易航智能CEO陈禹行：为什嚒是以场景为中心的“渐进”路线上是先看到自动运转量产的光的量子比特，
2022年4月，特斯拉公司首席执行官（ceo）埃隆·马斯克宣布，预定到2024年量产没有方向盘和踏板的新型“机器人出租车”。
这表明，以特斯拉为代表的自动运行的“渐进”发展路径，在自动运行的大量量产之前就已经显现出来了。
自动驾驶的“渐进”方法为什么被很多机构接受呢。“渐进”技术的发展路径是什么？自动驾驶量产的困难是什么。它离我们的生活有多远
易航智能CEO陈禹行，关于自动驾驶的「渐进的」路径的发展和实现，用实况录音送信「量子比特视点」谈了自己的经验和视点。
自动驾驶的世界，是现在在各种各样的方面关注度高（贵）的业界。今天的主题是面向自动驾驶量产的“渐进”路线
2022年4月特斯拉发表了预定在2024年之前废止方向盘和踏板的消息，虽然有点过激，但可以看到渐进的路线先行迎来自动驾驶的大量量产的征兆。
循序渐进的发展路径，也是国内第一个批量生产的自动驾驶启动。
今天我想向大家介绍几个问题：第一，以场景为中心的渐进式方法有什么是正确的？第二，不是自动驾驶的水平，而是渐进式路径的技术路线图怎么样？第三，为什么自动驾驶的酷演示不会批量生产呢？第四批量生产自动驾驶需要哪些关键技术。
自动运行的“渐进”路径是如何产生价值的呢？首先，我们来看看渐进路径的核心价值是什么。
渐进式的话，容易想象从安全性L0到L5的自动运行水平，但是以自动运行的水平为轴定义自动运行技术时，会遇到以下问题。虽然安全性很严格，但场景有限，在L3、L4级的情况下，高速公路只能在一部分路段开启功能，时速60公里以下，可以看到护栏的最内侧，还要走最内侧的车道。
这种所谓的高水平的自动驾驶，由于用户的知觉弱，运转也不花时间，结果其价值有限。
因此这几年，以场景为中心进行自动驾驶的企业增加了，通过打开场景创造了更多的价值。以上班为例，开车可能要两个小时。可能有一个复杂到5分钟就能通过的市场。但是，垃圾掉了很多，人很多，用三轮车搬运行李，市场非常复杂。
在这种情况下，首先解决95%的时间，在不通过菜市场的情况下实现自动驾驶。把通过市场的剩下5%的时间作为角落情况，人类监视那个，反复高度化，解决非常复杂的场面的自动驾驶。这样的建议虽然在层次上不是L4，但可以在更广阔的时空中真实地为最终用户创造价值。
他认为，创新技术推广的核心是创造价值，自动驾驶也需要打开更多场景才能创造更多价值。
除了自动驾驶的水平之外，“渐进”的技术有明确的道路吗。到目前为止，你可能会问，自动驾驶的渐进路线，这种渐进路线是否明确，而不是分层的。
在非常少、非常复杂的情况下，单靠拐角情况是无法应对的，但今后我们应该致力于的是该拐角情况的其余部分，这也是自动运行后的稳定、长的阶段。
就像手机从塞班岛，然后从windows转移到安卓和苹果，硬件的形状和软件的形状被固定化了一样，手机只是性能提高了，但是手机这种形式被固定化了，可能和10年前的智能手机没有了本质上的区别。它只是相机像素高，芯片运算能力高
在这里，我想展开这三个阶段，看看渐进路线的剧本是如何一步一步地打开的。
ADAS是从传统的汽车电子到自动驾驶的过渡阶段，是汽车电子和自动驾驶技术交叉的产品。在以往的汽车架构中，分离型是主流，例如有一个智能相机，再加上几个毫米波雷达，可能各自都在进行算法性的处理，但是数据的整合和融合是很难的。
在ADAS的情况下，汽车电子以功能实现为中心，提供了比较简单的驾驶支援。这样制作的功能，容易让人觉得驾驶体验不自然。
例如，刹车功能的汽车电子，可能会重视刹车和刹车的效果和结果，但可能不太能考虑驾驶员的心情，但自动驾驶可能更重视驾驶员的心情。此外，还采用了专门用于自动驾驶的体系结构，自动驾驶域将从画面、从雷达等所有传感器的数据进行综合处理，最终进行决策规划控制的开发。
另外，关于自动驾驶，我们也通过导入我们称为飞行员模型的模型，尽量模拟人类的驾驶。这样实现的功能是人类设想的那样的概念，所以人类在乘坐自己设想的那样的自动驾驶车时，会感到非常舒适和安全，可以优化自动驾驶体验。
过了ADAS阶段，这次是NOA行泊一体的阶段，NOA行泊一体的方案说是自动运行量产的新阶段。
到现在为止做ADAS的时候，因为司机是以人为中心，在片断的阶段驾驶的，所以让这个系统介入，不过，到了人和机器共同驾驶的时代，确实「人」和「机」说不定变得一起驾驶。
另外，技术上认为数据是自动运行的核心，NOA的方案是人和机器共同运行，可以快速积累高价值的自动运行数据。
NOA具备了批量生产数据的重发和OTA的升级能力，使该车更加智能，可以根据更多复杂的方案发送更多的数据，重复该数据解决各种复杂的方案案例
最终，NOA已经到了一个新的阶段，但为了让更多的最终用户使用，我们需要降低成本，使其成为一款能够覆盖更广泛价位的车型。
例如，“易航智能”的计划覆盖到15万台。这也是我国汽车市场上最大的价位。我们认为这样可以实现大规模的批量生产。还有一段是FSD。
FSD在功能上、原理上已经接近人类的运行高度，特别是在感知端，采用了BEV的方法，可以让自动运行系统获得俯视的视点。简而言之，BEV NET通过神经网络从各摄像机提取特征后，在网络中将特征变换到BEV视角下，再对各摄像机的特征进行空间尺度的融合，得到BEV视角下的特征，同时在时间尺度上，融合前的一些帧特征最后分析得到BEV视角下的结果。
一般说来，我们是把车周围安装的摄像头看到的图像，换成了整个周围局部的小地图，而这个小地图不仅包括这个道路信息，还包括我们车周围的车和人这样的目标信息。
这实际上与人类开车的情况非常吻合。有时候我们用手机导航，就像我们的人开车的时候一样。比如说，我们从家里怎嚒去上班，在哪条街左转，在哪条街右转，在车附近，看到周围的车和人，周围这样的路沿着分离带、车道，并避开这些车上的人，在我们可以行驶的路上行驶。所以我们说，使用BEV的FSD方案会带来行业发展的拐点。
做Demo简单，量产难，用冰山理论阐述了在看自动驾驶量产之前，通过场景的拓展实现自动驾驶功能的不断完善。我认为自动驾驶的大规模应用不能只停留在Demo和小规模试验上。虽然必须面向量产，但量产是渐进路径解决的另一个难题。
我们现在很多人都说其实量产很难，所以我正好在这里介绍一下量产难的是哪里。据说自动驾驶量产非常符合冰山理论。因为一部分是可以展示的功能，一部分是不能展示的功能。
所以我们问这个Demo是什么？
Demo显示自动驾驶系统在最佳状态下的性能，例如特定路段、特定天气或特定驾驶员，并向熟悉自动驾驶车辆的人员展示该系统。但量产关注的是，系统在极端条件下表现最差。
比如说做量产车的话，这款车可能会在全国的4S店卖，但是天气怎么样，谁开车，我们都不知道，所以对系统提出了非常高的要求。这反映在我们自动驾驶系统的研发上。也就是说，我们开车游行的部分，实际上可能只是我们全部工作量的10%。第二步，我们必须完成更完善的功能开发，比如解决飞行员违规操作的问题。这些解决后，我们可能完成了20%到30%的工作量。剩下的大部分工作量实际上是一些产品级算法，包括工程Case解决方案，也可能有一些功能诊断。
我举个例子，在我们公司成立两三个月后，我们就可以在公路上沿着车道让汽车自动行驶，但我们将自动驾驶实现批量生产，最终花了2-3年左右的时间。
举个例子，很多人都知道，自动驾驶有一种拨杆并联线的功能，可以打转向灯，在旁边的车道上排队。这种简单的功能需要解决开关是开还是关的问题，因为开关是机械的，里面有频繁振动的东西。
另外，比如我们有些司机，左右不分。他可能想向左并行