智己向小鵬發起攻擂

“智己2年，走完友商9年智駕路。”

在剛過去的“IM AD DAY智己汽車智能駕駛發佈會”上，智己用這句頗有意味的話來總結自家目前在高階智能駕駛領域的成就。

如果說這裡用“X品牌”和“N品牌”指代兩家新勢力友商還算隱晦，那在介紹技術路線時多次公開提及小鵬汽車則能明顯看出其中較量的意味。

這也不是智己第一次關注小鵬。早在6月30日，智己汽車聯席CEO劉濤就在微博恭賀小鵬G6上市，同時表示自家更大·更快·更靚的智己LS6將在成都車展亮相。

一句“標杆就是用來超越的”，擺明了挑戰小鵬的野心和信心。

智己LS6和小鵬G6分別爲這兩家企業最新技術的集大成者，雖然智己LS6還未正式亮相，但在發佈會上，智己已經公佈，LS6將搭載旗下最新的智駕和座艙技術。

而智己在前兩天的發佈會上，用“自動駕駛前的最後一戰”作爲主題，在智駕上全方位和小鵬來了一次對標。

首先智己彙報了IM AD智駕功能的落地情況：

智己宣佈：2023年第四季度，智己IM AD將正式邁入城市NOA時代。

從上面這張圖就能看出，智己這個智駕進程有多誇張，從2020年12月品牌成立，到跟進頭部玩家的佈局速度，智己只花了2年時間。

智己團隊在2021年剛着手智駕方案搭建時，就選擇了OneModel體系以及BEV、Transformer的技術落地。其實這時候就能看出智己在路線選擇上更加重視視覺和數據算法。

先簡單聊聊一臺智能車幫忙駕駛的過程：

首先它需要了解道路規則，接下來需要訓練面對其他道路參與者的能力。就如同人類在開車時腦海裡會假設在某種環境中採取某操作後相應的後果，再選擇最優策略。

智能車學習策略不僅可以通過採集真實行車數據，還有一個重要環節就是通過模型還原虛擬場景，一次次訓練面對不同路況的數據，這就是我們人類司機所說的“經驗”。

針對大量數據，智己落地OneModel技術來管理整個建模數據體系，通過建立核心指標的方式抓取有用信息並結構化，這樣也有利於提高數據標註的速度和質量，方便自動化開發和進一步訓練。

說起來似乎有些拗口，那我們來個比喻：當我們通過積累的方式掌握了一些紛繁雜亂的醫療知識，這時候我們看到了一個受傷的人躺在地上，我們只能從無序的記憶裡找到相應措施，但這樣效率比較慢。

而一旦我們通過語文、數學、物理、生物等類別的知識框架訓練，我們就能迅速梳理出這裡需要生物（醫學）和物理（不使傷口受力的搬運方式）類的知識，OneModel其實就是爲智能車的數據做梳理和深化。

再來看BEV+Transformer的技術路線：在特斯拉兩年前第一次將這種算法形式引入到自動駕駛領域後，大模型視覺算法逐步成爲主流，包括小鵬、理想、華爲、大疆、地平線都在積極佈局。

簡單來說，由於各個傳感器抓取的信息不同，例如攝像頭抓取2D畫面，毫米波雷達採集點雲，甚至不同位置的傳感器獲取的信息表面看起來都大相徑庭。

BEV則會提供空間將這些同一時刻下的信息融合起來，而Transformer神經網絡會去計算重合部分輸出完整的信息。

就像我們面對碎片，根據邊緣色調和線條來拼湊出完整的拼圖一樣，BEV+Transformer就會將所有感知信息還原成完整的路況信息。

再通過不間斷的工作將畫面連續輸出，這就達到了實時構建地圖的效果，不僅輔助了正常行駛，還可以預測可視範圍內其他交通參與者的軌跡，提升系統的實用性。

小鵬自然是其中的佼佼者，量產的BEV感知架構也是小鵬XNGP輔助駕駛系統的核心模塊，前兩天我們還體驗到了無圖的小鵬在北京市區的驚豔表現。【無圖的小鵬，同樣遙遙領先？】

智己作爲智駕領域的攻擂者，想要在短短兩三年內追上小鵬多年的積累，顯然需要做到更多。

圖中數據爲品牌官方公示

在今年4月，智己趕上了大模型潮流，聯合Momenta發佈了D.L.P人工智能模型，D.L.P 指的是deep learning Planning深度學習規劃，其重心在於用數據來明確需求解決典型困難場景。

這是什麼意思呢？按照開車的邏輯來說，我們應該紅燈停綠燈行，遇加塞要避讓，這是基於規則的基礎上來開車。

但是例如在接近匝道口時什麼距離變道更穩妥，前方有慢車該超車還是減速跟行，這無法給出標準答案。所以一段行程中可以規劃出很多可行路徑，但老司機就能掌握各種分寸開的更高效、舒適。

面對加塞選擇的不同策略

所以規劃本質是一個經驗和搜索問題，在衆多可行方案中選出最優解，練的越多就越能把控細節。

D.L.P 人工智能模型通過巨量的模擬車輛在各種場景下進行各種操作方式，積累車輛採取某規劃路徑後的通行效果數據，反哺到現實生活中的智駕功能運行。

智己還在DDLD（數據驅動的道路環境感知算法）和基於Occupancy佔用網絡的DDOD（數據驅動的障礙物感知算法）技術方案上下了大力氣。這兩項技術分別針對時下熱門的“無圖”和“視覺”。

DDLD核心解決的是高精地圖的覆蓋度和鮮度問題所導致的體驗不連續，甚至容易產生的安全問題。通過實時感知，生成道路地標，輸出給規控模塊。

DDLD實測表現

最重要的是，通過DDLD，智己IM AD不需要依賴高精地圖。

而Occupancy Network（佔用網絡模型）則是由特斯拉在2022CVPR上提出的技術，由於數據世界裡不規則物體難以識別，那麼將三維世界劃分爲一個網格單元，定義哪個單元被佔用，哪個單元是空閒的，就可以用劃分區域的方式將複雜場景中的不同物體區分開來，例如路面凸起的石塊和車輛懸掛物。

還可以把當前場景下被遮擋的靜止物體和動態物體也用體積塊表示出來。通過佔用網絡，結合BEV模型，可以對路徑規劃有更多信息。

以上最新技術都將搭載於智己LS6這款車上，全系配備去高精地圖的NOA能力，同時搭載“一鍵場景代駕”功能，可以實現一鍵泊車、一鍵貼邊、一鍵循跡等功能。

由於新車未亮相無法實際體驗最新IM AD，在這裡先和大家分享官方發佈的成績：IM AD的安全接管次數爲0.36次/千公里，泊車成功率97%，車尾識別率99.4%；碰撞事故率0.6次/百萬公里，安全性達到人駕的3.2倍。

有意思的是，這樣的能力輸出，並未基於強大的算力和豐富的硬件基礎上。

智己的技術人員表示，智己IM AD（與小鵬）是行業唯二兼容Xavier（低算力）、Orin（高算力）雙智駕計算平臺的自研玩家。

通過算法優化，在滿足功能增長的前提下，算力需求降低90%。同時通過模型優化，模型運行效率提升500%；

僅使用單OrinX芯片和單顆激光雷達，即可實現全量城市場景及去高精地圖化的NOA方案。

非激光雷達的全域視覺融合方案，僅依靠Xavier、OrinN等中低算力平臺即可實現。

聊到這兒，我們不妨推測，未來智己會推出搭載基於低算力平臺實現純視覺智駕方案的車型，在芯片和激光雷達方面壓低成本後，這樣一款車的價格也會更親民，也勢必將肩負起智己內部走量的重任。

今年上海車展的時候，智己正式發佈了“AI4M智能戰略”，當時我在現場，劉濤幾乎沒怎麼看提詞器，一個人演講了接近20分鐘，不卡頓、沒停滯。把軟硬件架構、大規模智能算法和智能場景體驗這三項智己智駕的地基講得深入淺出。

那時劉濤埋下了一個彩蛋，他透露智己2023年下半年上市的新車，將以“智能化運動控制”和“視覺融合功能增強”爲標誌，豎起智己在智駕領域的一個標杆。

旁邊一個非新能源領域的媒體同行問我：“智己是看上小鵬‘智駕一哥’的牌匾了嗎？能行嗎？”我笑着不置可否。

將在馬上到來的成都車展亮相的LS6，或許就會給我們一個答案。