2021年9月3日-5日，由中国汽车技术研究中心有限公司、中国汽车工程学会、中国汽车工业协会、中国汽车报社联合主办，天津经济技术开发区管理委员会特别支持，日本汽车工业协会、德国汽车工业协会联合协办的第十七届中国汽车产业发展（泰达）国际论坛（以下简称泰达汽车论坛）在天津市滨海新区召开。本届论坛围绕“融合•创新•绿色”的年度主题，聚焦行业热点话题展开研讨。

在9月5日 “前沿瞭望：创造智能汽车新体验”中，一汽（南京）科技开发有限公司雷达感知领域经理王宇发表了题为“智能驾驶中雷达感知应用及挑战”的演讲。

一汽（南京）科技开发有限公司雷达感知领域经理  王宇

以下为演讲实录：

各位业界朋友们，大家上午好！我是来自一汽（南京）的王宇，今天很高兴泰达论坛有这样一个机会，可以在这里让我们和大家一块聊一聊我们在过去一段时间做的一些事情，也可以顺便聊一下对于雷达感知应用的理解和挑战。

开始之前请允许我介绍一下一汽南京公司。一汽南京公司是一家比较年轻的公司，一提到一汽集团都比较了解，一汽南京公司大家听到不是很多。我们确实是一个年轻的公司，也是一个年轻的团队。我们早期的前身是一汽智能网联开发院的人工智能研究所，去年由于集团加大对人工智能和汽车结合的战略部署力度，将人工智能研究所迁移到南京，成立了南京的人工智能研发中心，也就是一汽南京公司。一汽南京公司也是一汽重集团要战略布局的重要一环。我们想依托人工智能的技术，打造更好的人类出行体验。

目前在一汽集团内部，也是承接了很多自主研发的量产车型开发任务。目前公司是100多人，还在快速扩张当中，虽然说目前公司内部是100多人，但是依托了整个一汽集团强大的研发体系，像造型、设计、系统还有测试、验证、道路实验、数据采集，都依托了本部强大的技术支持，也是他们让我们能在南京地区可以全身心投入到软件开发当中。

我们公司的业务主线，目前规划了六条，分别是智能感知、智能大数据、智能交互、智能出行、智能制造以及智慧物流，在前期我们将精力还是投入到智能感知和智能大数据这两个主线。

接下来想聊一下在智能驾驶当中雷达感知的应用。在智能驾驶当中，其实有很多重要的板块，但是目前我们认为挑战性最强、复杂性最高的仍然是感知领域。目前在主流的传感器方案当中还是以多传感器融合方案为主，我们也是非常认可这样的一个方式，因为不同的传感器在不同的场景、不同的交通状态中有一定的优势，也有一定的技术短板。比如摄像头在光线不好的条件下，就会容易受到干扰。像激光雷达是可以很可靠捕捉到交通目标的位置，但容易受到天气的影响。毫米波雷达传感器对于车辆的速度获取的准确度是非常高，但是分辨率非常有限，我们能做的还是基于目标的融合。因此，我们判断在未来很长一段时间，智能驾驶的主流感知方案还是以多传感器融合的技术为主。

也是基于多传感器融合的理念，一汽南京公司打造了基于AI的自动驾驶解决方案。在智能驾驶车辆当中，采用了多传感器的融合策略，首先是在车顶采用了8颗固态激光雷达，在车周加上了12颗高清摄像头，以及毫米波雷达作为感知融合方案，也是基于这套方案，实现了全栈的自动驾驶解决方案。目前这套方案内部进行了升级，很快将会有第二代的自动驾驶全新的感知方案推出。从传感器以及整车性能多方面使乘客和驾驶员获得更好的体验。

下面说一下多传感器融合当中一个很重要的组成部分，就是雷达传感器。我们知道，固态雷达传感器是未来激光雷达的一个发展趋势，在早期我们也是基于机械式的激光雷达做了很深的耕耘，花了很多精力基于机械雷达的解决方案当中。在长春本部构建了智能小巴和智能乘用车。在去年，我们也是大胆创新，相当于在国内其他的一些兄弟公司还没有推出固态雷达方案之前，我们已经制定好了基于固态雷达的环境感知解决方案。

这个绿色的车就是目前我们在开放性道路上测试的一个固态雷达的实验车。当我们从机械雷达切换到固态雷达的时候，也有很多的纠结，很多挑战。比如说时间同步怎么解决，标定、盲区等各种各样的问题也是困扰着我们，在机械雷达那边可能是小问题，在固态雷达就是一个全新的挑战，为此花了很多精力在解决这些问题。比如为了解决时间同步的问题，多个雷达同时数据采集的时候，一定要有高精度的时间同步，我们为时间同步专门打造了一个控制器，用于解决这样的问题。

在智能感知软件方面，我们为了这套智能感知系统构建了一套完整的模型、技术构架，包括一些重量型的离线的参考模型，也包括轻量级的参考模型。重量型的模式应用于真值还有数据标注，轻量级模型跑在域控制器当中，有计算资源和高精度的感知能力。

下面我们要谈一下数据相关的一些工作。作为车厂，在数据积累方面有天然的优势，首先依托本部的道路实验车资源，构建了一批数据采集车辆，本身每天在全国各地的道路上都会有大规模的数据采集和整车性的测试，所以在数据收集方面的优势还是要充分发挥的。数以百计的车辆每天回传很多数据，将数据进行解析和融合、清洗、挑选，转换后存储到云端。拿到数据后，通过设定的一些先行条件，再加上重量级模型，进行一些自动化的标注，得到了初步的标注数据后，通过人工的方式进行检测和二次标注，修正之后得到了标注的数据集。将我们的重量型的模型重新进行训练，训练好这些模型，一方面应用于前期的半自动化标注，另外将大规模模型进行轻量化处理，部署在车端。最后车端的模型重新部署到车辆，由此构成了数据采集、数据标注、数据存储的闭环，这套系统是非常宝贵的工具，既是有效的生产力，又是对车企优势的发挥，也是我们的护城河。

接下来再聊一下成像雷达，毫米波雷达是有痛点的，只能输出有限的目标数据，我们只能基于数据做目标级的融合，分辨率也比较有限，只能识别出来二维的目标，对于高度信息分辨比较不友好。当市面上有了成像雷达传感器一切有了改观，我们也发现成像毫米波雷达也是值得我们去挖掘的。目前基于成像毫米波雷达做了尝试性工作，比如在点云级的融合层面，我们把成像雷达做拼接，也尝试着进行融合。这是我们对成像雷达毫米波前期的尝试，也是非常期待下一代的成像毫米波雷达给我们带来更多的惊喜，成为智能驾驶当中的主力传感器。

下面一部分谈一下目前雷达感知领域的一些挑战。这里我们总结了四点。首先第一点是在成本方面，从行业的一些数据方面可以看到，激光雷达传感器的价格从之前的几十万一台，一个非常昂贵的仪器设备，降到量产车上3-5K的价格，但是目前对于量产车辆而言，一些高端车型或者是高配车型标志性的传感器，还做不到成为每一个车辆的标配传感器。因为我们整车的成本其实是锱铢必较的，有的时候需要一分钱、一毛钱去抠，对于动辄上千块的昂贵传感器目前在上车的时候还是比较谨慎。我们预估，未来在两到三年中，我们的价格有可能会降到1-2K，这样激光雷达才有可能成为中等车型标配的传感器，这是在成本方面的挑战。

第二，在传感器数量和布置方面的挑战。传感器的价格制约了传感器的选型和数量，当我们可以布置一些激光雷达传感器在量产车上，布置的位置是迎来的第二个挑战。我们和造型部门、整车部门也是经过了很多轮的讨论，其实大家一直都存在一些彼此的争议。像激光雷达布在车顶还是布置在车前方的位置，其实大家都有一些优势，也有一些弊端。布置在车顶可以在视野上获得收益，但是从清洁、造型、散热上也有不小的挑战。传感器布置在前保险杠的方案当中，我们也是从清洁到散热是比较容易了，但是它很容易将传感器进行一些遮挡和污损，同样也有不小的挑战。最后我们认为，一切的布置和选型的来源，还要归根到底到功能实现的角度，如果定义好了最终实现的自动驾驶场景需要有什么样的感知能力，有了感知能力，再导出要看到多远、多清晰，再导出布置的位置如何，其实我们还是要坚守这样的部署原则。

第三，从传感器性能方面的挑战。目前像雷达传感器仍然处于蓬勃发展的阶段，在各家的传感器，其实给出的纸面的数据非常好看的，但是我们拿到这些传感器之后，其实还是和他们的纸面数据有一些差异的。这里面展示的是内部测试的两款在纸面数据差不多的传感器，但是实际测下来，在各项测试中的表现还是有很多的差异和分歧。作为传感器的使用者，以用户的角度来讲也提出来一个挑战，我们要有慧眼识珠的能力，如何挑选出感知性能、要求还有量产的一个级别的激光雷达传感器，其实是一个不小的挑战。因此，我们需要制定很强的测试用地和方法，以及构建足够多的场景，把传感器的每一个性能都能测到。

最后也是给我们开发人员提出来一个挑战，整个激光雷达传感器，在量产车的应用目前还是比较新的，这里提出了四个应对开发挑战的解决方案。

第一是将我们的量产车进行平台化适配，从L4的平台化的自动驾驶车辆当中，也是尽可能和量产车的传感器布置方案尽可能一致，包括软件算法有通用性的架构，在量产车的不同方案的选型和迁移当中尽可能做到平台化。

第二，感知软件解耦化，对不同传感器、计算平台进行灵活适配。

第三，让我们的感知模型尽可能模块化，以适配不同的应用场景。目前还很难做到统一套模型包打天下，实现所有场景都覆盖到，我们也是针对泊车和行车拿出了不同的解决方案。

第四，在整体开发流程当中，我们提出了开发流程的半自动化，制定了很多自动化的测试工具、脚本以及技术工具，包括数据闭环系统，都是辅助于我们更好地提高开发效率，节约开发周期的有效手段。

以上就是我今天的一个分享，也是希望以后有机会各位朋友可以来一汽南京公司坐一坐，可以与我们深入的交流，谢谢大家！