爱莉思的情书2023年6月17日，首届理想家庭科技日在理想汽车常州智能制造基地举行。在“双能战略”指引下，理想汽车在智能空间、智能驾驶和高压纯电平台的研发上均实现了重要突破。以Mind GPT为核心的理想SS智能空间和本月即将开启城市NOA内测的理想AD智能驾驶同时进入大模型时代，支持5C充电的理想800V高压纯电平台将开启充电速度的5G时代。

　　在先进的技术架构和高效的训练平台共同推动下，我们相信智能驾驶将会很快在家庭出行中实现大规模普及，“AI司机”解放人类司机的明天也不再遥远。

　　进入大模型时代的理想AD Max 3.0正在以过去难以想象的速度成长和迭代。

　　在产品层面，本月内，我们即将向北京和上海的内测用户交付不依赖高精地图的城市NOA功能，让用户们可以拥有一个持续进化的“AI司机”。下半年，我们将向用户开放通勤NOA功能，让用户拥有属于自己的“专属电梯”，每天上下班更轻松、更便捷。

　　在技术层面，我们使用AI大模型技术，应对所有场景挑战、并且可以高效迭代、最终解决所有问题。

　　视频展示了不久前42号车库在北京顺义和望京区域，对理想城市NOA的体验。复杂的城市自动驾驶场景，包括大路口左右转、人车混行场景、绕行违停车辆场景等，只用规则算法是无法解决的。但通过AI大模型的帮助，我们已经做到了接近人类司机的驾驶表现。

　　不依赖高精地图的核心是采用了BEV大模型，来实时感知和理解环境中的道路结构信息。通过大量的训练，目前我们的BEV大模型，已经可以在绝大多数的道路和路口，实时生成稳定的道路结构信息。

　　但是随着研发的深入，我们发现对于城市中的复杂路口，仅通过BEV大模型来进行感知依然不够稳定。例如在一些跨度较大的路口，通行车辆较多，传感器视野容易被遮挡，导致车端实时感知的结果会丢失局部的信息，显得不够稳定。

　　针对这类复杂路口，我们的做法是使用自研的神经先验网络（NeuralPriorNet），简称为NPN网络，提前进行路口NPN特征的提取。当车辆再次行驶到该路口时，将之前提取好的NPN特征拿出来，与车端感知大模型的BEV特征层相融合，就得到了完美的感知结果。

　　NPN特征是一堆神经网络参数，人类无法从这些参数直接理解复杂路口形态，但是大模型可以。相比高精地图，NPN特征的信息量更大、保密性更高。它用网络模型替代了人为规则，进行环境信息的理解和环境信息的使用。

　　通过NPN特征增强BEV模型这个工作，是我们与清华大学交叉信息学院的赵行教授课题组，一起合作的最新研究成果。该项工作的论文，会发表在AI领域的国际顶级会议CVPR上。感兴趣的朋友可以下载这篇论文进行学习和研究。

　　光看明白路口还不够，“AI司机”还得理解路口红绿灯的通行规则，这是城市道路的另一个难点。主流的做法是建立一套信号灯与道路的通行意图的规则算法，但我们还是选择用大模型解决。

　　我们训练了一个端到端的信号灯意图网络（TrafficIntentionNet），简称为TIN网络。不需要人为设定任何规则，甚至不需要识别红绿灯的具体位置。只要将图像视频输入给TIN网络模型，网络就能直接给出车辆现在该怎么走的结果——左右转、直行或停止等待。我们通过学习大量人类司机在路口对于信号灯变化的反应，来训练TIN网络模型，得到了很好的效果。

　　如下图所示，在路口处，TIN网络根据输入的视频图像，实时给出的路口不同通行意图的概率，概率值最大的就是实际使用的意图，这与信号灯的指示是完全一致的。当红灯亮起时，网络输出等待概率值最大，车辆保持等待。绿灯亮起时，网络输出的左转概率提升到最大，车辆开始左转。虽然结果看上去很简单，但背后用到的技术是非常领先的。

　　除了静态的道路信息，智能驾驶系统还要像人一样识别万物，才能确保“AI司机”在真实世界里自由行驶。

　　我们仍然通过BEV大模型来解决。不仅能够准确识别真实世界里车、行人、骑车人的三维空间位置，还能预测他们在时间维度上未来几秒的轨迹，真正做到四维的感知。

　　面对道路上可能会出现的通用障碍物，比如施工路障、遗撒物体、卡车后斗伸出的货物等，我们使用Occupancy网络，来精准地识别它们的边界和类型。近几个月，我们的Occupancy网络又进行了疯狂迭代，“喂”了大量训练里程，识别的内容和准确性又得到了很大的提升。

　　为了让“AI司机”在驾驶决策和轨迹上，也像人类司机一样做出合理的判断，我们在规控算法上应用了模仿学习的方法，通过大量驾驶员的驾驶行为进行训练，让城市NOA的决策和规划，在保证安全、符合交通规则的前提下，做出更像人类驾驶员的判断。

　　例如当车辆需要右转的时候，按照交通规则，可以选择右转后两条车道的任意一条来汇入。但通过观察大量的人类开车的轨迹，我们发现90%以上的用户都会走右二车道而非右一车道，因为右一车道的安全性和效率都不如直接走右二好，而且走右二车道的转弯半径更大，转弯过程更加平稳，会让家人更舒适。所以，我们的模型在这个路口学习训练的最终结果，也是倾向于走右二车道。

　　通过上述的机制，我们城市NOA的决策和规划，都会向人类驾驶员学习，做出更优的判断，生成更好的行车路线。接下来我们会持续迭代规控模型，指导我们的智能驾驶系统成为更加聪明的司机。

　　大模型的进化，需要一个强大的基础训练平台，才能完成快速高效的训练和迭代。我们很早就开始训练平台的建设，到今天为止，它已经成长为拥有1200 PFLOPS算力的自动驾驶训练集群。我们的自动驾驶训练里程，已经突破了6亿公里。

　　在这个平台上，我们的大模型可以进行高度自动化的闭环学习训练。整个训练过程主要包括如下五大步骤：样本采集、样本挖掘、样本标注、模型训练和测试验证。上述能力让智能驾驶的大模型可以飞速地成长，这也是我们的城市NOA，可以在短时间内迭代如此快速的根本原因。

　　一个城市能不能开放使用城市NOA，主要取决于该城市复杂路口NPN特征的完成情况。

　　通过统计城市NPN覆盖的研发平台，我们可以查看现在NPN的覆盖情况，上面的每一个点，代表一个需要制作NPN特征的复杂路口。其中绿色代表该路口的NPN特征，已经通过测试验证，是可用状态，红色代表已经有NPN特征但有待验证，灰色代表没有NPN特征。

　　目前全国范围内已经有很多红色的NPN特征点了，而在早早鸟和测试车高频出现的北京和上海，已经有不少绿色可用的NPN路口了。接下来，早鸟用户加入后，这些点变成绿色的速度会越来越快，也就意味着城市开放的就越来越多。

　　上下班通勤，通常是一天中最疲惫，最需要辅助驾驶的时间。如果这条路能用NOA开，就解决了大问题。所以，我们推出了大家更需要的通勤NOA产品。

　　有了通勤NOA，无需等待整个城市NPN特征训练好，只要设定好自己的通勤路线、自车学习NPN特征，学成之后就可以在这条路线上使用NOA功能了。如果每天通勤，简单路线周以内即可完成激活，较复杂的路线周足以完成训练。

　　我们预估通勤NOA可以覆盖理想车主95%以上的通勤场景。在通勤NOA使用过程中，各个模型仍会不断地迭代训练，越开越好，让体验越来越棒。

　　有了通勤NOA，就好像在上下班路上拥有了自己的“专属电梯”，绝对是你当下需要的NOA功能。

　　本月，我们将开启北京和上海的城市NOA内测，早鸟用户可以率先使用城市NOA功能。下半年，我们将开放通勤NOA功能，以及更多的城市NOA区域，让每个早鸟用户都可以在日常上下班时使用NOA导航辅助驾驶。

　　这一切就是AI大模型技术带来的先进成果，AD Max 3.0平台通过领先的技术架构和出色的迭代效率，将逐步满足所有城市、所有用户，在城市道路上使用NOA功能的需求。我们相信，当通勤NOA和城市NOA大规模拓展以后，将会是中高端车不配备就卖不好的“刚需配置”。

　　投资者关系关于同花顺软件下载法律声明运营许可联系我们友情链接招聘英才用户体验计划

　　不良信息举报电话举报邮箱：增值电信业务经营许可证：B2-20090237