5 月 24 日，MAXIEYE 面向行業正式發布全新單視覺 L2 解決方案牧童 MonoToGo。

主要亮點是支持 C-NCAP 主動安全五星 + 評分，E-NCAP 主動安全五星評分，數據閉環全場景復現，視頻輸出集成復用等，致力于以功能加成和成本下探雙輪驅動，刷新 L2 產品定義，助力智能駕駛系統規模化量產。

從這段官方的信息中，我們可以概括出幾個核心關鍵詞：單視覺，安全，數據閉環，功能加成，成本，規模化量產。

一句話概括就是：這套單視覺 L2 智駕解決方案成本低，又安全，功能多，還支持向高階輔助駕駛迭代，各大廠商都用得起。

正如 MAXIEYE 所說，這是一套讓客戶愿意用，用得起的單視覺 L2 解決方案。

那問題來了，市面上做自動駕駛技術供應商的公司不止一家，如 Mobileye、華為、毫末出行、知行科技 Momenta、Minieye、大疆等都是豪強，為什么偏偏 MAXIEYE 搞個單視覺的 L2 都這么出圈，難道其他家做不出來？

還有諸如成本、安全、功能多、規模化量產等都是各大車企和智駕供應商宣傳的主打詞匯，消費者早就聽膩了，結果也是一言難盡，不了了之。

下面聊聊為什么風評不好的單視覺加上 L2 就能讓 MAXIEYE 火出圈。

01

自動駕駛是個吞金獸

自動駕駛技術是新能源汽車的核心早已是業內共識，馬斯克也說了，以后特斯拉靠 FSD（完全自動駕駛）賺錢，車不賺錢都行。

但這條路走到今天卻是一波三折。

2022 年，全球自動駕駛行業剛經歷寒冬，裁員、倒閉、部門關裁撤，福特投資的自動駕駛公司 Argo AI 宣布失敗，Aurora 股價大跌，市值縮水超過 9 成，就連大名鼎鼎的行業頭部公司 Mobileye 估值也從 500 億美元縮水至 170 億美元。

資本市場開始對當初投資自動駕駛的熱情進行泄火，因為他們已經明白了，自動駕駛技術不可能一步到位，應該走漸進式路線。

比如一步到位的代表性企業 Waymo 估值已經從 1800 億美元縮水至 300 億美元，百度創始人李彥宏也改口要走漸進式路線都證明這一點，導致這種現象背后的核心原因有兩個：成本和技術。

先說成本

先介紹一下一個自動駕駛項目大概的研發流程，主要包括：

前期的數據采集、數據導入、處理標注分類等；

中期的自動駕駛算法開發訓練、仿真測試；

后期的算法布置、實況測試、算法迭代等工作。

有業內人士表示，像這樣一個自動駕駛項目整個研發周期大概需要五年，也就是五年時間內，企業必須不斷投入人物物力財力，而且期間沒有任何商業回報，更不知道最終研發出來的結果能否被市場接受。

這還只是初期理論預算，根據現在各大車企的研發經驗可知，在實際研發過程中還會遇到一系列成本失控問題，其中典型代表便是芯片及傳感器成本、數據流通成本、數據存儲成本和研發成本。

芯片及傳感器成本

企業為了車輛能更好的識別路況，給消費者提供良好的智駕體驗，會在自家車型上安裝各種傳感器搭配使用，如攝像頭、激光雷達、毫米波雷達，但是這樣做的后果就是體驗上來了，但成本也跟著大幅增加，其中激光雷達是大頭，加起來動輒就是數萬元的成本，最終價格便會傳導至車型售價上。

另一個便是 AI 芯片，它是算法訓練的硬件平臺，性能越先進的 AI 芯片，對算法訓練的效率越高，比如業內大火的英偉達 AI 芯片 A100，可以讓 AI 訓練速度提升 20 倍，現在單價已經被炒到 1 萬美元，對于中國廠商，本就高昂的價格無形之間又增加了不必要的成本。

數據流通成本

為了盡可能的收集高質量的數據訓練算法模型，自動駕駛企業會使用各種傳感器，比如攝像頭、激光雷達、毫米波雷達等，而且需要對這些不同類型的數據進行大量 AI 標注訓練，這就會產生大量的人力成本。

正如上文提到，自動駕駛開發流程包括數據采集、數據導入、預處理、訓練、仿真等多個階段，每個階段需要的數據類型都不同，處理方式也不同，為了避免混亂和提高效率，行業內的普遍做法就是每個階段的數據都是單獨存儲，但這樣做不僅沒能顯著提高效率，反而會造成大量資源內耗。

因為開發人員需要在不同階段，在不同的存儲器之間來回調用、回存數據，有可能還要跨部分寫作，就會導致大量時間被浪費，降低開發效率，不要小看每次微小的時間成本，長時間累加在一起效率慢的嚇人，小編以前做過開發工作，對此深有體會。

數據存儲成本

自動駕駛的核心是算法模型，想要迭代更強的算法模型，就需要海量的高質量數據，因此各大企業每天都會產生大量數據，尤其是自己開發自動駕駛技術的車企，每一輛車每天都會產出海量數據，不管有用沒用都要先存儲下來，只是一輛車的數據就是以 TB 為單位，數十百萬輛車加起來的數據會有多么龐大。

而且現在各大車企都在內卷自動駕駛，市場供需失衡，存儲器價格也是一路走高，可想而知背后的存儲成本有多么巨大。

根據 2016 年英特爾的估計，每臺無人車每天將產生 4000 GB 的數據，按照亞馬遜目前的收費標準，存儲一年的成本約為 35 萬美元（折合人民幣約為 244 萬元）。

技術研發成本

自動駕駛的研發鏈條很長，需要的技術也是多種多樣，比如各種傳感器算法、圖像解析、地圖處理、激光雷達點云、視頻編碼、車載系統、大數據處理、芯片技術等，需要跨學科、跨領域合作開發。

新能源汽車是計算機和半導體技術對傳統汽車的一次技術變革，因此很多技術已經超出傳統車企的業務范疇，這就需要車企重新構建新的研發體系，許多新技術需要招聘大量精英人才，都會造成巨大的成本暴漲。

總結起來就是，一開始行業都低估了開發自動駕駛技術的難度，導致成本失控，一步到位式的路線不可取，從商業角度看，漸進式路線才符合各大車企和供應商的利益，因此業內逐漸形成一個共識，先做好 L2 輔助駕駛，然后逐步迭代至更高級。

02

讓人又愛又恨的單視覺

雖然各大廠商決定把目標定在 L2，但自動駕駛基于不同的感知元件，技術路線也不同，大致可分為兩派，一是激光雷達，二是純視覺。

由于激光雷達可通過點云獲得對應位置豐富的三維信息，相比其他傳感器有明顯優勢，因此備受車企推崇，如中國各大車企基本都搭載了激光雷達，而且一輛車上還不止一顆，但劣勢就在于成本太高。

根據公開信息顯示，2022 年，國內激光雷達價格基本在 1000 美元左右。據開源證券分析稱，目前單顆激光雷達的成本最高仍有 1 萬元，從市面上的車型可以看出，搭載激光雷達的車型價格都居高不下。

因此，各大車企紛紛將關注點轉移到了另一個傳感器身上，攝像頭。

攝像頭的成本優勢非常明顯，目前一顆單目攝像頭的價格只有 150 元左右，雙目也就 200 元左右，只有激光雷達成本的五分之一。

但攝像頭的劣勢同樣非常明顯，比如市面上單目視覺方案，其對物體測距誤差很大，需要毫米波雷達或激光雷達數據融合才能消除誤差，而且只能獲取二維平面信息，且和人眼一樣，受到環境因素影響很大，導致很多時候會識別錯誤。

比如可能會把白色物體誤判為天空，把隧道前的欄桿誤認為卡車尾部等，或者干脆不識別。

所以搭載視覺智駕方案的車型體驗基本都不好，最典型的問題就是 AEB 誤觸率暴增，所謂 AEB 就是汽車緊急主動剎車系統，如果智駕系統判斷遇到緊急情況，汽車便會緊急剎車。

因此目前市面上的單視覺方案汽車會出現很多無緣無故的緊急剎車，也就是網上說的幽靈剎車，更嚴重的直接撞，大大降低駕駛體驗，還會大幅增加事故風險，安全性堪憂，讓主機廠又愛又恨。

綜上所述，激光雷達優勢多但成本高，視覺攝像頭成本低但體驗差，各大車企既想要單視覺攝像頭的成本，又想要良好的 L2 智駕體驗，就沒個廠家能實現嗎。

03

牧童 MonoToGo 單視覺 L2 新方案

上文提到，單視覺 L2 的問題在于 AEB 誤觸率，核心原因在于樣本庫中沒有足夠豐富的樣本作為比對，針對此情況，牧童建立了一整套數據回傳機制，據介紹，在 1R1V 和單 V 方案市場，MAXIEYE 是唯一一家具備數據回傳能力的公司。

也就是說，目前市面上其他的單 V 方案和 1R1V 方案供應商并不具備數據回傳能力，不能有效的迭代算法，識別目標。

為什么數據回傳機制這么重要？

這里要解釋一下單視覺方案的識別物體的過程，當遇到障礙物時，車輛會先通過樣本庫中的樣本與攝像頭看到的圖像進行比對，如果能夠識別，才會根據圖像大小計算與車輛的距離，接著進行后續判斷。

換言之，如果車輛不能先識別前方物體，那后面也計算不出來車輛與障礙物的距離，結果就是車輛直接撞上去，如果是識別錯了，就會出現幽靈剎車。

牧童的單視覺 L2 方案可以通過數據回傳機制把由于缺少毫米波雷達校驗所產生的 AEB 誤觸數據全部回傳回來，用于之后的數據訓練和算法迭代。

除了數據回傳機制，MAXIEYE 還設計了算法冗余，通過多種不同的算法對目標進行檢測，不同的算法的原理和檢測特征完全不同，可以相互校驗。

比如對一個行人進行監測，一套算法檢測整體輪廓，另一套算法檢測局部特征，如關節、面部等，相互驗證得出結論。

為了訓練這套系統，MAXI 還要求芯片必須支持 H.264 視頻編碼，因為需要更高質量的圖像和視頻錄制，為后續向高階輔助駕駛提供了迭代空間，這都是市面上同等方案不具備的能力。

04

高階輔助駕駛迭代

一套具備數據回傳機制的單視覺 L2 智駕方案會有怎樣的想象空間？

車企可以聯合智駕供應商一起針對某個具體場景設計觸發機制，提供基于觸發機制的數據回傳，還原事發場景。

比如安全氣囊，可以將安全氣囊起爆前后一段時間進行數據回傳，幫助車企優化氣囊起爆點設計。

由于高階輔助駕駛包括上下匝道、各種路口等，車企還可以針對各種路口、匝道設計觸發機制，將過路口、匝道前后一段時間的視頻進行數據回傳。

MAXIEYE 還在云端準備了一套 VSLAM 和地圖重構算法，可將單 V 視頻用 VSLAM 的方式創建整個道路拓撲，可以作為地圖真值用來迭代高階輔助駕駛，而市面上其他同類方案都不具備此能力，意味著它們的車都是在放養，只會一直差下去。

寫在最后

從目前行業發展看，單視覺 L2 方案是進入智能駕駛領域性價比最高的入場券，而牧童 MonoToGo 單視覺 L2 再次刷新同類方案產品力上限，不僅成本低，而且具備完善的數據回傳機制，擴大了 L2 功能邊界，還可以做場景出發，將數據回傳支持后續迭代，為以后高階駕駛打下基礎。

對于消費者，感受到的是功能更多、更安全、更適用，獲得 CNCAP 五星評分的單視覺 L2 智駕系統的良好體驗。