2023年10月11日，第九屆HAOMO AI DAY盛大開(kāi)幕。本次HAOMO AI DAY以“BETTER AI，BETTER HAOMO”為主題，內(nèi)容豐富，既有業(yè)內(nèi)專(zhuān)家的精彩講座和尖端技術(shù)的展覽，同時(shí)也設(shè)有多個(gè)活潑有趣的活動(dòng)和互動(dòng)環(huán)節(jié)，使參與者深刻體驗(yàn)到了自動(dòng)駕駛技術(shù)的吸引力和可能性。
歷屆HAOMO AI DAY的核心主題都是聚焦最硬核的自動(dòng)駕駛AI技術(shù)。此次，毫末智行CEO顧維灝帶來(lái)了主題為《自動(dòng)駕駛3.0時(shí)代：大模型將重塑汽車(chē)智能化的技術(shù)路線》的演講，分享了毫末對(duì)于自動(dòng)駕駛3.0時(shí)代AI開(kāi)發(fā)模式的思考以及自動(dòng)駕駛生成式大模型毫末DriveGPT大模型的最新進(jìn)展和實(shí)踐。
（毫末智行CEO顧維灝）
(資料圖)
顧維灝認(rèn)為，自動(dòng)駕駛3.0時(shí)代與2.0時(shí)代相比，其開(kāi)發(fā)模式和技術(shù)框架都將發(fā)生顛覆性的變革。在自動(dòng)駕駛2.0時(shí)代，以小數(shù)據(jù)、小模型為特征，以Case任務(wù)驅(qū)動(dòng)為開(kāi)發(fā)模式。而自動(dòng)駕駛3.0時(shí)代，以大數(shù)據(jù)、大模型為特征，以數(shù)據(jù)驅(qū)動(dòng)為開(kāi)發(fā)模式。
（毫末提出的自動(dòng)駕駛3.0時(shí)代的技術(shù)架構(gòu)演進(jìn)趨勢(shì)）
相比2.0時(shí)代主要采用傳統(tǒng)模塊化框架，3.0時(shí)代的技術(shù)框架會(huì)發(fā)生顛覆性變化。首先，自動(dòng)駕駛會(huì)在云端實(shí)現(xiàn)感知大模型和認(rèn)知大模型的能力突破，并將車(chē)端各類(lèi)小模型逐步統(tǒng)一為感知模型和認(rèn)知模型，同時(shí)將控制模塊也AI模型化。隨后，車(chē)端智駕系統(tǒng)的演進(jìn)路線也是一方面會(huì)逐步全鏈路模型化，另一方面是逐步大模型化，即小模型逐漸統(tǒng)一到大模型內(nèi)。然后，云端大模型也可以通過(guò)剪枝、蒸餾等方式逐步提升車(chē)端的感知能力，甚至在通訊環(huán)境比較好的地方，大模型甚至可以通過(guò)車(chē)云協(xié)同的方式實(shí)現(xiàn)遠(yuǎn)程控車(chē)。最后，在未來(lái)車(chē)端、云端都是端到端的自動(dòng)駕駛大模型。
顧維灝還詳細(xì)介紹了毫末DriveGPT大模型在推出200天后的整體進(jìn)展。首先是DriveGPT訓(xùn)練數(shù)據(jù)規(guī)模提升。截至2023年10月DriveGPT雪湖·海若共計(jì)篩選出超過(guò)100億幀互聯(lián)網(wǎng)圖片數(shù)據(jù)集和480萬(wàn)段包含人駕行為的自動(dòng)駕駛4D Clips數(shù)據(jù)。其次是通用感知能力提升，DriveGPT通過(guò)引入多模態(tài)大模型，實(shí)現(xiàn)文、圖、視頻多模態(tài)信息的整合，獲得識(shí)別萬(wàn)物的能力；同時(shí)，通過(guò)與NeRF技術(shù)整合，DriveGPT實(shí)現(xiàn)更強(qiáng)的4D空間重建能力，獲得對(duì)三維空間和時(shí)序的全面建模能力；最后是通用認(rèn)知能力提升，借助大語(yǔ)言模型，DriveGPT將世界知識(shí)引入到駕駛策略中。
顧維灝認(rèn)為，未來(lái)的自動(dòng)駕駛系統(tǒng)一定是跟人類(lèi)駕駛員一樣，不但具備對(duì)三維空間的精確感知測(cè)量能力，而且能夠像人類(lèi)一樣理解萬(wàn)物之間的聯(lián)系、事件發(fā)生的邏輯和背后的常識(shí)，并且能基于這些人類(lèi)社會(huì)的經(jīng)驗(yàn)來(lái)做出更好的駕駛策略，真正實(shí)現(xiàn)完全無(wú)人駕駛。
毫末DriveGPT是如何具備識(shí)別萬(wàn)物的他通用感知能力，以及擁有世界知識(shí)的通用認(rèn)知能力？顧維灝也給出了詳盡解釋。
（毫末DriveGPT升級(jí)：大模型讓自動(dòng)駕駛擁有世界知識(shí)）
在感知階段，DriveGPT首先通過(guò)構(gòu)建視覺(jué)感知大模型來(lái)實(shí)現(xiàn)對(duì)真實(shí)物理世界的學(xué)習(xí)，將真實(shí)世界建模到三維空間，再加上時(shí)序形成4D向量空間；然后，在構(gòu)建對(duì)真實(shí)物理世界的4D感知基礎(chǔ)上，毫末進(jìn)一步引入開(kāi)源的視覺(jué)文本多模態(tài)大模型，構(gòu)建更為通用的語(yǔ)義感知大模型，實(shí)現(xiàn)文、圖、視頻多模態(tài)信息的整合，從而完成4D向量空間到語(yǔ)義空間的對(duì)齊，實(shí)現(xiàn)跟人類(lèi)一樣的“識(shí)別萬(wàn)物”的能力。
（毫末DriveGPT通用感知大模型：讓自動(dòng)駕駛認(rèn)識(shí)萬(wàn)物）
毫末通用感知能力的進(jìn)化升級(jí)包含兩個(gè)方面。首先是視覺(jué)大模型的CV Backbone的持續(xù)進(jìn)化，當(dāng)前基于大規(guī)模數(shù)據(jù)的自監(jiān)督學(xué)習(xí)訓(xùn)練范式，采用Transformer大模型架構(gòu)，實(shí)現(xiàn)視頻生成的方式來(lái)進(jìn)行訓(xùn)練，構(gòu)建包含三維的幾何結(jié)構(gòu)、圖片紋理、時(shí)序信息等信息的4D表征空間，實(shí)現(xiàn)對(duì)全面的物理世界的感知和預(yù)測(cè)。其次是構(gòu)建起更基礎(chǔ)的通用語(yǔ)義感知大模型，在視覺(jué)大模型基礎(chǔ)上引入視覺(jué)文本多模態(tài)模型來(lái)提升感知效果，視覺(jué)文本多模態(tài)模型可以對(duì)齊自然語(yǔ)言信息和圖片的視覺(jué)信息，在自動(dòng)駕駛場(chǎng)景中就可以對(duì)齊視覺(jué)和語(yǔ)言的特征空間，從而具備識(shí)別萬(wàn)物的能力，也由此可以更好完成目標(biāo)檢測(cè)、目標(biāo)跟蹤、深度預(yù)測(cè)等各類(lèi)任務(wù)。
在認(rèn)知階段，基于通用語(yǔ)義感知大模型提供的“萬(wàn)物識(shí)別”能力，DriveGPT通過(guò)構(gòu)建駕駛語(yǔ)言（Drive Language）來(lái)描述駕駛環(huán)境和駕駛意圖，再結(jié)合導(dǎo)航引導(dǎo)信息以及自車(chē)歷史動(dòng)作，并借助外部大語(yǔ)言模型LLM的海量知識(shí)來(lái)輔助給出駕駛決策。
由于大語(yǔ)言模型已經(jīng)學(xué)習(xí)到并壓縮了人類(lèi)社會(huì)的全部知識(shí)，因而也就包含了駕駛相關(guān)的知識(shí)。經(jīng)過(guò)毫末對(duì)大語(yǔ)言模型的專(zhuān)門(mén)訓(xùn)練和微調(diào)，從而讓大語(yǔ)言模型更好地適配自動(dòng)駕駛?cè)蝿?wù)，使得大語(yǔ)言模型能真正看懂駕駛環(huán)境、解釋駕駛行為，做出駕駛決策。認(rèn)知大模型通過(guò)與大語(yǔ)言模型結(jié)合，使得自動(dòng)駕駛認(rèn)知決策獲得了人類(lèi)社會(huì)的常識(shí)和推理能力，也就是獲得了世界知識(shí)，從而提升自動(dòng)駕駛策略的可解釋性和泛化性。
（毫末DriveGPT應(yīng)用的七大實(shí)踐）
在分享了最新DriveGPT大模型技術(shù)框架后，顧維灝隨后也給出了毫末基于DriveGPT大模型開(kāi)發(fā)模式的七大應(yīng)用實(shí)踐，包括駕駛場(chǎng)景理解、駕駛場(chǎng)景標(biāo)注、駕駛場(chǎng)景生成、駕駛場(chǎng)景遷移、駕駛行為解釋、駕駛環(huán)境預(yù)測(cè)和車(chē)端模型開(kāi)發(fā)。
其中，在駕駛行為解釋方面，毫末DriveGPT在原有結(jié)合場(chǎng)景庫(kù)及人工標(biāo)注方式來(lái)對(duì)駕駛行為進(jìn)行解釋的基礎(chǔ)上，升級(jí)為引入大語(yǔ)言模型來(lái)解釋駕駛環(huán)境，讓AI自己解釋自己的駕駛決策。接下來(lái)，毫末會(huì)持續(xù)通過(guò)構(gòu)建自動(dòng)駕駛描述數(shù)據(jù)，來(lái)對(duì)大語(yǔ)言模型進(jìn)行微調(diào)，讓大語(yǔ)言模型能夠像駕校教練或者陪練一樣，對(duì)駕駛行為做出更詳細(xì)的解釋。
（駕駛行為解釋?zhuān)和敢旳I的思考過(guò)程）
駕駛環(huán)境預(yù)測(cè)方面，毫末DriveGPT原來(lái)基于海量人駕數(shù)據(jù)預(yù)訓(xùn)練和接管數(shù)據(jù)的反饋強(qiáng)化學(xué)習(xí)來(lái)完成未來(lái)BEV場(chǎng)景的預(yù)測(cè)生成，現(xiàn)在則是通過(guò)引入大語(yǔ)言模型，在使用駕駛行為數(shù)據(jù)的同時(shí)，讓大語(yǔ)言模型對(duì)當(dāng)前的駕駛環(huán)境給出解釋和駕駛建議，然后再將駕駛解釋和駕駛建議作為prompt輸入到生成式大模型，來(lái)讓自動(dòng)駕駛大模型獲得外部大語(yǔ)言模型內(nèi)的人類(lèi)知識(shí)，從而具備常識(shí)，才能理解人類(lèi)社會(huì)的各種明規(guī)則、潛規(guī)則，才能跟老司機(jī)一樣，預(yù)測(cè)未來(lái)最有可能出現(xiàn)的駕駛場(chǎng)景，從而與各類(lèi)障礙物進(jìn)行更好地交互。
（駕駛環(huán)境預(yù)測(cè)：生成未來(lái)世界）
車(chē)端模型開(kāi)發(fā)模式變革方面，毫末正在嘗試用蒸餾的方法，也就是用大模型輸出的偽標(biāo)簽作為監(jiān)督信號(hào)，讓車(chē)端小模型來(lái)學(xué)習(xí)云端大模型的預(yù)測(cè)結(jié)果，或者通過(guò)對(duì)齊Feature Map的方式，讓車(chē)端小模型直接學(xué)習(xí)并對(duì)齊云端的Feature Map，從而提升車(chē)端小模型的能力。基于蒸餾的方式，可以讓車(chē)端的感知效果提升五個(gè)百分點(diǎn)。
（車(chē)端模型開(kāi)發(fā)新模式：把大模型蒸餾成小模型）
此外，毫末DriveGPT的駕駛場(chǎng)景理解可以對(duì)海量駕駛場(chǎng)景數(shù)據(jù)進(jìn)行秒級(jí)特征搜索，從而實(shí)現(xiàn)更高效的數(shù)據(jù)篩選，為大模型挖掘海量高質(zhì)量訓(xùn)練數(shù)據(jù)；駕駛場(chǎng)景標(biāo)注是采用了開(kāi)集（Open-set）場(chǎng)景下的Zero-Shot自動(dòng)標(biāo)注，可實(shí)現(xiàn)對(duì)任意物體既快速又精準(zhǔn)的標(biāo)注，不僅可實(shí)現(xiàn)針對(duì)新品類(lèi)的Zero-Shot快速標(biāo)注，而且精度還非常高，預(yù)標(biāo)注準(zhǔn)召達(dá)到80%以上；駕駛場(chǎng)景生成，可以基于駕駛場(chǎng)景的文生圖模型，通過(guò)文字描述批量生成平時(shí)難以獲取的Hardcase數(shù)據(jù)，實(shí)現(xiàn)無(wú)中生有的可控生成；對(duì)于駕駛場(chǎng)景遷移，基于AIGC生成能力，可實(shí)現(xiàn)多目標(biāo)場(chǎng)景生成，能將采集到的一個(gè)場(chǎng)景，遷移到該場(chǎng)景的不同時(shí)間、不同天氣、不同光照等各類(lèi)新場(chǎng)景下，可同時(shí)獲取全天候駕駛數(shù)據(jù)，實(shí)現(xiàn)瞬息萬(wàn)變的高效場(chǎng)景遷移。
現(xiàn)場(chǎng)，顧維灝還給出了DriveGPT賦能車(chē)端的三大測(cè)試成果：
第一個(gè)是毫末純視覺(jué)自動(dòng)泊車(chē)測(cè)試成果。毫末利用視覺(jué)感知模型，使用魚(yú)眼相機(jī)可以識(shí)別墻、柱子、車(chē)輛等各類(lèi)型的邊界輪廓，形成360度的全視野動(dòng)態(tài)感知，可以做到在15米范圍內(nèi)達(dá)到30cm的測(cè)量精度，2米內(nèi)精度可以高于10cm。這樣的精度可實(shí)現(xiàn)用視覺(jué)取代USS，從而進(jìn)一步降低整體智駕方案成本。
（毫末純視覺(jué)泊車(chē)）
第二個(gè)是毫末對(duì)交通場(chǎng)景全要素識(shí)別測(cè)試成果。DriveGPT基于通用感知的萬(wàn)物識(shí)別的能力，從原有感知模型只能識(shí)別少數(shù)幾類(lèi)障礙物和車(chē)道線，到現(xiàn)在可以識(shí)別各類(lèi)交通標(biāo)志、地面箭頭，甚至井蓋等交通場(chǎng)景的全要素?cái)?shù)據(jù)。大量高質(zhì)量的道路場(chǎng)景全要素標(biāo)注數(shù)據(jù)，可以有效幫助毫末重感知的車(chē)端感知模型實(shí)現(xiàn)效果的提升，助力城市NOH的加速進(jìn)城。
第三個(gè)是毫末城市NOH對(duì)小目標(biāo)障礙物檢測(cè)的測(cè)試成果。毫末在當(dāng)前城市NOH的測(cè)試中，可以在城市道路場(chǎng)景中，在時(shí)速最高70公里的50米距離外，就能檢測(cè)到大概高度為35cm的小目標(biāo)障礙物，可以做到100%的成功繞障或剎停，這樣可以對(duì)道路上穿行的小動(dòng)物等移動(dòng)障礙物起到很好地檢測(cè)保護(hù)作用。
據(jù)顧維灝透露，DriveGPT的云端能力也對(duì)外開(kāi)放，合作伙伴可以通過(guò)使用API、模型的專(zhuān)項(xiàng)優(yōu)化、服務(wù)的私有化部署，與毫末合作。DriveGPT發(fā)布200天左右的時(shí)間里，累積480萬(wàn)段Clips高質(zhì)量測(cè)試。目前已有生態(tài)伙伴17家，助力生態(tài)伙伴提效90%。2023年DriveGPT成功入選“北京市通用人工智能產(chǎn)業(yè)創(chuàng)新伙伴計(jì)劃”成為首批模型伙伴觀察員及入選北京市首批人工智能10個(gè)行業(yè)大模型應(yīng)用案例。此外，DriveGPT還助力毫末榮獲2023中國(guó)AI基礎(chǔ)大模型創(chuàng)新企業(yè)的稱(chēng)號(hào)。
顧維灝也提到，毫末DriveGPT大模型的應(yīng)用，在自動(dòng)駕駛系統(tǒng)開(kāi)發(fā)過(guò)程中帶來(lái)了巨大技術(shù)提升，使得毫末的自動(dòng)駕駛系統(tǒng)開(kāi)發(fā)徹底進(jìn)入了全新模式，新開(kāi)發(fā)模式和技術(shù)架構(gòu)將大大加速汽車(chē)智能化的進(jìn)化進(jìn)程。
關(guān)鍵詞：
