对于高阶自动驾驶，激光雷达虽然不是万能的，但没有激光雷达是万万不能的。

为实现更好的自动驾驶体验，过去一段时间，主流车企纷纷宣布在旗下重磅新车上搭载高性能激光雷达，以支撑整车智能驾驶系统未来从L2更好地向高级别的L3甚至L4自动驾驶演进，数量从1到5颗不等。

那么，如果要实现L4级别体验的城市NOA，需要几颗激光雷达呢？轻舟智航认为：最少1颗就可以做到。

近日，轻舟智航成功完成了基于单颗激光雷达的城市NOA落地实践。搭载轻舟智航城市NOA系统的测试车全程无接管地完成了近30km的城市路段，期间分别途经高架立交桥、隧道、多车城市路段、地库和商场停车楼等多种不同场景，并在这一过程中安全、灵活地应对了诸多极具挑战的Corner Case。

一颗激光雷达挑战城市NOA

面向自动驾驶，轻舟智航一直主张“不堆料”，而是通过“随‘机’应变”的配置方案，满足主机厂不同价位车型不同级别自动驾驶功能的量产需要。

为此，轻舟智航于今年5月发布了第四代量产车规级自动驾驶方案DBQ V4，目标通过10%的成本即可实现99%的L4能力，量产成本低至1万元人民币。

该方案支持1-5个激光雷达、0-4个盲区雷达、6个毫米波雷达、12个感知摄像头，实现360度无盲区、无死角的感知能力，并可根据主机厂不同级别自动驾驶的量产需要进行功能裁剪，提供不同版本的配置方案，适配轿车、SUV、MPV、巴士等车型，实现“随机应变”的同时，又不影响整个技术栈。

轻舟智航此次展示的城市NOA体验，正是基于DBQ V4标配版打造，在256Tops大算力域控平台的支撑下，仅采用一颗前向120°激光雷达，辅以视觉、毫米波雷达、高精度地图等实现对车辆周围物体的3D位置和运动方向判断，助力实现城市NOA。

例如针对最常见的人车混行，依靠视觉+激光雷达的方案，即可让车辆精细、准确地感知周围人车的动静状态，即使有人或车辆从人类不容易看到的后方死角的位置冲出来，也可以提前感知并做出预测。这在此次挑战中有清晰的展示。

夜间行车时，通过激光雷达、毫米波雷达、视觉等多传感器融合，感知模型可在不同阶段充分利用不同传感器信息，让不同传感器优势互补，避免特定传感器在特定场景下性能的局限性。

在长隧道中，由于自动驾驶车辆无法依赖GNSS信号行驶，测试车主要是凭借高精地图、车辆实时的感知信息，再配合惯性导航等技术，实现精确的定位，从而保障安全高速行驶。

在轻舟智航看来，多加装一个激光雷达就需要更多算力支持，但在非重点区域增加更多激光雷达带来的边际收益并不高。

而且就实际应用场景而言，虽然相较于高速NOA，城市NOA会面临更为复杂的场景和更多的长尾问题，物体辨认难度更高，且可能会遇到突然靠近自车的交通参与者，例如鬼探头等，但考虑到自动驾驶车辆在行进过程中，道路上的潜在交互场景主要出现在自车正前及侧前方，使用120°激光雷达足以处理绝大部分车辆需要关注的复杂场景。

而倒车场景，凭借前方的一颗激光雷达，也足以让车辆时刻看清狭窄车库中的行人和鬼探头车辆，安全绕行和避让。更何况倒车一般在速度较低的道路或停车场，自车和其他交通参与者速度都不高，无需依赖激光雷达其实也能完成基本倒车场景功能。

“另外，我们现在还是一家L4公司，在L4级自动驾驶研发方面有丰富的经验，而城市NOA这个场景跟L4场景其实是高度相似的，所以整个算法框架、背后的研发体系以及数据等都是可以高度复用的。”谈及轻舟智航城市NOA相较于其他车企及技术提供商的优势，轻舟智航联合创始人、CTO侯聪表示。

“不堆料”的底气是什么？

更灵活的传感器融合方案、更成熟的规控策略以及更高效的数据闭环，是轻舟智航打造高性价比城市NOA方案的重要支撑。

为实现对各类场景的高精度和鲁棒性感知，轻舟智航的NOA采用了激光雷达、毫米波雷达、视觉等多传感器融合的方案，通过不同传感器的优势互补，得以更早实现多传感器信息共享，从而更准确更精细地感知动静态物体及状态信息，避免各类误检和漏检，提升在各类场景中的通过性。

不仅如此，轻舟智航的半监督和自监督预训练策略还可自动化建立数据闭环，利用车辆收集和提取到的高价值数据，直接作用于算法提升。

“不过对于价值度相对较高的数据，我们依然会选择人工标注，因为标注质量可以得到更多的保证。在此过程中，我们会先通过算法生成一个预标注框，再通过人工进行一些优化调整，以减少人工的工作量。”侯聪表示。最终得到的结果是，同一个模型不需要做任何定制化或针对硬件方案做重新训练，即可适配各种激光雷达传感器配置。

规控阶段，轻舟智航自研的“时空联合规划算法”，同时考虑了空间和时间，将“横纵分离”升级为“横纵联合”，能直接在x-y 平面和时间三个维度里直接求解最优轨迹。

在轻舟智航看来，这种方案有两个优点：一是有更大的求解空间，能计算出更多的开法，从而得到更好的行车轨迹。第二，和人类开车逻辑更相似，这样轻舟智航就能直接在规划中引入机器学习算法，使用人类的行车数据来训练和提升规划算法效果。

比如在加塞、变道、别车等场景中，同时预判周围车辆的位置和动态，并寻找最好的通过时机，决策逻辑上更接近人类司机。

整体来看，当下轻舟智航的城市NOA已经取得了不错的路测表现。尽管如此，要想实现高阶自动驾驶在更大范围内落地，离不开数据的驱动，这在业界已经成为了共识。

自动驾驶超级工厂，图片来源：轻舟智航

为此，凭借以“数据驱动”和“效率提升”为内核的系统化、自动化的自动驾驶基础设施，轻舟智航提出了独特的“自动驾驶超级工厂”方法论，旨在打造数据自动化闭环。该“自动驾驶超级工厂”以轻舟矩阵为重要底层，助力打通了从数据处理、标注、训练、大规模仿真和技术输出的全流程。

据了解，依托真实路测与生成数据构建的仿真场景，轻舟矩阵可以将自动驾驶的测试成本降至纯道路测试的1%，还可以生成数百万个长尾场景，每天完成数百万次算法训练、测试验证和迭代优化，使自动驾驶软件能力的进化不再受车辆和人员的限制，实现车辆智能化水平的持续快速提升。

一个典型的应用是，轻舟智航可以搜集大量的雨天驾驶数据，通过模型训练，更加智能地识别外部世界，比如不会将水花误认成障碍物，雨水反光也不会导致车辆误检。

轻舟智航良好的产业生态及合作关系也为其加速自动驾驶商业化落地提供了重要助力。目前，轻舟智航已经与地平线、火山引擎等产业伙伴共同为客户提供领先的高性价比的前装量产方案。其中基于地平线征程5芯片研发的高等级自动驾驶方案，预计将在2022年第三季度开展样车路测，2023年达到量产水平。