轻、快、高效，轻舟智航开启量产加速度

上月，轻舟智航宣布成功获得数家头部车企量产定点合作，实现了BEV“超融合”感知在地平线征程5平台上的率先部署，迈出量产从0到1的关键一步。

对轻舟来说，这不仅是一场技术和工程的攻坚战，更是一次认知的跃迁。通过这关键一步，轻舟不仅证明了技术的前瞻性和先进性，也将领先的技术方案转化为了实际的客户价值和用户体验。

作为高级别自动驾驶解决方案提供商，轻舟智航积累了丰富的L4级自动驾驶研发经验，而对于L2+级别高阶辅助驾驶，要将“秀肌肉”的技术原型转化为“真落地”的量产方案，需要明确产品定位、场景覆盖、质量保障三大层面的认知。

产品定位层面，量产必须以客户价值为导向，以明确的产品定义和客户需求为指导，与上下游充分沟通并进行资源整合，才能打造出满足消费者安全和质量需求的产品方案。

场景覆盖层面，量产要尽可能穷举和覆盖各种城市的道路情境，对场景的分布和覆盖率有着极高要求。尤其是雨天、夜间、大光比场景、分合流、模糊车道线、大车侧前压线、各类水马和锥桶等场景，对技术泛化性提出了极大考验。

质量保障层面，量产方案需在上万里程的测试中通过全方位、多维度考量。如果说Demo侧重展现某些特定场景中的能力上限，那么量产则需明确和保障在高频场景中最基础的能力。只有将核心的基础体验做到极致，才能获得消费者的认可。

一个高质量的量产方案应该做到无论在任何城市、时段、天气中，都能够保证无差别的功能输出，同时在遇到各类复杂的长尾场景时也能提供稳定出色的用户体验。其中，感知是最上游、最关键的能力。目前，视觉感知方案是市场和产品的主流需求。因此，基于视觉信息做好感知，保障对环境、交通参与者和障碍物等的精准识别，是为后续模块提供有效支撑，带来更安全、更高效、更舒适的驾乘体验的关键。

BEV感知可以更好地利用视觉信息应对复杂的道路场景，轻舟在基于征程5平台开发之初便确立了BEV感知的部署目标。要在量产车端实现出色的 BEV感知能力，需要积累海量的已标注数据以支持模型的训练。如何找到更多高质量的数据并高效利用，是支持技术不断迭代的重要基石。

轻舟智航充分利用作为高级别自动驾驶解决方案提供商在AI领域的先发优势，通过突出的基础设施建设，深厚的AI工程化经验积累，实现了整套方案的高效率、高质量迁移，从而将轻舟的BEV感知等技术研发优势转化为量产产品优势。

在基础设施建设领域，轻舟智航在高级别自动驾驶研发过程中积累了领先的数据闭环能力，并创新构建了离线点云大模型，为跨模态的数据标注、数据挖掘和模型训练提供强大支持，大幅提高数据价值和利用效率，提升长尾场景处理能力。

在数据标注方面，轻舟智航可实现2D图像和3D图像的自动化标注。基于离线点云大模型3D自动化标注可高效提供动静态的障碍物真值，还可融合跨传感器与跨时序信息，自动补全被遮挡的目标，提高标注的精度。

轻舟智航还利用NeRF技术打造了基于纯视觉数据的高精度三维空间重建模型，不仅克服了因相机位固定导致视角有限给重建带来的挑战，完美适配自动驾驶车辆，在泊车的空间还达到了行业领先的2cm重建精度，远超点云扫描的三维精度水平。同时配合轻舟长期积累的图像全景分割模型，还可在重建的同时获得3D空间中的深度和语义信息，以超越传统方法1~2个数量级的模型收敛效率，实现大批量的数据转换和场景生成。精度高、适配好、速度快、少人工，三维空间重建模型能极大提高视觉数据标注的效率和质量。

图：基于NeRF和纯视觉数据进行三维重建的地库场景

为了加强对车端道路几何认知能力的训练，轻舟智航研发了高精地图预标注模型MapBEV，可通过半监督方式进行自动化数据标注，最高可减少60%的人工标注工作，从而更高效地训练车端BEV道路几何模型，增强对车道线、车道类型、地面标识等信息的认知和理解，更好地支持实际量产中对于去高精度地图的需求。

除了高效标注采集的数据，还需要通过数据挖掘，在尽可能多样的场景数据中，挖掘出对算法提升真正能够起到实质性帮助的高价值场景。

基于离线点云大模型，轻舟智航可进行高质量的3D数据挖掘，不断提升目标识别能力。不仅如此，轻舟还创新构建了基于文字到图像的多模态模型，只需通过自然语言文字描述，便可在无监督的情况下自动检索相应场景图像，挖掘出很多在平常数据使用中很难发现的、生活中也很难遇到的长尾场景，提高挖掘长尾场景的效率。例如，输入“夜间雨天行驶的大卡车”、“躺在路边的人”等文字描述，系统就能自动反馈相应的场景，便于专项分析和训练。

图：基于离线3D点云大模型的数据挖掘

图：基于文字到图像的多模态模型，实现了基于文本的场景挖掘能力

在模型训练环节，轻舟智航可以利用离线点云大模型训练车端BEV检测模型。通过对比离线点云大模型和车端BEV检测模型的输出结果，可快速发现模型性能问题，诸如车辆分类错误、行人漏检等，由此可以进行针对性的解决。

同时，轻舟智航还提出了一种高效的跨模态知识蒸馏方法，可利用离线模型提升车端线上基于BEV的3D物体检测模型精度。通过特征对齐的方式，使线上模型的特征分布尽可能与离线模型接近，从而使线上模型能够学习离线模型的能力。这种离线到线上的知识蒸馏方法与直接做自动标注形成互补，能够进一步提升模型精度。

图：利用离线模型的知识蒸馏，使车端感知BEV模型检测精度得到提升

性能再强大的模型，也需要经过量化迁移，才能在量产车上发挥效力。其中的关键就在于AI工程化，通过软硬协同，尽可能在量产计算平台上最大化发挥模型的性能。

在AI工程化方面，轻舟智航的优势来自于模型结构的灵活性、丰富的模型部署和适配经验，以及地平线紧密的芯片开发支持，从而快速完成了原有方案在征程5芯片上的高质量、高效率迁移和部署。

其中，轻舟基于超融合提出的国内首个可在量产计算平台上实现时序多模态特征融合的感知大模型OmniNet具备突出的性能和灵活性，不仅能够输出丰富且准确的环境感知结果，还可以灵活适配不同传感器配置，且无需针对不同硬件进行单独模型训练，带来更低迁移成本。

同时，地平线提供了大量的最佳实践参考算法，使得轻舟智航团队能够对症下药，一步到位完成算法选型和瘦身，并充分地利用征程5的BPU架构优势，最终更快地实现了轻舟智航行泊一体BEV感知方案在征程5芯片平台上的落地。

轻舟智航的行泊一体方案可在一个BEV模型中实现多任务检测，同时支持行车和泊车功能。由于不同任务间共享大部分模型参数，能够以最小的算力消耗，完成所有行泊车感知任务。

图：感知BEV模型支持行+泊多任务的输出

对车企而言，行泊一体意味着更高的硬件资源利用率，以及更高的场景泛化能力，可带来极大的成本和体验优势。由于行车和泊车之间可以无缝切换，架构更简洁，不会出现行泊分离时场景重叠造成传感器和算力的浪费。同时，由于不再按照场景区分，感知模型可利用泊车传感器加强车辆近距离行车时的感知效果，还可以利用行车传感器加强对泊车环境的理解，这意味着场景泛化性更强，可以更好地应对诸如狭窄道路等行车泊车难以区分的场景，带来更好的体验。

综合来说，正是完善的基础设施建设、丰厚的AI工程化经验，使得轻舟智航以更高的研发效率，更少的资源投入达成了量产目标，率先在征程5平台上实现了更好的行泊一体BEV感知效果，不仅以更高的性价比助力客户降本增效、提高产品竞争力，同时也能为消费者提供安全舒适、更好用、更爱用的智能驾驶体验。

根据工信部数据，预计2025年乘用车L2级及以上智能驾驶渗透率将会达到70%。在此趋势下，越来越多的用户都会将高阶辅助驾驶功能列为选车购车的重要考量因素。得益于出众的性价比，地平线征程系列正在成为越来越多车企智驾方案的首选芯片平台，而基于征程5的轻舟乘风更将是征程5平台中更可靠、体验更佳、性价比更合理的NOA方案。

图：轻舟乘风高阶辅助驾驶解决方案