悄然改變看清世界的方式——賽恩領(lǐng)動5R架構(gòu)與新一代感知系統(tǒng)

導言

消費者對智能駕駛的進步了解，可能僅是新車宣發(fā)上的某些“亮眼功能”，但從業(yè)界與安全維度出發(fā)，則是車輛在復雜環(huán)境里能否保持判斷穩(wěn)定。今年感知系統(tǒng)的變化，隱藏在更底層的地方，車輛開始接收到更完整、未經(jīng)加工的原始信息。賽恩領(lǐng)動在廈門展示的5R衛(wèi)星架構(gòu)，就是沿著這條方向走出的重要一步。

過去一年里，行業(yè)從關(guān)注“單個傳感器的能力”，轉(zhuǎn)向思考“整套感知系統(tǒng)如何服務中央計算”。當智能駕駛越來越依賴模型訓練時，原始數(shù)據(jù)的質(zhì)量就成了影響系統(tǒng)能力的基礎(chǔ)。也正因如此，雷達的角色開始從“給結(jié)果”變成“給事實”。5R架構(gòu)的出現(xiàn)讓系統(tǒng)拿到更接近現(xiàn)場的世界描述。

過去的雷達到底卡在哪里

如果只看量產(chǎn)數(shù)據(jù)，傳統(tǒng)毫米波雷達確實曾是個“功成名就”的成熟零部件，很多車上已經(jīng)用了好幾代。耐用、不怕雨霧，成本價格也控制得下來，這是它能持續(xù)大規(guī)模鋪開的原因。不過只要跟開發(fā)團隊一起在城市場景里調(diào)過車的人都會有一個認知共識，只要路況變得復雜，雷達看到的世界就有點“粗糙”，很多細節(jié)根本來不及交給系統(tǒng)。

問題出自感知信息在路上被“瘦身”過一次。傳統(tǒng)做法是先讓雷達在本地完成一輪處理，把判定后目標結(jié)果發(fā)給上層。對于早期相對簡單的高速AEB來說，這種方式?jīng)]啥問題，可當開始適配城市NOA，甚至要在混合交通、立交橋、匝道口里跑的時候，這種“先概括再上報”的流程就顯得不夠用了。比如前方是一團黑影，是陰影？積水？還是掉落異物？雷達在本地有時會直接把它歸到“不重要”，中央控制單元也就失去了重新判斷的機會。

5R架構(gòu)的第一步改變，就是把雷達從“裁判”變回“記錄員”，少做武斷判斷、多把原始情況交代清楚。前中衛(wèi)星雷達換上了更多的通道和更大的帶寬，本質(zhì)上就是讓它能捕捉到更細的差別。之后再通過高速SerDes鏈路，把這些幾乎未經(jīng)壓縮的波形直接送進中央域控，讓真正擁有全局信息的那顆“大腦”來結(jié)合其他傳感器一起做決定。就像醫(yī)生看病，更希望看到完整片子，而不是別人幫你挑好的一張縮略圖。

角雷達在這套架構(gòu)里也不再是“把盲區(qū)補滿就行”的角色。新的版本開始承擔測高和側(cè)向識別等任務，說人話就是不僅告訴系統(tǒng)“前方有東西”，還帶上“它大概有多高、是在什么方位”這類更具體信息。高速上前車掉落物品，是壓扁在地上，還是立在車道中間，這些差別往往決定了車輛應該剎停、繞行，還是可以安全通過。

對整車的中央計算平臺來說，這些變化的意義不在于參數(shù)表多了一行，而在于收到的信息比以前更接近真實路況。過去雷達給出結(jié)論，如今則遞來一份現(xiàn)場記錄，讓系統(tǒng)更有余地去結(jié)合攝像頭、地圖等其他信息重新做判斷。隨著更多裝車反饋被帶回開發(fā)流程，這種“少替系統(tǒng)做決定，多把事實說清楚”的方式，正在一點點改變感知鏈路的底層。

更完整的數(shù)據(jù)讓車更懂場景

硬件能力提升只解決了“車能看到什么”，而今年明顯感覺變化的，是“車怎么處理這些信息”。以前的信息流程是，雷達被迫把大量細節(jié)“揉成一團”，再把結(jié)果發(fā)給系統(tǒng)；現(xiàn)在5R架構(gòu)放開這步，中央計算單元也第一次拿到幾乎完整的雷達原始波形。這對算法的影響比想象中大。

過去不少業(yè)內(nèi)團隊默認“AI模型主要靠攝像頭吃飯”，因為圖像天然適合深度學習。但當雷達把原始波形搬上中央計算平臺后，模型能從毫米波的紋理里提取更多維度的特征。換句話說，成像雷達提供的已經(jīng)不是“有沒有東西”，而是“東西大概是什么樣子、距離和形狀是否在變化”。

SAINet 的端到端模型，就是在這樣的數(shù)據(jù)基礎(chǔ)上發(fā)揮作用。它不需要工程師提前寫好一堆判斷條件，而是在大量真實場景中自己總結(jié)規(guī)律。高速路上那種邊緣反光、角度怪異的小物體，以往很容易被當成噪聲扔掉，現(xiàn)在模型會嘗試先理解它，再決定要不要提醒系統(tǒng)注意。對于用戶來說，就是車在一些意外場景里不再“愣一下”。

SAIL-Hyper Loop 數(shù)據(jù)閉環(huán)的作用，更像學生把“不會做的題”收進錯題本。當遇到模型猶豫不決的情況，系統(tǒng)會自動標記并回傳訓練鏈路。工程師不再需要成百倍地篩視頻，而是讓模型自己指出“這一段我不太確定”。下一版模型更新后，它就會在這一類場景里表現(xiàn)得更穩(wěn)。對于普通用戶，這種確定性通常比絕對性能更重要，因為它決定了整套智駕系統(tǒng)讓人“敢不敢用”。

技術(shù)最終走向量產(chǎn)，才算真正改變行業(yè)

前瞻的設(shè)計，極佳的思考，再好的技術(shù)，無法穩(wěn)定量產(chǎn)也就不能證明自己。過去一年，賽恩領(lǐng)動把廈門的產(chǎn)線完全跑起來，讓這套感知方案從實驗室樣機變成真正能上車的產(chǎn)品。這里說的量產(chǎn)不是把零件拼起來交貨，而是每一顆雷達產(chǎn)品的一致性，供應鏈要能穩(wěn)住節(jié)奏，成本還要壓進車企能接受的范圍的一整套標準。

李旭陽博士提到下一代產(chǎn)品的目標時，用的詞很直接：“視距更遠、細節(jié)更清楚，但成本要再降”。這看上去更像一句簡單的工作要求，可對供應鏈來說實則屬于很硬的挑戰(zhàn)。想進入主流車型，就不能繼續(xù)靠昂貴器件堆性能，只能讓設(shè)計本身更“聰明”，讓制造鏈條更高效，否則永遠停留在小規(guī)模試點。

越來越多的新車開始采用集中式電子架構(gòu)，傳感器不再各自為政，而是要把數(shù)據(jù)直接送到同一個“大腦”里。5R架構(gòu)被大家關(guān)注，大程度因為它天然適配中央計算平臺。這種趨勢沒什么戲劇性，卻會慢慢影響整個行業(yè)的技術(shù)路線。誰能把原始數(shù)據(jù)接進去，誰就更容易在下一階段的智能化競爭里站住腳。

在這個問題上，賽恩領(lǐng)動的態(tài)度也很明確：不做“能用但不穩(wěn)”的方案。有車企想用低價雷達做組合，李旭陽的回答很干脆，可以試，但解決不了真正的安全問題。智能駕駛的底線不是“正常情況下沒問題”，而是“最復雜、最糟糕的情況下也能挺住”。這決定了技術(shù)必須有足夠的基本盤，而不是只追求表面好看。

過去一年，中國的智能駕駛供應鏈明顯提速，競爭也從單點比拼轉(zhuǎn)向整體能力。5R架構(gòu)有點像在進入下一階段前打的一次“地基”。數(shù)據(jù)流要足夠真實，算法要有成長空間，產(chǎn)線要穩(wěn)定，成本要往下走。只有這些都成立了，智能駕駛才談得上真正的普及。

結(jié)語

智能駕駛最終比拼的，是在復雜路況下依舊可靠的那一秒。5R架構(gòu)的意義不在某項指標，而在它為未來的模型學習和數(shù)據(jù)迭代提供了更真實的輸入。隨著中央計算平臺逐漸普及，感知系統(tǒng)獲取世界的方式也在隨之在變。這種悄然改變車輛看清世界的方式，可能決定了未來智能駕駛能走多遠。

歡迎線上購買《汽車之友》雜志

北京時尚

成都雜志鋪

掃碼進店，線上購買，快遞到家

獲取更多圖文資訊，歡迎關(guān)注《汽車之友》微信公眾號

獲取更多視頻資訊，敬請關(guān)注《汽車之友》視頻號