自動駕駛行業現狀

1、當前行業主要玩家有

     第一梯隊有：華為，momenta，元戎 

     第二梯隊有：鑒智, 絕影智能等

2、主機廠現在都要求自動駕駛廠商白盒交付，本質上就是前兩年依賴供應商，后面打算自己做。 整個行業基本上是賠本賺吆喝的階段。沒有收入，每年還要自己投入幾個億進行模型的訓練，人才等。

3、行業競爭非常激烈，獨立的自動駕駛廠商未來可能存活的不會超過 5 家。未來的格局大概率是頭部tier1廠商+主機廠自己。

4、可能存活的玩家有華為，momenta，小馬智行等等。

自動駕駛分級

自動駕駛分為 6 級。

L0至L2級為駕駛輔助，現階段多家車企提出的“智駕平權”，都屬于L2級范疇，駕駛員需全程監控駕駛。

從L3級開始，就進入了自動駕駛的范疇，屬于有條件自動駕駛，緊急情況下需要駕駛員接管車輛；

而L4級和L5級則分別代表高度自動駕駛和完全自動駕駛，車輛幾乎可以在所有場景下自主運行。

自動駕駛模型以及端到端大模型是什么

1、主流的自動駕駛架構分為三個部分，感知，決策和執行三大模塊。

2、感知模型復制物體識別。決策和執行負責執行指令，包括汽車的操作，車內控制等。傳統方案通過感知模型感知物體，然后通過寫各種規則進行決策和執行。這一個比較大的問題就是很難窮盡所有的場景，進化也非常消耗人力。

3、大模型出來之后，業界也都在訓練端到端大模型，就是感知模型和決策和執行模型到一起。理論上只需要不停的灌數據，模型就不停的升級。

4、自動駕駛模型參數量一般是 7B～12B，相比幾百 B 的大語言模型非常小。

激光雷達方案和純視覺方案

激光雷達方案是通過發射激光束并接收反射信號，生成高精度的三維環境地圖，并與其他傳感器（如攝像頭、雷達）結合使用，形成多傳感器融合的感知系統。

優勢在于可靠性、高精度感知和全天候性能；缺點也顯而易見，就是成本高昂。另外，激光雷達通常體積較大、功耗高，對于產品設計和能源管理要求很高。

相比之下，純視覺方案主要依賴攝像頭作為核心傳感器，通過計算機視覺算法對攝像頭捕捉到的圖像進行處理，識別道路上的車輛、行人、交通標志、信號燈等物體，并基于這些信息做出駕駛決策。

核心在于深度學習和神經網絡，通過大量的數據訓練，逐步提升系統對復雜環境的理解能力。優勢在于成本較低、技術成熟和數據豐富，缺點在于受環境影響較大，精度有限，對于計算資源需求高。

自動駕駛數據采集和訓練方法

一般是通過采集車去采集各種道路數據，這個有專門的團隊去負責這個事情。

采集車的設備一般比量產車的設備精度要更高，獲得數據更多。

用這些數據去訓練自動駕駛模型，然后量產車上更低的精度的數據作為輸入，進行推理。

數據合成方法

物理采集有非常多多限制，典型比如各種下雨天場景，或者限速比較容易采集 80,120，但是有些特別的場景比如限速 30,40。就比較難采集。需要用到數據合成的方法。

典型的一個自動駕駛公司 40PB 圖片視頻數據，80% 靠采集，20% 靠合成。

合成數據也是用到模型，合成感知模型數據的模型叫世界大模型，合成規劃控制的叫規控模型。

自動駕駛廠商，算法工程師，PM 需要把 corner case 找出來，然后用世界大模型，規控模型合成相應的數據然后再 fine tune 自動駕駛模型。

自動駕駛需要用到的數據處理相關工作

視頻，圖片數據需要處理的比較少。主要有處理的部分有：

1、采集數據不清晰，需要過濾能力。

2、多模態檢索能力，算法工程師，PM 需要將一定場景的視頻數據通過檢索，挖掘出來用于合成之后，進行二次訓練。

3、對場景驚醒均勻化，比如前面提到的限速問題。

所以綜合來說，自動駕駛行業主要用到的是數據管理，多模態檢索的能力。