Hello大家好！

對于每天需要長時間開車上下班的人來說，漫長的通勤路可以說是非常痛苦的，擁堵的路況不僅毫無駕駛樂趣可言，還得時刻準備和鄰車斗智斗勇。

【資料圖】

但如果此時，你的車突然掌握了高階輔助駕駛駕駛的奧義，并能夠為你分擔一把壓力時，你是否會為此感到解脫呢？

當然，高階輔助駕駛目前還處在不斷打磨的階段，不過大疆、理想、小鵬卻不愿再做等待，并率先推出了“通勤模式”，旨在幫助打工人緩解通勤煩惱。

什么是“通勤模式”？

就和它的名字一樣，“通勤模式”的作用，就是讓車子在L2+的功能范疇內(nèi)，幫助車主開車上下班，從而減緩大家在通勤路上的疲勞感。

而想要實現(xiàn)“通勤模式”，則需要車主像老師教學生一樣，先在固定的上下班路徑上開一段時間，讓車子逐漸熟悉周邊的場景、學習車主的駕駛習慣。

在熟悉與學習完成后，“通勤模式”就能在通勤路上實現(xiàn)諸如智能跟車、智能變道、紅綠燈轉(zhuǎn)向等操作，厲害一點的甚至還能在最后幫你停好車。

雖然還不能像自動駕駛一樣讓你真正脫手操作，但“通勤模式”足夠幫你省去不少頻繁加減速、保持車距、加塞變道的操作，并且訓練得越久，它的操作也會越成熟。

實現(xiàn)“通勤模式”并不簡單

聽起來似乎很簡單，但“通勤模式”可遠不是某些人認為的“記憶行車”那么簡單，如果想要讓一套“通勤模式”真正好用，就必須要具備高感知及認知能力。

“看得見”的感知

“通勤模式”開啟后，車子首先要能“看得見”，這需要感知模型從攝像頭、激光雷達處獲取數(shù)據(jù)，并生成能夠描述真實場景的BEV網(wǎng)絡。

BEV是英語“鳥瞰圖”的縮寫。對于輔助駕駛和自動駕駛來說，BEV是一種主流的映射真實世界場景的視圖形式。在BEV網(wǎng)絡下，輔助駕駛和自動駕駛能夠獲得更直觀的周邊視角。

這一過程存在一個難點，就是如何把不同種類傳感器的特征進行融合，并保證精確。對此，特斯拉、蔚小理等車企普遍使用BEV+Transformer的方式，先通過視覺神經(jīng)網(wǎng)絡的Backbone識別圖片特征，再借助Transformer將各個圖像的特征進行融合。

Backbone的直譯是“主干”，就像一棵大樹存在主干和枝干一樣，Backbone的作用就是作為數(shù)據(jù)特征識別的第一步，先確定數(shù)據(jù)特征的大致種類，再將其分配給對應種類的枝干做更進一步的特征識別，從而一步步細化數(shù)據(jù)特征，最后完成精準識別。

Transformer是近幾年在自動駕駛領域頗為流行的神經(jīng)網(wǎng)絡模型，其能夠借助自注意力機制去挖掘不同數(shù)據(jù)中特征的相關性，從而對多模態(tài)數(shù)據(jù)進行準確融合、映射出更真實的世界。

“看得懂”的感知

這還只是能“看得見”而已，如果想讓“通勤模式”正常運行，就得讓它能“看得懂”周圍的場景，明白什么是紅綠燈，什么是車道線，從而判斷出可達空間，繼而規(guī)劃路徑。

對此，車端又會搭載一系列的感知模型，它們會負責理解感知數(shù)據(jù)中的語義信息，比如路牌上的限速、左右轉(zhuǎn)車道的指引線等等，幫助后續(xù)規(guī)控策略的輸出。

而在這一過程中，一些特殊的感知數(shù)據(jù)還會被上傳到云端，比如感知系統(tǒng)發(fā)現(xiàn)了一種當前車端模型無法準確識別的障礙物，或者駕駛者在正常規(guī)劃的行駛路徑中莫名干預了，這些數(shù)據(jù)會在到達云端后被人工或自動標注的形式，標注數(shù)據(jù)特征。

之后，這些具備特征的數(shù)據(jù)又會被加入數(shù)據(jù)集，訓練對應的感知模型，而新模型在通過驗證后，又會以OTA的方式回傳到車端，由此讓車子的感知能力越來越強。

“擬人化”的認知

如果規(guī)控策略太過機械生硬，那么給到駕駛者和乘客的乘坐感受就會非常糟糕。這種時候，就需要“通勤模式”能夠?qū)W習駕駛者的駕駛方式。

通過重復學習，車端的駕駛數(shù)據(jù)也會傳遞至云端，并在特征標注后交由認知模型進行訓練，最終再經(jīng)過仿真驗證回傳至車端，得到駕駛風格更自然、更接近真人駕駛的效果。

可以看出，“通勤模式”的內(nèi)核，實際就是將原本的城市域高階輔助駕駛的實現(xiàn)范圍，從全國所有城市道路縮小到了駕駛者的通勤道路。

然而，“通勤模式”并不能等于后者，除使用范圍受限之外，駕駛者還需要主動訓練“通勤模式”，也就是盡量多的沿著固定路線駕駛，直到“通勤模式”完全訓練成熟為止。

“通勤模式”能幫到消費者嗎？

基礎原理大致如此，對于多數(shù)消費者，尤其是通勤距離長、時間久的消費者，“通勤模式”雖然存在一些缺點，但整體依舊是非常有使用價值的。

優(yōu)點

不同于任何一套輔助駕駛產(chǎn)品，“通勤模式”是兼容高速、快速路和城市道路的，而目前的高階輔助駕駛普遍還被區(qū)分為高速域和城市域兩種。

在這之中，高速域產(chǎn)品已經(jīng)投入使用了，而城市域產(chǎn)品由于國內(nèi)城市道路里程大、場景復雜、變量多等問題還處在“期貨”階段。也就是說，當前只有“通勤模式”能帶給你覆蓋全場景的高階輔助駕駛的體驗。

另外，針對自己最需要的場景進行強化訓練，也能讓訓練出的“通勤模式”更貼合自己的需求，而換做其他高速域與城市域輔助駕駛系統(tǒng)，則全看泛化性做得如何了。

不足

首先，如果你的通勤場景恰好非常極端、非常復雜，那可能真的需要非常長的訓練時間，并且最終的使用效果也不能完全保證。

并且，“通勤模式”依舊處于L2+范圍內(nèi)，即使它能夠通過訓練達到無限接近于脫手駕駛的能力，駕駛者依舊需要時刻關心前方路況，而且哪怕“通勤模式”本身恪守交通法規(guī)，在實際駕駛過程中，也經(jīng)常會發(fā)生鄰車不遵守交規(guī)的情況，我們就得時刻做好接手準備。

車企為何集體加碼“通勤模式”？

“通勤模式”之所以被越來越多的車企加碼，本質(zhì)上是為了越過當前城市域高階輔助駕駛落地難、落地慢的困境，讓消費者更快體驗到新技術(shù)的同時，“以點帶面”加速整個高階輔助駕駛技術(shù)的迭代。

而城市域高階輔助駕駛技術(shù)之所以落地難、落地滿，主要問題則是出在了地圖和數(shù)據(jù)這兩大“攔路虎”上。

地圖

先說地圖。高階輔助駕駛要運行，就必須需要一份導航地圖來提供一定的先驗信息。而在前兩年，大家普遍都將目標放到了高精地圖身上。

高精地圖具備的信息量是巨大的，它能夠配合高精定位，提供厘米級的定位、精確的駕駛輔助信息和語義信息，相當于直接給高階輔助駕駛打開了“上帝視角”。

但是，高精地圖的繪制和鮮度保持成本是極高的，并且考慮到政策管控因素，又會讓很多城市無法實現(xiàn)覆蓋，讓依賴高精地圖的城市域輔助駕駛產(chǎn)品無法落地。

數(shù)據(jù)

而如果不依賴高精地圖、選擇提升自身的感知能力，則又要面對技術(shù)層面最大的困難，數(shù)據(jù)。

如今的車企已經(jīng)默認了“數(shù)據(jù)驅(qū)動”路線，即在大算力加持下，借助海量數(shù)據(jù)訓練大模型，提升高階輔助駕駛、乃至自動駕駛技術(shù)的成熟度。

而在數(shù)據(jù)量及數(shù)據(jù)標注、驗證、仿真效率達到一定高度后，人工就能從中脫手，讓AI達成數(shù)據(jù)閉環(huán)，也就是自己訓練自己，讓訓練效率更上一層樓。

但對于目前所有的國內(nèi)車企來說，這個難度還是非常大的，因為大家的量產(chǎn)車隊規(guī)模有限，導致獲取的數(shù)據(jù)總量受限。

另外，如何從海量數(shù)據(jù)中快速篩選高價值數(shù)據(jù)，又非常考驗標注能力，而這又要說到更多層面的問題，這里篇幅有限，就不展開了。

以點帶面

所以，與其為了等待完全體的城市域高階輔助駕駛技術(shù)落地而不斷跳票，還不如現(xiàn)實一點、把范圍縮小到消費者最常用的一小段場景里。

畢竟一段通勤路的數(shù)據(jù)量，對于車端硬件性能堆滿、云端超算中心坐鎮(zhèn)的車企來說，就像大炮轟蚊子一樣好拿捏，可以更輕松地實現(xiàn)過擬合；另外，這些經(jīng)過“通勤模式”訓練的模型也擁有一定泛化性，可以反過來對其他類似場景提供借鑒與幫助。

“通勤模式”或?qū)⒊蔀橹髁鳎?/p>

雖然目前大疆、理想和小鵬給到的“通勤模式”各不相同，并且也都還未正式上線，但在城市域高級輔助駕駛技術(shù)尚需打磨、而消費者又真切希望能夠借助其降低駕駛疲勞感的情況下，“通勤模式”確實算得上是一個不錯的折中方案。

而在我看來，這一模式未來可能會被更多車企接納，成為大家接觸高階輔助駕駛的一種全新方式，在緩解通勤壓力的同時，車企也能從中獲益，或許隨著日后“通勤模式”的正式上線，打工人的好日子也會就此來臨呢？