又一玩家涉足领航辅助，MAXIEYE 发布 NOM 系统，三大版本搞定「点对点」智能驾驶
2022 年刚拉开帷幕，一家名为 MAXIEYE 的公司便发布了 NOM 领航辅助系统。
速度很快。
要知道，目前国内能够推出领航辅助的玩家少之又少，仅有蔚小理和长城汽车等几家在量产车上搭载了领航辅助系统，也就是大家常常听到的 NOP、NGP、NOA、NOH。
「NOM」的加入，让领航辅助这条赛道更加热闹。
而且，与蔚小理开发的系统仅供自家使用、长城汽车的 NOH 来自其关联自动驾驶公司毫末智行不同，MAXIEYE 是作为一家中立的第三方供应商，希望将 NOM 提供给所有整车厂。
这会考验系统的功能实现、算法和成本等多个层面，是真正放到市场中厮杀的竞争。
那么，MAXIEYE 的 NOM 到底是什么，与市面上的产品有何不同，越来越多的玩家涉足领航辅助，自动驾驶这道难关真的会被渐进式玩家攻破吗？
几天前，我们和 MAXIEYE CEO 周圣砚、MAXIEYE CTO 郭恩庆进行了一次沟通，发现这家做感知起家的智能驾驶方案的初创公司，在感知方案、路径规划上都有着独特的设计。
01、拆解 NOM：软硬解耦，高性价比
NOM 全称 Navigate on MAXIPILOT，有三个版本：
· 基础版 NOM-Basic，基于 5R1V 的硬件配置，实现 360 度传感器融合，接入高精地图导航定位技术，可自主完成高速场景下的智能路径规划，实现自动进出匝道、切换主干道、根据道路限速和工况环境自动调整车速、自动变换车道、自动超车、大车安全避让等功能。
· 高配版 NOM-Premium，基于 5R5V 的传感器配置及更大算力平台，实现高度集成的行泊一体智能化方案。
· 增强版 NOM-Enhanced，基于 5R11VnL 的传感器配置，通过视觉和激光雷达等更多传感器冗余设置，拓展「点对点」自动驾驶系统边界，实现 L3 等高阶智能驾驶功能，可支持城市道路导航自动驾驶。
推出三个版本是为了满足不同主机厂的需求。
三个版本的不同点是：在行车方面，与 5R1V 相比，5R5V 的传感器配置有环视摄像头做补充，可增强 TJA 等场景的感知能力，体验感更好、在拥堵环境行驶的接管率更低。
此外，5R5V 的配置也使整个系统增加了泊车功能，由于额外采用前视远距离的摄像头去实现定位，泊车的时候车速可以更快。
带有激光雷达的 5R11VnL 方案，可以对过道、护栏、路沿等信息进行采集，提供一个类似「立体墙」的信息，无论地面上有没有车道线，都可以沿着激光雷达反馈的信息顺着「立体墙」顺利通过。
而这三个方案的共同特点是，由于算法和底层硬件实现了解耦，NOM 系统对于毫米波雷达、摄像头、芯片选型等具有很强的兼容性。
比如，NOM 既可以选择配置 200 万像素摄像头，也可以选择配置 800 万像素摄像头。
两种摄像头可以实现的功能是一样的，均是辅助车辆完成自动换道和自动进出匝道。
而 200 万像素的摄像头，其成本低、性价比高，但因为它看不了那么远，所以在换道、超车的时候，应对车流的决策会相对比较保守。
NOM 对于芯片的选择没有硬性的要求，只要等效算力水平足够即可。
· 基础版 5R1V 需要 10 Tops 算力；
· 5R5V 需要 30 Tops 的算力；
· 5R11V 需要 100 Tops 的算力。
由于对感知硬件不挑剔，再加上可以适配更多的芯片平台，让 NOM 的灵活性非常高，且成本很有竞争力。
周圣砚告诉汽车之心，只要提供等效算力的芯片，无论国内外芯片，NOM 都可以支持。
「我们目前的 NOM 量产方案不会强依赖于激光雷达，主要依赖『毫米波 + 视觉摄像头』。几百块钱的毫米波雷达，几百块钱的摄像头，再加上一套域控制器，整个 NOM 的方案成本控制在数千元左右。」
问题来了，当这套 NOM 系统上路运行时，能够与市面上的领航辅助系统进行对抗吗？
02、上高速，NOM 到底强在哪里？
高速场景下，领航辅助大概需要应对以下场景，自动跟车、自动变道、自动进出匝道。
这里面，「领航辅助中，20% 的算法策略用于 80% 的 L2 场景应对，而剩下 80% 的算法策略要用于自动换道或超车、自动进出匝道等场景处理。」郭恩庆说，各家的领航辅助基本上都可以实现这些功能，真正的差异化还要在用户体验的细节上下功夫。
MAXIEYE 的 NOM 系统的特别在于对感知部分做了增强，并且从感知底层去找功能体验突破的可能性，这与这家公司的感知出身有密切关系。
MAXIEYE 成立于 2016 年，主打前向单目视觉传感器 IFVS 系列产品，并且已完成多代产品的迭代。
截至目前，MAXIEYE 的产品在商用车前装市场出货量突破数十万套，并于去年 7 月获得国内乘用车企的 L2 量产项目定点。
过去的技术研发积累，再加上在感知产品上的打磨，以及从感知规划控制的闭环、量产经验，一定程度上形成了马太效应。
尤其是，MAXIEYE 已经设计了数据触发与回传机制，让 NOM 的开发进度明显加快。
而且，感知起家的 MAXIEYE，在涉足 NOM 系统研发时继续增强了感知的能力。
以目前领航辅助驾驶常遇见的问题为例，通常情况下，在遇到高精地图丢失的情况时，现有的领航辅助系统会短暂退出或者对系统进行降级，车辆也会出现降速，甚至还会出现车身摇晃等问题。
MAXIEYE 的解决方法是，在做视觉检测时，生成局部的拓扑图。
「比如在进匝道的时候，车道线往往是分开的，我们的方案不仅会告诉你这是一根线，还会检测到这根线前面会有一个分岔点，基于这个点又衍生出来一根线，这样即便在短时间内定位出现不太清晰的地方，但只要能够大概（把车辆）送到这个位置，我们利用地图给的局部最优解，系统就可以匹配到顺着这个分岔点过去大概是对的，包括分岔点、车道线拓扑结构这些都是自己做的尝试。」郭恩庆表示。
在有高精度地图的情况下，使用高精地图进行简单、确定性更高的换道、进出匝道，当遇到高精度地图的定位不准时，MAXIEYE 会将高精度地图或者导航地图生成的拓扑，与感知生成的拓扑进行比对，当短时间丢失定位的时候，可以用感知的能力去实现换道、进出匝道的能力。
使得 NOM 系统可以部分和高精地图进行解耦，感知与高精度地图互为冗余，这是 MAXIEYE NOM 方案的一个特点。
这意味着，NOM 的底层思路与特斯拉的 NOA 有些类似，前向视觉感知为主，再配合其他感知硬件、高精度地图进行融合感知。
除了增强感知，NOM 还采用了融合路径规划 FPP（Fused Path Planning）技术。
郭恩庆解释，「因为地图丢失的时候，大部分是在车遮挡比较厉害或有高架桥的地方，因此我们用了车流信息，另外还利用了导航地图信息、围栏信息、路沿信息。人开车就是这样，在没有车道线的地方，你看到这个地方，你不一定要顺着线走，但你依然可以弯过去，因为你跟着车流就可以过去。」
除了常规的自动换道和自动进出匝道，NOM 还针对各家普遍遇到的问题进行了完善。
比如，地图定位不准问题。当地图定位横向偏差超过 30 厘米时，如果按照地图行驶，会发现车辆不是在车道里走。
针对这一问题，MAXIEYE 的做法是，对比地图和车道线检测的趋势，如果趋势相同，那大概车道线是没有错的。
以实际道路检测的车道线作为车辆控制的依据，最终提升了用户对领航辅助系统的使用体验。
在应对中国特色的加塞 cut in 路况上，NOM 也进行了大量测试和优化，郭恩庆称，「比如在高速上的 cut in，如果不出现恶意别车的 cut in，我们基本都可以处理。」
03、量产在即，领航辅助风起
系统有了，功能实现也不错。问题是，这套系统会对主机厂产生吸引力吗？
截至目前，蔚小理在领航辅助上采用全栈自研路线，其他主机厂也已经开始内部组建自动驾驶的团队，大有全栈自研路线一统天下的意思。
这种背景下，MAXIEYE 这样的第三方发布的 NOM 的方案，如何对主机厂产生吸引力？
郭恩庆认为，首先，不是每家主机厂都坚持全栈自研，会采取部分自研，部分找合作伙伴做共同推进。
此外，随着产业链的成熟健全，更多玩家会选择采用第三方的方案。「主机厂可能作为一个协调系统，从整车和数据安全等方面与供应商合作推进。」郭恩庆说。
据了解，5R1V 方案在今年 8 月就可以面向乘用车客户规模化量产，5R5V 方案在今年年底实现量产，5R11V 方案预计在 2023 年 6 月量产。
这样的节奏，基本上与头部车企对于高级别自动驾驶的量产上车节奏一致。
整体上，MAXIEYE 从之前的商用车向乘用车，从低阶向高阶智能驾驶转变的过程，再次验证了自动驾驶渐进式的生命力。
周圣砚说，「实现自动驾驶是数据累计的过程，现在没有任何一个车厂会标配高阶自动驾驶系统，第一，这个系统没有足够的数据不敢上；第二，搭载高阶自动驾驶系统的车辆并不能符合所有用户的需求，最终出路就是从 L2 到 L3，慢慢把数据积累上来。」
在这个过程中，L2 可以解决大部分的纵向行驶的场景，并且可以对车辆跟随、cut in 中遇到的 corner case 的数据进行反馈。
虽然这些数据在更高阶方案中不一定能用得了，但能知道这些 corner case、知道需要什么传感器，就可以逐渐地优化系统配置与算法来进行应对。
言下之意，数据规模与丰富程度，是渐进式玩家有机会胜过跨越式玩家的关键。
可以预见的是，各家主机厂、供应商将争相涌入领航辅助赛道。据汽车之心了解，今年还会有部分造车新势力发布领航辅助系统。
MAXIEYE 携 NOM 早早进入战局之后，后面的竞争将会更加激烈。而作为普通车主用户，也将在会接下来的几年里，因为不同领航辅助驾驶系统的繁荣，获得更好的驾乘体验。
$Global X Autonomous & Electric V(DRIV.US) $Intelligent Vehicle(399432.SZ)
The copyright of this article belongs to the original author/organization.
The views expressed herein are solely those of the author and do not reflect the stance of the platform. The content is intended for investment reference purposes only and shall not be considered as investment advice. Please contact us if you have any questions or suggestions regarding the content services provided by the platform.
