在高階智能駕駛不斷上車的今天，行泊一體已經(jīng)成為了汽車行業(yè)的量產(chǎn)共識，如何在實現(xiàn)極致性能體驗的同時，進一步降低硬件成本，并且大幅提升開發(fā)部署的效率，是行泊一體加速落地的關鍵。

傳統(tǒng)的行泊一體方案，行泊功能一般來自兩套系統(tǒng)，芯片、傳感器各為陣營，不僅性能受限，也帶來了多余的硬件成本。面向當下和未來，行泊一體顯然需要更加「現(xiàn)代化」的深度融合：傳感器深度復用，芯片資源完全共享，并通過強大的軟件算法實現(xiàn)功能的整合升級。而這，也對底層的技術架構提出了更高要求。

這套架構既要能夠支持行車、泊車的各種傳感器，基于單顆SOC為主的域控制器打造功能完整的行泊一體應用，還要提供豐富多樣的算法選擇，滿足不同算力和算子情況下的各種行車、泊車任務要求，最好還能實現(xiàn)充分的技術共用和模塊復用，讓所有方案的開發(fā)、部署和升級變得高效便捷。

為此，Nullmax打造了這樣一套強大的平臺化BEV-AI整體技術架構，為「現(xiàn)代化」的全場景行泊一體應用提供至關重要的技術支撐，推動高階智駕加速走向普及。

自動駕駛「新基建」

在智能駕駛時代，汽車最明顯的標志是硬件的變化，更高算力的芯片、更多數(shù)量的傳感器，通常意味著更大的智能化潛力。這些硬件如同自動駕駛功能的基礎設施，而用來驅(qū)動這些硬件高效協(xié)同并提供豐富功能的BEV-AI技術架構，就是自動駕駛的「新基建」工程。

對于自動駕駛來說，感知是整個系統(tǒng)的最上游，當傳感器的類型和數(shù)量顯著增加時，如何融合所有傳感器持續(xù)輸入的多模態(tài)、不同視角數(shù)據(jù)，并實時輸出下游所需的一系列任務結果，是自動駕駛的核心問題。并且在應用中，感知環(huán)節(jié)常常會消耗掉車上的大部份算力，所以感知其實也是技術架構的核心所在。

在感知環(huán)節(jié)，系統(tǒng)需要融合不同視角相機的視覺數(shù)據(jù)，以及毫米波雷達、激光雷達等傳感器的數(shù)據(jù)，在模型設計和工程實現(xiàn)上都具有很大挑戰(zhàn)。常規(guī)的后融合處理方式，每個傳感器對應一個神經(jīng)網(wǎng)絡，無法充分挖掘多傳感器融合的優(yōu)勢，而且計算量大、耗時長。此外，如果多個任務簡單地共享一個主干網(wǎng)絡，則容易出現(xiàn)各個任務難以同時獲得優(yōu)異性能的情況。

所以在2020年，Nullmax構建了基于BEV的感知基礎架構，為自動駕駛提供融合更準、速度更快的感知模型。它可以有效融合空間和時序信息，對360度的多傳感器數(shù)據(jù)進行高效融合，也能自動搜尋最優(yōu)的網(wǎng)絡設計，支持多傳感器、多任務的協(xié)同工作。

并且在2022年，Nullmax應用BEV-Transformer完成了這套架構的改造升級，形成了平臺化的BEV-AI自動駕駛整體技術架構。它在技術底層考慮行車、泊車的特點，將任務范圍從感知延伸到下游的規(guī)劃，提供全場景、端到端、可成長的完整應用。

在深入使用Transformer基礎上，Nullmax BEV-AI技術架構還整合了大量BEV-CNN的成果，能在面向不同算力、算子的多核異構SOC時能夠提供最優(yōu)的算法選擇。它可同時輸出3D和2D的感知結果，既能為紅綠燈檢測等適合2D感知的任務提供2D輸出，也可以為動態(tài)障礙物檢測等任務輸出3D結果，然后用進行2D校驗，在系統(tǒng)層面形成魯棒的設計。

基于這套先進的BEV-AI整體技術架構，Nullmax可以快速完成各項功能和任務的開發(fā)，并形成一套性能拔尖、易于部署、持續(xù)升級的一體化量產(chǎn)方案。

面面俱到的完整BEV架構

為了滿足自動駕駛?cè)湹拈_發(fā)迭代需求，Nullmax的BEV-AI架構涵蓋了六個方面的主要內(nèi)容：BEV 3D車道線檢測，BEV 3D目標檢測，BEV局部地圖，BEV規(guī)劃，云端自動化4D真值標注，車端感知、預測、規(guī)劃的量產(chǎn)部署。

（視頻1：復雜路口的BEV 3D目標檢測）

BEV 3D目標檢測為自動駕駛提供360°的動態(tài)障礙物檢測能力，并融合時序信息對各類目標進行準確預測。BEV 3D車道線檢測為車輛輸出實時的車道情況，BEV局部地圖在車端實時構建媲美高精地圖的高精度局部地圖，二者能夠在任意常規(guī)道路條件下，輸出自動駕駛所需的靜態(tài)場景深刻理解。然后以此為基礎，BEV規(guī)劃可以用端到端方式輸出行車的軌跡和速度，實現(xiàn)復雜場景下的自動駕駛應用，而不依賴高精地圖。

（視頻2：路口場景的BEV規(guī)劃）

云端的自動化4D真值標注，用來完成3D空間信息+時間信息的3D bunding-box真值標注，以及車道線、Local Map等方面的標注，支持BEV-AI的高效開發(fā)和迭代。最終，Nullmax BEV-AI整體架構根據(jù)實際需求，形成能在車端實時運行、易于部署的感知、預測、規(guī)劃一系列量產(chǎn)應用。

為了讓這套BEV-AI技術架構具備平臺化特點，滿足實際應用中的不同量產(chǎn)需求，Nullmax還攻克了三個方面的難點。一是融合多個攝像頭數(shù)據(jù)的同時，不進行單個攝像頭的獨自處理和多個攝像頭結果的復雜后處理，以節(jié)省算力、提升融合效果；二是在算法層面實現(xiàn)圖像空間到BEV空間的信息轉(zhuǎn)換；三是支持任意攝像頭，且不過度依賴相機的外參，從而適配所有傳感配置。

簡單來說，Nullmax的BEV-AI，采取多相機聯(lián)合工作方式，輸入任意數(shù)量相機的圖像，直接統(tǒng)一輸出BEV視角下的三維信息，因而無需為每個相機進行單獨的處理。同時，Nullmax利用cross-attention機制實現(xiàn)2D圖像到3D空間的關聯(lián)，為BEV-AI架構打造了一系列基于Transformer的BEV檢測、分割方法，并通過multi-camera cross attention等方式，實現(xiàn)了不過度依賴相機參數(shù)的2D和3D關聯(lián)。

歸功于這些深入的工作，Nullmax的BEV-AI技術架構為行泊一體等量產(chǎn)應用帶來了巨大的平臺化優(yōu)勢和產(chǎn)品優(yōu)勢。

大幅提升的BEV量產(chǎn)優(yōu)勢

在實際應用中，芯片平臺、傳感器配置、功能定義、技術指標的細微差異，都可能會為自動駕駛的開發(fā)工作帶來巨大變動，尤其是復雜的行泊一體量產(chǎn)應用。因此通過平臺化的技術架構提升量產(chǎn)效率，意義重大。

Nullmax BEV-AI架構能夠支持所有的芯片平臺，提供高中低不同算力平臺下的行泊一體量產(chǎn)應用。尤其是在備受歡迎的德州儀器TDA4、英偉達Orin芯片上，基于BEV-AI技術架構的行泊一體方案，有的已經(jīng)完成交付，有的正在交付。

在最低8T算力的情況下，BEV-AI就可以實現(xiàn)包括高速NOA在內(nèi)的基礎行泊一體，如果算力達到16T，那么行泊車體驗還會進一步升級。當算力達到100T以上，那么BEV-AI架構可以提供城市道路的領航輔助功能，實現(xiàn)全場景的行泊一體。

同時，Nullmax BEV-AI架構還能夠支持所有的自動駕駛產(chǎn)品。無論是完整的行泊一體，還是單獨的行車、泊車功能，又或者是上游的行泊車感知，BEV-AI架構能夠按需裁剪，適配任務需求，并且可以支持任意的傳感器配置。

（視頻3：夜間基于8T算力和4顆側(cè)視相機的BEV周視感知）

通常來說，不同的車輛在傳感器的類型、數(shù)量和參數(shù)上會存在普遍差異，比如相機的焦距、像素、FOV、安裝位置、朝向等情況就各不相同。Nullmax的BEV-AI架構可以適配這些傳感器層面的差異，無需大幅修改算法，即可提供應用。

除此之外，Nullmax BEV-AI架構還具有平臺產(chǎn)品化的特點，讓架構平臺的技術優(yōu)勢形成了面向部署優(yōu)化、超遠距離感知的產(chǎn)品優(yōu)點。這讓基于BEV-AI架構的量產(chǎn)方案，在部署時能能取得更好的應用體驗，并在資源占用、感知幀率、系統(tǒng)延時等關鍵指標上表現(xiàn)更佳，尤其是面對中低算力芯片平臺的時候。

而且更遠距離的感知，也能為自動駕駛提供更高的安全性。相比于業(yè)內(nèi)BEV方案通常數(shù)十米遠的感知距離，Nullmax BEV-AI架構可以輕松實現(xiàn)更遠距離的有效感知，滿足量產(chǎn)功能的所有性能指標。

正是憑借BEV-AI架構在平臺化和產(chǎn)品化方面帶來的這些優(yōu)勢，Nullmax不僅快速完成了各種量產(chǎn)應用的高質(zhì)量開發(fā)和交付，并且方案整體達到了行業(yè)領先的技術水準。

結語：

在汽車向著高階智駕發(fā)展的過程中，先進的技術架構將為自動駕駛的落地帶來全方位的優(yōu)勢，不論是量產(chǎn)方案的本身還是技術應用的過程，都不例外。Nullmax BEV-AI架構將繼續(xù)作為行泊一體「現(xiàn)代化」路上的「新基建」，加速全場景自動駕駛應用的落地。

返回第一電動網(wǎng)首頁 >