EN

普适产品进阶 | Nullmax一体机/小域控的量产加速器

发布时间：2025-11-26
在之前的《普适产品进阶 | Nullmax 一体机/小域控的“超感视觉”》中，我们介绍了在视觉感知维度，Nullmax如何以突破技术赋能普适产品：通过持续突破视觉感知上限，Nullmax赋予了智能驾驶系统更精准的“眼力”，以理解复杂的行车环境，并在此基础上开发出实用、好用的智驾功能。

那么，面向行业对智能前视一体机及小域控方案的迫切普及需求，Nullmax如何将这套领先的感知技术能力，高效转化为可大规模落地的量产“普适”优势？

Nullmax的解题关键在于——以感知算法平台化为核心路径，实现领先智驾算法在量产部署上的“化繁为简”。通过构建一套能够灵活适配不同传感器与芯片的软件架构，Nullmax可实现跨车型的快速功能落地，为一体机、小域控方案的量产提速提质。目前，在多个Nullmax高性价比产品的量产推进中，该平台化能力正持续释放其规模效应。

在此过程中，Nullmax同步解决了两大核心命题：既要实现全栈自研的感知算法在不同车型、芯片平台上的高效部署，以速度响应市场；也要在有限的算力与成本条件下，坚守“简而优”的产品技术底线，确保一体机、小域控的功能体验优异，并具备持续迭代进化能力。

降本增效，量产普适如何“化繁为简”

作为最关键的上游环节，感知的平台化是整体技术平台成功构建的基础，同时也是一项难度极大的系统性工程。Nullmax将其定义为：设计一套感知基础架构，将感知所需的软件算法整合成一个可以支持各种需求的平台。针对一体机、小域控方案，它能够快速、低成本地输出针对不同传感器和芯片的软件包，在不同车型上实现智能驾驶的相关功能。

平台化需充分考虑需求和硬件差异
其核心价值在于，通过平台化的技术路径，有效避免重复开发，提升系统质量与落地速度，实现高效、优质的大规模量产。在商业层面，感知平台化可将量产的边际成本压缩到极致。尤其对于硬件规格相对统一的一体机与小域控产品，平台化的感知架构能够实现算法模块的标准化输出，显著降低不同项目的定制化开发成本。在技术层面，则有助于汇集不同项目、不同级别、不同任务的智能驾驶数据，促进彼此效果，提升整个感知平台的各方面任务性能。

为此，Nullmax打造了涵盖L2+及L4感知任务的平台化感知架构，可以支持大算力、小算力的不同计算平台，也能自动适配不同的传感器配置，为一体机/小域控、舱驾/行泊一体乃至端到端高阶智驾等产品应用的高效落地提供核心的技术支撑。

通过“化繁为简”，平台可在算力受限场景中精准裁剪，仅保留必要任务分支，甚至通过模型剪枝实现极简感知方案，在低成本硬件上保障 AEB、ACC、LCC 等 L2 级 ADAS 核心功能的可靠运行。这一策略尤其契合一体机、小域控方案的特性，确保Nullmax在有限资源下实现感知效能的最大化。

                   图片

cut-in识别并适当减速                                                                               大曲率弯道场景

图片                    图片

城区跟车启停                                                                                     跟随异形车辆过十字路口

灵活部署，One Model驱动小算力进化

算法服务于具体功能，而如何让一套感知算法高效适配从基础功能需要的2D车道线检测、障碍物检测，到高阶功能需要3D检测算法、稠密深度图，乃至轨迹参考线、360°障碍物检测等特色功能，并跨越不同车型的硬件差异，正是多项目量产部署中的主要难点。感知平台化不仅要系统性地解决跨车型、跨芯片的快速部署问题，更要确保一体机、小域控等性价比方案的功能体验不妥协，并具备持续优化能力。

Nullmax感知平台化的实现，离不开一套坚实的技术架构，而其中最为核心的，便是模型架构的设计。为此，Nullmax打造了平台化的BEV-AI自动驾驶技术架构，为感知提供One Model形态的模型架构，用一个可以灵活适配的模型支持所有感知任务，满足不同智能驾驶应用的感知需求，从而实现整个感知系统的平台化。

Nullmax感知平台化的模型架构示意
基于这一架构，Nullmax既能提供高算力端到端解决方案，也能输出满足主流L2+功能需求的中低算力版本。关键的是，通过统一的One Model模型架构，确保低算力方案在保障优秀功能体验的同时，能够与高阶方案共享技术演进成果，实现持续进化。对于仅配置前视相机的低算力场景，系统可仅保留主干网络及关键任务分支，去除冗余模块，实现前视感知与融合。在极端资源受限的情况下（如2T算力芯片），仍可通过保留2D车道线与2D目标检测任务，并对主干网络进行剪枝，构建出一套极简而可靠的感知系统。

此外，Nullmax的感知模型架构具备一项重要特点：集成多个功能重复的任务分支，从而帮助网络取得更好的训练效果，从而实现更好的算法性能。比如，基于CNN的2D目标检测、3D目标检测和基于Transformer的BEV目标检测，基于CNN的2D车道线检测、3D车道线检测和基于Transformer的BEV车道线检测、BEV分割，这些任务之间高度相通，那么共同训练时可以在知识上互通有无，帮助彼此达到更好性能，为一体机与小域控的持续升级奠定了核心技术基石。

通过系统化的平台战略与灵活的模型设计，Nullmax在推进高性价比方案量产的同时，持续夯实技术的通用性与扩展性，不仅让智能驾驶以更低的门槛走向更多车

媒体垂询
media@nullmax.ai
相关文章