从2016年AlphaGo成为首个战胜人类职业围棋选手的人工智能机器人开始，到刷爆2023年热搜的ChatGPT，人工智能开始迅速进入大众视野，在全球范围内引起技术变革。现在，这股变革也已经来到了汽车行业，今年，智己汽车携手全球头部智能驾驶算法玩家Monmenta，发布了行业首个D.L.P.人工智能模型，开始将数据驱动的规划算法应用量产项目。
AlphaGo和ChatGPT之所以能各自所处的细分领域战胜人类，其共同的关键点就是，它们都拥有深度学习能力，通过喂数据或者自我博弈的学习（新版AlphaGo）来训练模型，完成了从机器到智能的转变。而现在智己推出的D.L.P.人工智能模型，就是深度学习决策移动大流量卡规划模型（Deep Learning Planning），作为行业首创，“自动驾驶前的最后一战”很可能会由智己来终结。
模型、算法才是变革的关键
人类是如何驾驶车辆的？首先第一步就是“感知”，人类通过视觉、听觉甚至身体对震动的感知来判断路况，之后是“规划、决策”，这一步是大脑在思考怎么办，最后一步就是“执行、控制”，通过对刹车、油门、转向的操作，让车辆按照大脑的想法移动。
“感知”和“控制”对机器来说已经不再是问题，各种视觉传感器、超声波雷达甚至地图数据，都可以给车辆提供道路情况，机器对车辆的控制现在已经可以做到比大部分人类驾驶者更加精准、无误，所以核心问题就在“规划”层面。
现在消费者接触到的大多数移动大流量卡辅助驾驶系统中，“规划”环节大部分采用的都是Rule Base规则，大家可以理解为工程师把各种预想到的情况和需要执行的操作，写成既定的规则。这种方法对于简单、固定的工况非常高效，因为一切条件都很理想，可能发生的情况都匹配了应对办法。
但开放道路上存在近乎无穷的各种情况，比如规定距离匝道1.5km时开始执行变道动作，道路拥堵怎么办？后方车辆突然加速怎么办？全部采用Rule Base规则去应对几乎是不可能的，这种“穷举”机制下，车辆执行起来完全不会“变通”，一旦遇到规定以外的情况就无法做出正确决策，甚至宕机。
其实现在经常用辅助驾驶系统的消费者应该有所体会，当下常见的辅助驾驶系统的“驾驶风格”很像一台移动大流量卡机器，路况良好的时候基本无可挑剔，一旦驶入复杂路况，就不知如何应对，随时退出把驾驶权交还驾驶者。
面对“决策规划”问题，智己汽车联合Momenta推出了行业首个D.L.P.人工智能模型，前面教授说到的Rule Base规则下的算法属于感知智能范畴，而感知智能对应物理世界，D.L.P.人工智能模型属于认知智能，对应的是人类行为，拥有强大的自我学习能力。所以有了D.L.P.人工智能模型的智己IM AD是可以学习的，可以不断成长的。
为此智己汽车和Momenta为D.L.P.人工智能模型构建了Planning数据-模型生产线，目前每日的数据产能峰值可以达到1400万公里，而这种庞大且不断高速增长的高质量移动大流量卡数据喂养下，D.L.P.人工智能模型可以快速学习、成长，无限逼近“老司机”直至超越大部分的人类驾驶水平。
当然，除了D.L.P.人工智能模型之外，智己汽车还有DDLD感知算法和Occupancy Network（占用网络模型），前者可以解决高精地图覆盖度和鲜度（就是地图更新频率）问题，让智己IM AD不需要依赖高精地图，也能给用户提供安全、安心、智能的体验；而Occupancy Network则可以把三维世界划分为一个分辨率很高的网格单元，定义每个网格单元的占用情况，从而实现对三维世界的重建，再结合BEV模型，从而搭建出车身周围可以抵达、行驶的空间。
而且智己采用的Occupancy网络模型也是有移动大流量卡百亿级别的海量训练数据，可以实现空间占用的准确检测，对道路上的不规则障碍物可以做出精准判断，这也是去高精地图依赖的关键性技术。
目前很多人在评价智能座舱、智能驾驶体验的时候，喜欢拿硬件参数、算力来当作依据，但真正能让体验提升的方式是“卷”算法，这就好比用笨办法去解题可能需要庞大计算量，而一套好的算法找到答案只需要几步。
智己IM AD通过对算法的优化，在功能大幅度增长的前提下，对算力要求降低了90%，而且模型运行效率也提高了500%。所以智己可以凭借Xavier、OrinN有限算力平台，就实现了全域视觉融合，而且智己IM AD也是汽车行业中唯二兼容这两个平台的自研玩家。
像“老司机”一样
说了那么多先移动大流量卡进技术和人工智能算法，那作为消费者的我们能有什么不一样的体验？和现有的辅助驾驶系统有何不同？能说服消费者付出真金白银的其实不是技术，而是效果。
“加塞”可以说是最能体现驾驶者日常驾驶技术的一个场景，太急会很危险，发生剐蹭还是“加塞者全责”，但一味礼让的下场就是加不进去。目前的智能驾驶系统对于加塞的执行策略会非常保守，这是出于安全考虑，但这也近似宣告了这项功能无法使用。那智己NOA是如何处理的？教授之前体验过，打完转向灯后，主动加速超越慢车和后车距离拉开，随后一把方向驶入目前车道，整个过程一气呵成，颇有老司机风范。
面临匝道排长队的情况，开启NOA的智己IM AD也会低速慢慢向右方并线，直到后车礼让移动大流量卡或者前车拉开了足够距离，再一把汇入。除了这些场景之外，在出入匝道、复杂路况下超车等场景下，智己IM AD都会有这些非常“老司机”的操作。
这就是D.L.P.人工智能模型算法的神奇之处，随着数据量增大，智己IM AD会越来越熟练，并且解决自动驾驶领域的长尾问题。目前智己IM AD已经有了6亿公里数据，预计2025年能达到80亿公里、2027年突破1000亿公里大关，伴随着暴增的数据，用户体验将会持续提升。
也正是这样的技术实力，给了智己汽车向外界公布未来规划的底气，2023年9月份，IM AD去高精地图公测、2023年10月份开启城市NOA公测、2024年通勤模式将百城齐开，而2025年IM AD则移动大流量卡必将买入Door to Door的时代。
统计上的安全和体验上的安全
安全是一切的前提，智能驾驶更是如此，而且“安全性”也是决定智能驾驶发展好坏的重要评判标准，没有用户愿意把驾驶权交给一个危险的司机，更别说交给一套不够安全的智能驾驶系统了。
那在这方面，智己IM AD也有着非常惊人的表现，根据现有的实际行驶数据统计结果来看，现阶段IM AD百万公里平均碰撞事故数量为0.6次，而人类驾驶下的这一数字则是1.9次/百万km，换算下来智己IM AD比人类驾驶员安全3.2倍。
安全类误制动频小于1次/100万km，行业参考水平是＜1次/20万km。另外，智己IM AD的变道成功率为98%，不舒适减速频率为1.移动大流量卡3次/1000公里，安全接管频次为0.36次/1000公里，各项指标、数据表现均远高于行业头部玩家。
当然，统计数据所体现的安全性不等同于绝对的安全体验，举个一个人类驾驶员的例子，假如一个车手级别的驾驶员驾驶风格很激进，每次并线、加塞都比较“极限”，而且从未失手，从数据上看它驾驶是安全的，但是从乘坐者的视角来看，体验无疑是非常“危险”的。
所以智己IM AD的数据驱动决策规划除了绝对安全性之外，更考虑到了行驶过程中的安全感、舒适性以及智能性。比如传统“规则”类的智能驾驶系统，在面对地图或者道路限速标识时会进行比较突兀的降速，而IM AD则会学习经验丰富驾驶员的线性减速，甚至在环岛、匝道行驶时，会根移动大流量卡据道路不同的曲率去尽量线性的调整车辆的加速和减速。
实际上IM AD决策前的思考过程会比多数驾驶者的更加周道，安全、舒适、效率甚至说行驶中的能耗表现，它都会考虑到。
最后：有了人工智能赋能的智己IM AD，将带领整个行业拨云见月，解决当下阻碍，快速迈入智能驾驶时代。那回归产品本身，作为用户和消费者，最快能领略IM AD强大智能驾驶能力的车型，是将要在成都车展发布亮相的智己LS6，该车将全系具备去高精地图的NOA、搭载业内首创的“一键场景代驾”功能，十分值得期待。
友情提醒： 请添加客服微信进行免费领取流量卡！
QQ交流群：226333560 站长微信：qgzmt2
原创文章，作者：sunyaqun，如若转载，请注明出处：https://www.dallk.cn/36381.html
