商汤绝影车路协同“进城”!10+个智能网联应用,100+场景算法应用,感知范围扩大1000倍

2022 年 9 月 3 日 量子位
杨净 发自 凹非寺
量子位 | 公众号 QbitAI

“100+算法仓,规避99%以上盲区,交通效能提升20%……”

商汤旗下智能车业务品牌「绝影」,正式加入车路协同赛道。

在WAIC 2022上,作为核心方案之一,商汤公布最新车路协同产品矩阵。

商汤绝影车路协同产研副总裁武伟发布最新产品矩阵

车路云一体,官宣即落地。过去一年,仅Robobus车型就在上海、无锡、西安、成都、福州等城市落地,累计运营里程超过27万公里,接驳人次超过1万。

情理之中,但也意料之外。

一方面,去年同样的时间和地点,「绝影」以商汤智能汽车解决方案独立新品牌正式亮相并交货。

这其中早已开宗明义,车路协同正是三大立足领域之一。过去一年,整个智能汽车板块发展迅速。今年上半年该板块收入增幅达到71%,服务客户数同比上升54%。

因此这时候官宣新进展,并不意外。

但一般而言,相较于自动驾驶,车路协同起点高、投入大、需与产业深度融合,往往周期会更长。

而商汤,不仅在多个城市落地,还去年就拿到了上海市第一块自动驾驶小巴公开道路载人示范应用牌照,并参与多个地方标准的拟定。

就在前几日,历时一年,绝影与上海机动车检测认证技术研究中心联合牵头制定的汽车数据脱敏团体标准正式发布,填补了此前国内汽车数据安全相关标准的空缺,为规范全行业匿名化等数据脱敏处理技术的开发测试及应用提供了重要依据,有力推动隐私保护和提升行业数据安全水平。

这些成绩的背后,究竟由什么来驱动?或许能从此次公开的方案中,找到答案。

绝影车路协同方案

车路协同,本质上就是由车、路、云三部分构成。以此拆分商汤「绝影」此次发布的具体产品矩阵,主要分为三个模块。

第一模块,路侧计算单元产品。它可实现300米感知距离,双向8车道感知范围、150ms端到端时延等基本操作。

配置的MEC (多接入边缘计算)可支持多维感知融合,比如单独视觉、视觉+毫米波雷达、再加激光雷达等多种感知组合,雷视融合感知精度可达95%。

传感器+多维感知融合以此实现的高阶感知,给单车开启全域上帝视角,可解决单车智能的冗余盲区,来辅助实时性的安全应用。

第二模块,即云上的智算平台和云控平台。智算平台,即接收并处理路测信息,它可将视频、图片等交通数据汇聚在云端,并进行认知决策、全域融合分析等任务。再结合100+算法的算法仓,可以解决低阶路口的感知问题。

云控平台,则是接收到智算平台的数据后,对汽车进行智能控制,打造了超过10个以上的智能网联应用下发到车辆,包括路径指导、车速建议、碳排放优化等应用。

据介绍,这一模块出发点在于单车无法解决的全局最优决策问题。

最典型的例子,就是幽灵堵车。智算平台与云控平台的结合,交通效能将提升20%,具体体现降低路口车均延误、路灯空放等。

第三模块,即车端的设备。如果说路和云还在解决单车智能的两个核心问题,那么车,则是商汤区别与其余车路协同玩家最大的不同。

以往关于车路云中车的认知,无非是实现单车智能的传感和算力设备。而商汤的“车”,却并不局限于此,更囊括了车城网平台。

具体来说,就是通过在车辆上加装轻量化的IoT设备,充分发挥车的数据价值——让车成为城市之眼

除了车城网,绝影本次在车端亦带来了全新产品SenseAuto RoboSweeper商汤绝影自动驾驶清扫车。

结合多传感器,其可实现360°无死角感知融合,而在云端的支撑下,清扫车更可实现全程无人工干预、安全、高效、经济的无人清扫作业,未来将首先在机场、园区物业、市政道路等多个场景示范应用。

综上不难看出,商汤「绝影」的车路协同,有着更高维度的思考,即如何从仅赋能车端到更好融入城市的智能化建设。

车路协同的第三种路线

自车路协同诞生以来,虽然产业链覆盖面广玩家众多,各自都有自己的发展道路,但基于不同的出发点,领域内暂且分为两条路线。

一种是纯车路协同,偏向于优先实现车端产品的规模落地,被视作自动驾驶商用“终局模式”。

不光整体成本降低,还能带来诸多公共服务改善,比如清扫车、巡逻车、社区公交、摆渡车等都可以自动驾驶,提高交通效率的同时还能解决人力短缺的问题,已经有不少城市为此买单。

另一种是围绕自动驾驶的车路协同,则偏向于技术实现,聪明的车+智慧的路=L4自动驾驶。

当前以单车智能的方式实现的L4,始终无法量产落地,投入的资金、时间、人力,也没有一家公司能给出准确的估计。从车路协同这种基建角度切入,除了在技术和安全性的保障,投入成本也能具体清晰。

但不管是哪一种,都是属于单车智能基础上的技术升维,需要与产业深度融合,面向的客户也是那些基础设施的提供者、运营方,也就是ToG

因此虽然商业模式清晰可持续,但对于企业来说起点高,预估风险也比较大,甚至有业内人士断言:车路协同的玩家不会很多。

既然如此,商汤「绝影」又为何要做车路协同呢?

据官方介绍,主要有两方面考量,一方面与纯车路协同路线大体一致,就是赋能自动驾驶的应用示范;另一方面,则是从业务解决现有双智城市建设的痛点问题。

后者代表着的,正是车路协同的第三种路线

双智,代表着智慧城市基础设施与智能网联汽车。双智城市,就是两种“智能”协同发展,帮助城市的建设。

以这种为出发点的车路协同,本身就是一个更宏观的思考维度。

一方面,绝影已经拥有了国内外主机厂的深度合作和量产定点,有利于单车智能和路云基建的规模化协同,进一步降低量产自动驾驶的单车硬件成本;另一方面,车路协同构建的移动视频源也能补充到智慧城市业务,构建“车城协同”的先发优势。

就以本次核心产品车城网平台为例。

传统基于固定摄像头的智慧城市感知成本高,而且某些道路上的感知无法覆盖,例如路面病害检测、占道经营发现等。

车城网,则是将汽车作为城市的基础设施,来感知城市交通网络的偶发情况。原有的土建和维修成本降低98%,感知范围还提升了1000倍,还兼顾了数据安全性和隐私性。

除此之外它还兼具车路协同的优点,商业模式清晰,目标客户为汽车经销商以及公共服务运营商,为他们提供数据服务。

如果简单总结,其余玩家走的是从车到路的升维路线,那么商汤的车路协同则是从城市到路到车的降维路线。

但这种路径想要跑通,其实更不容易,其不可复制性比纯车路协同路线更甚。

那么为什么率先是商汤?

用软件定义车路协同

首先,商汤做这件事,本身就有天时的先机。

双智城市的提出,本身加速车路协同“进城”。汽车与城市之间的协同,远比以往任何时候都更为紧密。

而商汤,恰好是为数不多拥有从车到城市一个整体的技术团队。早在2016年,就已经看到「绝影」的雏形,以及在智慧交通、智慧城市上布局。

这也恰好构成了如今商汤立足行业的差异化优势。

商汤自己的说法,是用软件定义车路协同

从算法层面来看,本身就是商汤的基本优势,它有着基于OpenMMlab开源体系构建的2300多个预训练模型和300多个最先进的视觉算法;“书生”大模型OpenGVLab拥有超过30亿个参数,覆盖10万多种视觉标签……

城市板块,万物检测算法结合视觉识别技术,就有超过17000算法的算法仓,以及之前在智慧交管积累的基于视频感知和交通流量参数的交通信号控制系统,让整个城市交通有更好的感知和决策,车路云技术链条也更好的打通。

而「绝影」当中赋能引擎与亚洲第一AI大装置,可以帮助算法模型快速迭代升级。

因此某种程度上说,这时候选择车路协同并不是突然为之,倒像是顺势而为

除此之外,还能解决更现实的需求问题——“硬件一次投入,软件持续升级”

车路云全场景的OTA功能,能让软件不断进化,从而让城市基础设施建设的边际成本降低。

这样一来,商业帐算得更清楚,更有助于进一步规模化商业化落地。

技术累积,业务协同以及成本需求导向,种种因素结合起来,也就促成了商汤率先走出车路协同的第三种路线。

点这里👇关注我,记得标星哦~

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见~



登录查看更多
3

相关内容

自动驾驶产业链的现状与发展趋势
专知会员服务
41+阅读 · 2022年11月20日
车联网数据安全监管制度研究报告2022
专知会员服务
33+阅读 · 2022年3月28日
中国智能驾驶行业研究报告(附报告)64页pdf
专知会员服务
65+阅读 · 2022年3月6日
上海市智能网联汽车发展报告,25页pdf
专知会员服务
36+阅读 · 2022年2月10日
车联网白皮书,44页pdf
专知会员服务
77+阅读 · 2022年1月3日
专知会员服务
49+阅读 · 2021年4月7日
毫末速度:中国自动驾驶落地最快的1000天
量子位
0+阅读 · 2022年8月24日
2022年,毫末智行的3场战役
AI前线
1+阅读 · 2022年4月29日
嬴彻科技完成L4级重卡无人驾驶路测
量子位
0+阅读 · 2022年3月7日
车路协同应用场景分析
智能交通技术
23+阅读 · 2019年4月13日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
1+阅读 · 2022年11月22日
Arxiv
0+阅读 · 2022年11月22日
Arxiv
69+阅读 · 2022年6月13日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
Arxiv
16+阅读 · 2018年4月2日
VIP会员
相关VIP内容
自动驾驶产业链的现状与发展趋势
专知会员服务
41+阅读 · 2022年11月20日
车联网数据安全监管制度研究报告2022
专知会员服务
33+阅读 · 2022年3月28日
中国智能驾驶行业研究报告(附报告)64页pdf
专知会员服务
65+阅读 · 2022年3月6日
上海市智能网联汽车发展报告,25页pdf
专知会员服务
36+阅读 · 2022年2月10日
车联网白皮书,44页pdf
专知会员服务
77+阅读 · 2022年1月3日
专知会员服务
49+阅读 · 2021年4月7日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员