進入智能駕駛領域，單視覺L2基本上是性價比最高的入場券了。

對于主機廠來說，一方面這張入場券的成本更低。另一方面，也是更為關鍵的，它能為進入NOA等高階自動駕駛做好準備。

單視覺L2采集的數據，可以做場景觸發，將數據回傳支持NOA的迭代。也就是說，遇到的每個corner case，都能攢下經驗值，為以后的算法迭代打下基礎。

對于售價更低比如售價10萬元以下的車型來說，成本更低且具備數據積累能力的智駕方案，是有著不錯的吸引力的。

最終，用戶感受到的是更加安全的巡航功能，主機廠可以在主動安全方面獲得CNCAP五星評分，并且具備了數據迭代能力。

未來某天，隨著傳感器本身成本下降，單視覺L2的硬件可能會被替換，但那時，主機廠已經從算法層面獲取更多的海量數據，拿到了邁入高階輔助駕駛的入場券。

關鍵詞：