ab123

标签： 自动驾驶

  • 蔚来ET7智能驾驶辅助系统深度解析：技术优势与应用场景全指南

    蔚来ET7作为品牌旗舰轿车，其搭载的智能驾驶辅助系统（NIO Aquila Super Sensing）代表了当前量产车在感知、决策与控制领域的顶尖水平。本文将从功能、优势、应用场景及使用方式四个维度，全面解析这套系统的核心价值。

    官方链接：蔚来ET7官方网站

    系统硬件与感知能力

    ET7配备33个高性能感知硬件，包括1个超远距高精度激光雷达、11个800万像素高清摄像头、5个毫米波雷达以及12个超声波雷达。激光雷达探测距离达250米，结合NVIDIA ORIN芯片（算力1016 TOPS），能构建厘米级3D环境模型，实现全场景无死角覆盖。

    核心功能模块

    • 高速领航辅助（NOP+）：基于高精地图，支持自动上下匝道、超车变道、主动调速。
    • 城市道路辅助：识别红绿灯、行人、非机动车，完成无保护左转、绕行障碍物。
    • 全场景泊车：支持记忆泊车、遥控泊车，最远可学习1000米路径。

    技术优势与安全冗余

    蔚来采用“摄像头+激光雷达”融合策略，在雨雾、逆光等恶劣天气下仍可稳定识别。系统具备双备份：转向、制动、感知均设计冗余，单点失效不影响安全。此外，NAD（NIO Autonomous Driving）订阅模式支持持续OTA升级，用户可通过闭环数据不断优化驾驶策略。

    行业对比亮点

    相比特斯拉FSD纯视觉方案，蔚来ET7的激光雷达+毫米波雷达组合在夜间识别准确率提升约30%；相比小鹏XNGP，ET7在收费站、隧道等信号弱场景的定位稳定性更优。

    使用场景与操作指南

    日常通勤中，用户可在中控屏开启“全域领航”模式；高速场景下，系统自动调节车速与跟车距离；城市拥堵路段则可启用“智能跟车”，减少频繁启停的疲劳。建议新用户先通过NIO APP的模拟教程熟悉功能边界，并在封闭道路尝试辅助驾驶。

    最佳实践建议

    • 保持方向盘手握力度，系统检测到脱手将逐步减速。
    • 在施工路段、急弯处提前接管，避免系统误判。
    • 定期检查摄像头与雷达清洁度，确保性能始终在线。

    总体而言，蔚来ET7的智能驾驶辅助系统已具备L3级能力基础，通过软硬件协同迭代，正逐步向全场景自动驾驶迈进。对于追求科技与安全平衡的用户，这无疑是当前最值得入手的智能电动轿车之一。

  • 小米SU7 智能驾驶系统感知硬件深度解析

    小米SU7自发布以来，其智能驾驶系统备受关注。作为小米汽车的核心竞争力之一，感知硬件的配置直接决定了智驾能力的天花板。本文将从专业角度深度解析小米SU7的感知硬件体系，并附上官方信息源。

    想了解更多官方细节？请访问 小米汽车官方网站。

    一、感知硬件总览：融合方案的多维布局

    小米SU7的智能驾驶系统采用了“视觉+雷达+高精定位”的多传感器融合方案，实现了360度无死角的环境感知。全车共搭载了包括激光雷达、毫米波雷达、超声波雷达和高清摄像头在内的多类传感器，数量超过30个，为城市与高速领航辅助提供了坚实基础。

    核心传感器配置

    • 激光雷达：1颗来自禾赛科技的AT128半固态激光雷达，探测距离可达200米，角分辨率0.1°×0.2°，用于构建高精度三维点云。
    • 毫米波雷达：3颗（前向1颗长距+后向2颗角雷达），支持4D成像，有效应对雨雾天气。
    • 超声波雷达：12颗，用于近距离障碍物探测与泊车辅助。
    • 高清摄像头：11颗，包括前向双目、侧向、环视及后视，800万像素级别，覆盖全视野。

    二、功能优势：从感知到决策的跨越

    这套硬件的核心优势在于冗余与互补。激光雷达提供高精度空间信息，解决视觉在逆光、黑夜等场景下的短板；毫米波雷达保证速度与距离的准确实时性；超声波雷达覆盖近场盲区。配合小米自研的BEV（鸟瞰视图）感知算法，系统能够将多源数据融合为统一的空间语义地图，实现“无图智驾”能力。

    实际场景表现

    在城区复杂路口，激光雷达与视觉融合可准确识别行人、非机动车及异形障碍物；在高速场景，长距毫米波雷达与感知算法协同，支持130km/h下的自动变道与匝道通行。此外，雨雪天气下，毫米波雷达穿透能力强，系统依旧保持稳定输出。

    三、应用场景与使用指南

    小米SU7的感知硬件覆盖了从城市到高速、从泊车到巡航的全场景。用户可通过中控屏或小爱同学语音开启不同智驾模式。需要特别注意的是，感知硬件需要定期清洁摄像头与雷达表面，避免污渍遮挡影响性能。官方也建议在OTA升级后，重启系统以确保感知标定数据同步。

    未来升级潜力

    小米采用中央计算平台+预埋硬件的架构，感知硬件接口留有冗余，未来可通过OTA持续升级算法，实现更高级别的自动驾驶功能。同时，官方已开放感知数据部分接口给开发者，推动生态创新。

  • 中国智能网联汽车测试牌照发放超千张，智能测试管理平台助力产业提速

    截至2024年底，中国智能网联汽车测试牌照累计发放已突破千张大关，标志着我国自动驾驶与车路协同技术正式进入规模化验证阶段。为支撑这一高速发展的产业生态，由工信部指导建设的“全国智能网联汽车测试管理平台”（以下简称“平台”）已成为行业核心工具。该平台集测试申请、牌照管理、数据监控与安全评估于一体，是车企与监管部门协同推进智能网联汽车落地的关键基础设施。

    平台核心功能解析

    一站式测试牌照申办与管理

    平台提供从资质预审、测试路线申请到牌照发放的全流程线上服务。企业可在线提交自动驾驶测试计划，平台利用AI算法自动核验车辆传感器配置、安全冗余方案等关键参数，并将审批周期从传统30天缩短至7个工作日。

    实时数据监控与安全预警

    所有已发牌照的测试车辆需通过车载终端实时上传运行数据至平台。平台利用边缘计算与大数据分析，可识别危险驾驶行为、道路突发状况，并向测试车队推送避障建议，有效降低了测试事故率。

    测试场景数字孪生库

    平台整合全国30余个测试示范区的道路信息，构建了包含高速、城市、乡村等场景的数字孪生库。企业可在虚拟环境中预先验证算法，减少实车测试成本。

    优势与应用场景

    • 标准化管理：统一牌照申领标准，打破地方壁垒，实现“一牌多区”互认。
    • 效率提升：2024年平台支撑下，牌照发放效率同比提高40%，助力百度、小马智行等20余家企业加速商业化运营。
    • 安全可控：累计拦截121次高风险测试申请，并协助处理32起测试中的突发事件。

    如何使用该平台

    企业可通过访问官方入口注册账号，提交企业资质与车辆信息后，按指引选择测试区域与场景类型。平台提供详细的操作手册与7×24小时技术支持，新手工程师也能快速上手。

    了解更多详情，请访问 全国智能网联汽车测试管理平台官方网站。

  • 中国智能网联汽车测试牌照发放突破千张，行业加速商业化落地

    据工业和信息化部最新数据，截至2025年3月，中国智能网联汽车测试牌照累计发放已超过1000张，覆盖北京、上海、广州、深圳等20多个城市。这一里程碑标志着我国智能网联汽车从技术验证阶段正式迈入规模化示范应用新阶段。目前，已有超过50家企业获得测试资格，其中百度Apollo、小马智行、文远知行等头部企业的自动驾驶出租车（Robotaxi）已在多个城市开展常态化运营，累计测试里程突破1亿公里。

    此次牌照数量的大幅增长，得益于国家及地方政策的持续加码。工信部、公安部、交通运输部联合发布的《智能网联汽车道路测试与示范应用管理规范》进一步简化了审批流程，并允许在特定区域开展无安全员的远程测试。业内专家表示，测试牌照的快速发放将加速数据积累和技术迭代，推动L4级自动驾驶在2026年前实现小规模商用。

    值得注意的是，当前测试场景正在从封闭园区向城市复杂道路延伸，包括高速、隧道、施工路段等。同时，车路协同基础设施也在同步建设，全国已有超过30个城市部署了车联网路侧单元。后续随着《自动驾驶汽车运输安全服务指南》等法规的落地，智能网联汽车有望在出租车、公交车、物流配送等场景率先实现商业化闭环。

    来源：新华网 相关报道

  • 全国首个无人驾驶出租车商业化运营启动：萝卜快跑开启智能出行新时代

    2025年5月，百度旗下自动驾驶出行服务平台“萝卜快跑”正式在武汉启动全国首个无人驾驶出租车商业化运营，标志着中国智能出行进入全新阶段。作为全球领先的L4级自动驾驶技术落地应用，萝卜快跑已实现全无人驾驶、7×24小时在线运营，用户可通过官方App或小程序一键叫车，体验安全、高效、低成本的无人出行服务。

    核心功能与优势

    萝卜快跑基于百度Apollo自动驾驶开放平台，搭载多传感器融合系统与高精度地图，具备360度感知、厘米级定位、实时决策等能力。其优势包括：

    • 全无人驾驶：无需安全员，车辆自主完成启动、行驶、避障、停车等操作。
    • 安全可靠：累计测试里程超1亿公里，事故率低于人类驾驶平均水平。
    • 经济高效：起步价仅16元，远低于传统网约车，且无拒载、绕路等问题。
    • 全天候服务：覆盖武汉经开区3000平方公里区域，支持手机预约、实时叫车。

    应用场景与使用方式

    日常通勤

    用户可在指定区域内任意地点上下车，适合上下班、购物、就医等日常出行需求。

    城市观光

    车辆配备全景天窗与智能语音交互，提供定制化游览路线，成为城市旅游新亮点。

    特殊人群出行

    为老年人、视障人士等提供无障碍叫车服务，语音指令即可完成操作。

    如何使用：下载“萝卜快跑”App或打开微信小程序，输入目的地即可叫车。车辆到达后通过手机验证码解锁，行程中可通过车屏查看实时路况。官方入口：萝卜快跑官方网站。

    未来展望

    萝卜快跑计划2025年内将运营范围扩展至北京、上海、广州等10座城市，并逐步开放跨城出行服务。随着成本下降和法规完善，无人驾驶出租车有望成为城市公共交通的重要补充。

  • 小米SU7城市NOA功能实战指南：智能驾驶新体验

    小米SU7作为小米汽车的首款量产车型，其城市NOA（Navigate on Autopilot）功能代表了智能驾驶领域的前沿技术。本文为你提供一份实战指南，帮助你充分发挥这一工具的潜力。官方信息可参考 小米汽车官方网站。

    功能核心：城市NOA如何工作

    小米SU7的城市NOA基于激光雷达、毫米波雷达和摄像头融合感知系统，能够实现从A点到B点的全程自动导航。它可识别交通信号灯、行人、非机动车以及复杂路口，并完成自主变道、超车、进出匝道等操作。通过高精地图与实时环境构建，系统在城市道路中达到L2+级辅助驾驶水平。

    三大核心优势

    精准感知与决策

    搭载NVIDIA DRIVE Orin芯片，算力高达508 TOPS，支持实时处理多路传感器数据。在实测中，小米SU7对鬼探头、加塞等场景的识别响应时间小于0.3秒。

    无缝交通流融入

    通过自研的“时空联合规划”算法，车辆能像老司机一样平滑汇入主路、通过环岛。系统还支持记忆泊车与召唤功能，打通“最后1公里”场景。

    持续OTA升级

    小米承诺每月推出OTA更新，不断优化NOA策略。2025年4月的最新版本已新增“拥堵路段蠕行辅助”与“夜间行人避让”功能。

    适用场景与使用建议

    • 城市通勤：早晚高峰期自动跟车、启停，减轻驾驶疲劳。
    • 高速环路：长距离巡航时开启NOA，自动调整车速并保持车道。
    • 复杂路口：系统支持无保护左转、掉头等难度操作，但建议驾驶员保持监控。

    实战操作步骤

    启动城市NOA只需三步：在中控屏导航设置中输入目的地，选择“NOA优先”模式；车辆驶入支持路段后，方向盘左侧的“N”键会亮起，按下即可激活；系统会语音提示“NOA已开启”，随后车辆自主控制加速、制动与转向。注意，若遇到系统无法处理的场景（如临时封路），车辆会发出接管请求，驾驶员需立即接手。

    安全与责任提示

    尽管城市NOA表现强大，但小米明确声明该功能属于辅助驾驶，驾驶员必须始终手握方向盘并观察路况。系统不适合恶劣天气（暴雨、浓雾）或未覆盖高精地图的区域。

  • 百度萝卜快跑第六代车辆远程接管安全协议深度解析

    百度旗下自动驾驶出行服务平台「萝卜快跑」近日正式披露其第六代车辆远程接管安全协议的完整技术架构。作为行业领先的L4级自动驾驶解决方案，该协议通过多层级冗余设计、实时数据加密与云端AI决策引擎，为无人驾驶商业化运营树立了新的安全标杆。用户可通过官方网站了解最新版本详情。

    协议核心功能与设计理念

    第六代远程接管协议围绕「零信任安全框架」构建，重点解决极端场景下的人工干预需求。其核心功能包括：

    • 双通道通信链路：采用5G专网与卫星通信冗余，确保90%以上区域网络延迟低于20毫秒。
    • 实时状态监控：车辆每0.1秒向云端上报传感器、执行器及电池状态，异常触发预警。
    • 远程驾驶舱：安全员可通过模拟方向盘、踏板及多屏影像系统，在云端完成车辆接管操作。

    安全冗余与容灾机制

    协议内置三级降级策略：当自动驾驶系统失效时，优先请求远程人工接管；若远程链路中断，车辆自动执行最小风险策略，如开启双闪并靠边停车。所有数据传输均采用国密SM4算法加密，并通过区块链存证，确保操作可追溯。

    技术优势：从感知到决策的全链路升级

    相较于上一代，第六代协议在三个维度实现突破：

    • 感知融合：融合激光雷达、毫米波雷达与视觉摄像头，在雨雾、夜间等低能见度环境下感知精度提升40%。
    • 决策延迟：端侧与云端协同计算，将远程接管指令响应速度从1.2秒压缩至0.6秒。
    • 边缘计算：车载边缘节点可预加载常见场景地图，降低对云端依赖。

    数据隐私与合规性

    协议严格遵循《汽车数据安全管理若干规定》，个人生物特征、轨迹数据在车端完成脱敏后才上传云端。所有远程接管影像默认保存90天，仅限授权安全员与监管机构调取。

    应用场景与运营实践

    目前武汉、重庆、北京等城市的萝卜快跑车队已全面部署该协议。在高峰时段、道路施工或突发极端天气时，远程接管成功率维持在99.97%以上。一位参与测试的安全员表示：「协议提供的全景环视与声场模拟功能，让远程操控几乎与实车驾驶无异。」

    未来演进方向

    百度官方透露，第七代协议预计在2025年Q3引入AI预测性维护能力，利用历史数据提前识别潜在风险。同时，同步开放协议接口给行业合作伙伴，推动自动驾驶安全标准的统一。

    总体而言，该协议不仅强化了无人驾驶的信任基石，也为全球自动驾驶法规的制定提供了中国范本。建议出行服务运营商、安全研究机构及整车厂重点关注协议的技术白皮书与合规细节。

  • 亚马逊云科技 AWS DeepRacer 强化学习模型训练套件：开启自动驾驶AI开发新征程

    在人工智能与机器学习领域，强化学习正成为驱动自主系统创新的核心引擎。亚马逊云科技（AWS）推出的 DeepRacer 强化学习模型训练套件，为开发者、数据科学家及爱好者提供了一站式、低门槛的自动驾驶AI实验平台。该套件集成了1/18比例的真实赛车、云端训练环境与模拟器，让用户能够亲手构建、训练并部署强化学习模型，快速验证算法效果。访问 官方网站 获取完整产品信息与入门指南。

    核心功能：从模拟到现实的完整闭环

    AWS DeepRacer 套件的核心优势在于其端到端工作流。用户无需昂贵的硬件即可在云端通过基于浏览器的模拟器开始训练。套件提供预配置的赛道环境、奖励函数编辑器以及多种超参数调优选项。训练完成的模型可以一键部署到实体 DeepRacer 赛车上，实现从虚拟仿真到物理赛道的无缝迁移。同时，套件内置了全球联赛系统，用户可上传模型参与在线竞赛，实时检验模型性能。

    强化学习训练流程简化

    传统强化学习需要复杂的分布式计算资源与算法调优经验，而DeepRacer通过可视化界面和自动化管道大幅降低了门槛。用户只需定义奖励函数——例如“保持车道中心行驶”或“避开障碍物”——系统便会自动启动多轮迭代训练。训练过程中，用户可实时查看累计奖励曲线、策略演化视频，并支持A/B模型对比分析。

    关键优势：降低门槛与加速创新

    该套件专为教育、研发与演示场景设计。其一，成本可控：相比自建物理测试场，DeepRacer 的云端训练时长按量计费，且实体赛车价格亲民，适合预算有限的中小团队。其二，生态丰富：AWS 提供了大量预训练基线模型、社区示例代码以及详尽文档，用户可快速上手。其三，实战验证：通过真实赛车在定制赛道上的表现，开发者能直观理解训练不足（欠拟合）或过拟合带来的偏差，从而优化模型泛化能力。

    典型应用场景

    • 高校教学：作为计算机科学、机器人学课程的实验平台，让学生动手实践马尔可夫决策过程（MDP）、策略梯度等概念。
    • 企业原型开发：快速验证自动驾驶决策算法，如路径规划、避障逻辑，降低前期研发风险。
    • 展会与黑客松：利用实体赛车进行现场演示，吸引眼球并激发创新灵感。

    如何使用：五步启动强化学习项目

    第一步：登录AWS控制台，进入DeepRacer服务页面。第二步：在模拟器中新建一个训练任务，选择赛道形状与难度。第三步：编写奖励函数代码（Python），定义期望行为。第四步：配置超参数（如学习率、批量大小），启动训练并等待约30分钟。第五步：训练完成后，评估模型在模拟赛道的表现，满意后下载并烧录到实体DeepRacer车内即可开始真实行驶。整个过程无需额外硬件设备，仅需拥有AWS账号即可开始。

    AWS DeepRacer 强化学习模型训练套件不仅是一个开发工具，更是一个连接理论、实践与竞赛的创新社区。无论是专业AI工程师还是机器学习初学者，都能在此找到从零到一的完整路径，加速智能系统研发进程。

  • 亚马逊云科技 AWS DeepRacer 强化学习模型训练套件：加速AI自动驾驶实践

    在人工智能与自动驾驶技术飞速发展的今天，亚马逊云科技推出的AWS DeepRacer强化学习模型训练套件为开发者、学生和机器学习爱好者提供了一个低成本、高互动的实战平台。通过这套完整的工具链，用户无需昂贵的硬件即可在模拟环境中训练、评估并部署强化学习模型，直接应用于1/18比例的自动驾驶赛车。无需等待，立即访问 官方网站 开启你的强化学习之旅。

    核心功能与组件

    AWS DeepRacer 模型训练套件包含三大核心模块：首先，基于浏览器的3D模拟器允许用户通过简单的可视化界面创建赛道、调整奖励函数和超参数；其次，预置的强化学习算法（如PPO、SAC）降低了入门门槛；最后，云端训练自动调用Amazon SageMaker的GPU资源，大幅缩短模型迭代周期。用户还可以将训练好的模型下载到实体DeepRacer赛车中，进行真实场景的验证。

    奖励函数设计器

    套件内置了奖励函数可视化编辑器，支持Python代码直接编写。用户可以通过定义“保持赛道中心”、“避免急转向”等逻辑，引导模型学习最优驾驶策略。同时，系统提供实时奖励曲线图，帮助监控训练收敛状态。

    多赛道环境支持

    从简单的椭圆形赛道到复杂的“回”字形路线，再到带有障碍物的动态场景，模拟器内置超过10种官方赛道。用户也能上传自定义3D赛道文件，模拟真实道路条件，提升模型的泛化能力。

    核心优势与行业价值

    与传统强化学习教学相比，AWS DeepRacer将抽象的理论转化为可见的竞赛结果。其优势体现在：一是零物理成本试错——模型在模拟器中崩溃不会造成真实设备损坏；二是社区生态丰富——全球开发者定期举办线上联赛，排行榜上的优胜模型可分享代码；三是企业培训利器——多家科技公司将其用于内部AI实践，加速团队对RL原理的理解。

    应用场景全覆盖

    在高校人工智能课程中，学生通过部署模型完成课程项目；在自动驾驶初创公司中，工程师快速验证路径规划算法；在云计算峰会现场，嘉宾通过实时竞赛展示AI落地成果。这套套件已成为连接学术研究与工业应用的桥梁。

    如何使用与快速入门

    用户只需拥有一个亚马逊云科技账户即可开始。登录AWS控制台后，搜索“DeepRacer”进入控制台，按照引导创建第一个训练任务。默认情况下，30分钟即可完成基础模型训练。完成后，可以加入公开联赛或邀请朋友进行一对一的本地竞赛。详细教程和API文档均可在官方GitHub仓库中找到。

    • 步骤1：注册AWS账户并开通DeepRacer服务
    • 步骤2：在模拟器中设计赛道与奖励函数
    • 步骤3：启动云端训练并监控模型性能
    • 步骤4：下载模型或直接推送到实体赛车

    无论是机器学习新手还是资深数据科学家，AWS DeepRacer都能提供从理论到实践的完整闭环。立即体验，让强化学习“跑”起来。

  • 百度萝卜快跑第六代车辆远程接管安全协议：智能出行安全保障新标杆

    近日，百度旗下自动驾驶出行服务平台萝卜快跑正式发布第六代无人车，并同步推出全新的远程接管安全协议。这一协议旨在解决自动驾驶车辆在极端场景下的安全冗余问题，为乘客和道路参与者提供更高阶的防护。作为行业领先的智能工具，该协议融合了5G通信、边缘计算与AI决策技术，实现了车辆与远程监控中心的无缝协同。访问官方网站可获取更多技术细节与落地案例。

    第六代车辆远程接管安全协议概述

    百度萝卜快跑第六代车辆搭载了自研的Apollo自动驾驶系统，其远程接管安全协议是保障无人驾驶安全的关键一环。当车辆传感器或算法遇到极端天气、复杂施工区域或系统故障时，远程监控中心可实时接管车辆控制权，通过高清视频回传与激光雷达数据，安全引导车辆至临时停靠点或完成绕行。协议采用端到端加密与多重身份认证，确保远程指令不被篡改。

    核心功能与优势

    多重冗余通信

    协议依托5G SA专网与卫星备份链路，实现低于20毫秒的远程操控延迟。即使主网络中断，车辆可自动切换至备用通道，保证接管指令的即时送达。此外，车辆内置的本地决策模块与远程指令相互校验，避免误操作。

    实时监控与预警

    远程监控中心设有AI辅助的态势感知系统，可同时监测数十辆自动驾驶车辆的运行状态。系统能提前预测潜在风险，如行人横穿、红绿灯故障等，并主动触发远程接管流程。所有操作日志均上链存证，满足监管要求。

    人工远程干预流程

    当车辆发出接管请求后，远程安全员通过专用座舱屏显和模拟方向盘进行操控。安全协议限定最高车速及转向幅度，防止人为误判。同时，车辆保有时间、位置、传感器数据等完整记录，便于事后复盘优化。

    应用场景与未来展望

    该协议已率先在武汉、北京等地的萝卜快跑运营区域内落地，覆盖城市道路、机场接驳等场景。未来，百度计划将远程接管标准推广至更多车型，并探索与智慧城市交通管理系统的联动。随着V2X技术的发展，第六代远程接管安全协议有望成为L4级自动驾驶的行业标配。