被理想和小鹏吹爆的“通勤模式”，究竟是什么？

Hello大家好！

对于每天需要长时间开车上下班的人来说，漫长的通勤路可以说是非常痛苦的，拥堵的路况不仅毫无驾驶乐趣可言，还得时刻准备和邻车斗智斗勇。

但如果此时，你的车突然掌握了高阶辅助驾驶驾驶的奥义，并能够为你分担一把压力时，你是否会为此感到解脱呢？

当然，高阶辅助驾驶目前还处在不断打磨的阶段，不过大疆、理想、小鹏却不愿再做等待，并率先推出了“通勤模式”，旨在帮助打工人缓解通勤烦恼。

什么是“通勤模式”？

就和它的名字一样，“通勤模式”的作用，就是让车子在L2+的功能范畴内，帮助车主开车上下班，从而减缓大家在通勤路上的疲劳感。

而想要实现“通勤模式”，则需要车主像老师教学生一样，先在固定的上下班路径上开一段时间，让车子逐渐熟悉周边的场景、学习车主的驾驶习惯。

在熟悉与学习完成后，“通勤模式”就能在通勤路上实现诸如智能跟车、智能变道、红绿灯转向等操作，厉害一点的甚至还能在最后帮你停好车。

虽然还不能像自动驾驶一样让你真正脱手操作，但“通勤模式”足够帮你省去不少频繁加减速、保持车距、加塞变道的操作，并且训练得越久，它的操作也会越成熟。

实现“通勤模式”并不简单

听起来似乎很简单，但“通勤模式”可远不是某些人认为的“记忆行车”那么简单，如果想要让一套“通勤模式”真正好用，就必须要具备高感知及认知能力。

“看得见”的感知

“通勤模式”开启后，车子首先要能“看得见”，这需要感知模型从摄像头、激光雷达处获取数据，并生成能够描述真实场景的BEV网络。

BEV是英语“鸟瞰图”的缩写。对于辅助驾驶和自动驾驶来说，BEV是一种主流的映射真实世界场景的视图形式。在BEV网络下，辅助驾驶和自动驾驶能够获得更直观的周边视角。

这一过程存在一个难点，就是如何把不同种类传感器的特征进行融合，并保证精确。对此，特斯拉、蔚小理等车企普遍使用BEV+Transformer的方式，先通过视觉神经网络的Backbone识别图片特征，再借助Transformer将各个图像的特征进行融合。

Backbone的直译是“主干”，就像一棵大树存在主干和枝干一样，Backbone的作用就是作为数据特征识别的第一步，先确定数据特征的大致种类，再将其分配给对应种类的枝干做更进一步的特征识别，从而一步步细化数据特征，最后完成精准识别。

Transformer是近几年在自动驾驶领域颇为流行的神经网络模型，其能够借助自注意力机制去挖掘不同数据中特征的相关性，从而对多模态数据进行准确融合、映射出更真实的世界。

“看得懂”的感知

这还只是能“看得见”而已，如果想让“通勤模式”正常运行，就得让它能“看得懂”周围的场景，明白什么是红绿灯，什么是车道线，从而判断出可达空间，继而规划路径。

对此，车端又会搭载一系列的感知模型，它们会负责理解感知数据中的语义信息，比如路牌上的限速、左右转车道的指引线等等，帮助后续规控策略的输出。

而在这一过程中，一些特殊的感知数据还会被上传到云端，比如感知系统发现了一种当前车端模型无法准确识别的障碍物，或者驾驶者在正常规划的行驶路径中莫名干预了，这些数据会在到达云端后被人工或自动标注的形式，标注数据特征。

之后，这些具备特征的数据又会被加入数据集，训练对应的感知模型，而新模型在通过验证后，又会以OTA的方式回传到车端，由此让车子的感知能力越来越强。

“拟人化”的认知

如果规控策略太过机械生硬，那么给到驾驶者和乘客的乘坐感受就会非常糟糕。这种时候，就需要“通勤模式”能够学习驾驶者的驾驶方式。

通过重复学习，车端的驾驶数据也会传递至云端，并在特征标注后交由认知模型进行训练，最终再经过仿真验证回传至车端，得到驾驶风格更自然、更接近真人驾驶的效果。

可以看出，“通勤模式”的内核，实际就是将原本的城市域高阶辅助驾驶的实现范围，从全国所有城市道路缩小到了驾驶者的通勤道路。

然而，“通勤模式”并不能等于后者，除使用范围受限之外，驾驶者还需要主动训练“通勤模式”，也就是尽量多的沿着固定路线驾驶，直到“通勤模式”完全训练成熟为止。

“通勤模式”能帮到消费者吗？

基础原理大致如此，对于多数消费者，尤其是通勤距离长、时间久的消费者，“通勤模式”虽然存在一些缺点，但整体依旧是非常有使用价值的。

优点

不同于任何一套辅助驾驶产品，“通勤模式”是兼容高速、快速路和城市道路的，而目前的高阶辅助驾驶普遍还被区分为高速域和城市域两种。

在这之中，高速域产品已经投入使用了，而城市域产品由于国内城市道路里程大、场景复杂、变量多等问题还处在“期货”阶段。也就是说，当前只有“通勤模式”能带给你覆盖全场景的高阶辅助驾驶的体验。

另外，针对自己最需要的场景进行强化训练，也能让训练出的“通勤模式”更贴合自己的需求，而换做其他高速域与城市域辅助驾驶系统，则全看泛化性做得如何了。

不足

首先，如果你的通勤场景恰好非常极端、非常复杂，那可能真的需要非常长的训练时间，并且最终的使用效果也不能完全保证。

并且，“通勤模式”依旧处于L2+范围内，即使它能够通过训练达到无限接近于脱手驾驶的能力，驾驶者依旧需要时刻关心前方路况，而且哪怕“通勤模式”本身恪守交通法规，在实际驾驶过程中，也经常会发生邻车不遵守交规的情况，我们就得时刻做好接手准备。

车企为何集体加码“通勤模式”？

“通勤模式”之所以被越来越多的车企加码，本质上是为了越过当前城市域高阶辅助驾驶落地难、落地慢的困境，让消费者更快体验到新技术的同时，“以点带面”加速整个高阶辅助驾驶技术的迭代。

而城市域高阶辅助驾驶技术之所以落地难、落地满，主要问题则是出在了地图和数据这两大“拦路虎”上。

地图

先说地图。高阶辅助驾驶要运行，就必须需要一份导航地图来提供一定的先验信息。而在前两年，大家普遍都将目标放到了高精地图身上。

高精地图具备的信息量是巨大的，它能够配合高精定位，提供厘米级的定位、精确的驾驶辅助信息和语义信息，相当于直接给高阶辅助驾驶打开了“上帝视角”。

但是，高精地图的绘制和鲜度保持成本是极高的，并且考虑到政策管控因素，又会让很多城市无法实现覆盖，让依赖高精地图的城市域辅助驾驶产品无法落地。

数据

而如果不依赖高精地图、选择提升自身的感知能力，则又要面对技术层面最大的困难，数据。

如今的车企已经默认了“数据驱动”路线，即在大算力加持下，借助海量数据训练大模型，提升高阶辅助驾驶、乃至自动驾驶技术的成熟度。

而在数据量及数据标注、验证、仿真效率达到一定高度后，人工就能从中脱手，让AI达成数据闭环，也就是自己训练自己，让训练效率更上一层楼。

但对于目前所有的国内车企来说，这个难度还是非常大的，因为大家的量产车队规模有限，导致获取的数据总量受限。

另外，如何从海量数据中快速筛选高价值数据，又非常考验标注能力，而这又要说到更多层面的问题，这里篇幅有限，就不展开了。

以点带面

所以，与其为了等待完全体的城市域高阶辅助驾驶技术落地而不断跳票，还不如现实一点、把范围缩小到消费者最常用的一小段场景里。

毕竟一段通勤路的数据量，对于车端硬件性能堆满、云端超算中心坐镇的车企来说，就像大炮轰蚊子一样好拿捏，可以更轻松地实现过拟合；另外，这些经过“通勤模式”训练的模型也拥有一定泛化性，可以反过来对其他类似场景提供借鉴与帮助。

“通勤模式”或将成为主流？

虽然目前大疆、理想和小鹏给到的“通勤模式”各不相同，并且也都还未正式上线，但在城市域高级辅助驾驶技术尚需打磨、而消费者又真切希望能够借助其降低驾驶疲劳感的情况下，“通勤模式”确实算得上是一个不错的折中方案。

而在我看来，这一模式未来可能会被更多车企接纳，成为大家接触高阶辅助驾驶的一种全新方式，在缓解通勤压力的同时，车企也能从中获益，或许随着日后“通勤模式”的正式上线，打工人的好日子也会就此来临呢？