把不可能变为可能，理想城市NOA团队交出完美答卷

“大模型时代，产生了新的研发范式。我们真的不能再用老眼光、老思路去判断现在的技术和进展了，自动驾驶的发展一定比我们的想象还要快，我是坚信这一点的。”

这是理想家庭科技日结束之后，理想智能驾驶负责人郎咸朋在微博分享的一段话。

2023年6月17日，在理想家庭科技日上，理想城市NOA再次成为“主角”。一位可以走出地图、识别万物、规划决策、持续进化的“AI司机”，正在走入理想汽车用户家庭中去。

有人说，理想城市NOA背后依靠的技术是一场“升维”。在郎博看来，升维，意味着解决方案，但难点在于能不能跨出这一步，因为升维首先要承认自己有问题，要离开舒适区、要挑战人性，很难。

理想汽车城市NOA团队作为这场“升维游戏”中的头号玩家，没人比他们更明白“离开舒适区”的难度与挑战。战略、技术、落地方法、组织……这些因素无一不构成这场“游戏”中的层层关卡，等着他们闯入与突破。

算法交付团队中的一位校招生吉文分享说：“我们的项目组是从‘一清二白’的阶段出发，现在回头看看，我们几乎把不可能变成了可能。”

把不可能变成了可能，是理想汽车城市NOA团队交付的完美答卷。他们提前半年高质量达成了公司级的战略要求，完成了城市NOA功能研发，实现了复杂场景下城市NOA落地，不仅取得多项关键核心技术的自研突破，更达成了在智能驾驶赛道对国内竞争对手的反超，帮助公司站稳智能驾驶第一梯队。

以下，是关于他们的故事：

01

坚守安全底线，探索能力上限

——智能驾驶集成测试团队 Kevin

理想汽车智能驾驶集成测试的使命是驱动并验证城市NOA是否达到了交付标准，关于交付标准，智能驾驶集成测试部门Kevin认为是“在上限和下限之间取得最佳平衡。”

城市NOA的测试工作有着完整且系统的流程。“通过软件测试+车辆测试，能实现1+1＞2的效果。“Kevin讲到，“软件测试环节我们会搭建仿真模拟环境，用以进行初步验证。这个环节是为了确保常规情况下软件可以正常运作。”

车辆测试环节，则需要团队实车实景进行包括闭环场景、性能场景、泛化场景在内的一系列工作。“以泛化场景为例，这就是全场景测试，目的是验证城市NOA在实际使用时候的场景，能否在范围区域内合理运行，要搞清楚遇到复杂环境时，系统的能力边际。”Kevin说。

要了解系统的能力边际，意味着测试团队要复刻极端场景，并反复试验确认，Kevin举了两个例子。

“在双向单车道路面行驶时，我们的对向车道驶来了一辆大型货车，并且它越线借道，此时我们的车该怎么办，是避让还是制动？要做出正确判断，需要车辆在短时间内准确识别并应对驶来的大型货车，大型货车不仅尺寸大质量大，制动距离也更长。”

另外，在Kevin看来，路口博弈也是一件复杂但必须要做好的事情。“直行对左右转车辆主路权之争、直行和左右转并行车流中的极限挤压或斜插，骑行人违章横穿这些都是一种博弈，难点在于以数据模型驱动的特征和人性的复杂多变之间存在永恒偏差。”事实上，即便是人类司机驾驶车辆时，也会为此类情况感到头疼，大多数人都会选择灵活应对，以至于时常会有“狭路相逢勇者胜”的情况发生。

回到开头提到的交付标准，Kevin口中的上限是指产品力，也就是整个系统的感知决策能力能达到的性能上限，下限也可以理解为底线，即安全与可靠的红线。如此，理想汽车城市NOA在安全的前提下，可以实现灵活的应对策略。

在技术层面以外，Kevin还提到了一个隐秘却重要的成功因素——用协作的方式解决所有问题。他称之为“测试与研发之间的双向奔赴“。事实上，城市NOA取得优异成果也意味着巨大的挑战，团队目标一致通力协作不仅对项目进度有积极影响，也极大的提振了士气，这让一向理性严谨的Kevin感受到了温暖。

02

在自动驾驶算法的另一端，追着“数据场景”跑

——数据采集团队 Circle

第二次工业革命，石油的广泛应用推动了人类科技文明的进程，人工智能时代到来，数据被认为是新的石油。数据也是推动自动驾驶功能日益完善的关键燃料，理想汽车智能辅助驾驶可以完成一系列高难度动作，离不开自动驾驶算法的另一端，追着“数据场景”跑的他们——数据采集团队。

“对，我们就是先头部队。兵马未动，粮草先行。”数据采集团队Circle说，“我们的工作主要就是服务算法，保证在高速或城市范围内各种场景样本数据供给，每天就是在城市的各种不同道路上穿行，收集最新的数据，支持算法的优化迭代。” 

在外人看来，数据采集团队的工作就是驾车兜风而已，堪比自驾游，但其中冷暖只有经历过的人才懂。数据采集工作不仅具备专业技能门槛，对体力与心态也有严苛的考验。“一个人开着车，每天行驶9-10个小时，每个地方都是即陌生又熟悉的那种孤独，工作相对来说都很重复，说不枯燥是不可能的。”对Circle和其他伙伴而言，每天工作结束后与家人视频聊天是一天中为数不多的温馨时刻。 

2023年上半年，理想城市NOA迅速落地，离不开数据采集团队70多个日日夜夜的辛劳。作为先头部队，数据采集工作早在项目启动前就已发车，18台车，70个日夜，30多万公里城市路况里程，这支先锋交出了单天数据量产出提升40%以上的战果，昼夜轮班披星戴月是他们的常态。 

在Circle看来，数据采集团队将人效发挥到了极致。

“在整个采集过程中，一切以需求驱动，我们要保证静态、动态、基础感知、模型预测等算法所需要诸如障碍物（车、行人、骑行人等）、路况、天气等多个因素下的数据量充足，且数据供给不掉链子。为了提升效率，我们在管理路径上和采集方案上做了很多的思考，比如需要骑行人的场景，我们就追着外卖小哥走、需要儿童场景时我们就在各个幼儿园附近绕等等，总之，哪里拥堵我们去哪里、哪里施工我们去哪里、哪里下雨就去哪里。”Circle和团队伙伴们诠释了理想汽车“做正确的事，不做容易的事”这一行为准则。

当身边的朋友聊到理想汽车，尤其是智能辅助驾驶时，Circle和伙伴们都会自豪的说：“哥们儿身在其中。”对于未来，他们也充满斗志和信心，“以后要实现高阶的自动驾驶还需要海量的数据支撑，我们一直在路上......”

03

这是一场“升维游戏”

——算法交付团队 飞哥

“我们从0到1交付了城市NOA，这代表着理想汽车的智能驾驶已经进入了中国智能驾驶的第一梯队。”这是当理想汽车智能驾驶算法交付负责人飞哥被问到“近期最大突破点是什么”时给出的答案。

理想城市NOA的出现，意味着一个不依赖于高精地图的城市NOA产品已然诞生。复杂的城市自动驾驶场景，包括大路口左右转、人车混行场景、绕行违停车辆场景等，只用规则算法是无法解决的。在AI大模型的帮助下，一个真正的AI司机，正在走进每一位理想汽车家庭的车主家庭。

飞哥所带领的团队，更像是这个项目中的“眼睛”。创造一双像人类一样的眼睛去清晰地看到世界万物，甚至超越人类的眼睛，准确识别，是这双“眼睛”的使命。

“我们团队负责的是智能驾驶里一些静态要素的感知能力，包括车道线、路沿线，还有红绿灯信息等，来给下游的决策规划与控制输入感知信息。”飞哥解释道，“比如，当我们在开启导航辅助驾驶的时候，驾驶员所看到的EID（车机上的智驾感知显示），上面清楚地显示了地上的一些标线、车辆或是红绿灯信息，那就是静态感知出来的东西。”

理想AD Max 的城市NOA静态感知采用了车端BEV网络与云端NPN特征融合的方式，使用NPN特征和TIN网络增强BEV大模型，做到不依赖高精地图，识别万物。

而聊到NPN特征和TIN网络是怎么产生时，飞哥提到了第一性原理。在他看来，这是对第一性原理的重要应用。

NPN+TIN这样的技术架构和方案之所以诞生，最本质的原因还是我们希望不依赖高精度地图。如果依赖高精地图，其覆盖范围和更新能力当前是无法支撑一款高上限的城市NOA产品。比如，倘若强依赖于高精地图，那么所检测到的各个红绿灯与高精地图中的红绿灯位置做匹配的过程、车辆决策的过程，都是需要高精地图参与的，如果红绿灯的位置、类型以及对应车道发生了变化，都需要及时更新高精地图，否则整个过程就会失败。

于是，一场“升维游戏”开场了。

“用一个端到端的网络（这里的端到端，是从传感器到行车决策）搞定所有问题。输入就是图像，而且只用图像，输出就是行车意图。并且使用Transformer架构，这样时序帧间的信息都可以一起纳入考虑。”郎博（理想汽车智能驾驶负责人）解释说：“不是红绿灯类型多吗，不检测了。不是高精地图更新难吗，不使用了。不是定位偏吗，不依赖了！”

准确识别路口的道路结构，准确在路口按信号灯指示行驶，前者使用NPN特征（NeuralPriorNet）来解决，后者用信号灯通行意图网络TIN（Traffic Intention Net）来解决。“从算法研发到落地交付只用了半年时间，则得益于理想智能驾驶在数据闭环体系上坚实的基础。针对NPN以及TIN所需要的数据，我们的获取效率在国内是首屈一指的。”飞哥说。

是的，这个“升维游戏”的胜利不是偶然的，这是一场“蓄谋已久”的筹划。