城市领航辅助驾驶，已经是“现货”了。
北京顺义闹市区，11公里自动驾驶全程无接管：
根据导航路线，下个路口即将右转时，NOH会互动提前主动变道：
还会主动避让加塞的车辆：
待转区也能准确识别并正确驶入驶出：
这说明NOH对环境识别精准度很高。
另一个是车辆减速通过没有红绿灯的路口：
而这就是数据驱动。
特斯拉身先士卒，证明了巨量数据、超大算力、快速迭代的闭环能力对自动驾驶的重要性。
“数据驱动”这个概念，其实像黑暗森林法则，初闻之时感觉字字在理，却平平无奇，难以领会深意。
数据闭环的模型其实在各个自动驾驶公司都大同小异，核心无非就是“数据收集-训练-部署-再收集”的循环。
但实操起来却不是那么简单。
巨量数据涌进系统后，怎么处理分类打标加快训练速度测试是不是要在各种气候路况下重新跑一遍p>
这些问题，成立刚满两年的毫末智行，悟了。
能让数据驱动真正形成闭环的条件不复杂，毫末把它们变成思想钢印，刻在自动驾驶研发之中。
BASE包括了数据的获取，传输，存储，计算，以及新的数据分析和数据服务。
TARS是核心算法原型，用于感知、认知、车端建图、和验证的实践。
LUCAS则是对算法在应用场景上的实践，包括高性能计算、诊断、验证、转化等核心能力。
VENUS是数据可视化化系统，包括软件和算法的执行情况，对场景的还原，以及数据洞察等能力。
MANA不是一个软件，而是一个技术体系，其中包含众多子模块，它们一同构成了毫末智行的数据驱动能力，也是解释毫末业务飞速进展的关键。
MANA真的有魔力h2>
从数据本身的视角，可能更好理解。
首先，数据要被感知到。毫末智行自动驾驶方案目前核心的感知设备，是摄像头和激光雷达。
采集到的数据，首先通过一个ResNet 络计算基础数据，然后生成两个分支，一个是计算目标特征的FPN 络，可以分别计算车道线、路基、车辆、信 灯等等目标信息。
首先是表达特定场景下驾驶行为，可以从宏观上归纳出几个影响因素：天气、道路结构、交通参与者、交通流密度、彼此方位、主车路线、碰撞风险和碰撞时距。
然后从已有的数据中挖掘和表达这些属性，然后在进行聚类和分类，以找到更加舒适和高效的解决方案。
接着通过端到端模拟学习，以之前例子作为指导，得到具体的本车动作。
模拟学习，需要更大的数据样本，特别是标注好的数据，然后从数据中学习得到规律。
所以，问题关键就聚焦到到快速标注上。
毫末智行将每一次路侧都还原为仿真中的“元宇宙”，同一场景下不同光照、不同天气，不同曝光条件都可在系统中调整，由此来模拟算法在不同工况下的表现。
至此，一组数据就完成了他们从被采集处理、成为训练素材、变成系统能力提升的全部使命。
MANA对于毫末智行的重要性，看到这里各位应该已经有了概念。
如果把数据比作燃料，那MANA就是能使燃料爆发出能量、推动整个系统运转的引擎。
而且，这部“引擎”不仅快，还经济实惠。
MANA要把毫末智行带向何方p>
当然是速度更快的自动驾驶能力提升，和规模更大的量产落地。
怎么评价h2>
了解了MANA系统的来龙去脉，个中内涵…
也就能理解MANA之于毫末智行的承前启后意义，解释了毫末速度的真实原因，而且还是这家自动驾驶新晋独角兽今后战略规划的前提。
比如AI DAY上，毫末分享了对未来数据发展的判断。
未来几年，在智能汽车的推动下，人类存储的数据将发生结构性的改变。
影像数据会越来越多，而由于数据类型的转变，对计算的要求也将发生改变。
深度学习的计算能力会更日益重要，对算力要求也会快速增长。
所以，除了推出单板算力360T的自研算力平台，毫末也宣布筹建自己的超算中心
事实也正是如此。
毫末智行AI DAY上，董事长张凯说，成立两年来，积累实际路测里程已达400万公里，产品已经搭载在长城坦克、WEY、哈弗等五款车型上。
3年内，毫末智能驾驶产品装机量会达到100万。
而将智能驾驶套件以前装形式搭载在量产车上，毫末获取数据的成本，几乎就只有数据传输的通信成本。
实现低成本高效率的数据获取后，毫末的智能化发展路径、展现出的未来潜力，也越来越像业内的另一个关键玩家——
特斯拉。
瞄准量产乘用车，快速增加装机量、积累里程，在数据迭代中不断进化。
毫末也一样，在MANA拼图完整对外披露后，另一个议题也被问及——
如此规模的数据和模型训练，怎么搞p>
顾维灏说，逢山开路遇水搭桥，最优解就是自建超算。
是的，如果你熟悉这个领域，或许还记得，特斯拉今年最核心的技术进展，来自自建超算。
它有先天优势，还有后天的努力，并以“雪湖”为名实践的自动驾驶落地法则…
而在毫末智行之前，业内也没有过这样的速度：
最快的规模化数据闭环、最快的自动驾驶创业公司营收增幅、最快的量产自动驾驶方案上车交付，以及最快实现燃油车的智能驾驶，打破新势力们引以为豪的垄断。
所以如果之前，毫末智行的进展被以「毫末模式」视之，那现在更加值得注意的是「毫末速度」。
「毫末速度」代表了其实践成果，更体现了在愈加清晰的自动驾驶落地法则中，中国玩家基于中国路况给出的行业尺度。
文章知识点与官方知识档案匹配，可进一步学习相关知识算法技能树首页概览34803 人正在系统学习中
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！