在13年9月舉行的第六屆墨豪AI日上，米莉再次向我們展示了他們的最新成果和傲人成績:米莉以1000天跑出了中國最快自動駕駛時間1000天，位列“中國量產自動駕駛第壹”，兩年半穩定交付三代乘用車駕駛輔助產品。目前已搭載十余款。搭載Hmong HPilot的威摩卡PHEV和歐拉好貓獲得歐盟E-NCAP“五星安全評級”，使Hmong成為國內首家出海量產的自動駕駛公司。在終端物流自動配送方面，占據該領域領先的市場份額，小魔駝2.0量產交付客戶。由毫米打造的中國首個數據智能系統MANA，完成了數十萬個全要素、多模態片段的標註，積累了300萬小時的中國道路駕駛認知場景數據庫，相當於4萬年的人類駕駛員，基本完成了數據閉環...
很難相信這是壹家成立僅兩年半的公司。那麽接下來我們就帶大家通過這次AI日活動的幹貨分享，來了解米莉是如何取得如此快速的進步和顯著的成績的。
01“大模型+大數據”？最後沖刺到自動駕駛3.0時代。
本次活動上，毫米之星CEO顧郝偉博士發表了主題為“毫米與自動駕駛的3.0時代”的演講，並在業內首次提出“自動駕駛已經進入數據驅動的3.0時代”的行業判斷。
那麽自動駕駛的進化是怎樣的呢？1.0，2.0，3.0有什麽區別？
首先，1.0時代，硬件依然是主要驅動力:感知能力主要依賴激光雷達，認知模式依賴人工規則，整車成本高，自動駕駛裏程約1萬公裏；
其次，2.0時代主要是軟件驅動:傳感方式從激光雷達變為多傳感器單壹輸出結果，融合方式不完善。並且訓練模式還是小模型少數據，認知模式還是以人工規則為主。自動駕駛的裏程規模上升到了654.38+0萬到654.38+0億公裏之間。
最後，數據驅動的自動駕駛3.0時代是沖刺的方向:感知模式下實現多傳感器融合輸出結果，認知進化是解釋場景驅動常識。訓練模式達到了大模型、大數據的體量，自動駕駛裏程也增加到了1億公裏以上。Millicent壹直在為autopilot 3.0時代做準備，感知、認知、模式構建都是以數據驅動的方式構建的。我們所做的壹切都是為了能夠做好數據通道和計算中心，讓我們能夠更高效的獲取數據，將數據轉化為知識。目前，特斯拉已經引領全球進入自動駕駛3.0時代，而Millicent最有可能成為中國第壹家進入自動駕駛3.0時代的公司。
顧表示，作為當前AI發展的新趨勢，註意力大模型帶來了機遇和挑戰，成為自動駕駛3.0時代的重要驅動因素之壹。註意力最大的特點是結構簡單，可以將基本單元無限疊加得到壹個龐大的參數模型。隨著參數的增加和訓練方法的改進，大模型的效果在很多NLP任務中已經超過了人類的平均水平。但是，註意力的大模型也面臨著壹個很大的挑戰，那就是由於其對計算能力的需求遠遠超過摩爾定律，大模型的訓練成本非常高，在終端設備上的落地非常困難。
註意力模式帶來的機遇和挑戰正在推動自動駕駛行業的技術變革。“毫米正在通過低碳超算降低自動駕駛的成本。通過完善車端模型和芯片的設計，實現大模型的車端落地，通過數據的組織讓大模型更加有效。”顧表示，在數據層面，基於註意力的大模型，自動駕駛需要大規模、多樣化的訓練數據，而基於大規模真實人類駕駛數據的乘用車輔助駕駛，有能力積累足夠規模、多樣化的數據。我相信輔助駕駛是自動駕駛的必由之路。因為只有輔助駕駛才能收集到足夠規模和多樣性的數據。據悉，經過近三年的發展，米莉現在是中國第壹家量產的自動駕駛公司。目前用戶輔助駕駛裏程接近17萬公裏，數據規模持續快速增長。
低碳超算層面，米莉在本屆AI日正式宣布成立中國自動駕駛技術公司首個超算中心。顧郝偉表示:“如何提高培訓效率，降低培訓成本，實現低碳計算，是自動駕駛進入千家萬戶的關鍵門檻。”毫米超算中心的目標是滿足千億參數的大模型，訓練數據規模為654.38+0萬剪輯，整體訓練成本降低200倍。
在算法模型層面，顧介紹，早在2021年6月，就開始了變壓器大模型的研究和落地嘗試。是基於壹年來訓練平臺轉型升級、數據規範和標註方法切換準備、針對感知和認知具體任務的模型細節探索的成功實踐，為城市導航輔助駕駛場景的快速發展奠定了堅實基礎。
02 ?法力全方位升級，幫助開車進城。
城市導航輔助駕駛場景是目前自動駕駛功能的核心突破點，也是兵家必爭之地。然而，從道路和交通狀況單壹的高速場景，到交通參與者眾多、道路和交通狀況極其復雜的城市場景，自動駕駛系統面臨的技術難度可以說是成倍增加。巨大的挑戰也拖住了眾多自動駕駛廠商“進城”的步伐，只能繼續拼技術突破。早在2021年底，Mimo就立旗打贏了輔助駕駛城市場景之戰，率先開啟了城市輔助駕駛領域的技術探索之旅。現在，Mimo數據智能系統MANA正迎來壹系列裏程碑式的升級叠代。
顧表示，城市道路主要存在“四種場景問題和六大技術挑戰”。其中，場景問題主要有“城市道路維護”、“密集大型車輛”、“狹窄變道空間”、“多樣城市環境”等。解決上述場景問題，技術層面面臨六大挑戰:1，如何更高效地將數據規模轉化為模型效果，如何讓數據發揮更大的作用，如何使用重感知技術解決對真實空間的理解問題，如何使用人類世界的交互界面，如何讓仿真更逼真，如何讓自動駕駛系統更像人壹樣運動。
為了應對上述挑戰，MANA的感知智能和認知智能都進行了更新升級。
首先，MANA利用量產車無標簽數據的自監督學習方法構建模型效果。與僅用少量標記樣本進行訓練相比，訓練效果提高了3倍以上，使得毫微米數據的優勢能夠有效轉化為模型效果，從而更好地適應自動駕駛各種感知任務的需求。
其次，MANA的感知能力提升，讓海量數據不再被區別對待。面對龐大數據規模下的“數據效率”問題，MANA搭建了壹個增量學習訓練平臺，將部分存量數據提取出來，與新數據結合，形成混合數據集。在訓練時，新模型和舊模型的輸出要盡可能壹致，新數據要盡可能擬合好。與傳統方法相比，整體計算能力節省80%，響應速度提高6倍。
第三，法力感知力更強。利用時序變換器模型在BEV空間進行虛擬實時映射，使得感知車道線的輸出更加準確穩定，讓城市導航自動駕駛告別高精度地圖依賴。
第四，MANA的感知能力更精準，讓中國沒有無法識別的紅綠燈。MANA通過升級車載傳感系統，特別識別剎車燈和轉向燈的狀態，讓駕駛者在處理急剎車和緊急超車等場景時更加安全舒適。
第五，馬納的認知能力又進化了。面對城市中最復雜的場景——路口，MANA將高價值的真實交通流場景引入仿真系統，並與浙江省德清、阿裏雲合作，將路口引入仿真引擎，構建自動駕駛場景庫。通過自動駕駛的真實模擬，時效性更高，微觀交通流更真實，有效解決了城市路口通行的“老大難”問題。
最後，MANA認知智能迎來了新的階段。通過深入了解覆蓋全國的海量人類駕駛，學習常識，擬人化動作，輔助駕駛的決策更像人類的實際駕駛行為，可以結合實際情況選擇最優路線，保證安全，身體感覺更像老司機。
法力的再進化掃清了通往諾城路上最大的障礙。“NOH市是壹個導航輔助駕駛，更好地了解中國的路況。”顧說，世紀末的城市NOH，采用的是“更重視感知，不太重視地圖，更重視計算”的技術路線。借助MANA的賦能，擁有智能紅綠燈識別、智能左右轉彎、智能變道、智能避障-靜態和智能避障-動態五大亮點。此外，“智能交通流量處理”功能也將正式發布。
可以想象，未來輔助駕駛不僅可以用在高速場景，還可以用在我們每天上下班的場景中，這將大大緩解我們的出行疲勞，提高我們的駕駛舒適度。我個人真的很期待。
“重感知輕地圖”將成為未來的行業趨勢。
現在很多車企也在做城市輔助駕駛，比如特斯拉、華為、小鵬等似乎公司選擇的路線更接近特斯拉，即更註重第壹原理，依靠車輛本身的智能來實現各種輔助駕駛功能。接下來我們來看看這些公司具體的技術路線和完成效果。
先說特斯拉。在全球範圍內，特斯拉在輔助駕駛技術上可以說是研發技術最快，量產速度最快。早在去年，特斯拉FSD就已經支持市區高級輔助駕駛功能，經過不斷叠代，實現了使用壹個美國用戶從東海岸到西海岸的零接管輔助駕駛。
但在中國，由於數據安全等問題，特斯拉FSD的更新進度無法與美國同步，導致國內特斯拉消費者在付費後很難享受到與海外版本相同的體驗。另壹方面，FSD對國內駕駛環境和消費者駕駛習慣的適應性還略顯欠缺，有點水土不服，從而限制了消費者對特斯拉輔助駕駛系統的期待。
相比特斯拉在中國近乎停滯的狀態，華為的進步速度可謂是閃電般。5月初，華為率先推出搭載華為智能駕駛解決方案的極速福克斯Alpha S華為HI版。配備了由三部固態激光雷達、六部毫米波雷達和11高清攝像頭組成的輔助駕駛硬件。主控芯片來自華為的MDC 810計算平臺，運算能力400TOPS。此外，最近很火的Aouita 11，在華為全棧智能車載解決方案的支持下，也有不錯的表現。極速福克斯Alpha S華為HI版可以實現主動跟車、主動變道、大曲率匝道車道保持、行人避讓等功能。整體表現確實不錯，但也有不足之處。以後再說吧。
作為中國最早也是最知名的造車新勢力之壹，小鵬在輔助駕駛技術上也下足了功夫。據悉，城市NGP版小鵬P5配備了由兩個激光雷達、五個毫米波雷達、12超聲波雷達和13攝像頭組成的輔助駕駛硬件，擁有30TOPS的計算能力。在實測中，實現了65，438+080度掉頭、紅綠燈識別、變道繞行、極端天氣/特殊情況應對、無保護左轉、城市大型車輛響應檢測。
雖然華為和小鵬