持續收集長尾場景持續收集長尾場景遇到施工阻斷道路,車輛提前變道避讓雨天視線受阻時采取降速及拉長車距的措施側向攝像頭遮擋后無法變道;前視攝像頭遮擋后無法啟動NOA
智能輔助駕駛沒有絕對的安全可言,安全探索是一條永無止境的道路。安全隱患往往源于疑難的小概率事件,或是多個小概率事件疊加后的爆發,諸如軟硬件失效、極端場景突現等。
因此,輕舟智航遵循“安全頂配”邏輯的產品準則,秉持“以創新驅動安全 以安全定義智駕”的技術理念,提出全新命題 ——推動智駕安全從行業常見的 99.99%,向 99.99999% 進化。為實現安全智駕的目標,我們既要嚴格遵循汽車行業標準規范的開發要求,更要從技術層面加強創新,攻克潛在的、前所未有的難題,持續提升安全性能,最大限度降低安全問題的發生概率。
從 99.99%達到 99.99999% 的變化,并不代表嚴謹的定量分析,而是一種定性的理念。圍繞這一目標,輕舟智航提出三個具體思路:
最首要且長期的任務是解決長尾問題、覆蓋特殊場景。輕舟智航依托數據驅動的研發體系,從上一代 BEV 感知架構,到最新的端到端架構,都具備行業領先的底層技術優勢。輕舟可以通過數據去驅動模型的訓練來解決長尾問題,同時借助數據增強、仿真模擬等手段不斷優化體系效能,賦予系統舉一反三的能力,實現同類問題的高效解決。在數據層面,一方面基于超60萬用戶的海量使用場景中挖掘典型數據,另一方面針對特殊場景主動采集,不斷擴大數據覆蓋范圍,持續優化智駕系統在非常規場景下的表現。
在技術應用上,輕舟智航提出的「安全的端到端」在模型訓練層面實現了兩大技術突破。一是輕舟將獨創且已得到充分量產驗證的「時空聯合規劃」的經驗融入One Model 端到端模型設計中,同時創新性地類比大模型的安全對齊,讓模型規劃的軌跡符合人為定義的安全機制。二是針對離線的模型訓練,輕舟智航也構建了基于運動模擬的世界模型,可批量生產大量的長尾場景和罕見的安全臨界場景。
輕舟智航通過加強對特殊場景的積累與識別,優化主動安全策略以規避風險,例如面對大雨、大雪、大霧等惡劣天氣,系統將主動降低巡航車速,并拉大跟車距離,提升行車安全性;面對施工路段,當發現自車駛入施工車道時,系統會結合地圖導航和實時感知綜合判斷,提前 300 - 500 米規劃變道,遠離施工區域;若識別到前方多條車道施工且無變道空間時,系統會在 300 米外將巡航車速降至 100kph,確保車輛能平穩剎停,有效規避碰撞風險。
第二是提升系統失效安全設計(Fail-Safe Design),其中關鍵是輕舟構建了完善的故障監測與處理機制。在系統與模型設計上,輕舟智航全方位考慮失效可能性。例如在純視覺方案中,模擬相機逆光、遮擋等情況,對單傳感器失效的情況進行模型訓練;在無圖方案里,刻意輸入錯誤地圖數據,避免模型過度依賴地圖先驗,從算法層面降低失效風險。此外,域控診斷模塊實時監控域控內外故障,并根據嚴重程度采取分級響應,包括功能降級、提示用戶接管,若用戶未及時響應,系統將自動引導車輛安全停車,并上傳數據至云端分析。
面對智駕系統潛在的各類失效風險,輕舟智航憑借從L4研發積累的技術理念,構建起多層次的安全防護體系。考慮到 L2 系統無法依靠大量硬件堆疊,輕舟智航通過異構傳感器融合進行冗余設計,利用前向配置多個相機、毫米波雷達及激光雷達,有效提升系統可靠性。在模型冗余層面,輕舟已量產采用 BEV+Mono 兩套視覺架構模型,可在其中一套失效時繼續工作,確保感知結果不受影響。
三是基于人機交互反饋提升主動式安全保護。基于大量用戶使用數據與反饋,輕舟智航聯合頭部新勢力車企,針對多種潛在風險場景,落地了一系列主動式安全策略,通過人機交互反饋為用戶提供全方位安全保護。
在防止用戶誤操作方面,當檢測到用戶在智駕過程中起身或解開安全帶超過 5 秒,系統立即發出接管提示,并同步增大方向盤接管力矩,避免因身體誤觸方向盤導致車輛失控;通過監測主駕座椅角度,一旦發現用戶躺平,系統持續提醒用戶接管,直至恢復正常坐姿,防止因駕駛姿態不當引發危險;若監測到駕駛員長時間疲勞駕駛或注意力分散,系統會及時發出接管提示,若駕駛員未響應,車輛將在本車道內安全剎停;針對用戶可能出現的誤踩加速踏板或未及時關注路況的情況,系統會迅速發出有效提醒,促使用戶減速或解除誤觸。
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.