8 次接管，理想依旧牛 X
我感觉，当年高速场景导航辅助驾驶的竞争，远远没有今天的城市导航辅助驾驶大乱斗精彩。城市导航辅助驾驶的情况可以用“并排冲线”来形容，大家都是无高精地图，都是以城市为单位三季度小范围推送，都是年内拓展到几十上百个城区。总而言之竞争非常激烈，人人都想赶紧落地这个功能，好让自己接下来宣传“自动驾驶”“无人驾驶”的时候，心里多一点底气。https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/cc207d9064194576b6ec2c4798cfdd53~tplv-tt-large.image?x-expires=2005371087&x-signature=g6uOY%2FD%2BzERReMUnQD6ygv31g8M%3D
因为硬件搭配等种种原因，当初的“御三家”里，理想是最晚落地高速导航辅助驾驶的。可能是出于这个原因，理想有一段时间并不怎么强调自己的智能驾驶技术发展。这种情况大概持续到 2023 年初，我们才突然发现，理想的智能驾驶水平不单有，而且还挺高。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/8ae134eeadf74679a994850d0fd1421b~tplv-tt-large.image?x-expires=2005371087&x-signature=3HwiwtQdeqfrs70QIPDGwZNJn2U%3D
经过上海车展和家庭科技日的预热，我们这次总算有机会实地体验一下理想的城市 NOA 了。下半年就要推送的它，现在到什么进度啦？
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/b0d0cc35edc743b4b268560d649c7b9f~tplv-tt-large.image?x-expires=2005371087&x-signature=OQzRA0cKSNleI8NAb9v4Rqq92r0%3D
【城市 NOA 及通勤 NOA 的基本原理】
讲体验之前还是得老生常谈一下，理想实现城市 NOA 的基本技术路径。其实这一波城市导航辅助驾驶爆发，大家的技术是趋同演化的。简而言之，都是用 BEV 鸟瞰式感知架构观察世界，再用 Transformer 模型理解世界，最后用大量行驶数据在训练集群中抽象并“看破”这个世界，把 AI 变成“人”。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/1d0da9e4836e4409ae4b37de4ecfa947~tplv-tt-large.image?x-expires=2005371087&x-signature=QDtICkqzIXnVRdfojur4UGqNCb4%3D
大家都这样玩，不代表就是带着镣铐跳舞没有发挥空间。理想在“观察”环节也就是 BEV 感知架构中，增加了 NPN 神经先验网络，反复提取环境特征来增强 BEV 对世界感知的稳定性；TIN 信号灯意图网络看起来则是 Transformer 模型原理的具体应用，通过选择“可能性最大的结果”来判断交通信息与动态。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/4debe73db4624ed0aa45481b84b5e0a0~tplv-tt-large.image?x-expires=2005371087&x-signature=ca68tmk323Hy361yYpEpwdGBxYM%3D
然后就是在二维画面中看出三维的精确距离信息，并精准获得周围空间信息的、大名鼎鼎的 Occupancy“占用网络”模型，它能相对精准地判断出可通行路面，从而不再需要高精地图信息作为感知的辅助，而只需要导航地图作为对方位、目的地的大体了解即可。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/ce1623692b0148318ce5bba0a05411cc~tplv-tt-large.image?x-expires=2005371087&x-signature=ZyNVVg79N7lW321Hd7tfqvAHzWs%3D
这些数据塑造的模型，连同人们使用这些模型后的反馈，都会作为算法模型下一步训练的素材，被放到专用的训练计算机集群里，让算法自己迭代优化。然后，加上针对个别场景的一点点规则、例外，再经过仿真和工程车路试确定安全，就可以推送给用户完成下一次循环了。考虑到理想汽车在道路上的数量，这个循环的速度理论上是很快的。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/606d92c236394335bd9a7f0934960c7b~tplv-tt-large.image?x-expires=2005371087&x-signature=RU2VIpjdETbOpISpZShvV9m%2Fr1s%3D
通过这样的循环，理想就可以啃下一个个关键路段节点。当某个地区的节点都训练到位了，这一地区的城市 NOA 就会开放。为了加快这个进度，理想还推出了针对个人用户的“通勤 NOA”，训练个大概三周左右，用户就能在上下班通勤路线打开城市 NOA。一条条通勤路径，最后汇聚成一个片区，一座城市。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/e7f7dcff02e94e97b0cb6e3d7fd9b8e4~tplv-tt-large.image?x-expires=2005371087&x-signature=UCTqTty11rjh6dP4K0FZTfgGdvw%3D
【8 次接管，还能叫好吗？】
当然这些幕后工作，理想汽车的用户是不会看见的——至少不会完全看见。他们能接触到的只是看上去略显传统的智能驾驶可视化界面，如果他们进一步观察，会发现画风和显示的内容与过去略有一些不同。只不过到了城市 NOA 阶段，画面上每一个东西都是 BEV 感知架构看到之后“画”出来的。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/cf261c9e11ec46a581ab9c89bc1b790e~tplv-tt-large.image?x-expires=2005371087&x-signature=wjgF9A7N0E52SU5STTfdzR0n4%2Bs%3D
这样的数据量对工程师来说还不太够，所以他们又设计了专门的工程模式界面。这个极其炫酷的界面以更精确的形式，显示理想 AD MAX 系统看到了什么、将会做什么。在我看来，这个界面一定要用“极客模式”或其它什么炫酷的名字，加以包装后，留给理想的消费者；它的一键录制、一键上报功能也会很有用。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/0f6d905384804c41a0202349d3709071~tplv-tt-large.image?x-expires=2005371087&x-signature=DoaaItuVbsWrv30ugJiTKeMA8uc%3D
左侧显示了系统的一些基本信息，比如它用的是导航级 SD Map（区别于HD Map 也就是高精地图），已经实现 BEV 感知架构与占用网络的融合。左下角则是它对世界的基本认识，在城市 NOA 眼中，这个世界是由小汽车、客车、货车、自行车/摩托车、行人和通用障碍物构成的。图中蓝点组成的线是本车行驶轨迹，橙线则是系统预判其它道路使用者未来 5s 的行动路径。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/ea6a229336bc4de5a5da9f620f523025~tplv-tt-large.image?x-expires=2005371087&x-signature=tKpAM1j4sJWGdfUyaTGRuZyjvBo%3D
旁边一角是占用网络的界面，这个模型将世界划分成不可动物体、可动物体、护栏/围栏/墙体、不可通行路面与植被几大项。这个如同乐高积木一般的颗粒世界，是今天工程师解决城市甚至非铺装路面高级辅助驾驶问题的工具。据说，如果植被覆盖面积较小，理想的占用网络会临时将植被划入可通行路面。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/edde5c13ebd94e9aaaacfb31ed228a5f~tplv-tt-large.image?x-expires=2005371087&x-signature=8A%2FPSNVmfWe0WOSist9Wku4HEOQ%3D
所幸，哪怕是我们刚开始的通勤 NOA 体验，也没遇到过这种尴尬场景。我们从类似乡村土路的地方出发，一直开到望京的城市区域，经过乡道、施工路、CBD 等几个场景，也遇到了无保护左转、急转汇入主路、识别红绿灯、与车辆/摩托/电动车/老头乐/行人等博弈的各种情况。城市 NOA 在上述路面表现得平稳、顺滑。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/7582216a90b445e2865a6e5f5ee66547~tplv-tt-large.image?x-expires=2005371087&x-signature=LjV8fLXBr7HsSTOpYdtcOg3GLCY%3D
最重要的是，它没有一些同类系统表现出的强烈“机械感”，像是一个真人在开车。有这种“机械感”的同类系统，推理和解决意外的能力还不是很强，在遇到路边违停、插队等意外场景的时候，它可能跟在违停车后无穷尽地等下去，而不会想着绕一下提升通行效率。这就仿佛整套系统由大量规则“编织”起来一样。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/48fba0e2ac46480f8e73427f3cf224f5~tplv-tt-large.image?x-expires=2005371087&x-signature=pCeYRHXRoYRwEYWbg7wjbWDvEnI%3D
城市 NOA 的工程版是另一个样子。这类由模型和数据自己迭代出来的算法，像人一样能积累经验、很快长大，所以在遇到违停车、无标线路面、与其它车辆博弈，又或者红绿灯被大型车辆遮挡而看不见的场景，它不会跟着某种定死的行动逻辑去控制车辆。城市 NOA 的某些操作，像一位初出茅庐的人类驾驶员，你可以感受到算法背后，海量训练数据中体现的“人类逻辑”。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/9af9c60088504b20bb29dadb5bd9f3b7~tplv-tt-large.image?x-expires=2005371087&x-signature=W12%2FsSt1b2PMIIFw7ctQIXdwFdM%3D
不过更强的系统能力，除了让功能更好用以外，也考验人与车之间的互动方式。整个驾驶过程中，我统计到 8 次人为接管：
1、无标线狭窄路面绕行违停大车；
2、路口内主动规避过于靠近的车辆；
3、转弯时手施加给方向盘的力量过大；
4、误触刹车；
5、与行人博弈时距离突破心理阈值；
6、系统漏检红灯；
7、通过路口的时机突破心理阈值；
8、绕行违停车辆时两车距离突破心理阈值。
当中固然有占用网络的空间判断精度、BEV 感知架构抗干扰能力需要打磨的因素，不过多数时候，反而是驾驶员自身对系统能力边界的认识，在影响系统的发挥。系统在进步，人对系统的认识也要有提升才行。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/1ad808a5933946e0baf08d9ea9f25e08~tplv-tt-large.image?x-expires=2005371087&x-signature=RM4LTmDWOZetgfW26WEa2xEXjBY%3D
算力、算法和数据，是每一个有志于实现城市导航辅助驾驶的企业都要解决的问题。算力有芯片，算法框架一致，剩下的便是数据积累和持续迭代，而这恰好是理想的优势所在。等到今年下半年推送城市 NOA 的时候，量产版的系统或许能比我们体验的更接近人类驾驶，这类系统的价值才能真正发挥出来。
页:
[1]