- 一是来自产品和落地挑战的作用力。
- 二则是不断吸收最前沿创新技术。
比如在城市场景的落地中，就存在着4类场景难题、6大技术挑战。
其中场景难题主要包括“城市道路养护频繁”、“大型车辆密集”、“变道空间狭窄”、“城市环境多样”等。
与之相对应会产生6大技术挑战：
- 如何在自动驾驶领域应用大模型？
- 如何让数据发挥更大的价值？
- 如何使用重感知技术解决现实空间理解问题？
- 如何使用人类世界的交互接口？
- 如何让仿真更真？
- 如何让自动驾驶系统运动起来更像人？
在4大场景6大挑战之下，毫末智行对MANA的感知智能和认知智能都进行了针对性升级调整。
首先，数据标注。通过使用大规模量产车无标注数据的自监督学习方法，可以实现模型效果的有效提升，相比只用少量标注样本训练，训练效果提升3倍以上，可以更高效完成训练，更好适应感知需求。
其次，增量式数据学习方法。针对新增数据，抽取部分训练数据构成混合数据集，而不是新旧数据区别对外的方法，更追求新数据的拟合和新模型对齐旧模型的输出，这样能让整体算力节省80%，响应速度提升6倍，也能避免量产车规模化产生数据后，无法兼顾规模和效率。
第三，重感知轻地图，告别高精度地图依赖。通过用时序的Transformer模型在BEV空间上做了虚拟实时建图，使得感知车道线的输出更加准确和稳定，让城市导航辅助驾驶不必依赖高精度地图——这实际也是更快更低门槛落地城市导航辅助驾驶的必备能力。
第四，车辆信号灯识别。通过车端感知系统升级，对车辆刹车灯、转向灯状态进行专门识别，让驾驶员在处理前车急刹、紧急切入等场景中更安全和舒适。
第五，仿真系统进化。针对城市最复杂场景——路口，在仿真系统中引入高价值的真实交通流场景，与阿里云、德清政府合作，将路口这一城市最复杂场景引入仿真引擎，构建自动驾驶场景库，通过自动驾驶的真实仿真验证，时效性更高、微观交通流更真实，效破解了城市路口通过“老大难”问题。
值得注意的事，这是中国首个基于车路协同云服务的大规模自动驾驶场景库，也是中国第一个使用交通数据生成的自动驾驶场景库，对外发布和应用，也标志着中国自动驾驶来到了新阶段。
最后，拟人化认知。
