近日，由汽車評價研究院及地平線主辦的「地平線杯」世界十佳智能汽車、世界智能汽車品牌論壇如期舉辦。在大會現場，長城汽車技術中心副總經理——耿偉峰圍繞端到端智駕方案的優缺點及解決方案，進行了詳細介紹。

耿偉峰表示，長城也曾經歷傳統的CNN多相機感知+高精地圖的高速NOA方案，但依賴地圖并非長遠之計。

“在整個行業剛開始推城市NOA的時候，還是基于高精地圖的。這導致只能逐個城市地進行開城。長城認為，這樣的路線是走不通的。”

由此，藍山的智駕系統從一開始，就未采用高精地圖，只用導航地圖。而下一階段，長城希望實現全場景的「車位到車位自動駕駛」。

他介紹稱，高精地圖能夠彌補很多算法問題，的確能夠提升體驗，但是覆蓋性很差。

“根據所有圖商的并集統計，全國雙向車道地圖大概是1000萬公里，真正的高速和高架只有3.6%。而在城市也只有10%左右有高精地圖的覆蓋。”

耿偉峰表示，一旦智駕進城，道路復雜度會指數級增加，面臨的場景是無限的，其中也包括一些異常突發場景：違規自行車、違規行人、非機動車等等。如此看來，基于規則的開發難度是無法想象的。

因此，長城的智駕系統并未像其他車企那樣，從分段式架構開始做，而是利用SEE一體化智駕技術架構。

“端到端架構是現階段實現城市無圖NOA的最優解。基于數據驅動，可減少約75%的人工編碼。同時，算法能力會更強，迭代速度也會更快，極大提升了場景解決速度。”

不過他也指出，雖然目前最先進的端到端技術適用于大多數場景，但并非所有場景，這還是因為其下限問題。

“端到端的優勢是能夠處理復雜場景，更加絲滑擬人，而且不卡頓；劣勢則是有時在一些莫名其妙的場景下，會犯一些低級錯誤，尤其是簡單的場景。例如遵守交通規則，或者簡單的壓線、變道等問題，而且出現問題后定位非常困難。”

基于這些問題，長城設計的端到端智駕模型，思路是基于模型概率性的算法，加上確定性的算法，利用安全規則對端到端結果進行篩選。

同時，長城也會針對預測結果，以及端到端輸出參考線，做傳統的運動規劃。其算法架構是兩個銜接緊密的大模型：一個是負責統一的感知，一個是負責預測、決策和規劃輸出，多參考線和目標的意圖規劃信息，然后進行安全規則檢查，基于時空聯合規劃生成最終的行車軌跡，然后再進行橫縱向的車輛控制。

另一方面，藍山智駕采用的基礎數據，是基于長城多年積累所得，現已累計到數十PB，包括真實用戶的回傳數據和專業數采數據。

耿偉峰稱，僅藍山車型，每個月就會產生大概6000臺的增量，上市幾個月回傳數據已經超過2PB。

但是，對以后的高階智駕來說，數據的量并非關鍵問題，關鍵還是如何將這些數據有效利用好。

為此，長城針對數據治理做了詳細設計。首先通過多維度精細的標簽體系把數據進行拆分，每個精細場景我們都要保證數據的均衡，并且測試、驗證也精細化細分場景。

另外，長城針對數據采用VLM視覺語言模型，提取向量特征；同時基于精細標簽+AI向量特征，精準挖掘出稀有的數據，以及實車表現不太好的關鍵場景。

“這些手段能夠保證我們數據分布的合理，而不是簡單的靠猛堆數據的方法進行學習。”

他表示，傳統數據標簽的挖掘方案中，篩選效率不足，針對場景挖掘數據也需要耗費大量的人力和時間。而采用智能標簽體系+AI特征的方法，可以最大程度縮減挖掘時間，節省人力。

“目前，人工只需要對數據進行確認，就可以針對感知、預測、決策進行一些標注處理。”

除此之外，長城的九州超算中心可動用的總算力超過3 EFLOPS，并且正在持續指數級增長。

“基于大模型、數據和算力資源，我們會將原計劃上市4個月的開城時間（原計劃在12月底開城），縮短到2.5個月，在11月份實現了所有城市公開道路都可以行駛。”

耿偉峰表示，上次OTA版本已可支持掉頭等復雜場景，下次的OTA將會實現待轉區、環島通行等場景支持。