Hello大家好！
(資料圖)
對于每天需要長時間開車上下班的人來說，漫長的通勤路可以說是非常痛苦的，擁堵的路況不僅毫無駕駛樂趣可言，還得時刻準備和鄰車斗智斗勇。
但如果此時，你的車突然掌握了高階輔助駕駛駕駛的奧義，并能夠為你分擔一把壓力時，你是否會為此感到解脫呢？
當然，高階輔助駕駛目前還處在不斷打磨的階段，不過大疆、理想、小鵬卻不愿再做等待，并率先推出了“通勤模式”，旨在幫助打工人緩解通勤煩惱。
就和它的名字一樣，“通勤模式”的作用，就是讓車子在L2+的功能范疇內，幫助車主開車上下班，從而減緩大家在通勤路上的疲勞感。
而想要實現“通勤模式”，則需要車主像老師教學生一樣，先在固定的上下班路徑上開一段時間，讓車子逐漸熟悉周邊的場景、學習車主的駕駛習慣。
在熟悉與學習完成后，“通勤模式”就能在通勤路上實現諸如智能跟車、智能變道、紅綠燈轉向等操作，厲害一點的甚至還能在最后幫你停好車。
雖然還不能像自動駕駛一樣讓你真正脫手操作，但“通勤模式”足夠幫你省去不少頻繁加減速、保持車距、加塞變道的操作，并且訓練得越久，它的操作也會越成熟。
聽起來似乎很簡單，但“通勤模式”可遠不是某些人認為的“記憶行車”那么簡單，如果想要讓一套“通勤模式”真正好用，就必須要具備高感知及認知能力。
“看得見”的感知
“通勤模式”開啟后，車子首先要能“看得見”，這需要感知模型從攝像頭、激光雷達處獲取數據，并生成能夠描述真實場景的BEV網絡。
BEV是英語“鳥瞰圖”的縮寫。對于輔助駕駛和自動駕駛來說，BEV是一種主流的映射真實世界場景的視圖形式。在BEV網絡下，輔助駕駛和自動駕駛能夠獲得更直觀的周邊視角。
這一過程存在一個難點，就是如何把不同種類傳感器的特征進行融合，并保證精確。對此，特斯拉、蔚小理等車企普遍使用BEV+Transformer的方式，先通過視覺神經網絡的Backbone識別圖片特征，再借助Transformer將各個圖像的特征進行融合。
Backbone的直譯是“主干”，就像一棵大樹存在主干和枝干一樣，Backbone的作用就是作為數據特征識別的第一步，先確定數據特征的大致種類，再將其分配給對應種類的枝干做更進一步的特征識別，從而一步步細化數據特征，最后完成精準識別。
Transformer是近幾年在自動駕駛領域頗為流行的神經網絡模型，其能夠借助自注意力機制去挖掘不同數據中特征的相關性，從而對多模態數據進行準確融合、映射出更真實的世界。
“看得懂”的感知
這還只是能“看得見”而已，如果想讓“通勤模式”正常運行，就得讓它能“看得懂”周圍的場景，明白什么是紅綠燈，什么是車道線，從而判斷出可達空間，繼而規劃路徑。
對此，車端又會搭載一系列的感知模型，它們會負責理解感知數據中的語義信息，比如路牌上的限速、左右轉車道的指引線等等，幫助后續規控策略的輸出。
而在這一過程中，一些特殊的感知數據還會被上傳到云端，比如感知系統發現了一種當前車端模型無法準確識別的障礙物，或者駕駛者在正常規劃的行駛路徑中莫名干預了，這些數據會在到達云端后被人工或自動標注的形式，標注數據特征。
之后，這些具備特征的數據又會被加入數據集，訓練對應的感知模型，而新模型在通過驗證后，又會以OTA的方式回傳到車端，由此讓車子的感知能力越來越強。
“擬人化”的認知
如果規控策略太過機械生硬，那么給到駕駛者和乘客的乘坐感受就會非常糟糕。這種時候，就需要“通勤模式”能夠學習駕駛者的駕駛方式。
通過重復學習，車端的駕駛數據也會傳遞至云端，并在特征標注后交由認知模型進行訓練，最終再經過仿真驗證回傳至車端，得到駕駛風格更自然、更接近真人駕駛的效果。
可以看出，“通勤模式”的內核，實際就是將原本的城市域高階輔助駕駛的實現范圍，從全國所有城市道路縮小到了駕駛者的通勤道路。
然而，“通勤模式”并不能等于后者，除使用范圍受限之外，駕駛者還需要主動訓練“通勤模式”，也就是盡量多的沿著固定路線駕駛，直到“通勤模式”完全訓練成熟為止。
基礎原理大致如此，對于多數消費者，尤其是通勤距離長、時間久的消費者，“通勤模式”雖然存在一些缺點，但整體依舊是非常有使用價值的。
優點
不同于任何一套輔助駕駛產品，“通勤模式”是兼容高速、快速路和城市道路的，而目前的高階輔助駕駛普遍還被區分為高速域和城市域兩種。
在這之中，高速域產品已經投入使用了，而城市域產品由于國內城市道路里程大、場景復雜、變量多等問題還處在“期貨”階段。也就是說，當前只有“通勤模式”能帶給你覆蓋全場景的高階輔助駕駛的體驗。
另外，針對自己最需要的場景進行強化訓練，也能讓訓練出的“通勤模式”更貼合自己的需求，而換做其他高速域與城市域輔助駕駛系統，則全看泛化性做得如何了。
不足
首先，如果你的通勤場景恰好非常極端、非常復雜，那可能真的需要非常長的訓練時間，并且最終的使用效果也不能完全保證。
并且，“通勤模式”依舊處于L2+范圍內，即使它能夠通過訓練達到無限接近于脫手駕駛的能力，駕駛者依舊需要時刻關心前方路況，而且哪怕“通勤模式”本身恪守交通法規，在實際駕駛過程中，也經常會發生鄰車不遵守交規的情況，我們就得時刻做好接手準備。
“通勤模式”之所以被越來越多的車企加碼，本質上是為了越過當前城市域高階輔助駕駛落地難、落地慢的困境，讓消費者更快體驗到新技術的同時，“以點帶面”加速整個高階輔助駕駛技術的迭代。
而城市域高階輔助駕駛技術之所以落地難、落地滿，主要問題則是出在了地圖和數據這兩大“攔路虎”上。
地圖
先說地圖。高階輔助駕駛要運行，就必須需要一份導航地圖來提供一定的先驗信息。而在前兩年，大家普遍都將目標放到了高精地圖身上。
高精地圖具備的信息量是巨大的，它能夠配合高精定位，提供厘米級的定位、精確的駕駛輔助信息和語義信息，相當于直接給高階輔助駕駛打開了“上帝視角”。
但是，高精地圖的繪制和鮮度保持成本是極高的，并且考慮到政策管控因素，又會讓很多城市無法實現覆蓋，讓依賴高精地圖的城市域輔助駕駛產品無法落地。
數據
而如果不依賴高精地圖、選擇提升自身的感知能力，則又要面對技術層面最大的困難，數據。
如今的車企已經默認了“數據驅動”路線，即在大算力加持下，借助海量數據訓練大模型，提升高階輔助駕駛、乃至自動駕駛技術的成熟度。
而在數據量及數據標注、驗證、仿真效率達到一定高度后，人工就能從中脫手，讓AI達成數據閉環，也就是自己訓練自己，讓訓練效率更上一層樓。
但對于目前所有的國內車企來說，這個難度還是非常大的，因為大家的量產車隊規模有限，導致獲取的數據總量受限。
另外，如何從海量數據中快速篩選高價值數據，又非常考驗標注能力，而這又要說到更多層面的問題，這里篇幅有限，就不展開了。
以點帶面
所以，與其為了等待完全體的城市域高階輔助駕駛技術落地而不斷跳票，還不如現實一點、把范圍縮小到消費者最常用的一小段場景里。
畢竟一段通勤路的數據量，對于車端硬件性能堆滿、云端超算中心坐鎮的車企來說，就像大炮轟蚊子一樣好拿捏，可以更輕松地實現過擬合；另外，這些經過“通勤模式”訓練的模型也擁有一定泛化性，可以反過來對其他類似場景提供借鑒與幫助。
雖然目前大疆、理想和小鵬給到的“通勤模式”各不相同，并且也都還未正式上線，但在城市域高級輔助駕駛技術尚需打磨、而消費者又真切希望能夠借助其降低駕駛疲勞感的情況下，“通勤模式”確實算得上是一個不錯的折中方案。
而在我看來，這一模式未來可能會被更多車企接納，成為大家接觸高階輔助駕駛的一種全新方式，在緩解通勤壓力的同時，車企也能從中獲益，或許隨著日后“通勤模式”的正式上線，打工人的好日子也會就此來臨呢？
