Julian Blog

分类： 人工智能

  • 智能驾驶的分级与技术架构

    1.智能驾驶

    智能驾驶是指通过先进技术让汽车自动感知环境、进行决策并控制车辆，最终实现无人驾驶。

    2.智能驾驶分级

    • L0级应急辅助：驾驶员控制车辆进行驾驶。系统提供前碰撞预警（FCW）或紧急制动（AEB），但不能持续控制车辆 。
    • L1级部分驾驶辅助：系统可在特定条件下持续控制车辆的纵向运动（如加速、减速）或横向运动（如转向），但驾驶员必须全程监控路况并准备随时干预。
    • L2级组合驾驶辅助：系统通过协同控制车辆的纵向与横向运动，可实现自动跟车和居中行驶，但驾驶员仍需全程监控路况并准备随时干预。
    • L3级有条件自动驾驶：在特定场景（ODD）下，系统执行全部驾驶任务；当系统发出接管请求时，驾驶员必须及时接管。在自动驾驶期间，若因其故障导致事故，责任由车企承担。
    • L4级高度自动驾驶：在特定场景（ODD）下，车辆可完全自主行驶。当系统即将超出能力范围时，会执行最小风险操作（如安全停车）。在自动驾驶期间，若因其故障导致事故，责任由车企承担。
    • L5级完全自动驾驶：车辆能在任何条件下实现完全自动驾驶。

    3.智能驾驶技术架构

    智能驾驶技术通过 “感知-决策-执行”​ 的技术路径，构建了一个能够实时感知环境、进行决策规划并稳定控制车辆的智能系统。

    3.1感知层-感知环境

    获取车辆自身及周围环境信息

    • 环境感知传感器​：激光雷达、摄像头、毫米波雷达、超声波雷达等，用于探测物体、识别车道线、交通标志等。
    • 定位技术​：全球卫星导航系统（如GPS/北斗）结合惯性导航（IMU）、高精度地图等，实现车辆厘米级精准定位。
    • 多传感器融合​：将不同传感器的数据进行综合处理，形成对环境更全面、可靠的感知。

    3.2决策层-思考规划

    基于感知信息进行认知推理，规划行车路径和行为

    • 路径规划​：分为全局路径规划（从A到B的整体路线）和局部轨迹规划（规避实时障碍物的具体路径）。
    • 行为决策​：根据交通规则和实时路况，做出跟车、超车、变道、停车等决策。

    3.3控制层​-执行动作

    将决策指令转化为车辆的实际操控动作

    • 线控系统​：包括线控转向、线控制动、线控驱动等，是电信号指令直接控制车辆执行机构的基础。
    • 控制算法​：通过算法精准控制车辆的横向和纵向运动，实现精准的轨迹跟踪。

  • 智能驾驶的“不可能三角”

    1.智能驾驶的核心价值维度

    安全、效率、舒适这三大维度，构成了评价和优化智能驾驶系统的核心框架

    1.1安全：智能驾驶的基石

    安全是智能驾驶不可妥协的底线，是所有功能的前提

    • 主动安全：智驾系统通过传感器网络实时感知环境，并依靠本能安全网络实现超快响应，如全向防碰撞能力。
    • 感知冗余：智驾系统采用多传感器融合路线，这样即使在恶劣天气或传感器受限时，也能通过冗余设计保障安全。
    • 正确认知：目前量产车的智驾系统处于L2级，驾驶员需全程监控并准备干预。

    1.2效率：出行体验的核心

    效率是智能驾驶体验的核心价值

    • 通行效率提升：智驾系统通过自适应巡航（ACC）自动跟车，保持安全的跟车距离，减少急刹急停，有助于提升通行效率堵。
    • 全场景贯通：高阶智驾系统支持从家到公司全程智驾，包括代客泊车（VPD），用户可先下车，车辆自主泊入，大幅提升出行连贯性。
    • 效率的边界：效率提升必须以安全为前提。智驾系统在决策时（例如变道超车），需在通过安全性与行驶效率等多重目标间进行综合权衡。

    1.3舒适：赢得用户的信任

    舒适是用户对智驾系统的信任来源

    • 车身智能控制：通过车辆优秀的机械素质与智能控制系统之间的深度协同，最终转化为更安全、舒适的驾乘体验。车辆在灵活应对复杂路况的同时，始终保持车身的平稳与安逸。
    • 决策的预期管理：智驾系统通过清晰的人机交互界面（HMI），如可视化符号、语音提示等，提前告知即将执行的动作，帮助驾乘人员理解并预判车辆行为，从而减少紧张或误操作。

    2.具体场景中的策略博弈

    2.1拥堵跟车

    在拥堵路况下，系统需要在确保安全的前提下，兼顾跟车的舒适性与通行效率。跟车过远能提升舒适性，却容易引发车辆加塞，降低了通行效率；跟车过近能提升效率，却会增加安全风险，并因频繁制动而影响舒适感。

    2.2自动变道

    在变道场景下，不同策略的倾向性更为明显。偏向效率的策略可能会寻找较小空当果断变道，但可能因动作迅速而降低了舒适性和安全性；偏向舒适的策略会等待更安全、更大的空当，以更平缓的方式完成变道，提升了舒适性与安全性，却降低了通行效率。

    2.3应对加塞

    在他车加塞场景下，系统需瞬间在坚决防守与主动谦让间做出决策。防守策略保证了通行效率，但可能增加碰撞风险；谦让策略保证了安全性，但降低了通行效率。

    2.4泊车场景

    在泊车场景下，系统需在效率与稳妥之间取得平衡。偏向效率的策略追求一把入库以减少用时，但可能增加刮蹭风险；偏向稳妥的策略则允许多次调整，通过平缓的操作提升安全性与平顺性。在空间受限时，系统还需判断是更贴近障碍物以提升泊入成功率，还是保持更大空间以优先保障安全。

    3.版本迭代的倾向性

    厂商通过持续的 OTA 更新，不断优化和调整智能驾驶系统的策略，而每个版本都可能具有明确的倾向性。这种倾向性通常体现在对“安全、效率、舒适”三角模型中某一方面的优先强化，用户在实际体验中也会明显感受到系统风格的变化。

    3.1厂商智驾策略的迭代

    • 特斯拉：在2025年10月，向北美用户推送 FSD 14版本，新增了多项功能，包括紧急车辆自动识别与避让，并增强了对各类障碍物的避让能力。
    • 小米汽车：在2025年7月，推送由1000万Clips数据驱动的端到端模型升级，旨在让复杂路况下的判断更精准，加减速更线性柔和。
    • 比亚迪：在2025年8月，推送新一轮OTA升级，新增了通行效率优先、危险加塞提醒等功能。

    “安全、效率、舒适”构成的三角关系之所以关键，正在于其动态平衡的本质：从不存在一劳永逸的“圣杯”，唯有针对不同场景、用户偏好与技术阶段，进行持续的权衡与调校。

    而随着传感器、算力与端到端大模型等技术的进步，这个三角的面积正被不断撑大——在更高的维度上，同时提升三者正逐渐成为可能。

    理解这一模型，能帮助用户更理性地看待智驾的演进：不对单一版本过度迷信，也不因短期体验波动而焦虑，而是将其视作一个持续学习、动态调整的出行伙伴。秉持这一认知，我们方能跟随技术成长的步伐，在安全的前提下，共同探索其能力的边界。

  • L2与L4自动驾驶的融合之路

    1.技术路线的演进历程

    自动驾驶技术发展初期，行业普遍认为L2与L4级自动驾驶之间存在巨大的技术鸿沟。

    2017年百度推出阿波罗平台，成为国内最早布局L4级自动驾驶的企业之一。

    当时业界认为L4的技术栈与L2完全不同：L4主要依赖机器学习、深度学习与规则专家系统的融合；而L2则基本停留在ACC（自适应巡航）、LKA（车道保持辅助）等初级辅助驾驶功能层面。

    这种认知使得L2被视为近期即可实现的目标，而L4则被认为是需要十年以上才能达成的远景规划。

    在规则驱动的技术范式下，L2与L4的发展路径呈现出显著差异。

    L4公司致力于打造完全无人驾驶系统，需要解决所有场景下的驾驶问题，尤其是极端情况（corner case）；

    而L2系统则只需在特定场景下提供辅助功能，并在系统边界清晰的情况下将控制权交还人类驾驶员。

    2.技术路径的收敛与融合

    随着技术迭代和场景应用的快速推进，业界发现L2与L4的技术边界正在逐渐模糊。

    现代L2系统致力于解决任意场景下的点到点通行问题，而L4则更关注有限区域内的绝对安全通行。尽管侧重点有所不同，但两者技术栈呈现出快速汇合的趋势。

    这种融合体现在从规则驱动向数据驱动的范式转变。

    轻舟智航提出的L2与L4技术同源战略正是这一趋势的体现，其核心在于构建“数据-模型-产品”的正向循环生态。

    3.认知驱动时代的技术革新

    当前，L2与L4正共同走向认知驱动的新时代，依托世界模型、强化学习和VLA（视觉-语言-行动）等先进技术，使机器能够主动解决问题并进行思考。这种技术融合的趋势正在推动商业模式的创新，多家企业采用了“L2++与L4双线并行”的研发策略。轻舟智航推出的“VLA+世界模型”统一架构正是这一趋势的代表。

    地平线创始人余凯指出，L2到L4发展的关键取决于基础大模型的进展，而大模型的“涌现性”可能使行业直接实现从L2向L4的跨越。小鹏汽车董事长何小鹏也旗帜鲜明地表示L3只是过渡，行业可能从L2直接加速迈向L4。

    自动驾驶技术的演进，正从早期的路线分岔走向深度融合。L2与L4级技术曾被认为存在鸿沟，如今却在 “数据驱动”​ 的范式下趋于同源。随着端到端大模型、世界模型等认知智能技术的突破，行业正跨越传统的渐进式等级划分，朝着高阶无人驾驶的目标快速前进。