我感覺，當年高速場景導航輔助駕駛的競争，遠遠沒有今天的城市導航輔助駕駛大亂鬥精彩。城市導航輔助駕駛的情況可以用 " 并排沖線 " 來形容，大家都是無高精地圖，都是以城市爲單位三季度小範圍推送，都是年内拓展到幾十上百個城區。總而言之競争非常激烈，人人都想趕緊落地這個功能，好讓自己接下來宣傳 " 自動駕駛 "" 無人駕駛 " 的時候，心裏多一點底氣。
因爲硬件搭配等種種原因，當初的 " 禦三家 " 裏，理想是最晚落地高速導航輔助駕駛的。可能是出于這個原因，理想有一段時間并不怎麽強調自己的智能駕駛技術發展。這種情況大概持續到 2023 年初，我們才突然發現，理想的智能駕駛水平不單有，而且還挺高。
經過上海車展和家庭科技日的預熱，我們這次總算有機會實地體驗一下理想的城市 NOA 了。下半年就要推送的它，現在到什麽進度啦？
— 城市 NOA 及通勤 NOA 的基本原理
講體驗之前還是得老生常談一下，理想實現城市 NOA 的基本技術路徑。其實這一波城市導航輔助駕駛爆發，大家的技術是趨同演化的。簡而言之，都是用 BEV 鳥瞰式感知架構觀察世界，再用 Transformer 模型理解世界，最後用大量行駛數據在訓練集群中抽象并 " 看破 " 這個世界，把 AI 變成 " 人 "。
大家都這樣玩，不代表就是帶着鐐铐跳舞沒有發揮空間。理想在 " 觀察 " 環節也就是 BEV 感知架構中，增加了 NPN 神經先驗網絡，反複提取環境特征來增強 BEV 對世界感知的穩定性；TIN 信号燈意圖網絡看起來則是 Transformer 模型原理的具體應用，通過選擇 " 可能性最大的結果 " 來判斷交通信息與動态。
然後就是在二維畫面中看出三維的精确距離信息，并精準獲得周圍空間信息的、大名鼎鼎的 Occupancy " 占用網絡 " 模型，它能相對精準地判斷出可通行路面，從而不再需要高精地圖信息作爲感知的輔助，而隻需要導航地圖作爲對方位、目的地的大體了解即可。
這些數據塑造的模型，連同人們使用這些模型後的反饋，都會作爲算法模型下一步訓練的素材，被放到專用的訓練計算機集群裏，讓算法自己叠代優化。然後，加上針對個别場景的一點點規則、例外，再經過仿真和工程車路試确定安全，就可以推送給用戶完成下一次循環了。考慮到理想汽車在道路上的數量，這個循環的速度理論上是很快的。
通過這樣的循環，理想就可以啃下一個個關鍵路段節點。當某個地區的節點都訓練到位了，這一地區的城市 NOA 就會開放。爲了加快這個進度，理想還推出了針對個人用戶的 " 通勤 NOA"，訓練個大概三周左右，用戶就能在上下班通勤路線打開城市 NOA。一條條通勤路徑，最後彙聚成一個片區，一座城市。
— 8 次接管，還能叫好嗎？
當然這些幕後工作，理想汽車的用戶是不會看見的 —— 至少不會完全看見。他們能接觸到的隻是看上去略顯傳統的智能駕駛可視化界面，如果他們進一步觀察，會發現畫風和顯示的内容與過去略有一些不同。隻不過到了城市 NOA 階段，畫面上每一個東西都是 BEV 感知架構看到之後 " 畫 " 出來的。
這樣的數據量對工程師來說還不太夠，所以他們又設計了專門的工程模式界面。這個極其炫酷的界面以更精确的形式，顯示理想 AD MAX 系統看到了什麽、将會做什麽。在我看來，這個界面一定要用 " 極客模式 " 或其它什麽炫酷的名字，加以包裝後，留給理想的消費者；它的一鍵錄制、一鍵上報功能也會很有用。
左側顯示了系統的一些基本信息，比如它用的是導航級 SD Map（區别于 HD Map 也就是高精地圖），已經實現 BEV 感知架構與占用網絡的融合。左下角則是它對世界的基本認識，在城市 NOA 眼中，這個世界是由小汽車、客車、貨車、自行車 / 摩托車、行人和通用障礙物構成的。圖中藍點組成的線是本車行駛軌迹，橙線則是系統預判其它道路使用者未來 5s 的行動路徑。
旁邊一角是占用網絡的界面，這個模型将世界劃分成不可動物體、可動物體、護欄 / 圍欄 / 牆體、不可通行路面與植被幾大項。這個如同樂高積木一般的顆粒世界，是今天工程師解決城市甚至非鋪裝路面高級輔助駕駛問題的工具。據說，如果植被覆蓋面積較小，理想的占用網絡會臨時将植被劃入可通行路面。
所幸，哪怕是我們剛開始的通勤 NOA 體驗，也沒遇到過這種尴尬場景。我們從類似鄉村土路的地方出發，一直開到望京的城市區域，經過鄉道、施工路、CBD 等幾個場景，也遇到了無保護左轉、急轉彙入主路、識别紅綠燈、與車輛 / 摩托 / 電動車 / 老頭樂 / 行人等博弈的各種情況。城市 NOA 在上述路面表現得平穩、順滑。
最重要的是，它沒有一些同類系統表現出的強烈 " 機械感 "，像是一個真人在開車。有這種 " 機械感 " 的同類系統，推理和解決意外的能力還不是很強，在遇到路邊違停、插隊等意外場景的時候，它可能跟在違停車後無窮盡地等下去，而不會想着繞一下提升通行效率。這就仿佛整套系統由大量規則 " 編織 " 起來一樣。
城市 NOA 的工程版是另一個樣子。這類由模型和數據自己叠代出來的算法，像人一樣能積累經驗、很快成長，所以在遇到違停車、無标線路面、與其它車輛博弈，又或者紅綠燈被大型車輛遮擋而看不見的場景，它不會跟着某種定死的行動邏輯去控制車輛。城市 NOA 的某些操作，像一位初出茅廬的人類駕駛員，你可以感受到算法背後，海量訓練數據中體現的 " 人類邏輯 "。
不過更強的系統能力，除了讓功能更好用以外，也考驗人與車之間的互動方式。整個駕駛過程中，我統計到 8 次人爲接管：
1、無标線狹窄路面繞行違停大車；
2、路口内主動規避過于靠近的車輛；
3、轉彎時手施加給方向盤的力量過大；
4、誤觸刹車；
5、與行人博弈時距離突破心理阈值；
6、系統漏檢紅燈；
7、通過路口的時機突破心理阈值；
8、繞行違停車輛時兩車距離突破心理阈值。
當中固然有占用網絡的空間判斷精度、BEV 感知架構抗幹擾能力需要打磨的因素，不過多數時候，反而是駕駛員自身對系統能力邊界的認識，在影響系統的發揮。系統在進步，人對系統的認識也要有提升才行。
算力、算法和數據，是每一個有志于實現城市導航輔助駕駛的企業都要解決的問題。算力有芯片，算法框架一緻，剩下的便是數據積累和持續叠代，而這恰好是理想的優勢所在。等到今年下半年推送城市 NOA 的時候，量産版的系統或許能比我們體驗的更接近人類駕駛，這類系統的價值才能真正發揮出來。
『熱門推薦』
