无限接近真人驾驭，这样的智己你期待吗？

【原文】我们之前讨论过实现L3级自动驾驶的困难。

要达到这个水平，对车辆硬件和软件的技术要求非常重要。

如果说L0到L2是低级自动驾驶系统，那么L3到L5就是高级自动驾驶系统。

从L2到L3的跨越，最大的跨度是环境监控主体从驾驶员转变为系统。

只有系统能够自动检测和分析附近区域的情况，才能实现高水平的自动驾驶。

因此，要实现真正的L3级自动驾驶，高算力芯片+高精地图+高精雷达+智能摄像头缺一不可。

纵观目前有实力达到这个水平的国内车企，除了特斯拉、小鹏、蔚来、华为、广汽艾安等之外，其中还有一个初创品牌，那就是智己汽车。

不久前，智己汽车在城市高峰时段测试了其自动驾驶系统。

一般来说，城市道路比较复杂。

你永远不知道电瓶车什么时候会过马路；当行人突然出现时；当缓慢行驶的车辆堵塞道路时；当其他车辆改变车道并阻塞交通时。

这种需要依靠自己的经验且不固定的驾驶场景，在自动驾驶领域被称为Corner Case，是一个复杂的场景。

例如，当你开车时准备变道时，有车辆突然想从侧面“切入”。

“进来吧，你要做什么？”回到原来的位置？还是继续变道？诸如此类无法确定方向的问题可以称为复杂问题。

目前，要在城市道路上实现自动驾驶，面临的问题90%是常规问题，剩下的10%是复杂场景，这是自动驾驶最关键的方面。

如何解决这个问题呢？显然，除了车辆本身的硬件基础之外，自动驾驶的系统算法是解决本次事件的重要决策。

目前，智己IM自动驾驶智能驾驶解决方案由29个感知硬件组成，其中包括12个摄像头、5个毫米波雷达、12个超声波雷达。

同时，智己智能驾驶架构还可升级为下一代智能计算芯片Orin，算力可达Tops+，最高可支持激光雷达L5级智能驾驶。

先列个清单：当然，这只是硬件配置。

在自动驾驶软件中，这套Data Driven数据驱动的智能驾驶算法负责信号处理和逻辑分析决策。

一般来说，传统的自动驾驶是基于Rule-based算法，这意味着系统按照设定的驾驶规则运行。

例如，当车辆需要超车时，必须遵循系统已经设定的超车条件：道路半径大小、与前车的距离、与后车相比要保持的速度等。

只要满足上述条件即可满足后，即可超车。

。

这样的系统设计看似非常合理，但在实际应用中会有一个很大的弊端，那就是自动驾驶的复杂性使得列出所有这些规则变得极其困难。

对于一些极其复杂的场景（Corner Case）处理起来比较困难，所以智己使用的Data Driven数据驱动的智能驾驶算法具有自学习和自更新的能力，基本能够处理10%的复杂情况场景（极端案例）。

智己的数据驱动核心算法架构利用车辆不断产生的实际数据自动发现问题、记录数据、上传数据、在云端对数据进行注释、训练模型并在更新到车辆软件之前进行验证。

也就是说，当车辆在行驶过程中遇到复杂路况时，车辆会将采集到的数据上传到云端。

模型经过反复训练后，迭代返回车辆进行更深入或优化的操作。

智能驾驶体验设计实现了自学习能力。

说了这么多，你可能会觉得这都是“纸上谈兵”，那何不在实际路段上跑一圈，来验证一下智己自动驾驶系统的真实能力呢？首先，从已知信息来看，智己进行的实际道路行驶测试所使用的车辆是工程样车，并非实际量产车辆，但其整体性能可能“稍显逊色”。

首先，这款工程车并没有搭载量产车上的激光雷达。

要知道，激光雷达是L3级自动驾驶不可或缺的传感设备，对于提高关键目标的检测精度起着制胜作用。

至于智己汽车在市区40分钟自动驾驶的表现，可以说不依赖激光雷达也能产生一些亮眼的效果。

我们来分析一下智己汽车在城市自动驾驶的实际测试如何？一些值得注意的功能。

首先我们来看看本次测试的图片（素材来自：汽车之家）。

测试视频未剪辑，从汽车驾驶的角度展示了整个测试过程。

值得注意的是，车内乘客A柱上有一盏外置圆形灯。

当灯变绿时，表示车辆处于零接管状态。

如果红灯亮起，则表明有人工干预。

屏幕右上角有测试车辆的环境感知信息和车辆控制信息的数据显示页面。

它可以显示车辆的速度、方向盘转角、目标检测和识别信息、目标预测轨迹以及车辆自身的规划轨迹等。

通过这张图，我们可以清楚地看到智己汽车是如何应对复杂路况的。

1、红绿灯自动识别从视频中可以看出，当测试车辆进入红绿灯路口时，会自动识别当前红绿灯状态进行行驶。

值得注意的是，视频中的路段为直行+左转的多向单车道。

它会在没有车道线的道路上自动选择合理的路线进行转向操作，最终并入目标车道。

整个操作过程可以看到非常流畅，尤其是在转向过程中，对前方接近的周围车辆和电动摩托车的路线轨迹判断得非常准确，然后驶入人流混合的单车道后车辆经过，经过很短的调整，车子继续行驶，可以说没有任何“马虎”。

事实上，这段路段也可以规划为复杂场景（Corner Case），因为在如此狭窄的道路路线中，会有不确定的车辆或行人穿越周边区域。

这不仅考验车载传感硬件的性能，也考验车辆的性能。

系统算法也存在不少挑战。

2.避免使用两轮电动车。

如果你在国内城市道路上行驶，你就不得不接受无处不在的两轮电动车。

与自行车和行人相比，它们的行驶速度较慢，更容易突然变道。

属于让司机更头痛的行列。

视频中，当车辆行驶中突然遭遇右线两轮电动车时，车辆系统很快识别出其存在，并做出一系列避让动作进行避让并向左侧减速。

当遇到面向左侧的两轮电动车相当于反击时，车辆会向右做出规避动作来躲避。

最后，当遇到两轮电动车过路口时，车辆会减速并向右转向避让。

从这三个地方两轮电动车避让动作可以看出，整个避让过程中，车辆反应很快，没有突然刹车，方向盘也没有做出夸张的大转弯。

更重要的是，在避让过程中，车辆并没有因为避让而移入其他车道，而是依然在自己的车道上行驶，可谓十分“老练”。

3、自主变道超车视频中，车辆经过红绿灯路口进入目标车道时，发现一辆低速占道车辆。

可以看到，系统检测到后迅速变道。

可以看到，当整个系统驶入目标车道，遇到低速占用车道的车辆时，即使车辆之间的距离很近，智己自动驾驶系统仍然可以在“毫秒”内完成变道。

这不仅展示了车辆环境感知系统的精确响应，还凸显了整个系统的快速适应能力。

4.自动进入高架桥并并入主干道。

视频中，车辆按照规划路线自动驶入高架桥，缓缓并入主干道。

可以看到，当车辆进入高架桥时，车辆经过系统的检测和周围社会车辆的模拟轨迹，采用“试探”的方式慢慢切入主干道。

这里值得注意的是，与其他竞品相比，智己自动驾驶在切入主路时并没有出现过于激进的加速或持续制动的情况。

它将车辆的一点一滴融合得非常自然和谐，可以说它的逻辑更接近普通人的驾驶风格。

5、智能闪避和车道线控制车辆行驶过程中，当测试车辆向右并线时，突然右车道的一辆社会车辆开始“强行”向左并线。

此时，智己IM AD的自动驾驶开始向左侧进行规避机动。

右侧“强行驶入”车辆开走后，测试车辆继续向右并道，直至进入目标车道。

这种合并的逻辑非常有趣。

当测试车辆在合流过程中遇到反方向驶来的车辆时，不仅略微减速，而且还向一侧做出了规避动作。

但在整个过程中，测试车仍然保留了两车之间的行驶空间，并试探性地继续并道，直至进入目标车道。

据智己工程师介绍，这是一种专门设计的多探针合并策略。

在这种策略下，车辆不会一次机械地全部合并，而是会通过多次尝试慢慢地合并。

非常轻松。

6.切换高架桥并处理Y形路口。

当车辆遇到Y形路口时，会在进入路口之前开始并道。

即使后面遇到更多的Y型路口，狼铺地图下的智己IM AD自动驾驶也能轻松应对。

在高精地图的支持下，智己IM AD自动驾驶系统不仅可以准确识别匝道路口，还可以提前预测路况，转入最合适的车道。

在连续的Y型匝道路口，道路识别依然准确，没有出现走错匝道的情况。

最后，在高架公路上遇到急转弯时，它会自动减速，平稳舒适地完成转弯。

另外值得注意的是，当车辆进入主干道时，并没有寻找机会立即将车速提高至限速。

相反，整个提速过程是比较缓慢的。

可以说，它完全模拟了人类的驾驶习惯，给乘客带来了足够的舒适感。

驾驶信心。

不过，这里需要提到的是，自动驾驶的逻辑与驾驶风格密切相关。

目前，智己IM AD将针对不同习惯推出不同风格的自动驾驶系统，以及根据驾驶员的习惯调整整个体验的自学习系统。

我们来总结一下这个视频。

一般来说，大曲率弯道和连续Y形交叉口是自动驾驶最困难的问题。

连续的Y字坡道如果处理不好，车辆就会“焦躁”、混乱。

大曲率急弯如果处理不好，就会因无法保持车道和车速而发生交通事故。

更重要的是，与城市自动驾驶相比，高架道路自动驾驶的逻辑维度有很大不同。

城市自动驾驶场景复杂多样，但速度维度普遍较低。

对于高架道路自动驾驶，由于车辆速度较高，目标物体的跟踪预测需要更加稳定，响应速度需要更快，预测干预需要更早。

7.切入（cut-in）并入主干道。

当车辆从匝道汇入主干道，遇到拥堵时，智己的自动驾驶系统会先自动减速，然后试探性并入主干道，并在目标车辆前后留下足够距离后车道上，你可以顺利切入并完成变道，可以说是一气呵成。

值得注意的是，当测试车辆并入主路时，自身车道在车辆并入时逐渐变窄。

就在这时，智己试验车的速度开始逐渐减慢。

短暂停留后，它检测到并道。

找到间隙后，“加入”车流。

据智己技术人员此前介绍，这套并行逻辑收集了数百名出租车司机的驾驶数据，包括他们的驾驶习惯，进行行为模拟，并添加了环视镜头和其他传感器来融合近距离数据。

目标的距离检测、加速度和方向检测非常准确。

因此，智己IM AD的自动驾驶并道功能真的就像一个经验丰富的驾驶员一样。

8、识别模糊标线在我们的日常行车中，由于市政道路的建设，新旧车道标线经常同时出现在路面上。

通过测试，智己IM AD的自动驾驶系统仍然识别出新车道并保持直行，没有出现任何偏航。

一般来说，大多数传统自动驾驶系统在遇到新旧车道线同时出现时，其感知系统会检测到多条车道，这会导致车辆定位系统在使用车道线进行横向定位时出现选择错误。

现象，这将导致定位误差和横向移位。

通过智己IM AD自动驾驶的表现，我们可以确定整个系统在高精地图与现实不符的情况下有一定的稳定处理能力。

以上测试场景充分展示了智己IM AD自动驾驶系统的可靠性。

不过，我认为整个测试中有几个细节是值得肯定的。

在视频中的一段道路行驶中，智己的自动驾驶测试车在遇到前方斑马线时会自动减速，这也对行人实现了良好的保护。

此外，当遇到多辆车等红绿灯时，智己IM AD的自动驾驶系统会智能缩短跟车距离。

此外，它还能准确识别右侧大型车辆持续接近、侵入前方车道，主动减速并轻微避让左侧，与大型车辆保持安全距离，大型车辆通过后，将在中心正常行驶。

这充分展现了系统的适应性和智能闪避能力。

另外，在这段测试视频中，整个系统除了视觉感知系统和雷达之外，还有一个传感器功能非常引人注目，这就是国产军用级超干线惯性导航系统。

这种所谓惯性导航的伟大之处在于，即使其他传感器（GPS、摄像头、激光雷达、毫米波雷达等）出现故障，它仍然可以提供准确的定位。

在视频中，我们看到测试车辆会不断通过一些有建筑物覆盖的路况，比如立交桥下等容易削弱GPS信号的地方。

传统自动驾驶系统如果经过该区域，会造成信号丢失，失去导航能力。

最后又回到了手动干预驾驶。

不过，配备军用级超高速惯性导航，智己的自动驾驶系统具有超强的定位能力。

可在隧道、地下车库、城市峡谷、高架桥等区域实现精准定位，实现全场景全面定位覆盖。

据悉，普通惯导只能提供米级（m）级精度，而军用级惯导则可以提供厘米（cm）级定位。

这样的配置不仅是高精的定位技术，还可以与GPS、视觉、V2X等定位技术形成冗余定位。

所以综上所述，智己的自动驾驶系统充分考虑了日常特殊场景的使用，这对用户来说是非常有利的。

最后要说的是智己IM AD的视觉感知系统。

一般来说，机器的视觉感知可以大致概括为三类：一类是静止物体。

比如我们传统的红绿灯、路杆等；第二类是动态物体检测，比如街上行走的行人和汽车；第三类是语义信息的分割。

比如我们常见的道路标线等信息；在最复杂的前视感知场景中，智己IM AD采用了三个主摄像头，其中两个包括长焦镜头，擅长捕捉远处的物体，比如远处的红绿灯、障碍物、车辆等，可以识别进步。

还有一款前置鱼眼镜头，擅长捕捉近距离物体，比如我们常见的果酱场景。

利用长焦镜头和鱼眼镜头各自的特性，将两者融合，相互验证，产生最优解输出。

为了判断周围的物体，通过环顾四周的鱼眼镜头来感知周围的物体，并与善于捕捉移动物体速度的毫米波雷达相结合。

最后提取最优解，整个感知就完成了。

过程。

因此，前提是只有集成各种传感器，才能实现对低速、高速等目标的实时稳定感知。

小编总结：通过这段智己IM AD自动驾驶演示视频，我们可以看到，智己IM AD自动驾驶系统在现有行业技术中初步达到了接近真人驾驶的地步。

要知道，上面的测试只是没有激光雷达的自动驾驶逻辑方案。

目前智己汽车兼容激光雷达软硬件架构冗余方案，支持第二代半固态激光雷达（2台）的升级能力。

该雷达已做好商业化批量生产的准备。

届时将能够实现对道路上30*30cm小物体的精准感知，以及检测相邻车道车辆缓慢并道的独特能力。

与IM AD智能驾驶系统结合，智能驾驶的安全性将得到大幅提升。

。

但面对地大物博、资源丰富、道路复杂的中国，要真正实现100%自动驾驶还有很长的路要走。

但从整个测试可以看出，智己IM AD的自动驾驶逻辑和处理凸显了其背后强大的技术实力，也让我们真正了解到了未来的自动驾驶会是什么样子。

学海无涯。

相信在未来的科技发展中，智己还会有更加惊人的表现。

我们拭目以待。