AI大模型在自动驾驶领域应用前景广阔

 汽车智能化主要体现在自动驾驶和智能座舱两方面，AI 技术的发展持续提升汽车的智能化能力， BEV、认知、NLP 语言等 AI 大模型技术有望助推汽车智能化登上新高度。 2023 年上半年，已有多家厂商基于 BEV 大模型的自动辅助导航驾驶 NOA 系统量产;2023 年 6 月发布的新摩卡 DHT-PHEV 将搭载认知大模型;2023 年内，2 款搭载 NLP 语言大模型的新车型 将要上市。

随着人工智能技术的不断进步和成本的降低，自动驾驶技术有望不断成熟和普及。国标《汽车驾 驶自动化分级》(GB/T 40429-2021)于 2022 年 3 月正式实施。国标参考美国 SAE 标准基础， 0-5 级基本对应 SAE 标准 L0-L5;值得注意的是，国标将 0-2 级自动驾驶规定为如遇到事件影响 由驾驶员及系统协作完成，并非 SAE 标准中的全部让驾驶员来完成。

根据工信部、中国工业经济联合会、中国汽车工程学会等机构数据，2022 年 2 级(L2 级)辅助 驾驶渗透率达 34%，其中燃油车渗透率为 32%，新能源汽车渗透率为 46%。目前全球和中国汽 车市场 3+级(L3+级)高等级自动驾驶技术的渗透率仍处于极低水平。 在中国汽车工程学会牵头组织编制的《节能与新能源汽车技术路线图 2.0》中，明确提到到 2025 年，PA(部分自动驾驶)、CA(有条件自动驾驶)级智能网联汽车市场份额超过 50%，HA(高 度自动驾驶)级智能网联汽车实现限定区域和特定场景商业化应用。到 2030 年，PA、CA 级智能 网联汽车市场份额超过 70%，HA 级智能网联汽车市场份额达到 20%，并在高速公路广泛应用、 在部分城市道路规模化应用。相似的，中国工业经济联合会会长李毅中预测，2030 年 L3 自动驾 驶渗透率将达 70%。 此外，汽车的智能化也体现在座舱的持续升级，已从传统座舱的机械仪表盘、车载收音机等，发 展到具有生物识别、驾驶员健康的智能助理座舱，并将实现使用场景丰富的信息、娱乐等多功能 融合的第三生活空间。

AI 是自动驾驶系统感知和决策模块的关键。主流自动驾驶系统为模块化系统，可分为感知、决策 和执行三层，AI 是其中感知层和决策层的核心内容。

感知层中，传感器算法是关键，多传感器融合算法可分为数据级融合、特征级融合和决策级融合 三种，决策级融合是最广应用的技术方案。特斯拉的矢量地图建模和自动车道标注算法是其自动 驾驶算法的重要内容，为实现车道轨迹规划提供支持。 决策规划算法可进一步分为全局路径规划层、行为决策层和运动规划层。全局规划算法，包括基 于物理模型、基于意图分类、基于深度学习等主要类别;行为决策算法，包括基于规则、基于学 习、融合规则和学习等主要类别;运动规划算法，包括基于策略规则、基于最优控制、基于机器 学习等主要类别。行为预警式运动规划将决策规划过程升级为交互式过程，引入人机共驾、车路 协同以及车辆对外部动态环境的风险预估，有助于提高自动驾驶车辆行驶安全性。

端到端自动驾驶系统成为研究热门，对 AI 大模型需求更甚。端到端系统中感知决策一体化，较传 统模块化设计性能有望更佳，同时可更有效处理复杂路况和多交通要素交互情况。2023 年 5 月， 特斯拉 CEO 马斯克在推特表示，特斯拉计划在其全自动驾驶(FSD)Beta v12 版本中使用全新的端到端人工智能，通过单个神经网络编码，仅利用特斯拉汽车上的摄像头输入，来输出转向、 加速、制动等驾驶行为，模型可通过学习人类输入的驾驶行为来不断改进。 复杂性和安全性隐忧存在，端到端系统尚未落地。在端到端系统中，输入数据到输出控制仅通过 一个 AI 大模型实现。一方面，多模态、大量传感输入数据和严苛的输出精度和速度要求，对车载 硬件算力和车端、云端协同要求较高;另一方面黑箱模型很难进行系统化的解释分析，只能依靠 推测和实验调整，在出现问题时难以快速定位对症，在模型更新时也易出现倒退。因此，端到端 自动驾驶系统目前还未成为主流。

AI 大模型在 NLP、CV 方向发展迅速，在自动驾驶领域感知、决策等模块具有广阔应用前景。CV 大模型主要用于感知层算法，可用于数据自动标注、传感器算法和场景仿真;NLP 大模型主要可 应用于车机系统和智能座舱，实现更高智能的人车交互;而多模态大模型一方面可应用于多传感 器数据融合的感知算法，提高感知精度和安全性;另一方面，多模态大模型是端到端、决控集成、 感知决策一体化等新自动驾驶架构实现的主要解决方案。海量数据驱动的多模态 AI 大模型将成为 集成化自动驾驶设计实现的关键。

AI 大模型有望加速 L0-L2 级辅助驾驶向 L3+高等级自动驾驶的发展过程。高等级自动驾驶对精度 和复杂度要求更高，需要高精度的环境感知和场景重建。要突破极端路况/天气等长尾场景的应用， 实车数据和测试数据必须有更充分的积累。一方面，面对环境感知数据量和复杂度的增加，数据 标注和仿真方法必须进步;另一方面，为了减少感知过程中原始数据的信息损失从而提高感知精 度，数据驱动的多传感器数据融合 AI 大模型将更受重视。

高等级自动驾驶在认知决策需更智能化、人性化。传统决策规划方法将从传统的基于规则，向数 据驱动、基于学习的决策智能方向发展，Transformer+RL 架构已展示出面对更大数据集、更复杂、 更大型环境中的应用优势。长期来看，端到端自动驾驶系统落地有望。端到端系统需基于单一模 型实现输入数据处理到决策控制的全过程，Transformer 架构的 AI 大模型可满足需求。