过去几年，自动驾驶领域一直有场讨论，那就是：跨越式自动驾驶和渐进式自动驾驶，哪条路线会更快走向无人驾驶？如今随着大量玩家转战量产，讨论逐渐偃旗息鼓，渐进式路线也从一条少数厂商坚持的冷门路线，变成了主流之选。
主张跨越式的玩家希望先打造出小范围内的无人驾驶，然后逐步扩大范围，最后形成广泛可用的无人驾驶。主张渐进式的玩家则是希望先打造出大范围可用的人车共驾，逐步减少人的参与，最后形成广泛可用的无人驾驶。随着汽车智能化进程的持续推进，后者如今迎来了自己的快速发展。
【资料图】
在这条路线上，有一家公司坚持了将近7年时间，打造视觉为主、多传感器融合的全栈技术，开发满足高中低不同需求的前装量产应用，通过大范围的商业落地推动技术的持续迭代。这家公司就是Nullmax纽劢，早早推出行泊一体，也早早取得了技术的量产突破。
2022年，Nullmax完成了量产项目的首个交付，而在今年，更多量产车型的技术方案也将先后完成交付。汽车行业的智能驾驶浪潮虽然才刚刚开始，但Nullmax早一步实现了量产项目的一连串定点，而且同步开始了不同方案的平台化开发和并行式交付。
在这背后，是产品、技术、商业的细致布局，也是一位渐进式玩家坚守的长期主义：开发具有成长性的平台化技术，为行业每个时期提供符合需求的产品，通过商业和技术的相互促进，去达成最终的无人驾驶目标。
一、理解渐进本质，产品技术做到极致
前装量产是渐进式自动驾驶最主要的应用，即通过与汽车厂商的合作将智能驾驶系统安装到十万、百万辆的普通新车上，通过人类司机的监督、指挥和示范，在山南海北、差异巨大的道路上真实运行，收集数不胜数的挑战性场景和有价值数据，经过长期持续的迭代，最终成长为无人驾驶。
相比于跨越式路线，渐进式路线的关键特点就在于，前装量产应用的市场需求极大、商业模式成熟，企业可以通过技术获得正常商业收入，保障长期研发。整个渐进的过程中，技术和商业相互助益。
而这个长期计划的第一步，也是最基础的一步，就是打造可成长的平台化技术体系：早期的开发的技术，在商业的初期就可以提供成熟的应用，并基于实际的应用持续迭代、快速成长；而为了保证应用的规模足够庞大，数据足够丰富，商业效率更高，技术也需要支持更多项目、更多车型、更多样需求，平台化必不可少。
因此，Nullmax选择了视觉为主、多传感器融合的感知策略，确定了机器学习优先的技术路线，一条适合大规模部署、可以渐进实现无人驾驶的技术路线。
视觉信号是驾驶车辆最主要的信息来源，信息含量丰富，易于获取，因此视觉为主的感知策略，最便于实现大数据驱动的自动驾驶机器学习。而且摄像头应用成熟，发展迅猛，可以为视觉感知提供硬件支撑，所以无论是当前的前装量产还是今后的无人驾驶，这条技术路线都尤为合适。
不过，这也是一条尤为复杂的路线。自动驾驶是一项系统性的复杂工程，需要的技术非常之多。Nullmax自研了全栈的软件算法，包括全部的上层应用，比如感知、融合、预测、规控，以及专门的自动驾驶中间件。除了车端的软件之外，还有云端的应用，以实现数据的高效采集、筛选、存储、运用，去进化出更好的软件算法。
特别是在关键的上游感知环节，为了实现摄像头与摄像头数据的融合，摄像头与其他传感器的数据融合，以及时间、空间信息的融合，Nullmax在2020年构建了基于BEV的感知基础架构。通过持续的完善，这套架构发展成了BEV-AI自动驾驶整体技术架构，为不同场景、不同产品、不同功能、不同配置提供平台化的应用。
在这当中，Nullmax完成了许多短期不见成效但对于量产来说意义重大的工作，比如中间件的开发，芯片平台的深度优化，等等。对于少量项目的落地，或者是基础的ADAS应用，以及更多短期性的目标，这些工作投入巨大但帮助有限，只有在长期的落地过程价值才会完全显现。
因为在面对到各种各样的量产应用时，技术的效率和稳定将会成为重点，软硬件解耦以及模块化部署的价值才会凸显；同时也只有要求严苛的量产应用，以及真正大规模的部署，才会深入考虑如何基于车规级的芯片，完成高性能、高并发、高可靠的自动驾驶计算。
在这样深厚的技术积累之下，Nullmax先后推出了智能驾驶以及视觉感知方案，为市场提供包括行泊一体的主流需求应用；同时让产品支持高中低不同的配置，最大程度地满足行业多样化需求。
过去一两年，行泊一体凭借明显的功能优势和成本优势，在智能化趋势下尤其受到了众多车厂的喜爱，Nullmax的智能驾驶量产方案收获颇丰。而对于有自研需求的厂商来说，单独的定制化视觉感知方案可以解决长期的技术瓶颈，Nullmax的视觉感知方案也是备受青睐。
二、加速技术成长，奔赴无人驾驶目标
过去几年里，自动驾驶的发展波澜壮阔，路线的切换以及产品的更迭并不少见，前装量产领域的长期坚持，让Nullmax获得了商业层面的巨大突破，也让Nullmax的技术迭代进入了新的阶段。
在渐进式自动驾驶中，海量数据是打开无人驾驶的最重要钥匙，更是技术发展的催化剂。就像ChatGPT等大模型，需要海量的数据来训练出强大的能力一样，自动驾驶需要规模庞大的量产车队提供的海量数据，来不断强化AI模型的能力，进而最终实现无人驾驶。
如今Nullmax提供的完整智能驾驶应用，以及单独的视觉感知模块，开始纷纷交付上车，这也就意味着Nullmax拥有了一支规模快速扩大的量产车队。尽管它们的应用形态不尽相同，配置也有高有低，但是在加速AI模型迭代这件事上，它们都能贡献作用。
自动驾驶数据的类型多种多样，感知数据是当前最稀缺的数据之一。比如，稀奇古怪的障碍物，特殊车道线的道路，差异化的交通标志和信号灯，等等。这些量产应用中落地的视觉感知模块，不仅可以通过数据闭环提供重要的感知数据，提升自身性能，还可以参与到基础模型的训练中，解决大量长尾自动驾驶的问题。
而完整的智能驾驶应用，在提供感知数据的基础上，同样还会涵盖规控等层面的数据。比如，紧急加减速、紧急横向避让、AEB误触发、变道失败等情形的数据，以及人类司机的一些参考数据，都可以用于整个自动驾驶系统的迭代优化。
即便是一些中低配置的车型，算力和传感器的性能稍低，同样也能发挥作用，而且用处很大。比如Nullmax基于单颗TDA4芯片的高性价比方案，也能支持中低配置车型实现行泊一体，实时处理行车、泊车场景当中的感知、规控数据。这些车型的市场占比极大，不仅数据的规模庞大，而且多样性更好，对于自动驾驶进化来说帮助巨大。
在更高配置方案的车型上，自动驾驶一方面可以部署更大更复杂的AI模型，另一方面也可以收集更多维度、更高要求的数据。比如Nullmax的BEV-AI架构，包含车端实时构建局部地图以及BEV规划等模块，可以实现端到端的全场景自动驾驶，所以Nullmax将这些技术应用到基于Orin芯片的量产项目之后，在打造更极致的体验同时，也可以为整个数据闭环提供对应任务的数据。
虽然这些量产应用的方案配置不尽相同，但它们都是出自BEV-AI架构的平台化应用，因此可以通过同一个数据闭环系统反哺有价值的数据，促进同一个基础模型的快速成长。这是Nullmax早期曾谈到的OneModelOneCycle理念，如今已经深入运用到各项研发和应用当中。
实际上，这和ChatGPT等大模型表现出强大能力的原理并无二致。更多样、更海量的数据，以及针对多样任务的更复杂模型结构，更加容易形成强大的能力、快速的进化，最终带来质的改变，实现无人驾驶。
而这些的最后，对应的也正是Nullmax的企业使命：打造全场景无人驾驶应用，加速移动出行智变。
在这条渐进的路上，Nullmax保持专注，将看准的方向做深做透，进而迎来量产进展。按照Nullmax的渐进策略，实现L2/L3功能的落地之后，接下来要做的就是实现L4的体验，在量产项目持续落地的节奏下，数据成为关键加成因素，渐进的步伐将会明显加快。
不过，前装量产显然只是起点而非终点，渐进式自动驾驶发展出的无人驾驶能力，最终将成为一项通用的底层能力，支持从载人到运货的不同应用。
值得一提的是，自动驾驶长期面临的一个问题，就是怎样兼顾长远的技术目标和短期的商业现实，渐进式自动驾驶当初给出了自己的答案，如今也用实践证明了自己的答案。尽管过程可能很苦很累很长，但是看起来坚守自动驾驶长期主义的代表企业们，就要走完这场长征，进入自动驾驶发展的全新阶段。
标签：
