過去幾年，自動駕駛領域一直有場討論，那就是：跨越式自動駕駛和漸進式自動駕駛，哪條路線會更快走向無人駕駛？如今隨著大量玩家轉戰量產，討論逐漸偃旗息鼓，漸進式路線也從一條少數廠商堅持的冷門路線，變成了主流之選。

主張跨越式的玩家希望先打造出小范圍內的無人駕駛，然后逐步擴大范圍，最后形成廣泛可用的無人駕駛。主張漸進式的玩家則是希望先打造出大范圍可用的人車共駕，逐步減少人的參與，最后形成廣泛可用的無人駕駛。隨著汽車智能化進程的持續推進，后者如今迎來了自己的快速發展。

在這條路線上，有一家公司堅持了將近7年時間，打造視覺為主、多傳感器融合的全棧技術，開發滿足高中低不同需求的前裝量產應用，通過大范圍的商業落地推動技術的持續迭代。這家公司就是Nullmax紐勱，早早推出行泊一體，也早早取得了技術的量產突破。

2022年，Nullmax完成了量產項目的首個交付，而在今年，更多量產車型的技術方案也將先后完成交付。汽車行業的智能駕駛浪潮雖然才剛剛開始，但Nullmax早一步實現了量產項目的一連串定點，而且同步開始了不同方案的平臺化開發和并行式交付。

在這背后，是產品、技術、商業的細致布局，也是一位漸進式玩家堅守的長期主義：開發具有成長性的平臺化技術，為行業每個時期提供符合需求的產品，通過商業和技術的相互促進，去達成最終的無人駕駛目標。

一、理解漸進本質，產品技術做到極致

前裝量產是漸進式自動駕駛最主要的應用，即通過與汽車廠商的合作將智能駕駛系統安裝到十萬、百萬輛的普通新車上，通過人類司機的監督、指揮和示范，在山南海北、差異巨大的道路上真實運行，收集數不勝數的挑戰性場景和有價值數據，經過長期持續的迭代，最終成長為無人駕駛。

相比于跨越式路線，漸進式路線的關鍵特點就在于，前裝量產應用的市場需求極大、商業模式成熟，企業可以通過技術獲得正常商業收入，保障長期研發。整個漸進的過程中，技術和商業相互助益。

而這個長期計劃的第一步，也是最基礎的一步，就是打造可成長的平臺化技術體系：早期的開發的技術，在商業的初期就可以提供成熟的應用，并基于實際的應用持續迭代、快速成長；而為了保證應用的規模足夠龐大，數據足夠豐富，商業效率更高，技術也需要支持更多項目、更多車型、更多樣需求，平臺化必不可少。

因此，Nullmax選擇了視覺為主、多傳感器融合的感知策略，確定了機器學習優先的技術路線，一條適合大規模部署、可以漸進實現無人駕駛的技術路線。

視覺信號是駕駛車輛最主要的信息來源，信息含量豐富，易于獲取，因此視覺為主的感知策略，最便于實現大數據驅動的自動駕駛機器學習。而且攝像頭應用成熟，發展迅猛，可以為視覺感知提供硬件支撐，所以無論是當前的前裝量產還是今后的無人駕駛，這條技術路線都尤為合適。

不過，這也是一條尤為復雜的路線。自動駕駛是一項系統性的復雜工程，需要的技術非常之多。Nullmax自研了全棧的軟件算法，包括全部的上層應用，比如感知、融合、預測、規控，以及專門的自動駕駛中間件。除了車端的軟件之外，還有云端的應用，以實現數據的高效采集、篩選、存儲、運用，去進化出更好的軟件算法。

特別是在關鍵的上游感知環節，為了實現攝像頭與攝像頭數據的融合，攝像頭與其他傳感器的數據融合，以及時間、空間信息的融合，Nullmax在2020年構建了基于BEV的感知基礎架構。通過持續的完善，這套架構發展成了BEV-AI自動駕駛整體技術架構，為不同場景、不同產品、不同功能、不同配置提供平臺化的應用。

在這當中，Nullmax完成了許多短期不見成效但對于量產來說意義重大的工作，比如中間件的開發，芯片平臺的深度優化，等等。對于少量項目的落地，或者是基礎的ADAS應用，以及更多短期性的目標，這些工作投入巨大但幫助有限，只有在長期的落地過程價值才會完全顯現。

因為在面對到各種各樣的量產應用時，技術的效率和穩定將會成為重點，軟硬件解耦以及模塊化部署的價值才會凸顯；同時也只有要求嚴苛的量產應用，以及真正大規模的部署，才會深入考慮如何基于車規級的芯片，完成高性能、高并發、高可靠的自動駕駛計算。

在這樣深厚的技術積累之下，Nullmax先后推出了智能駕駛以及視覺感知方案，為市場提供包括行泊一體的主流需求應用；同時讓產品支持高中低不同的配置，最大程度地滿足行業多樣化需求。

過去一兩年，行泊一體憑借明顯的功能優勢和成本優勢，在智能化趨勢下尤其受到了眾多車廠的喜愛，Nullmax的智能駕駛量產方案收獲頗豐。而對于有自研需求的廠商來說，單獨的定制化視覺感知方案可以解決長期的技術瓶頸，Nullmax的視覺感知方案也是備受青睞。

二、加速技術成長，奔赴無人駕駛目標

過去幾年里，自動駕駛的發展波瀾壯闊，路線的切換以及產品的更迭并不少見，前裝量產領域的長期堅持，讓Nullmax獲得了商業層面的巨大突破，也讓Nullmax的技術迭代進入了新的階段。

在漸進式自動駕駛中，海量數據是打開無人駕駛的最重要鑰匙，更是技術發展的催化劑。就像ChatGPT等大模型，需要海量的數據來訓練出強大的能力一樣，自動駕駛需要規模龐大的量產車隊提供的海量數據，來不斷強化AI模型的能力，進而最終實現無人駕駛。

如今Nullmax提供的完整智能駕駛應用，以及單獨的視覺感知模塊，開始紛紛交付上車，這也就意味著Nullmax擁有了一支規模快速擴大的量產車隊。盡管它們的應用形態不盡相同，配置也有高有低，但是在加速AI模型迭代這件事上，它們都能貢獻作用。

自動駕駛數據的類型多種多樣，感知數據是當前最稀缺的數據之一。比如，稀奇古怪的障礙物，特殊車道線的道路，差異化的交通標志和信號燈，等等。這些量產應用中落地的視覺感知模塊，不僅可以通過數據閉環提供重要的感知數據，提升自身性能，還可以參與到基礎模型的訓練中，解決大量長尾自動駕駛的問題。

而完整的智能駕駛應用，在提供感知數據的基礎上，同樣還會涵蓋規控等層面的數據。比如，緊急加減速、緊急橫向避讓、AEB誤觸發、變道失敗等情形的數據，以及人類司機的一些參考數據，都可以用于整個自動駕駛系統的迭代優化。

即便是一些中低配置的車型，算力和傳感器的性能稍低，同樣也能發揮作用，而且用處很大。比如Nullmax基于單顆TDA4芯片的高性價比方案，也能支持中低配置車型實現行泊一體，實時處理行車、泊車場景當中的感知、規控數據。這些車型的市場占比極大，不僅數據的規模龐大，而且多樣性更好，對于自動駕駛進化來說幫助巨大。

在更高配置方案的車型上，自動駕駛一方面可以部署更大更復雜的AI模型，另一方面也可以收集更多維度、更高要求的數據。比如Nullmax的BEV-AI架構，包含車端實時構建局部地圖以及BEV規劃等模塊，可以實現端到端的全場景自動駕駛，所以Nullmax將這些技術應用到基于Orin芯片的量產項目之后，在打造更極致的體驗同時，也可以為整個數據閉環提供對應任務的數據。

雖然這些量產應用的方案配置不盡相同，但它們都是出自BEV-AI架構的平臺化應用，因此可以通過同一個數據閉環系統反哺有價值的數據，促進同一個基礎模型的快速成長。這是Nullmax早期曾談到的One Model One Cycle理念，如今已經深入運用到各項研發和應用當中。

實際上，這和ChatGPT等大模型表現出強大能力的原理并無二致。更多樣、更海量的數據，以及針對多樣任務的更復雜模型結構，更加容易形成強大的能力、快速的進化，最終帶來質的改變，實現無人駕駛。

而這些的最后，對應的也正是Nullmax的企業使命：打造全場景無人駕駛應用，加速移動出行智變。

在這條漸進的路上，Nullmax保持專注，將看準的方向做深做透，進而迎來量產進展。按照Nullmax的漸進策略，實現L2/L3功能的落地之后，接下來要做的就是實現L4的體驗，在量產項目持續落地的節奏下，數據成為關鍵加成因素，漸進的步伐將會明顯加快。

不過，前裝量產顯然只是起點而非終點，漸進式自動駕駛發展出的無人駕駛能力，最終將成為一項通用的底層能力，支持從載人到運貨的不同應用。

值得一提的是，自動駕駛長期面臨的一個問題，就是怎樣兼顧長遠的技術目標和短期的商業現實，漸進式自動駕駛當初給出了自己的答案，如今也用實踐證明了自己的答案。盡管過程可能很苦很累很長，但是看起來堅守自動駕駛長期主義的代表企業們，就要走完這場長征，進入自動駕駛發展的全新階段。

返回第一電動網首頁 >