高效量产有诀窍，感知平台化很重要 | Nullmax进化学

在Nullmax看来，通过平台化将自动驾驶所需的绝大部分软件算法，尤其是核心的、复杂的算法模型，整合为一套支持不同车型的平台型软件，可以免去大量低价值的重复开发，大幅提高量产速度和质量。而感知作为最关键的上游环节，它的平台化是整个平台化工作的重中之重。

为此，Nullmax打造了涵盖L2+及L4感知任务的平台化感知架构，它可以支持大算力、小算力的不同计算平台，也能自动适配不同的传感器配置，为行泊一体等产品应用的高效落地提供核心的技术支撑。

比如在商业层面，感知平台化可以将量产的边际成本压缩到极致，从而在不大幅增加人员和投入的情况下，完成大量新车型上的应用。这可以帮助自动驾驶形成真正成熟可闭环的商业模式，尤其是量产需要关注单位车型、单位功能的研发成本，平台化能最大程度地帮助车厂分摊各项成本。

另外，算法服务于具体的功能，因此感知平台化需要考虑不同算法以实现各种功能需求。比如一些基础功能只需要2D的车道线检测、障碍物检测，但是一些高阶功能需要3D的检测算法，还有稠密深度图等等。并且有的厂商还会开发一些特色功能，比如轨迹参考线、360°障碍物检测等等，那么可能会用到BEV感知、BEV规划等算法。

显而易见，感知平台化是一项难度极大的系统性工程，但在突破了这些难点之后，自动驾驶量产也能取得巨大的效率优势，在商业和技术上走得更远。

Nullmax感知模型架构的一大特点是存在很多功能重复的任务分支，这可以帮助网络取得更好的训练效果，从而实现更好的算法性能。因为在多任务共同训练的时候，不仅每个任务分支能帮助主干网络学习新的知识，分支之间也能起到相互促进的作用，胜过单独训练的方式。

比如，基于CNN的2D目标检测、3D目标检测和基于Transformer的BEV目标检测，基于CNN的2D车道线检测、3D车道线检测和基于Transformer的BEV车道线检测、BEV分割，这些任务之间高度相通，那么共同训练时可以在知识上互通有无，帮助彼此达到更好性能。

而且很关键的是，Nullmax的冗余分支设计可以确保每种任务有两到三个的输出信号，当中有的分支算力要求较高，有的要求较低，这样在实际部署时就可以灵活选择。

因此，基于这套感知平台架构，Nullmax既可以提供高算力方案，功能体验瞄准L4，又可以提供中低算力方案，满足主流L2+功能需求。典型例子就是Nullmax的MaxDrive行泊一体方案，既可以部署在大算力的Orin平台上，也可以基于8T算力的TDA4VM平台量产，各个算力区间都能有最优的功能选择。

在算力非常充沛的情况下，这个架构可以不做裁剪，完整部署。既以CNN网络完成感知输出，又以Transformer网络完成感知输出。不同网络的结果，融合之后作为最后的感知结果，确保整个系统的准确性、鲁棒性和冗余性。

如果算力较低，比如一些仅有前视相机的方案，那么可以只保留主干网络和部分任务分支，去掉其他任务，推理时仅运行前视部分，然后完成感知融合。而在极限情况下，比如2T的芯片上，那么可以仅保留2D车道线检测和2D目标检测，并对主干网络进行剪枝，也能组建一套极简的感知方案。

另外，Nullmax也同步构建了One Cycle形态的数据闭环，与One Model形态的模型架构搭配协同。这样在完成量产部署之后，Nullmax感知平台输出的不同方案可以通过同一套数据闭环高效汇流，回传知识给共用的主干网络和关联的任务分支，让整个感知基础模型变得更加强大。