来源：ZAKER科技
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。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。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？— 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 "。
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。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。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。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。— 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。
(资料图片仅供参考)
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。
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。『热门推荐』标签：
