導(dǎo)讀：在汽車電動化革命之后，自動駕駛技術(shù)將掀起新的一場革命。然而，部分零碎的場景、極端的情況和無法預(yù)測的人類行為等長尾難題仍是制約自動駕駛發(fā)展的關(guān)鍵難題。在此背景下，有業(yè)內(nèi)人士提出，以“影子駕駛”的方式構(gòu)建用戶數(shù)據(jù)閉環(huán)，是解決長尾問題的最佳方案。乍看之下，“影子駕駛”似乎是解決長尾效應(yīng)的不二之選，但是“影子駕駛”帶來的芯片運算力大漲、成本上漲，無效數(shù)據(jù)的定義、篩除、利用，駕駛員和算法同時出錯的情況如何甄別，數(shù)據(jù)如何打通等問題，也讓“影子駕駛”看上去美好而現(xiàn)實骨感，而這一切構(gòu)成了“影子駕駛”的AB面。
一、“影子駕駛”或成關(guān)鍵武器
“影子駕駛”離消費者并不遠(yuǎn)，特斯拉率先提出并已經(jīng)利用。“影子駕駛”，指的是在車輛主大腦之外的另一個“分身大腦”，它同樣能獲取車輛的各種傳感器數(shù)據(jù)，并對行駛路況作出預(yù)測，還能輸出駕駛決策指令。在有人駕駛狀態(tài)下，系統(tǒng)包括傳感器仍然運行但并不參與車輛控制，只是對決策算法進(jìn)行驗證——系統(tǒng)的算法在“影子駕駛”下做出持續(xù)模擬決策，并且將決策與駕駛員的行為進(jìn)行對比，一旦兩者出現(xiàn)不一致，該場景便被判定為“極端工況”，進(jìn)而觸發(fā)數(shù)據(jù)回傳。
不同的是，“影子駕駛”下的預(yù)測和指令不會真的被執(zhí)行下去，只用來和駕駛員決策的實際效果做對比，并以此評價和改進(jìn)測試版神經(jīng)網(wǎng)絡(luò)，通過不斷收集數(shù)據(jù)，豐富數(shù)據(jù)庫，完善算法模型，逐步實現(xiàn)自動駕駛向更高等級進(jìn)階。
如今自動駕駛企業(yè)百舸爭流，但主流技術(shù)路線無外乎兩條，一是直接瞄準(zhǔn)4級自動駕駛，通過驗證絕對安全性實現(xiàn)跨越式進(jìn)化；二是從低級別的輔助駕駛系統(tǒng)入手，基于已經(jīng)落地量產(chǎn)的輔助駕駛車輛，通過收集數(shù)據(jù)、逐步完善，漸進(jìn)式向4級自動駕駛進(jìn)化升級。其中，Robotaxi是階躍式路線最有代表的嘗試，而“影子駕駛”則可以理解為是漸進(jìn)式路線的產(chǎn)物，也有一些企業(yè)選擇兩條路線結(jié)合發(fā)展。
由于“影子駕駛”發(fā)展采取自動化程度的漸變，市場更容易接受。除了特斯拉，國內(nèi)其他“漸進(jìn)式”路線的主機(jī)廠和科技公司也在積極探索。廣汽傳祺全新第二代GS8搭載的AVDC影子車手就是一次大膽的嘗試。廣州汽車集團(tuán)股份有限公司汽車工程研究院首席專業(yè)總師吳旭亭介紹，作為一套自適應(yīng)車輛動態(tài)控制系統(tǒng)，影子車手實際上更像是一個朋友或者助手，在暗中幫助用戶更好地操控車輛，通過四驅(qū)前后扭矩分配，改善轉(zhuǎn)向性能，配合駕駛員意圖識別，通過縱、側(cè)向的自適應(yīng)改變，實現(xiàn)車輛系統(tǒng)在線響應(yīng)的實時修正。
作為主打4級自動駕駛的科技公司，北京主線科技有限公司也曾在測試過程采用“影子駕駛”。2021年，主線科技基于“L4自動駕駛卡車＋全功能影子駕駛”，在干線物流場景，與德邦物流、福佑卡車展開真實的貨運業(yè)務(wù)合作，實現(xiàn)運營里程超100萬公里，共計1000次單邊循環(huán)，為自動駕駛軟硬件迭代升級及商業(yè)模式驗證提供了海量數(shù)據(jù)支持。
相較于廣汽和主線科技的“淺嘗輒止”，毫末智行科技有限公司對“影子駕駛”的繼承和開拓似乎更為“虔誠”。通過對海量數(shù)據(jù)的處理和學(xué)習(xí)，毫末智行整理出了一套智能駕駛解決方案，并在原有的分場景為模型方法的基礎(chǔ)上，引入大模型的處理思路。毫末重磅發(fā)布搭載HPilot3.0的“毫末城市NOH”，已搭載于量產(chǎn)車型——全新摩卡HT-PHEV，也是中國第一個大規(guī)模量產(chǎn)的城市輔助駕駛產(chǎn)品。
二、數(shù)據(jù)閉環(huán)有助克服長尾難題
為什么“影子駕駛”可以解決自動駕駛的長尾難題？未來自動駕駛汽車不再是“信息孤島”，而是一個移動的感知終端，將與路、云端互聯(lián)，通過人工智能等技術(shù)實現(xiàn)智慧出行，數(shù)據(jù)是連接這一切的核心因素。在數(shù)據(jù)使用上，有兩個維度的能力十分重要，一是數(shù)據(jù)閉環(huán)，沒有閉環(huán)，自動駕駛數(shù)據(jù)的有效性就無法得到驗證。二是在數(shù)據(jù)閉環(huán)的基礎(chǔ)上，如何實現(xiàn)數(shù)據(jù)的高效挖掘和運轉(zhuǎn)。
當(dāng)前業(yè)內(nèi)普遍形成共識，在技術(shù)方面，自動駕駛的底層架構(gòu)和大部分技術(shù)問題已經(jīng)被解決，但由于現(xiàn)實道路場景復(fù)雜，即使現(xiàn)有技術(shù)已經(jīng)實現(xiàn)90％以上場景的自動駕駛，剩下10％的長尾場景始終無法覆蓋。數(shù)據(jù)無法閉環(huán)，成了制約自動駕駛發(fā)展的最大難題。因此采集最后10％“極端工況”數(shù)據(jù)，獲得數(shù)據(jù)閉環(huán)能力也就成為自動駕駛公司成敗的關(guān)鍵點之一。
為了克服這些長尾難題，自動駕駛系統(tǒng)需要不斷進(jìn)行規(guī)模測試、數(shù)據(jù)采集以及進(jìn)行基于海量數(shù)據(jù)的算法訓(xùn)練，為車輛感知、定位和規(guī)劃路線提供重要依據(jù)。為了訓(xùn)練出可靠的模型，企業(yè)會盡可能給自動駕駛系統(tǒng)“投喂”大量數(shù)據(jù)，以便讓自動駕駛汽車掌握更多處理交通路況的能力，并將駕駛失誤嚴(yán)格控制在可控范圍之內(nèi)，目前很多公司都在進(jìn)行大量路測實驗，試圖找到并解決這些邊界化的難題。一般來說，自動駕駛公司收集數(shù)據(jù)的模式不外乎三類：重資產(chǎn)模式、虛擬仿真和“影子駕駛”。
此前，大多數(shù)自動駕駛公司采用重資產(chǎn)模式，通過購置車輛并改裝成自動駕駛測試車輛，雇傭安全員進(jìn)行道路測試，積累必要的里程數(shù)以進(jìn)行算法訓(xùn)練。但同濟(jì)大學(xué)汽車學(xué)院教授朱西產(chǎn)指出，采集100萬公里、300萬公里的數(shù)據(jù)也許是可執(zhí)行的，但要獲得1億公里、3億公里的數(shù)據(jù)，依靠這樣的方式是不現(xiàn)實的，不僅將花費巨額經(jīng)濟(jì)成本，還有不可預(yù)估的時間成本和人力成本，即使如Waymo、百度這樣的自動駕駛先行者，到今天也只積累了上千萬公里的測試?yán)锍蹋嚯x閉環(huán)仍有巨大差距。
于是，在針對訓(xùn)練自動駕駛的場景數(shù)據(jù)不足，尤其是多元化及特殊場景數(shù)據(jù)稀缺的情況，部分自動駕駛公司開始轉(zhuǎn)向“影子駕駛”。在清華大學(xué)蘇州汽車研究院院長助理戴一凡看來，“影子駕駛”是一種高效率、低成本的實現(xiàn)數(shù)據(jù)閉環(huán)的方法，通過在量產(chǎn)車型上加裝傳感器，將用戶駕駛的車輛作為現(xiàn)實數(shù)據(jù)的捕捉器，通過捕捉、收集用戶在實際駕駛過程中遇到的路況信息，將相關(guān)數(shù)據(jù)回傳以進(jìn)行算法訓(xùn)練。
“影子駕駛”將汽車銷量、車端數(shù)據(jù)、車周邊環(huán)境數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)算法形成一個閉環(huán)，最終形成一種滾雪球的效應(yīng)，汽車銷量越高，可采集到的所需場景就越多，神經(jīng)網(wǎng)絡(luò)端接收到的數(shù)據(jù)越充分。對于神經(jīng)網(wǎng)絡(luò)算法來說，數(shù)據(jù)就是它的養(yǎng)料，“影子駕駛”可以說為它提供了源源不斷的養(yǎng)料，去幫助其不斷成長與成熟。算法越成熟，用戶體驗越好，這樣又帶來銷量的提升，最終形成一種互哺互榮的良性循環(huán)。
這一模式的先行者特斯拉，由于所有量產(chǎn)車型都支持“影子駕駛”，幾乎每個用戶都自動成為了特斯拉免費的測試員，用戶越多，能采集到的數(shù)據(jù)越多。由此朱西產(chǎn)認(rèn)為，目前全球只有特斯拉完成了“用戶數(shù)據(jù)閉環(huán)”，而國內(nèi)的企業(yè)最多完成了“數(shù)據(jù)閉環(huán)”，還沒有實現(xiàn)“用戶數(shù)據(jù)閉環(huán)”。
三、“影子駕駛”面臨三重挑戰(zhàn)
毫末智行首席執(zhí)行官顧維灝表示，自動駕駛已經(jīng)從硬件驅(qū)動1.0、軟件驅(qū)動2.0，正式進(jìn)入以數(shù)據(jù)驅(qū)動下的多模態(tài)感知和可解釋場景化認(rèn)知為代表的3.0時代。在他看來，數(shù)據(jù)驅(qū)動時代是完全不一樣的時代，在大模型加海量數(shù)據(jù)的基礎(chǔ)上，數(shù)據(jù)可以開啟自訓(xùn)練模式。在感知技術(shù)上，多模態(tài)傳感器聯(lián)合輸出結(jié)果。在認(rèn)知技術(shù)上，以可解釋的場景化駕駛常識為主，自動駕駛里程由硬件驅(qū)動、軟件驅(qū)動時代的百萬公里、上千萬公里，直接飆升到了1億公里以上。
盡管毫末智行方面并未對這一模式做明確的定位，但就相關(guān)資料分析，毫末智行與特斯拉的技術(shù)路線可以說是一脈相承，都是基于數(shù)據(jù)迭代的算法架構(gòu)，驅(qū)動自動駕駛進(jìn)化，在車上使用影子駕駛和特征觸發(fā)器來收集供自動駕駛訓(xùn)練的數(shù)據(jù)，并且都將數(shù)據(jù)處理的效率與成本當(dāng)成是技術(shù)進(jìn)化的第一性原理。
對于自動駕駛的技術(shù)進(jìn)化，數(shù)據(jù)的標(biāo)注、系統(tǒng)的仿真以及數(shù)據(jù)處理是至關(guān)重要的，戴一凡直言，影子駕駛最終的目標(biāo)就是要實現(xiàn)在成本和效率下的“數(shù)據(jù)自由”。作為解決駕駛場景數(shù)據(jù)瓶頸的一種方式，盡管“影子駕駛”看起來非常美好，但也不得不說，現(xiàn)實十分骨感，“影子駕駛”在發(fā)展中仍面臨三方面挑戰(zhàn)。
首先，這一模式需要足夠的硬件支撐。最早提出“影子駕駛”的特斯拉，基于領(lǐng)先的技術(shù)理念，在每輛車上都對攝像頭、算力芯片以及傳感器等硬件做了預(yù)埋，為形成數(shù)據(jù)閉環(huán)做了充足的硬件基礎(chǔ)。國內(nèi)對于這些設(shè)備的安裝隨著智能網(wǎng)聯(lián)車輛功能的提升以及自動駕駛等級的提高，才逐步增加，并且不同于特斯拉全棧自研，國內(nèi)主機(jī)廠與供應(yīng)商的合作模式，無法完全掌握主動權(quán)，在做軟硬件升級上受到掣肘。
其次，算法機(jī)制能力是最關(guān)鍵的問題，從有效數(shù)據(jù)的識別和篩選到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，企業(yè)是否已經(jīng)形成了一套足夠完整的正向開發(fā)流程仍要打個問號。凱聯(lián)資本產(chǎn)業(yè)研究院院長由天宇指出，“影子駕駛”的核心在于如何最大限度發(fā)掘回收數(shù)據(jù)的價值。用戶的數(shù)據(jù)無法全部回收，如何高效、快速在海量數(shù)據(jù)中有效調(diào)取標(biāo)準(zhǔn)化數(shù)據(jù)是第一步，更關(guān)鍵的還在于企業(yè)處理數(shù)據(jù)的水平和算法模型的成熟度。
企業(yè)自動駕駛研發(fā)水平的成熟度決定了“影子駕駛”本身的使用和利用率，由天宇認(rèn)為，如果自動駕駛研發(fā)還處于較低水平，那么“影子駕駛”利用意義有限，如果整個數(shù)據(jù)收集、調(diào)取、回傳以及反饋的流程都已經(jīng)較為成熟，“影子駕駛”才能發(fā)揮其最大價值。
最后，當(dāng)前最為嚴(yán)峻的問題即對于數(shù)據(jù)收集、使用、傳輸?shù)暮弦?guī)性標(biāo)準(zhǔn)仍需探討。朱西產(chǎn)指出，數(shù)據(jù)保護(hù)相關(guān)法規(guī)日趨嚴(yán)格，尤其重視保護(hù)用戶行為等隱私數(shù)據(jù)，日前，網(wǎng)信辦出臺一系列數(shù)據(jù)安全相關(guān)政策，對于自動駕駛數(shù)據(jù)合規(guī)、敏感地理信息以及數(shù)據(jù)離境等問題做了嚴(yán)格要求和規(guī)范。相關(guān)要求顯示，汽車數(shù)據(jù)處理者在開展汽車數(shù)據(jù)處理活動中堅持“車內(nèi)處理”、“默認(rèn)不收集”、“精度范圍適用”、“脫敏處理”等數(shù)據(jù)處理原則，減少對汽車數(shù)據(jù)的無序收集和違規(guī)濫用。這使得國內(nèi)大部分企業(yè)在對自動駕駛的開發(fā)測試中受到一定限制，難以大規(guī)模推廣。
此外，“影子駕駛”有效的前提是汽車保有量足夠大。在利用數(shù)據(jù)訓(xùn)練完善算法前，加裝的各類傳感器價格不菲，但用戶無法感知價值，如果將成本轉(zhuǎn)移給用戶可能導(dǎo)致產(chǎn)品缺乏競爭力，難以擴(kuò)大規(guī)模。
四、“影子駕駛”亟需完善發(fā)展
其實業(yè)內(nèi)對于“影子駕駛”至今沒有清晰的定義，但也并不妨礙對它的暢想。如今“影子駕駛”仍與駕駛員并存，作為一種后臺應(yīng)用功能，為實現(xiàn)更高等級的自動駕駛服務(wù)。如果將L4自動駕駛作為發(fā)展的終極目標(biāo)，當(dāng)所有車輛已經(jīng)實現(xiàn)這一功能后，“影子駕駛”是否還有存在的必要？
“我們認(rèn)為第一階段的學(xué)習(xí)是對標(biāo)人的駕駛行為，所以是人的‘影子’，當(dāng)決策行為慢慢接近真實，或者在某些場景超過人的駕駛判斷，那么它可能就需要學(xué)習(xí)別的‘影子’了。”戴一凡認(rèn)為，“影子駕駛”可能會長期存在，隨著汽車的研發(fā)迭代，即使整個自動駕駛已經(jīng)形成閉環(huán)發(fā)展，“影子駕駛”依舊有價值，只是到那時“影子”將不再是人的“影子”，可能是遠(yuǎn)程安全員的“影子”，能夠在極限情況下操控車輛；也可能是周圍車輛甚至是交通體系中其他端的“影子”，通過學(xué)習(xí)其他終端的行為，完善整個系統(tǒng)的相互配合，為構(gòu)建新的車路協(xié)同生態(tài)圈提供有力支撐。
在他的展望中，“影子駕駛”的終極形態(tài)將會是一套能夠自主學(xué)習(xí)、自我分析、不斷迭代進(jìn)化的算法系統(tǒng)，能夠更好地提高自動駕駛的效率。
未來，“影子駕駛”可能會一直存在，只是作用會發(fā)生改變，由天宇提出了另一種相似看法。隨著整個自動駕駛模式訓(xùn)練越來越成熟，“影子駕駛”可能在某一階段作用會比較大，當(dāng)模型完善度越來越高，“影子駕駛”所能提供的價值數(shù)據(jù)會逐漸降低。未來自動駕駛的數(shù)據(jù)收集可能不再依賴“影子駕駛”，而是基于一些特定場景的訓(xùn)練或者高強(qiáng)度仿真。
但由天宇也強(qiáng)調(diào)，盡管“影子駕駛”可以解決部分極端工況數(shù)據(jù)，但也無法滿足全部數(shù)據(jù)，所以總體來看，“影子駕駛”確實有用，但效果有限。
此外，有行業(yè)專家指出，如果算法在“影子”中持續(xù)做模擬決策，并且把決策與駕駛員的行為進(jìn)行對比。會出現(xiàn)兩種情況。在完全一致的情況下，則表示此次學(xué)習(xí)沒什么效果。在顯著不同的情況下，又會產(chǎn)生兩種可能的結(jié)果，一是駕駛員出了問題，對駕駛員提出警報；二是算法不夠完善，需要從當(dāng)前的情況學(xué)習(xí)新的控制策略。但此時可能涉及一個新的問題，即對于駕駛員和算法決策的判斷，要基于怎樣的依據(jù)，要由誰來判斷二者的優(yōu)先級，這一問題可能也需要企業(yè)在不斷發(fā)展中給出答案。
來源：中國汽車報 作者：張雅慧
