近日，中國首個數據智能體系MANA的再次進化，毫末智行CEO顧維灝以當下大熱的城市導航輔助駕駛場景為背景，對外介紹了毫末數據智能體系MANA迎來的多項重磅功能升級。

　　對于城市導航輔助駕駛場景，顧維灝首先表示，這是當前自動駕駛功能的核心突破點，也是行業現階段的兵家必爭之地。然而從道路與交通狀況單一的高速場景進入交通參與者眾多、道路與交通狀況極其復雜的城市場景，自動駕駛系統面臨的技術難度可以說是倍數級增長。巨大的挑戰也拖住了眾多自動駕駛廠商“進城”的步伐，只能持續鏖戰技術突破點。

　　在顧維灝看來，當前國內城市道路主要存在4類場景難題，分別為城市道路養護頻繁、大型車輛密集、變道空間狹窄、城市環境多樣。而如果要解決這4類難題，在技術層面又面臨6大挑戰：如何在自動駕駛領域應用大模型、如何讓數據發揮更大的價值、如何使用重感知技術解決現實空間理解問題、如何使用人類世界的交互接口、如何讓仿真更真、如何讓自動駕駛系統運動起來更像人。

　　顧維灝表示，針對這6大挑戰，毫末智行為數據智能體系MANA帶來了6項里程碑式的升級迭代，用以分別擊破。首先面對“如何在自動駕駛領域應用大模型”挑戰，顧維灝表示，MANA通過使用大規模量產車無標注數據的自監督學習方法打造模型效果，相比只用少量標注樣本訓練，訓練效果提升3倍以上，這讓毫末數據優勢得以高效轉化為模型效果，以更好適應自動駕駛各種感知任務需求。

　　面對“如何讓數據發揮更大的價值”挑戰，顧維灝表示，面對巨大數據規模下的“數據效率”難題，MANA構建了增量式學習訓練平臺，抽取部分存量數據加上新數據組合成一個混合數據集。訓練時要求新模型和舊模型的輸出保持盡量一致，對新數據的擬合盡量好。相比常規做法，整體算力節省80%，響應速度提升6倍。

　　面對“如何使用重感知技術解決現實空間理解問題”挑戰，顧維灝表示，通過使用時序的transformer模型在BEV空間上做了虛擬實時建圖，使得感知車道線的輸出更加準確和穩定，讓城市導航自動駕駛告別高精地圖依賴。

　　面對“如何使用人類世界的交互接口”挑戰，顧維灝表示，MANA通過升級車上感知系統，對剎車燈、轉向燈狀態進行專門識別，讓駕駛員在處理前車急剎、緊急切入等場景中更安全和舒適。

　　面對“如何讓仿真更真”挑戰，顧維灝表示，通過與浙江德清、阿里云合作，將路口這一城市最復雜場景引入仿真引擎，MANA構建了自動駕駛場景庫，通過自動駕駛的真實仿真驗證，時效性更高、微觀交通流更真實，有效破解了城市路口通過“老大難”問題。

　　面對“如何讓自動駕駛系統運動起來更像人”挑戰，顧維灝表示，通過對覆蓋全國的海量人類駕駛進行深度理解，學習常識和動作擬人化，使得毫末輔助駕駛決策更像人類實際駕駛行為，可結合實際情況選擇最優路線保證安全，體感更像老司機。

　　通過對數據智能體系MANA進行里程碑式升級，毫末自動駕駛技術在泛化性、魯棒性再次提升的同時，也對算力提出了更高的要求。而對此，顧維灝則在現場正式官宣了屬于中國自動駕駛公司的首個超算中心。“如何提升訓練效率降低訓練成本，實現低碳計算，是自動駕駛走進千家萬戶的一個關鍵門檻”，顧維灝表示，毫末超算中心的目標是滿足千億參數大模型，訓練數據規模100萬clips，整體訓練成本降低200倍。

　　基于“數據驅動自動駕駛迭代”這一底層邏輯，數據智能體系MANA已成為毫末智行所有產品進化的核心動力，而在其推動下，毫末城市NOH在競爭日益激烈的城市輔助導航駕駛領域，也表現得越來越具有領先性與競爭力。在未來，毫末智行也將繼續以零事故、零擁堵、自由出行和高效物流為目標，助力合作伙伴重塑和全面升級整個社會的出行及物流方式。