城市 NOA 功能的选择比努力更重要，需要更像人的决策。
8 月 12 日，我们邀请理想汽车智能驾驶产品总监 @哲伦班长 ，和车库用户进行了一次以《理想的智能驾驶》为主题的沙龙分享。内容涵盖「辅助驾驶技术要点」、「NPN 网络在城市 NOA 中的应用」、「动态 BEV 模型在辅助驾驶中的应用」、「端到端训练过程中的挑战和解决方案」方面，以下为核心看点纪要：
AI 大模型解决传感器独立问题
小模型的传感器相对独立，需要工程师加入很多预设的经验和逻辑，这也意味着一定程度上，决策的准确定性会受到影响。而特斯拉率先将 Transformer 用于 AD 感知，将小模型变成大模型。在规则算法中，难免需要面对很多人类经验无法描述的情况，对此我们用 AI 大模型来处理地图、模型和规则问题，城市 NOA 的扩展路径会根据用户的使用场景开放最高频路线，我们认为通勤 NOA 是共享制产品逻辑，长途驾驶会复用高速 NOA 记录站进行架构升级迭代。
辅助驾驶功能的四大技术
讲到辅助驾驶功能的技术要点，我们认为包括四大方面，一是不依赖高精地图；二是需要具备识别万物的能力；三是需要像人一样做规划和决策；四是需要保持持续进化能力。
为了解决道路生成不稳定的问题，我们使用了一套 NPN 网络，利用用户多次在一个路口的历史数据，提取路口特征并放到特征库中，车行驶到特征库后与实时的 BEV 进行融合，从而实现更准确的车道感知，目前该算法已与清华交叉信息学院合作并发表在 6 月份的 CVPR 论文中。
端到端信号灯意图模型 & 信号灯识别与道路匹配
这套模型我们通过车主的决策标注来实现训练，模型可以端到端直接输出决策，而不需要进行逻辑匹配。
在自动驾驶领域，解决无图问题比识别信号灯更困难。信号灯的红、黄、绿虽然很容易被视觉算法识别，但背后的意图才是难点。匹配灯与路的关系是自动驾驶中更难的问题，在中国面对 900 多万平方公里以及近 1 亿公里的道路里程，对所有用户来说更新地图是非常困难的。
增强 BEV 模型与车道识别优化
利用 NPN 特征和天然网络增强 BEV 模型以提高车道属性、关系和红绿灯检测的识别能力；解决不依赖图的问题，实现像人一样识别万物的目标；采用动态 BEV 算法处理车辆，预测未来 5 秒的轨迹；采用模仿学习算法解决规划决策问题。
自动驾驶技术的构建与应用
我们的自动驾驶训练平台通过自动化采集、挖掘、标注和验证等环节，构建了全闭环的训练过程，从而帮助实现车辆的持续进化。技术架构特点包括利用 NPN 特征和天然网络增强 BEV 模型来识别万物，模仿学习算法训练驾驶员的行为习惯，构建全闭环训练平台驱动大模型进化。在交互设计方面，我们内部将其分为「感知还原」和「决策意图」两部分，旨在让用户更好地理解车辆功能的边界在哪里，以及下一步行动是什么。
产品定义与算力问题探讨
在产品定义方面，早期的 Pro 和 Max 平台已经非常清晰地定义了城市和高速，并将其延展到销售端。而在算力问题上，除了静态感知外，动态感知和规控也需要大量的算力支持。此外，对于辅助驾驶的价格问题，我们认为需要考虑不同车型的用户群体和功能实现，但目前还没有确定统一的价格划分方案。
自动驾驶技术的潜力与挑战
高速场景下，辅助驾驶功能的使用已经实现了很多的跨越，预计明后两年，整个高速 NOA 的前装渗透率会变得非常高。而在讨论端到端自动驾驶技术时，我们需要考虑实时性和容错性问题。虽然端到端技术可以解决大部分逻辑问题，但在车端应用时仍需工程化处理。在特定场景下，如闯红灯等，需要进行传统规则兜底以确保整体道路安全。未来随着技术的进步，还需要进一步优化端到端系统，使其能够应对更复杂的情况。
