自动驾驶BEV火了，再给它加点脑洞会靠谱吗？

作者 | 洪泽鑫

编辑 | Bruce

百度今年Create大会上辅助驾驶板块的内容挺硬核的，不在这个行业内基本听不懂。

正好是研究兴趣所在，结合百度给的资料，试着来中译中一下。

总的来说，百度是弄了一个车路一体的BEV感知方案——叫UniBEV。

做什么用？

简单理解，就是马路上现在都装了摄像头等传感器，百度借这个方案，想把这些设备都用上，让乘用车的辅助驾驶系统达到更好的感知结果。

即便某辆车上装了有31个感知传感器，但也会有感知不到的物体，这时就可以把路边的传感器也都用上，让车拥有“千里眼”。

先回到什么是BEV感知？

BEV是近几年车企和自动驾驶公司经常提到的词，全称是Bird's Eye View，可翻译为鸟瞰图，也被称为上帝视角。

用上图来理解，BEV感知就是把多个视角的摄像头图像，统一通过公共的特征提取器，投影到同一个BEV空间里面，主要是两步：

• 摄像头接收到影像，通过一个视觉神经网络的主干网络（Backbone）提取影像中的特征值（Feature）；

• 借助Transformer算法，把上一步得到的多个摄像头影像的特征值，放进一个3D空间里。

这里又涉及到Transformer算法，这是一种传统用于自然语言处理——也就是机器翻译的算法。

要想详细了解，可以看大神的这篇文章：https://zhuanlan.zhihu.com/p/552543893

文章里有个例子，当机器想把“一套自动驾驶解决方案”翻译成英文“an autonomous driving solution”时，为什么算法会知道“一套”应该翻译成“an”而非“a”？“解决方案”应该翻译成“solution”而非“settlement”？

靠的就是Transformer算法，通俗点说，它能让句子中的每个元素都能“联系上下文”，知道自己应该被翻译成什么。

2021年之后，BEV感知、Transformer都爆火了一把。

在BEV感知之前，传统的做法是分别算出每个摄像头图像的感知结果，然后再把这些感知结果拼在一起。

假如有一辆小电动，但形状比较怪异，导致两个摄像头的感知结果不一样——一个觉得是只狗，一个觉得是台电动车，就得靠人类程序员制定规则，来下个定论——比如程序员觉得XXX情况下这肯定是只狗。

BEV不需要上述这个人类插手的过程——也是容易犯错的过程，所以可以真正做到“数据驱动”，理论上收集的数据越多，感知越精准。

百度之前就是用的传统的方式，上面这张图表示的是一个单目摄像头，再加上多个环视摄像头的后融合技术。

每一个不同朝向的相机，会各自先经过一个神经网络去推理出周围的障碍物位置、大小、朝向等信息，然后再把他们拼在一个3D空间里。

2019年，百度对标特斯拉做的纯视觉智能驾驶方案Apollo Lite用的就是这个技术。

虽然百度当时单个相机的深度学习感知已经做得很牛——单相机的3D感知信息都可以通过模型来输出，但有些被截断的物体也是识别不出来的，而且没有其他相机的数据作为“上下文”，也不好猜。

百度想把BEV玩出花儿来

过去的一年，百度首先也把视觉感知升级成BEV感知了。

可以检测到障碍物，预测障碍物的轨迹，以及感知道路结构（车道线、马路边缘等）。

并且记录下时间，形成一个带时间序列的4D空间，就像赛车游戏的仿真场景那样，只不过更抽象。

当然，百度开始跟进BEV并不意味着是在剽窃特斯拉。早在2016年，百度就开始在BEV视角下实现了点云感知。

而Transformer模型最早是2017年谷歌团队提出来的，之后就有各种魔改的Transformer。

而在特斯拉2021年AI DAY之前，就有一些基于Transformer做BEV感知的学术论文。

特斯拉当时的分享，让车企更有决心跟进罢了。

这两年，BEV感知也逐渐被应用于三维点云，也就是能把激光雷达也用上。

在主流BEV感知基础上，百度做了些创新，也就是开头提到的车路一体的BEV感知方案——UniBEV。

首先，百度先给传感器做了解耦。

要知道，不同量产车型的传感器数量、参数以及安装位置都是不一样的，无论是传统的视觉感知方法，还是BEV感知，每款车都得重新适配一次，只是BEV感知适配更简单。

特斯拉的车只有那么几款，所以这个问题影响不大。

但百度的方案是希望卖给很多车企的各种车型的，所以他们专门自研了一个内外参解耦算法，也就是下图中虚线框的模块。

把不同相机解耦，意味着不管传感器的数量、位置怎么变化，都可以被投影到同一个BEV空间下面。

其次，百度在全国各地都有智能交通项目。

所以他们也想把路侧的摄像头也用上，把路侧摄像头图像提取的特征也投影到同一个BEV空间里。

电线杆上的摄像头都比较高，这就意味着车辆能有“千里眼”，真的拥有“上帝视角”，可以提前看见被遮挡的行人、电动车……

这样可以解决很多corner case，比如提前发现鬼探头（突然从看不到的角落冒出来的人）、更好地应对路口的无保护左转等等。

前两年国内在开发各种5G车路协同应用时，就有人提出类似的功能。

先算出路口的感知结果，再把这些结果通过5G网络或微波传输到车上，放进一个空间里，相当于后融合。

上图蓝色的物体表示路端感知结果，绿色则是车端感知结果，来自轻舟

据百度的描述，UniBEV也是路端和车端在点云特征层面的BEV投影。

但路端的数据如何稳定、实时地传输到车端？这块百度没有详谈，也还没有放出DEMO。

再有，百度把无人出租车的海量数据用了起来。

BEV感知的特征提取，主要依靠神经网络模型，这意味着要有足够多的数据，而且是有真值的数据，才能训练出一个强大的模型。

百度现在有几百台无人出租车在北京、上海、重庆、武汉这些城市测试，积累了有超4000万公里的数据，正好都可以用上。

因为这些数据既有视觉图像的数据，也有激光雷达的数据，还有3D的感知结果，可以作为云端真值系统来使用。

在识别障碍物这件事上，百度相当于拥有了一个经验丰富的老师傅。

这个云端真值系统是没有人工介入做精标注的，如果从中挑选出一些特殊的场景数据，人工进行精标注的话，还能得到一个更高质量的模型。

最后，凭借百度地图的高精地图，百度能让BEV的语义地图精度更高。

目前国内的辅助驾驶方案都是需要高精地图的，百度地图这样的图商会提前把各地的道路都扫一遍，形成高精度的语义地图。

而BEV感知是支持生成局部的语义地图的，这也是为什么特斯拉敢说自己不需要高精地图。

照这个逻辑，百度地图收集的高精地图是不是就毫无用武之地了？

非也。

百度目前将这些高精地图以及高精度的定位信息，作为BEV感知的训练数据来用。

也就是说，在识别道路结构这件事上，百度也有一个经验老道的老师傅。

总的来说，百度在跟进BEV感知上拥有不少优势。

前段时间，百度放出了一个ANP 3.0的DEMO视频，纯视觉方案跑城市NOA功能，表现不错。

这次提出的UniBEV，在理论上也是说得通的，并且也发挥了百度在车路协同模块的优势。

只是UniBEV这一创新什么时候会落地（估计还远），就要看百度高阶自动驾驶落地的第一款车了。

目前，百度有一支几百人的团队对接集度，提供高阶智驾能力，集度的团队在这个基础上进行产品定义。

百度也开始在北、上、广、深多地做ANP3.0的泛化测试了，确保明年下半年方案的量产和功能交付。

只期待能快点坐到实车上体验一番了。