通勤模式背后实现路径猜想

辅助驾驶大战越来越白热化，从使用高精地图解决高速通行的问题，到今年下半年开始逐步使用无图解决城市通行的问题。但所谓无图，也不是真的只使用无图，而是在普通地图的基础上使用上额外采集很多数据，而且受限于各地信息灯、标线、以及一些细节规则的不同，所以不管是数据采集算法还是需要针对每个城市针对性进行，没法一下子普通性的覆盖。这就导致了除了少数能够覆盖的城市，在绝大多数城市以及更加广阔的非城市地区，无法享受辅助驾驶技术进步带来的好处。虽然来自不同车企的统计口径一不致，但日常上下班通勤基本上是车主用车最高频的场景，大约占了70%-80%的总里程。所以车企们发现，我无法解决普世的问题，我只解决一个场景的问题总是可以的，于是针对通勤路线的通勤模式就应运而生了。车主自己开车训练，让车来学习，自己构建一个通行地图，以及在这个地图之上的通行规则。这样后续在这条路线下，车就可以根据事选构建好的信息自主行驶。而这样的技术中线，不分城市、不分区域，众生平等，可以让任何一个买了具备类似能力的车的人快速用上，也是辅助驾驶在日常渗透最关键的方案。

通勤模式的这个想法无疑是突破性的。我个人最早听到类似的思路，应该还是极狐刚上市时王军和苏菁接受采访时提出的，但无奈怎么都找不到相关的视频了，而且目前也没看到华为有在这方面有所推进，这个就暂时不作数了。另外知道这个，应该是去年Kiwi上市时，看到Kiwi竟然有停车场记忆泊车，一看是采用的大疆的方案，而大疆的官网上还有更高级的方案，以非常低的硬件成本支持记忆行车，这套方案最早装车应该是下个月上市的云朵。而通勤模式这个名字的提出是小鹏，在4.2更新后就有消息透漏出，后续官方也证实这个路径，正常应该会在4.4.随后理想在科技日在宣布了通勤NOA。狭义的来讲，通勤模式只有小鹏这么叫，其他车企虽然有类似的技术储备，但名字不一样。广义来说，大家都有都加入这个战团，对未来的技术发展以及用户肯定是好事。

通勤模式可能脱胎于停车场记忆泊车，目前上了大疆和小鹏都有支持停车场记忆泊车的量产车在外面跑。华为有支持停车场记忆泊车，但没有宣布通勤模式。理想不支持停车站记忆泊车，却宣布了。不得不说各家对技术路径的选择上还是有一定差异的。在具体的实现上，我觉得通勤模式和停车场记忆泊车还是会有很大的区别，停车场记忆泊车没有GPS纯惯导、停速、路况简单，但通勤模式是在开放道路上的，各种各样的路况都可能遇到，实际实现时要复杂的多。背后的路线选择可能各家车企也不一样，我这里就先随便猜一下可能的方案：

要实现通勤模式，最基础的是要实现路线的记忆。停车场记忆泊车大家采用的是类似高精地图的方案，把每个车位以及减速带的精确信息都记录下来。公开道路上，要实现类似的能力理论上可能的，随着大家感知算法的提升，可以通过多次跑线来实现地图构建。但这种方式可能建图效率比较低，一方面对车感知能力要求比较高，另一方面通勤时一般处高峰期，因为其他交通参与者的遮挡，导致感知受限比较多。另一种思路，我不用全程构建高精地图，只需要在关键点上打标记即可，在直行道路上完全可以增强LCC的能力来实现，在路口的时候只要记忆路口的拓扑关系（甚至只要有转弯的转角或超长路口可能和距离都可以），这种方案可能对采图的要求就小很多，可以快速支持通勤路线的构建。但缺点是把很多能力都交给了实时的感知和匹配，对技术的要求比较高。目前各家都没有公布自己的实现方案，不知道是采用哪种方式来实现的。

当然路线的构建还存在很多其他问题，比如在越长的路线中，惯导漂移很严重。但依赖高精定位，又需要解决隧道、立交、高楼遮挡的问题。怎么通过各种定位单元把地图构建好，其实是非常复杂的事情（这可能是某家演示的时候要在空旷的野外进行的原因）。此外，一般上班路线都可能存在多条，一个人可能会根据不同的交通情况选择不同的路线。另外也有一些人，先送娃上学，再送老婆去上班，再自己去上班，有没有家人一起，路线的选择也是不同的，而途径点的增加，让路线的规划变得更加复杂。除了这些，可能还会经过高速收费站，如果想要不接管，有没有装ETC，应该走哪条车道也非常重要（虽然我猜前期各家的版本在收费站前依然都要接管）。

除了路线的构建，另一个大的问题就是交通信号的识别，这里主要是红绿灯。当然如果某家的红绿灯识别已经非常牛了，可以解决所有的地区所有的红绿灯，甚至待转区，交通信息号的识别应该就不存在了。但假设遇到原有模型无法识别的红绿灯和待转区信息灯，能不能通过one-shot或few-shot来快速构建这种学习能力就非常重要了，也是最考验各家技术功底的。而且不管是one-shot和few-shot都涉及到本身采样、本地训练、本地部署都一系列问题，和之前只是在本地跑部署好的模型有本质区别，对工程化的要求也提升了几个level。当然，实现也可以采用取巧的方案，把本地采集到信息放到云端训练，甚至对信息灯的信息进行汇总整体只训练通用模型来绕过这些问题，但这样对小地方样本不足的时候，多久能学习到就是个问题。甚至通用模型过拟合，能不能从少量的样本学习到都是个问题。

更进一步，刚开讲的只是开放道路的通勤，真正要实现点到点的通勤，还要和停车场记忆泊入和记忆泊车打通。泊入目前都已经量产，相信不会成为大的问题。但泊出，因为一般停车点在地下只能依赖惯导，尤其是很多人没有固定车位，要解决记忆路线，和实际偏移的匹配问题，以及路线重新规划问题（比如一些只能单行），要复杂很多。相信在2023年，真正的点到点还很难看到。这些都是附加题，估计要到2024年才能解决。

以上只是根据自己的理解随便发散，具体还是要等各家推送后实际体验。我相信不同的实现路径带来的建图效率、通行效率、端到端能力都有所差异，而且可能差异非常大。