打破Waymo模式，文远知行WeRide One开创中国自动驾驶新样板

近日，文远知行发布新一代自动驾驶通用技术平台 WeRide One。该平台有3点主要特征：

1、以文远知行自研的自动驾驶全栈式软件算法为核心；

2、涵盖自动驾驶模块化硬件解决方案以及自动驾驶云架构平台；

3、打通“研发—部署—应用”的自动驾驶产品生命周期，为不同车型实现城市场景内的自动驾驶赋能。

文远知行WeRide One自动驾驶通用技术平台架构

大白话说就是，通过一套包含软硬件的中央大脑去覆盖同一ODD区域的不同场景，而且是足够大的ODD，比如城市级别。

在中国自动驾驶发展史上，这是一件值得被记录的事情，因为它探索出了属于中国国情的自动驾驶方案。

众所周知，中国自动驾驶兴于Waymo之后，2016年后相关企业如雨后春笋般涌现。彼时不管技术路线还是商业场景设计，都是简单粗暴的复制粘贴，但是美国不管人口规模，地域面积，包括道路交通结构都与国内有巨大差异。在美国，自动驾驶的应用场景相对单一，没有太多元复杂的场景落地需求。

国内则恰恰相反，调查数据显示，2022年中国无人驾驶市场规模超过140亿元；而至2030年，自动驾驶相关的新车销售及应用服务创收将超过4.3万亿元。巨大的市场潜力让国内自动驾驶的落地场景也变得五花八门。

中国市场道路状况复杂，商业需求多元，导致自动驾驶的商业化落地也明显高于欧美。如何打造安全、稳定、可靠的自动驾驶系统，复用到不同车型上，实现商业化运营和销售，成了所有自动驾驶领域公司的共同课题。

国内的自动驾驶企业都在模仿前辈，但是走到一个瓶颈期发现遇到前辈还没有遇到的问题。这就需要国内企业探索出适合本国国情的出路。

文远知行给出的答案是WeRide One技术平台。官方介绍，该技术平台的优势包括但不限于以下几点：

1、降低企业研发成本；

2、同一ODD区域的商业化场景快速落地。

依托该技术平台，文远知行已运用于文远知行智慧出行、智慧公交、智慧货运等场景下，涵盖自动驾驶出租车、自动驾驶小巴、自动驾驶货运车、自动驾驶环卫车等产品的研发、应用与交付之中。

文远知行4大自动驾驶创新产品

3、自动驾驶系统的自我成长迭代。

WeRide One 平台背后的技术支撑

官方介绍，WeRide One 平台能够取得如上如上优势，核心包括但不限于以下几点技术支撑：

首先，WeRide One是通用性的技术平台。

在硬件设备上。文远知行通过定制基础模块，设计出造型各异的传感器套件。根据不同车型配置不同传感器，只需要增减传感器的数量，就能够满足相应的功能；

在软件算法上，以上不同车型都可以共用同一套算法。如此，即使传感器配置各不相同，却共享着90%以上的部件；

比如，WeRide One 针对感知、预测、规划控制、地图定位等几个自动驾驶核心模块，均进行了通用化升级。将L4级自动驾驶技术的核心功能进行通用化提炼，如采用多传感器融合+多通道冗余的感知模块，引入高阶博弈机制的规划控制模块，误差2厘米以内的高精定位模块等；并且兼顾不同车型及需求的差异性，在多样化产品自动驾驶赋能中实现一致性。

类似于不同的水龙头共用一个总水阀，通过增加水龙头，就可以实现不同地方用水。

并且，WeRide One还提供了复用性更强的各类自动驾驶工具平台，除了仿真、远程控制、分析、云端开发等工具平台外，还包含自动驾驶专用操作系统，以及模块化的硬件方案，实现市面主流车型的90%复用率，有效降低自动驾驶硬件适配门槛。

平台的通用直接对应上文的降成本优势。不过文远知行坦言，降成本需要规模效应支撑，简单点说就是商业化落地场景足够多。这也是文远知行布局多场景商业化落地的由来。

此外，通用平台让所有自动驾驶应用场景所反馈的数据都能汇总在一起，共同训练文远知行的算法，并且为底层基础设施所用。这又让它拥有更快的迭代速度。

其次，在安全性方面，文远知行介绍，WeRide One具备全冗余的系统。

官方介绍，WeRide One的软硬件和操作层面都采用了全冗余安全设计。

硬件安全冗余包括传感器、计算单元、通信网络、电源单元以及线控系统。

软件层面，除了冗余计算单元上运行的冗余软件系统，在算法层面也能实现冗余，这极大提高了WeRide One的鲁棒性。

文远知行采用因果预测模型和规划模型，保证车辆在与其他道路使用者互动时具备处理最坏情况的能力。并且，远程平台为自动驾驶车辆提供额外的协助。

再有，WeRide One还具备自我完善的算法。

WeRide One采用自研的深度学习模型。与基于规则的算法不同，这套模型能够根据车队收集的数据持续进行自我完善。

文远知行构建了一个云端大数据平台，能够同时进行巨量的数据采集、数据上传、数据标注、分布式模型训练、模型验证和模型部署。

已经积累了超过1200万公里的自动驾驶里程（其中超过280万公里为无人驾驶里程），80亿公里的仿真模拟测试里程，以及3.1亿个3D点云数据，经过训练后的模型随后会自动验证并部署到整个车队上。

最后，有一个问题值得思考：如果L4级头部自动驾驶公司以这样的方式快速商业化落地，对其他专注于某一领域的腰部及以下自动驾驶公司属不属于降维打击？