理想7月內全量推送無圖NOA！端到端+VLM全新自動駕駛技術首發
智能駕駛帶動了全國範圍內大大小小的試驗園區，產生了龐大的產業。智能駕駛代表着頂尖科技人才的聚攏，也代表吸引資本的寵愛，車企不斷推高智能駕駛的聲量，誰的聲音大誰就享有相當可觀的話語權。
然而一個新興產業的興衰，顯然不是用戶最關心的，甚至有用戶會反感這門大生意。
那麼問題來了，如何一邊抓產業，一邊抓住用戶的心？
關於部分人羣對智能駕駛的反感，一線主流智能車企似乎已經找到了完美的解決之道：把智駕與主動安全進行綁定。
這種綁定並非表面文章，例如智駕領域不斷升級的AEB，或者針對“前車消失場景”研發的主動避讓，都是在解決安全問題，而非炫技。
早期，智駕一線隊伍中並沒有理想汽車。而今，時機似乎已然成熟，理想All-in的態度也拿出來了。
「無圖NOA」全量推送
7月5日，理想汽車召開2024智能駕駛夏季發佈會，宣佈於7月內向理想AD Max用戶全量推送「無圖NOA」，並打出“全國都能開”的Slogan。此外，推送功能還包含全自動AES自動緊急轉向、全方位低速AEB自動緊急制動。
同時，理想汽車發佈了基於端到端模型、VLM視覺語言模型和世界模型的全新自動駕駛技術架構，並開啓新架構的早鳥計劃。
5-6月期間，「無圖NOA」已經陸續展開體驗，規模陸續擴大。
事實上，對於理想智駕部門的技術控來說，“無圖NOA”並不是一個貼切的功能描述，而在行業中這個詞彙已經普及，再創一個新名稱的意義也就不大了。
無圖NOA不再依賴數月更新一次的高精地圖，支持在全國範圍內廣泛的區域使用，藉助理想的時空聯合規劃能力，絲滑的繞行體驗讓人印象深刻。無圖NOA具備超遠視距的導航選路能力，具備分米級微操能力（例如主動避讓），能夠適用於複雜路口。
另外，即將推送的AES自動緊急轉向可實現全自動觸發，不依賴人工輔助扭力；全方位低速AEB再度拓展存在主動安全風險的場景，能夠減少低速挪車場景下的剮蹭事故風險。
發佈會中，理想汽車產品部高級副總裁範皓宇表示：
“理想汽車已經在全國各城市積累了超100萬公里的無圖NOA行駛里程，全量推送後，24萬名理想AD Max車主都將用上當前國內領先的智能駕駛產品。”
接下來，無圖NOA將主要在4項重大能力方面進行升級。
首先，基於感知、理解和道路結構構建能力的提升，無圖NOA能夠擺脫對先驗信息的依賴。全國範圍內，導航覆蓋的區域均支持NOA，衚衕窄路和鄉村小路也可以開啓功能。
其次，基於“時空聯合規劃”，車輛對道路障礙物的避讓、繞行將更加絲滑。通過持續預測與他車的空間關係，時空聯合規劃能夠規劃合理的可行駛軌跡。基於海量樣本學習，系統能快速篩選軌跡，果斷且保證安全地執行繞行操作。
複雜城市路口場景下，無圖NOA的選路能力也得到顯著提升，基於BEV視覺模型+導航匹配算法，系統支持實時感知變化的路沿、路面箭頭標識、路口特徵，並將車道結構和導航特徵充分融合。
通過激光雷達+視覺融合，系統可識別更大範圍內的不規則障礙物，感知精度也更高，從而對其他交通參與者實現更早、更準的預判。車輛能與其他交通參與者保持合理距離，加速減速的時機也將更加得當。
主動安全不分，理想汽車建立了完善的“安全風險場景庫”，根據頻次和危險程度進行分類，以提升風險場景覆蓋度。
車速度較快時，主動安全系統的反應時機很短，部分情況下即使觸發AEB也難以及時剎停。爲了應對AEB無法規避的“物理極限場景”，理想推出了全自動觸發的AES自動緊急轉向。
針對泊車和低速行車場景，全方位低速AEB能夠提供360度主動安全防護，在相對複雜的地庫環境，全方位低速AEB能夠有效識別前、後、側向的碰撞風險，及時緊急制動。
端到端模型+VLM視覺語言模型
全新的智駕架構由端到端模型、VLM視覺語言模型和世界模型共同構成。
端到端模型主要用於處理常規駕駛行爲，傳感器輸入到行駛軌跡輸出，只經過一個模型，信息傳遞、推理計算、模型迭代更高效，駕駛行爲也更擬人。
VLM視覺語言模型具備強大的邏輯思考能力，能夠理解導航地圖、複雜路況和交通規則，以應對未知場景。同時，系統將在基於世界模型構建的場景中進行學習和測試。構建的測試場景，既符合人類世界的真實規律，也具備強大的泛化能力。
理想汽車的全新智駕駛技術架構，一定程度上受到諾貝爾獎得主丹尼爾·卡尼曼的「快慢系統理論」啓發，善於模擬人類的思考與決策，形成更擬人的解決方案。
新架構分爲快系統與慢系統：
快系統：善於處理簡單的任務，類似人類的直覺，應對覆蓋95%的常規場景。
慢系統：類似人類深入的理解與學習，形成複雜的邏輯和計算，用於解決複雜未知的5%場景。
快系統與慢系統配合，確保大部分場景下的高效率，和少數場景下的高上限。
端到端模型的輸入，主要由攝像頭+激光雷達構成，多傳感器特徵經過CNN主幹網絡提取融合，投影至BEV空間。
理想汽車還設計了“記憶模塊”，具備時間+空間維度的記憶能力。模型輸入中，理想還加入了狀態信息和導航信息，經過Transformer模型的編碼，結合BEV特徵共同解碼，得出通用障礙物、動態障礙物及道路結構，規劃出行車軌跡。
多任務輸出在一體化模型中實現，中間沒有多餘的規則介入，端到端模型在傳遞信息、計算推理、模型迭代方面均具有優勢。實際駕駛中，端到端模型能夠展現出更強的超視距導航能力、道路結構理解能力、通用障礙物理解能力，以及更加擬人化的路徑規劃能力。
理想的VLM視覺語言模型的參數量達到了22億，對複雜交通環境有強大的理解能力。
VLM模型能夠識別光線強弱、路面平整度等信息，還能夠配合車機系統修正導航路線。VLM模型能理解公交車道、潮汐車道等複雜規則，以作出合理決策。
理想的世界模型結合了重建和生成兩種技術路徑，將真實數據通過3DGS進行重建，並使用生成模型補充新的視角。
場景重建時，動靜態要素被分離，靜態環境重建、動態物體進行重建和視角生成，經過場景重新渲染形成三維世界。生成模型具有強泛化能力，車流、天氣、光照等條件均支持自定義改變，生成符合真實規律的新場景。
重建和生成兩者結合所構建的場景，爲智駕系統的學習和測試創造了更好的環境，使系統具備高效的閉環迭代能力。
1
自從“自動駕駛”的概念被車企擺上高位，公衆對這個技術領域的爭議就從未停止。
激進的人羣認爲，智能科技將以手機淘汰膠捲的姿態改變汽車，而保守的人羣糾結於出了問題究竟是車負責，還是人負責。不論如何，人工駕駛或自動駕駛都存在風險，後續自動駕駛的字眼也逐漸淡出視野，普遍已經演化成今天的智能駕駛、智駕等詞彙。
以往，智駕是一門燒錢的大工程，從某種程度來說，智駕投資甚至是一家車企的廣告費，是搶市場、卷同行的武器。不過智能電動汽車行業已經颳起一股新風，被逐漸納入主動安全的智能駕駛也越來越具備親和的一面，相信以後大家越來越不會討厭智駕這件事。