智己汽车“端到端”智驾方案推出，老司机真的会被取代吗？

智驾最前沿

2024-10-30 08:40发布于江苏

AI划重点 · 全文约2504字，阅读需8分钟

1.智己汽车推出IM AD 3.0端到端直觉智能驾驶系统，采用端到端直觉模型，取消模块化结构，提升驾驶灵活性。

2.该系统基于数据飞轮驱动的深度学习框架，广泛收集驾驶数据，以构建一个涵盖多场景、多气候、多状态的智能模型。

3.为此，IM AD 3.0设计了安全逻辑网络，用于在系统判断后进行额外的安全校验，提升智能驾驶的可靠性。

4.同时，系统具备全局信息融合能力，整合感知模块多种数据源，为驾驶决策提供全面支持。

5.未来智能驾驶趋势将更注重直觉模型与逻辑算法的平衡，实现全场景、全路况的自适应能力。

以上内容由腾讯混元大模型生成，仅供参考

随着智能驾驶技术的发展，行业已经从早期基于简单规则和模块化逻辑的自动驾驶，逐步迈向依托深度学习的高复杂度智能驾驶解决方案，各车企也紧跟潮流，先后宣布了自己的端到端智驾方案。就在近期，智己汽车推出了其与Momenta联合打造的IM AD 3.0端到端直觉智能驾驶系统，在结构设计和决策逻辑上，进行了大胆的创新，试图用“直觉化”思维模式替代传统的模块化系统。

IM AD 3.0的技术架构：端到端直觉驾驶模型

1.1 模块化与端到端模型的对比

传统智能驾驶多采用模块化架构，主要分为感知、决策、规划和控制四大模块。各模块相对独立，依靠数据传递和逻辑接口进行连接。这种设计结构虽然能保持一定的逻辑透明度，但在应对复杂环境和多变的交通场景时往往表现出局限。IM AD 3.0采用“一段式端到端模型”架构，取消了模块化结构，将感知和规划整合至一个大模型内，从原始数据输入到路径规划输出完全由单一神经网络驱动。这种端到端模型具有更强的学习能力和自适应性，使其在多场景切换和非结构化环境中表现更为灵活。

1.2 数据飞轮驱动的深度学习模型

IM AD 3.0基于数据驱动的深度学习框架，广泛收集驾驶过程中的路况和驾驶行为数据，以构建一个涵盖多场景、多气候、多状态的智能模型。这种数据飞轮概念在AI训练中尤为关键，通过不断积累驾驶数据，训练数据集能够更具多样性和现实性。IM AD 3.0的深度神经网络通过这些数据从原始传感器信息中提取隐含特征，从而生成更为精准的直觉判断。

1.3 长短期记忆机制的应用

IM AD 3.0在模型中引入了长短期记忆（LSTM）机制。长短期记忆神经网络通过对历史数据的记忆来判断短时间内可能发生的情况。这种机制类似于人类的驾驶经验，使得系统能够在不同情境下灵活应对，有助于在复杂交叉口等需要短时间快速反应的场景中生成可靠的预判决策。例如，面对突发的障碍物或突然变化的车流情况，系统可以凭借长短期记忆做出类似于“老司机”的驾驶选择。

安全逻辑网络：提升智能驾驶的可靠性

2.1 安全逻辑网络的双层架构

在直觉化驾驶中，过于依赖直觉决策可能带来安全隐患，因此IM AD 3.0设计了“安全逻辑网络”，用于在系统判断后进行额外的安全校验。安全逻辑网络的双层架构通过内置的安全算法，辅助直觉判断结果的验证。即使系统快速作出直觉判断，安全逻辑网络仍会执行一系列逻辑判断，以防止错误决策。

2.2 风险评估与实时数据校准

IM AD 3.0的安全逻辑网络依赖于风险评估和实时数据校准。这样的设计会基于实时数据的变化，不断调整驾驶策略。例如，在检测到复杂交叉口时，系统会优先降低车速，同时进行风险预判。一旦识别到可能的风险因素，系统将优先执行减速或停滞策略，保证车辆在最安全的状态下通过复杂路况。实时数据校准的存在，使得智能驾驶能够随时应对不可预测的风险因素。

从IM AD 3.0聊聊自动驾驶端到端

3.1 直觉化决策与传统逻辑决策的区别

直觉化决策强调以全局性的高层次理解来进行瞬时判断，而传统逻辑决策则依赖于预设的规则和逻辑关系。如IM AD 3.0的直觉化技术通过深度学习算法从数据中抽象出高层次信息，将其转化为驱动模型的直觉判断。这种机制类似于人类对路况的快速评估，尤其在应对复杂情况时能直接跳过低级别的细节处理，从而做出更快速、有效的反应。

3.2 全局信息融合：数据感知到信息生成

现阶段，端到端直觉模型依赖全局信息融合，整合了感知模块多种数据源，形成一个立体的道路感知系统。通过深度神经网络模型，不仅能够识别明显的障碍物，还能预测潜在风险。全局信息融合在端到端模型中尤为关键，因为它能够实时构建场景的上下文环境，对不可见或隐含信息进行合理推测，为驾驶决策提供更为全面的支持。

3.3 应急预判：从实时数据到风险控制

在复杂的路况和不确定环境中，自动驾驶系统的应急预判能力至关重要。IM AD 3.0通过直觉化大模型进行应急预判，尤其在处理突发情况时，可以基于当前的环境数据进行快速判断和反应。系统可以在瞬间“脑补”出障碍物背后可能存在的风险，从而在感知未触达的区域内进行风险评估。通过这种直觉式预判，即使在无地图导航的情况下，系统也能够识别并回避潜在危险。

L2+至L4级的技术实现与法律考量

4.1 L2+无图NOA的技术难点与实现方案

IM AD 3.0在L2+级别的无图NOA（Navigate on Autopilot）模式下，能够不依赖高精地图在城市道路上实现自动导航。这一技术突破依赖于系统的端到端直觉模型，其通过实时感知和高效决策，能够自适应处理全国不同道路状况。无图NOA的实现大大降低了地图依赖，使得系统能够应对复杂的非标准化道路环境，为智能驾驶的广泛应用奠定了基础。

4.2 L3级别的准入考量

在IM AD 3.0的L3级别技术开发中，自动驾驶系统可在限定条件下实现完全接管，但在部分情况下仍需驾驶员介入。但实现L3需要应对法律法规、技术标准和硬件可靠性等多方面考量。从技术方面来说，IM AD 3.0通过端到端大模型和安全逻辑网络的双重保障，在适合L3的高精度道路环境中能够有效提供稳定的驾驶体验。此外，IM AD 3.0还引入了系统提醒机制，在遇到非标准路况时及时提醒驾驶员接管。

4.3 L4级无人驾驶的场景应用与法规进展

IM AD 3.0的L4级别技术具备全程无人干预的驾驶能力，预计将在特定区域内实现。现阶段，L4自动驾驶需要更高的精度控制以及全局决策能力，这使得系统的冗余设计、传感器数据融合以及算法稳定性成为关键考量点。同时，L4级别的落地仍需依赖于政策的开放度与法规支持。据智己汽车透露，预计将在年内获得首批“L4级无驾驶人道路测试牌照”，并实现无人驾驶车率先上路。

智能驾驶未来趋势：从端到端到全场景自适应的技术展望

5.1 数据驱动模型的扩展与优化

IM AD 3.0的端到端直觉大模型依赖于数据积累与自学习能力，未来其发展方向将更趋于场景自适应性。随着更大规模的数据采集以及算法升级，端到端模型的泛化能力会不断增强，使其在更多道路条件和环境下表现出一致的稳定性和可靠性。

5.2 直觉化与逻辑化的平衡：技术融合方向

智能驾驶从直觉化到逻辑化决策的平衡将是未来发展的重要方向。IM AD 3.0的双层决策体系展示了直觉与逻辑的融合潜力，在保障系统灵活性和安全性方面为行业提供了有益的技术参考。未来的智能驾驶系统将更注重直觉模型与逻辑算法的平衡，以确保在复杂道路环境下仍能兼顾效率与安全。

总结

智能驾驶的直觉化进程展示了从模块化思维到端到端一体化系统的技术演变。在未来发展中，以数据驱动为核心的端到端模型将成为主流，逐渐实现全场景、全路况的自适应能力，为自动驾驶的全面落地提供更为坚实的技术支持。

-- END --