买顶配的理想，才送代驾司机

出品 | 虎嗅汽车组

作者 | 王笑渔

编辑 | 周到

头图 | 视觉中国

(相关资料图)

" 司机地位低 " 的言论，出自于理想汽车创始人李想在去年的一场直播。

不过，这一言论确实被断章取义了。直到李想在微博上发文回应，事件才告一段落，他当时写到：" 在很多大型车的产品定义里，首先以照顾后排的老板为目的，司机的重要级别是最低的，所以可以牺牲司机的舒适性和体验。我们的产品定义不这么做，我们认为司机很重要，不能干扰司机，通风、按摩也要给到司机。"

然而，一个不争的事实的是，理想汽车诸多产品亮点是围绕着，" 女人和孩子开心了，我就很开心 " 的理念来进行延展。比如，理想 L7 的 " 皇后座 "，理想 L9 的 " 冰箱 " 和 " 彩电 "，无一例外都是服务于二排乘客的配置。" 奶爸 " 除了赚钱养家，其余的任务似乎就剩下认真开车了。

但现在，理想终于打算让驾驶员们开心一下了——在 6 月 17 日的家庭科技日上，理想汽车宣布本月即将开启城市 NOA（导航辅助驾驶）内测。并且还宣布下半年，将向用户开放通勤 NOA 功能，让用户拥有属于自己的 " 专属电梯 "，每天上下班更轻松、更便捷。

前两天，虎嗅汽车受邀在 " 地狱级 " 路段北京望京，试驾体验了理想的城市 NOA 城市功能。最直观的感受就是——理想给我请了一个代驾司机，但还属于刚上岗不久的状态。

AI 司机初来乍到，地狱难度直接整上

如果仅用接管率来作为评分标准，那么理想的城市 NOA 只能说刚刚及格。但如果把使用场景的因素考虑进去，理想 NOA 能过的 " 关卡 "，小鹏和华为都不一定能拿到满分。

这次，我们体验的场景是北京的望京核心区域。作为北京最繁华的区域之一，望京的开车规矩，就是没有规矩。交通拥堵和路况复杂程度令不少网约车师傅都望而却步。

路边的违停车辆、逆行的外卖小哥、横穿的行人以及随意、摆放的施工路障等，都为 "AI 司机 " 的大考增加了难度。

一次紧急接管

从望京到顺义，经过 77 个路口、40 公里路程，但我碰上了几乎所有的极端场景。其中，有两次接管都是因车辆违章横穿双黄线调头所致，有一次接管则是外卖小哥别停前车所致，还有一次施工道路水马侵占车道所致。

我愿将 " 望京停车场 "、" 广州城中村 "、" 深圳华强北 "、" 上海南浦大桥 " 称之为中国四大 " 智驾炼狱 "。

另一次接管

第一关，"AI 司机 " 要学会 " 蛇皮走位 "。

望京的朋友都说，" 这里罚款比停车费划算 "。在几乎所有的右侧车道上，都停满了违停车辆。即便是你借道完成右拐之后，下一条路上的右侧车辆依旧停满了车。

如果是依赖高精地图的城市 NOA 功能，到了望京可能会被违停车辆逼疯掉。因为，依赖高精地图的方案更像是 " 盲人走盲道 "，车辆的违停就好比是盲道被占。

从理想城市 NOA 的表现来看，它更像是用人眼看路，用人脑思考。像最基本的，有违停车辆占道场时，理想城市 NOA 能够丝滑地做到绕行；像无保护右转的场景中，在有右侧违停车辆时，它会倾向于选择右侧第二条车道进行右拐；像右拐弯过程中，它也会及时判断左侧是否有来车以及下一条道路右侧仍有违停车辆，如果都没有则会迅速进入中间车道。第二关，"AI 司机 " 要学会看红绿灯。

对于人来说，看红绿灯是三岁小孩都会的技能。但对于自动驾驶系统而言，其难度并不在于识别红灯还是绿灯，而是将识别到的红绿灯信息与当前行驶的道路进行绑定，俗称 " 绑路 "。

因为几乎每个路口的红绿灯位置、形状、高度都大相径庭，很难用人为写入的规则，完成红绿灯路口的通行。如果是通过高精地图以及 V2X 的方案，系统可以提前预知红绿灯信息。这就相当于 " 考试的时候有人给你写小纸条 "，不用你动脑筋思考，直接写答案就行。

从理想城市 NOA 的表现表现来看，它能够在绿灯亮起后的 1 秒钟之内完成起步，全程体验下来并没有出现后车按喇叭催促的情况。不过，在遇到红灯减速停车的过程中，点头情况略微明显。后续，算法团队与整车工程团队可能需要在细节体验上着重配合优化。

一个细节是，如果前方大车在路口完全遮挡住了红绿灯，理想城市 NOA 的可视化界面上是不会显示红绿灯信息的。当前方大车开始起步时，它会先非常缓慢地进行跟车，在确定是绿灯之后再继续加速行驶。这基本能说明，从红绿灯信息的获取上，理想已经彻底摆脱高精地图。

第三关，"AI 司机 " 需要学会博弈。

在遇到各类的博弈场景时，理想城市 NOA 虽然可能会与较大明显的制动和避让，但大多数的时候不会完全刹停等待对方通过，而是慢慢地找机会通过。

与汇流车辆博弈时，它会在旁车阻挡路径的一瞬间进行大力的制动，但同时会缓慢开始加速。在保持安全距离的同时，像人一样往前慢慢地 " 挤出 " 可行驶区域。

与行人的博弈，也是类似。通常发生在拐弯的场景中，车辆需要与避让斑马线上的行人。但如果完全停下来让行人走完，很可能一波走完接着又来一波。所以，理想 NOA 有时候会通过蠕行 + 轻微调整方向盘的方式，一边避让行人一边往前慢慢挪，等到斑马线上出现空挡后，迅速驶离。总之，理想城市 NOA 让人感受到，它开始像人类一样观察、像人类一样开车。而这要感谢 AI 大模型的帮助，让原本线性的成长变为跃升式，让理想实现了 " 弯道超车 "。

" 微博之王 " 又赢麻了？

理想汽车，并不是业内第一家自研自动驾驶，也不是第一家量产激光雷达和大算力芯片，更不上第一家提出 " 重感知轻地图 " 方案。但理想确实是第一家在北京落地 " 无图 " 城市 NOA 功能，并且今年年底扩张 100 城的口号也是理想喊得最响亮。

之所以能追得这么靠前，且跑得如此之快，与路径的选择有着密不可分的关系。

现在很多率先交付城市 NOA 类功能的车型，都是采用的高精地图的方案，并且在规划控制层面大量基于人写的规则。但在复杂多变的城市场景中，总会有高精地图无法覆盖和无法及时更新的区域，也总会有事先没有预料到的场景。

理想这招 " 后发制人 "，则越过高精地图方案，直接上 AI 大模型。

首先，理想城市 NOA 要实现不依赖高精地图，其核心是采用 BEV（Bird ’ s eye view，鸟瞰图）大模型，来实时感知和理解环境中的道路结构信息。业内对于这套 BEV 感知算法的讨论和量产都已经很多了，这里就不多赘述。

但在一些城区复杂的路口，仅通过 BEV 大模型来进行感知依然不够稳定。例如在一些跨度较大的路口，通行车辆较多，传感器视野容易被遮挡，导致车端实时感知的结果会丢失局部的信息，显得不够稳定。

针对这类复杂路口，理想的做法是使用自研的神经先验网络（NeuralPriorNet），简称为 NPN 网络，提前进行路口 NPN 特征的提取。当车辆再次行驶到该路口时，将之前提取好的 NPN 特征拿出来，与车端感知大模型的 BEV 特征层相融合，就得到了完美的感知结果。其次，在 " 看红绿灯 " 这件事上，理想训练了一个端到端的信号灯意图网络（TrafficIntentionNet），简称为 TIN 网络。不需要人为设定任何规则，甚至不需要识别红绿灯的具体位置。只要将图像视频输入给 TIN 网络模型，网络就能直接给出车辆现在该怎么走的结果——左右转、直行或停止等待。此外，理想还通过学习人类司机在路口对信号灯变化的反应，来训练 TIN 网络模型。

接着，面对道路上可能会出现的通用障碍物，比如施工路障、遗撒物体、卡车后斗伸出的货物等，理想使用 Occupancy 网络，来精准地识别它们的边界和类型。通过对 Occupancy 网络 " 投喂 " 大量训练里程，来提升识别的内容和准确性。

像人一样看路还不够，还得让 AI 像人一样操控。

为了让 "AI 司机 " 在驾驶决策和轨迹上，也像人类司机一样做出合理的判断，理想在规控算法上应用了模仿学习的方法，通过大量驾驶员的驾驶行为进行训练，让城市 NOA 的决策和规划，在保证安全、符合交通规则的前提下，做出更像人类驾驶员的判断。

像前文提到的，从右侧第二条车道进行右拐，就是一种拟人化的表现。

当车辆需要右转的时候，按照交通规则，可以选择右转后两条车道的任意一条来汇入。但理想通过观察大量的人类开车的轨迹，发现 90% 以上的用户都会走右二车道而非右一车道，因为右一车道的安全性和效率都不如直接走右二好，而且走右二车道的转弯半径更大，转弯过程更加平稳。所以，理想的模型在这个路口学习训练的最终结果，也是倾向于走右二车道。

写在最后

理想的核心技术，并不是大家常说的大冰箱、大彩电、大沙发，而是 " 场景造物 " ——先抛出你需要给孩子温牛奶的场景，再卖给你冷暖冰箱；抛出二胎家庭带娃坐车的场景，再卖给你能管得住孩子们的后排大屏；抛出女主人在车里能伸直脚的尊贵感，再卖给你皇后座。

同样的逻辑，再劝你多加四万元或者六万元上 Max 顶配车型时，理想抛出了一个绝大多数用户都会遇到的场景——通勤场景。

理想给用户所描绘的场景是这样的：" 上下班通勤通常也是一天中最疲惫，最需要辅助驾驶的时间。很多车主都非常关心，每天上下班的路上能否使用 NOA 功能。所以我们推出了大家最需要的通勤 NOA 产品。"

然而，通勤 NOA 产品，目前只针对 Max 版车型的用户。这些多花了几万的顶配车型用户，可以自主设定通勤路线，通勤时即开始自动化训练。简单路线 1 周以内即可激活，复杂路线预计 2-3 周完成训练。有了通勤 NOA，就好像在上下班路上，让你拥有了自己的 " 专属电梯 "。

那么问题来了，你会多花几万块请一个 "AI 司机 " 替你开车吗？