出品 | 虎嗅汽車組
作者 | 王笑漁
編輯 | 周到
頭圖 | 視覺中國
" 司機地位低 " 的言論，出自于理想汽車創始人李想在去年的一場直播。
不過，這一言論确實被斷章取義了。直到李想在微博上發文回應，事件才告一段落，他當時寫到：" 在很多大型車的産品定義裏，首先以照顧後排的老闆爲目的，司機的重要級别是最低的，所以可以犧牲司機的舒适性和體驗。我們的産品定義不這麽做，我們認爲司機很重要，不能幹擾司機，通風、按摩也要給到司機。"
然而，一個不争的事實的是，理想汽車諸多産品亮點是圍繞着，" 女人和孩子開心了，我就很開心 " 的理念來進行延展。比如，理想 L7 的 " 皇後座 "，理想 L9 的 " 冰箱 " 和 " 彩電 "，無一例外都是服務于二排乘客的配置。" 奶爸 " 除了賺錢養家，其餘的任務似乎就剩下認真開車了。
但現在，理想終于打算讓駕駛員們開心一下了——在 6 月 17 日的家庭科技日上，理想汽車宣布本月即将開啓城市 NOA（導航輔助駕駛）内測。并且還宣布下半年，将向用戶開放通勤 NOA 功能，讓用戶擁有屬于自己的 " 專屬電梯 "，每天上下班更輕松、更便捷。
前兩天，虎嗅汽車受邀在 " 地獄級 " 路段北京望京，試駕體驗了理想的城市 NOA 城市功能。最直觀的感受就是——理想給我請了一個代駕司機，但還屬于剛上崗不久的狀态。
AI 司機初來乍到，地獄難度直接整上
如果僅用接管率來作爲評分标準，那麽理想的城市 NOA 隻能說剛剛及格。但如果把使用場景的因素考慮進去，理想 NOA 能過的 " 關卡 "，小鵬和華爲都不一定能拿到滿分。
這次，我們體驗的場景是北京的望京核心區域。作爲北京最繁華的區域之一，望京的開車規矩，就是沒有規矩。交通擁堵和路況複雜程度令不少網約車師傅都望而卻步。
路邊的違停車輛、逆行的外賣小哥、橫穿的行人以及随意、擺放的施工路障等，都爲 "AI 司機 " 的大考增加了難度。
一次緊急接管
從望京到順義，經過 77 個路口、40 公裏路程，但我碰上了幾乎所有的極端場景。其中，有兩次接管都是因車輛違章橫穿雙黃線調頭所緻，有一次接管則是外賣小哥别停前車所緻，還有一次施工道路水馬侵占車道所緻。
我願将 " 望京停車場 "、" 廣州城中村 "、" 深圳華強北 "、" 上海南浦大橋 " 稱之爲中國四大 " 智駕煉獄 "。
另一次接管
第一關，"AI 司機 " 要學會 " 蛇皮走位 "。
望京的朋友都說，" 這裏罰款比停車費劃算 "。在幾乎所有的右側車道上，都停滿了違停車輛。即便是你借道完成右拐之後，下一條路上的右側車輛依舊停滿了車。
如果是依賴高精地圖的城市 NOA 功能，到了望京可能會被違停車輛逼瘋掉。因爲，依賴高精地圖的方案更像是 " 盲人走盲道 "，車輛的違停就好比是盲道被占。
從理想城市 NOA 的表現來看，它更像是用人眼看路，用人腦思考。像最基本的，有違停車輛占道場時，理想城市 NOA 能夠絲滑地做到繞行；像無保護右轉的場景中，在有右側違停車輛時，它會傾向于選擇右側第二條車道進行右拐；像右拐彎過程中，它也會及時判斷左側是否有來車以及下一條道路右側仍有違停車輛，如果都沒有則會迅速進入中間車道。
第二關，"AI 司機 " 要學會看紅綠燈。
對于人來說，看紅綠燈是三歲小孩都會的技能。但對于自動駕駛系統而言，其難度并不在于識别紅燈還是綠燈，而是将識别到的紅綠燈信息與當前行駛的道路進行綁定，俗稱 " 綁路 "。
因爲幾乎每個路口的紅綠燈位置、形狀、高度都大相徑庭，很難用人爲寫入的規則，完成紅綠燈路口的通行。如果是通過高精地圖以及 V2X 的方案，系統可以提前預知紅綠燈信息。這就相當于 " 考試的時候有人給你寫小紙條 "，不用你動腦筋思考，直接寫答案就行。
從理想城市 NOA 的表現表現來看，它能夠在綠燈亮起後的 1 秒鍾之内完成起步，全程體驗下來并沒有出現後車按喇叭催促的情況。不過，在遇到紅燈減速停車的過程中，點頭情況略微明顯。後續，算法團隊與整車工程團隊可能需要在細節體驗上着重配合優化。
一個細節是，如果前方大車在路口完全遮擋住了紅綠燈，理想城市 NOA 的可視化界面上是不會顯示紅綠燈信息的。當前方大車開始起步時，它會先非常緩慢地進行跟車，在确定是綠燈之後再繼續加速行駛。這基本能說明，從紅綠燈信息的獲取上，理想已經徹底擺脫高精地圖。
第三關，"AI 司機 " 需要學會博弈。
在遇到各類的博弈場景時，理想城市 NOA 雖然可能會與較大明顯的制動和避讓，但大多數的時候不會完全刹停等待對方通過，而是慢慢地找機會通過。
與彙流車輛博弈時，它會在旁車阻擋路徑的一瞬間進行大力的制動，但同時會緩慢開始加速。在保持安全距離的同時，像人一樣往前慢慢地 " 擠出 " 可行駛區域。
與行人的博弈，也是類似。通常發生在拐彎的場景中，車輛需要與避讓斑馬線上的行人。但如果完全停下來讓行人走完，很可能一波走完接着又來一波。所以，理想 NOA 有時候會通過蠕行 + 輕微調整方向盤的方式，一邊避讓行人一邊往前慢慢挪，等到斑馬線上出現空擋後，迅速駛離。
總之，理想城市 NOA 讓人感受到，它開始像人類一樣觀察、像人類一樣開車。而這要感謝 AI 大模型的幫助，讓原本線性的成長變爲躍升式，讓理想實現了 " 彎道超車 "。
" 微博之王 " 又赢麻了？
理想汽車，并不是業内第一家自研自動駕駛，也不是第一家量産激光雷達和大算力芯片，更不上第一家提出 " 重感知輕地圖 " 方案。但理想确實是第一家在北京落地 " 無圖 " 城市 NOA 功能，并且今年年底擴張 100 城的口号也是理想喊得最響亮。
之所以能追得這麽靠前，且跑得如此之快，與路徑的選擇有着密不可分的關系。
現在很多率先交付城市 NOA 類功能的車型，都是采用的高精地圖的方案，并且在規劃控制層面大量基于人寫的規則。但在複雜多變的城市場景中，總會有高精地圖無法覆蓋和無法及時更新的區域，也總會有事先沒有預料到的場景。
理想這招 " 後發制人 "，則越過高精地圖方案，直接上 AI 大模型。
首先，理想城市 NOA 要實現不依賴高精地圖，其核心是采用 BEV（Bird ’ s eye view，鳥瞰圖）大模型，來實時感知和理解環境中的道路結構信息。業内對于這套 BEV 感知算法的讨論和量産都已經很多了，這裏就不多贅述。
但在一些城區複雜的路口，僅通過 BEV 大模型來進行感知依然不夠穩定。例如在一些跨度較大的路口，通行車輛較多，傳感器視野容易被遮擋，導緻車端實時感知的結果會丢失局部的信息，顯得不夠穩定。
針對這類複雜路口，理想的做法是使用自研的神經先驗網絡（NeuralPriorNet），簡稱爲 NPN 網絡，提前進行路口 NPN 特征的提取。當車輛再次行駛到該路口時，将之前提取好的 NPN 特征拿出來，與車端感知大模型的 BEV 特征層相融合，就得到了完美的感知結果。
其次，在 " 看紅綠燈 " 這件事上，理想訓練了一個端到端的信号燈意圖網絡（TrafficIntentionNet），簡稱爲 TIN 網絡。不需要人爲設定任何規則，甚至不需要識别紅綠燈的具體位置。隻要将圖像視頻輸入給 TIN 網絡模型，網絡就能直接給出車輛現在該怎麽走的結果——左右轉、直行或停止等待。此外，理想還通過學習人類司機在路口對信号燈變化的反應，來訓練 TIN 網絡模型。
接着，面對道路上可能會出現的通用障礙物，比如施工路障、遺撒物體、卡車後鬥伸出的貨物等，理想使用 Occupancy 網絡，來精準地識别它們的邊界和類型。通過對 Occupancy 網絡 " 投喂 " 大量訓練裏程，來提升識别的内容和準确性。
像人一樣看路還不夠，還得讓 AI 像人一樣操控。
爲了讓 "AI 司機 " 在駕駛決策和軌迹上，也像人類司機一樣做出合理的判斷，理想在規控算法上應用了模仿學習的方法，通過大量駕駛員的駕駛行爲進行訓練，讓城市 NOA 的決策和規劃，在保證安全、符合交通規則的前提下，做出更像人類駕駛員的判斷。
像前文提到的，從右側第二條車道進行右拐，就是一種拟人化的表現。
當車輛需要右轉的時候，按照交通規則，可以選擇右轉後兩條車道的任意一條來彙入。但理想通過觀察大量的人類開車的軌迹，發現 90% 以上的用戶都會走右二車道而非右一車道，因爲右一車道的安全性和效率都不如直接走右二好，而且走右二車道的轉彎半徑更大，轉彎過程更加平穩。所以，理想的模型在這個路口學習訓練的最終結果，也是傾向于走右二車道。
寫在最後
理想的核心技術，并不是大家常說的大冰箱、大彩電、大沙發，而是 " 場景造物 " ——先抛出你需要給孩子溫牛奶的場景，再賣給你冷暖冰箱；抛出二胎家庭帶娃坐車的場景，再賣給你能管得住孩子們的後排大屏；抛出女主人在車裏能伸直腳的尊貴感，再賣給你皇後座。
同樣的邏輯，再勸你多加四萬元或者六萬元上 Max 頂配車型時，理想抛出了一個絕大多數用戶都會遇到的場景——通勤場景。
理想給用戶所描繪的場景是這樣的：" 上下班通勤通常也是一天中最疲憊，最需要輔助駕駛的時間。很多車主都非常關心，每天上下班的路上能否使用 NOA 功能。所以我們推出了大家最需要的通勤 NOA 産品。"
然而，通勤 NOA 産品，目前隻針對 Max 版車型的用戶。這些多花了幾萬的頂配車型用戶，可以自主設定通勤路線，通勤時即開始自動化訓練。簡單路線 1 周以内即可激活，複雜路線預計 2-3 周完成訓練。有了通勤 NOA，就好像在上下班路上，讓你擁有了自己的 " 專屬電梯 "。
那麽問題來了，你會多花幾萬塊請一個 "AI 司機 " 替你開車嗎？
