作者 / Carlos
在今年的品牌日上，轻舟智航推出了基于Robotaxi的L4自动驾驶系统，降维而来的*四代第**量产车规级自动驾驶解决方案DBQ V4。 该方案的标准版本，仅有1个前向长距离半固态激光雷达、12个摄像头和6个毫米波雷达，综合测算成本已降至到1万元以内， 有能力随乘用车直接量产。
按照轻舟智航的说法，基于DBQ V4的硬件，可将Robotaxi的自动驾驶场景降维到L2级监管标准，落地在量产车上，实现L4级体验的城市+高速NOA方案。
AutoByte
而在近日， 轻舟智航也首次公布了城市NOA的路试视频 。一辆搭载DBQ V4标准版硬件的测试车，在雨天和夜间的城市开放道路上，验证了该套系统的应对能力。
场景一：雨天行驶
雨天是自动驾驶系统挑战程度很高的场景之一，激光雷达和摄像头两个主要的传感器，都会因为雨雾受到比较严重的干扰。同时，感受城市结构化道路主要手段之一的车道线识别，也因积水覆盖住车道线更加困难，而多传感器融合能力、轨迹跟随算法，在这时就会非常重要。
在视频中，轻舟智航测试车经过了城市开放道路和十字路口、城市快速路、上下桥的大曲率匝道、被飞溅起的泥水遮挡住传感器等多个场景。轻舟智航对此均做到了比较流畅的应对，面对一些出现较*干高**扰和挑战的状况，也没有出现误判。
在城市道路跟车的期间，前方车辆被水面反射的倒影，存在让视觉系统当成第二辆车或者距离更近的误判可能，激光雷达发射出的一部分激光也可能被反射出去而无法接收，丢失很多路面信息，但测试车的表现和晴天状况没有太大区别。
测试车还遇到了前方车辆溅起大片积水的情况，这里也容易让激光雷达误识别成障碍物，做出紧急制动等误判。但轻舟智航的感知模型在不同阶段利用不同传感器信息相互补充，分辨出了这是水雾。
对此，轻舟智航联合创始人、CTO侯聪也强调了保留毫米波雷达的重要性：「在算法上，如果用视觉已经可以处理很好的情况下，我们是可以考虑去掉毫米波雷达的。 但这更多的还是一个技术问题，也就是能不能安全的去掉毫米波雷达，然后才是商业问题。 」
另外，测试车还经过了一段大曲率的环绕上桥匝道，这里比较考验系统的控制能力。而且，由于地面积水导致抓地力大幅下降，干地通行速度将会超过车辆的能力边界，需要做出场景化的调整，但测试车仍比较顺利的通过。
场景二：夜间行驶
轻舟智航还公布了一段夜间的测试，在这种场景里，主传感器之一的摄像头能力会大幅受限，如果存在一些corner case将会带来更大的挑战。因此， DBQ V4标准版也有一个激光雷达在这里就显得很有意义，可以在摄像头弱势场景，发挥出更强的冗余互补能力。
视频中，测试车遇到被两辆大车夹在中间，且左侧大车有并线挤压意图的情况。测试车在这种情况下，依靠摄像头无法得到完整的大车画面，甚至单摄像头内的画面都被大车的一部分挤满，识别和测距能力大大减弱，而通过激光雷达在3D感知能力上的优势，则能够清楚判断两侧物体的距离和运动趋势，给应对打下更好的基础。
场景三：隧道行驶
在视频中，轻舟智航测试车还经过了一段长达7公里的隧道。这种场景中，车辆运动的时候在相邻的地方得到的激光点云高度相似，对于纵向的定位的挑战较大。同时， 由于无法得到GNSS定位信号，只能通过高精地图、车辆实时的感知信息，以及惯性导航等技术去推断定位，也是自动驾驶中的一个主要挑战场景。
轻舟智航测试车在通过这条隧道时没有出现意外，不仅将车速保持在限速上限，面对一些并道车辆（对方侧道路是虚线），也顺畅进行了应对。
场景四：临停障碍车与主动变道
在城市开放道路上，遇到慢车、违停车辆，也是难以避免的情况。真实驾驶员对该类场景有时也会感到棘手，而自动驾驶系统对此则要做出难度更高轨迹预测和风险博弈。
轻舟智航在临近隧道出口的时候，遇到了一次比较极端的所在车道有临时停车的状况。由于出口处光线已经非常强，对于视觉摄像头的干扰比较严重，多传感器融合的优势在这里也可以发挥出来。
而且，轻舟智航的处理逻辑也比较成熟，视频中测试车所在的一侧车道线是实线，按法规不允许在正常情况下变道。但轻舟智航基本没有停顿，就比较果断的选择了绕行，变道和变道后加速的执行也很流畅。
另外，测试车在一次右转时还遇到了有停车的车辆占住右转车道。轻舟智航对此场景，没有把这些车当做是等待右转的车队，而是直接在左侧车道超越右转，甚至判断出一辆刚刚在车前停住的公交车是在停站，从而进行了超越。这可能也与DBQ V4将激光雷达和摄像头放在车顶，看得更远有关。
轻舟智航还介绍到，其 「时空联合规划算法」同时以空间和时间来规划轨迹，而不是先单独求解路径，在路径基础上再求解速度从而形成轨迹。 这种方案有两个优点：一是有更大的求解空间，能计算出来更多的开法，从而得到更好的行车轨迹；二是和人类开车逻辑更相似。
场景五：人车混杂的交通路口
在城市道路上，十字交通路口是人员参与度最高、规则最复杂，也是最容易出现corner case的场景。测试车在视频中，还遇到过自己在左侧两车道左转，而最右侧车道是掉头车道的一个路口。
测试车在正常通行时，也遇到了一个比较极端的被抢行状况。当时测试车在以正常车速左转，但遇到了掉头车辆加速在车前强行，而且刚刚超过一半，就急刹的情况。测试车对此的判断比较及时，强行车辆没有到车前就已经停止加速，识别到对方急刹时也及时的停了下来。
轻舟智航PNC负责人李栋也在采访中，解释了为应对corner case所做的工作：「 我们其实是minimize（减少）规则的，就是我们不会说先预设一些规则，规定在什么情况下要怎么办。这样一个更完备的算法，遇到不能处理的case就会非常少。 」
场景六：停车楼行驶
在视频最后，轻舟智航测试车还驶进了停车楼，并顺利的进到车位。测试车在停车楼内多次上楼，最终走到顶楼停进车位。在停车楼这种环境辨识度不高的场景，且没有做特殊的位置标识，想要完成代客泊车，对感知能力的要求也比较高。
目前，城市NOA已经开始成为部分量产车的主打亮点。但与很多从L2不断向上扩展的系统不同，轻舟智航从今年5月推出*四代第**前装量产方案DBQ V4，以及和地平线达成合作，仅用3个月就发布了城市NOA的路测视频。
据侯聪透露，能够做到这样的速度，实际与轻舟智航的降维模式有关：「城市NOA场景跟L4场景高度相似，作为一家L4公司，我们有非常丰富的经验处理这种场景，无论从系统设计、算法或背后的体系建设，都是很完备的。而L2公司原本解决的都是一些相对比较简单的场景，升维去做城市场景的时候，就会碰到重新建设系统的问题。」
根据规划，2022年第三季度，轻舟智航基于征程5芯片的自动驾驶样车，就会展开大规模路测；到2023年，该方案将达到量产水平。