理想汽车通勤NOA内测交流要点：高频路线训练通勤NOA，覆...

许冰

理想汽车通勤NOA内测交流要点：高频路线训练通勤NOA，覆盖95%以上高频出行场景

【首个无图NOA测试线路】

其他智能驾驶方法痛点，难以解决复杂场景问题：

高精地图仅能覆盖高速，城市采集车成本高且路况变动多。

各传感器负责独立小模型，最后进行汇总，工程师预测过多。

规则难以覆盖城市的丰富场景。

城市NOA难点：

复杂路口人车混行，需要进行行为预测。

施工改道，路况变化需要避让绕行（过去其他产品采用雷达，理想仅有前向雷达，两侧使用视觉占用网络算法）。

车辆博弈，需要对其他车辆动作进行判断。

理想NOA具有NPN+TIN增强BEV、感知规控、自动训练的特点，仍需要人机共驾：

用户全场景驾驶训练：高频路线训练通勤NOA，覆盖95%以上高频出行场景。

不依赖高精地图：多次提取路况特征上传云端，标记后可以反复调用；BEV+NPN可以实现稳定控制和规划。

TIN红绿灯检测：过去红绿灯检测依赖高精地图，但路况变化引起地图失误就会导致错误，TIN通过海量车队数据进行匹配学习实现端到端输出。

感知算法：动态BEV能够识别、预测，城市预测为主，高速检测识别为主；进一步采用OCCUPANCY模型，识别道路障碍物如遗落物体、施工路段等物体边界。

规控算法：大量车队帮助算法学习，模拟用户习惯。

训练平台：云端算力1200PFLOPS，6亿公里自动计时训练里程；可从车端自动采集、挖掘（从云端获取数据）、标注、训练、验证。