北京上海開車遇加塞，像個人行不行？！

賈浩楠 發自 凹非寺量子位 | 公眾號 QbitAI

全國最復雜的環路在哪里？上海內環。

全年車流量最大的時間是何時？開學日。

趕著送孩子上學，然后再趕去公司上班，一路擁堵，一把心酸，面對頻繁加塞，腳累手累心累。

難道，一天要這樣開始嗎？

9月1日全國最堵開學日，上海內環路上，面對不友好的突然加塞，這輛車沒有重剎，沒有侵占側邊車道，沒有爭搶冒險，當然也沒有碰撞。

全程完美應對。

△?開學日上海內環加塞實測錄像來自AutoLab，下同

平緩減速避讓后，及時恢復巡航速度，保證通行效率。

要是不說，沒人知道這是智己L7搭載的IM AD智能駕駛系統的操作。

這樣與老司機毫無二致的加塞場景處理，在上海9月1日開學季早高峰的實測中出現44次，無一接管。

這段實測視頻在自動駕駛領域引發關注的核心，是因為這樣“像人”的表現——對復雜場景感知、預測的細膩程度在行業內非常亮眼，也只有真正實現“數據驅動”的AI系統，才能有這樣的能力。

都說在自動駕駛領域，得城市者得天下，后來又有人說，得中國城市路況者得天下，但現在看來，得加塞者才能得天下。

爆堵開學日44次加塞0接管，你不說我以為這是老司機在操作

中國實際道路駕駛中，用戶最高頻的痛點是加塞。

全球擁堵前30名的城市中，中國占33%，是美國的5倍。擁堵情況下，在上海內環外圈楊高中路出口，平均每小時發生16次加塞。

66%駕駛者因為頻繁遭遇惡意加塞，產生過路怒行為。

這種地獄模式難度下，又疊加了開學日這樣的Debuff。

44次加塞是9月1號開學季，跑完上海內環47.7公里全程的情況，大部分“被加塞”，其實是在進出匝道時的合理避讓。

而從實際表現來看，甚至可以說IM AD的表現相當老司機，被加塞的頻率并不高，能夠長時間跟住一輛車平穩行駛。

△

開學日上海內環加塞實測錄像來自AutoLab，儀表盤放大處理

不至于過分迫近前車，同時大部分理智的司機也不會選擇這樣的空擋強行插隊。這樣的策略妙處，老司機肯定心領神會。

當然，路上也免不了有執意加塞的。

IM AD做出了避讓，和所有智能駕駛系統一樣。

但不一樣的是，系統不是在整個車道被侵入以后突然急剎，而是預判了加塞行為，提前進行避讓。

這樣的做法當然在體感上更舒適，給乘客的心理感受也更安全。

橫向來看，加塞場景不是業內競爭的焦點，似乎只要是智能車，都能應對。

但實際上真的有這么簡單嗎？業內已經量產的系統，又在加塞場景中有啥表現？

特斯拉的Autopilot和IM AD一樣，都是適用城市路況的L2智能駕駛系統。

特斯拉應對突然加塞的情況，策略比較激進，Autopilot常常在遇到加塞時繼續保持高速行駛，無法及時對車主進行減速反饋，這導致車主不得不在恐慌中匆忙接管。

△面對加塞Autopilot未提前減速，來自Wham Baam Teslacam

特斯拉激進的應對策略或許有時也能相安無事，但總有應對失敗的情況，而一旦出現碰撞風險，對車主的安全就會產生很大的威脅。

沒有任何一個智能駕駛系統能保證完全0事故，但面對加塞若系統的處理過于激進，客觀上會給用戶造成不信任、不敢用的障礙。用戶一旦對產品的信任度下降，便會減少使用的頻率，產品的價值也就相應地流失了。

應對突發情況的另一個極端，是系統策略太過保守。這其實也是現在大部分量產輔助駕駛系統的共同特征。

初衷是避免事故，但如果在駕駛邏輯的設置上過于保守，就會出現面對他車的“加塞”意圖，系統過于頻繁和大幅度地反饋，導致自車誤制動過多，非常影響舒適度，也淪為路上的“受氣包”。

△特斯拉“幽靈剎車”

這樣的誤制動輕則讓車上的人頭暈眼花，重則就像特斯拉的“幽靈剎車”一樣，突然的誤制動容易引發后方車輛的追尾，威脅到路面行車安全。
這樣的系統，同樣是在信任度和舒適性上降低了實際使用價值。

智能駕駛的初衷是減輕人類負擔，研發的意義就是要讓車主真正用起來。

所以，真正能處理好加塞場景，贏得車主用戶信任，體驗上就得在避免碰撞風險的基礎上降低誤制動的頻率，平衡好安全性和舒適性之間的關系。要更像人，像人類老司機。

這其實就是各種安駕培訓常講的防御性駕駛。

所謂“防御性駕駛”，就是指駕駛行為的主體，無論是人還是AI司機，所要關注的都不僅僅是自車本身，還要“眼觀六路”，留意自車周圍所有的車、人、障礙物等目標。

預判其他目標未來的行動軌跡，并提前予以應對。

當然，還要把車開得平穩舒適。

這樣的“防御性駕駛”對應到自動駕駛領域，感知、預測等底層技術的能力。

IM AD更像人，怎么做到的？

IM AD更像人，我們試了，的確如此。

同樣是早高峰，地點是北京北四環，路面比上海內環更窄，車道更少。

開啟IM AD后，坐在后排的乘客不看交互屏甚至難以分辨是人在駕駛還系統在駕駛。

△北京早高峰北四環加塞實測

為什么IM AD的乘坐體感更像老司機？

搭載Momenta技術方案的智己IM AD，基于數據驅動的AI飛輪能力，可以以“更像人”的智能駕駛體驗，輕松應對各種復雜路況。

面對加塞這個用戶“痛點”，當然也包括其他行車場景，智能駕駛的第一個技術環節就是感知。

基于數據驅動的感知能力：看得清，懂得多

最大的挑戰，是要讓機器快速建立自我進化和學習的能力，以保證在全天候、各種路況下，智能駕駛系統都能夠“看得清，懂得多”。

Momenta在感知算法的訓練中采用了Data-driven 3D的方式。

在傳統的Rule-based方案中，若想通過Camera采集的物體二維信息，以此來估算物體的3D距離信息，需要依賴于大量的先驗假設，且需要針對每一種不同車型設計不同的2D至3D的轉換規則，無法處理真實路面上龐大數量級的復雜場景。

而數據驅動的感知系統則可以基于AI自動化深度學習的方式，從真實行車場景中采集了海量數據，作為視覺感知的原始訓練數據。

同時以激光雷達輸出的3D距離信息作為真值，使算法自主學習目標的具體位置信息，再依靠算法模型自由泛化的能力，實現對感知目標檢測的準確度提升。

Momenta的視覺感知可以準確判斷出車輛所在位置以及其與車道線之間的相對位置關系，幫助自車準確應對各種復雜的加塞場景。

也只有基于數據驅動的感知算法，才有這樣的準確率和迭代效率。

基于數據驅動的預測能力：更早、更準、更及時

“像人”的核心，是搭載了Momenta技術方案的IM AD能更早、更準、更及時地判斷其他車輛的加塞意圖，這就是基于數據驅動的預測能力。

預測最本質的難度是不確定性。同一場景下，感知目標存在多種合理的行為決策，并且都是由目標本身主觀決定。

預測功能要做的，是合理地預測出車和人的多條不同軌跡，及其對應的概率，進而反饋給下游規劃模塊做出安全的決策。

但真實的交通場景中，可能有近百個交通參與者，每分每秒存在上千個軌跡。

在過去，預測主要以規則驅動為主。即人工制定規則，對于極端案例的覆蓋來說，這種方案有明顯的局限：許多corner case無法被歸類，而且人工制定規則難以窮盡長尾問題。

Momenta的思路是通過100%數據驅動（Data-driven）的方式構建出準確的預測算法，并通過海量真實路面場景的數據回流，自動化地提高預測算法的性能。

這其中藏著兩個關鍵詞：多任務學習、集體智慧。

“多任務學習”是指從車和人的位置信息、角度信息、軌跡信息及速度四個維度對預測算法模型進行聯合訓練。

比如在速度估計的任務學習中，當算法判斷一輛車的行駛速度很快，那么它5秒后的行駛軌跡自然應該也較長，也就是跑得比較遠，那么如果此時算法預測它未來5秒的所在位置卻很近，這樣的預測則顯然是不準確的。

如此數據驅動的預測模型就可以在算法內部進行自我矯正，不斷地進行自主迭代，相應地預測準確性也就越來越高。

目前Momenta在各類道路交通參與者的軌跡預測上，誤差值為分米級別。

“集體智慧”則是數據驅動的算法非常形象的表達方式。通過融合海量數據中成熟人類司機的駕駛行為，來理解周圍環境，理解不同車之間的交互以及車和路之間的交互，從而更準確地預測目標的未來行駛軌跡，讓算法更可靠地處理復雜路況。

也就是匯聚海量人類司機的“集體智慧”，打造“更像人”并最終可能“超越人”的智能駕駛。

基于上億數量級的龐大數據庫，通過3周數據驅動的AI自主迭代，這樣訓練的結果是，IM AD能夠更早、更準、更及時地預判其他車輛的加塞意圖，使自車的減速時機提前了800毫秒。

在測試中，面對同樣的極近距離加塞場景，IM AD可以及時減速，制動都比頭部玩家至少提早一個車輪的距離。

△?遭遇惡意加塞對比，來自智己發布會，左側為IM AD，右側為頭部玩家

數據驅動的感知、預測在底層技術上其實是屬于L4及以上自動駕駛系統的先天優勢。

將這套“高階版”算法適配到量產車型上，其實是Momenta L4完全無人駕駛算法賦能到L2+智能駕駛產品的實例。

背后支撐的核心是Momenta數據驅動的飛輪戰略。

飛輪一共有三個關鍵因子：數據驅動、海量數據和閉環自動化。

數據驅動的算法是指Momenta投入大量精力打造的統一框架，可以自動解決數據中存在的各種的問題，實現低成本、高效率的迭代。

在這個技術框架下，隨著海量量產數據的流入，算法會變得越來越「聰明」，系統不斷迭代，自動化解決問題的比例也會越高。

這里的海量數據，既可以來自于商業運營的Robotaxi，也可以來自搭載了Momenta量產自動駕駛系統的乘用車。

在Momenta的技術架構中，量產自動駕駛產品Mpilot和L4完全無人駕駛產品MSD采用的是統一的傳感器方案和軟件架構。

這也就意味著，量產車輛的數據，可以有效助力L4完全無人駕駛產品的提升。與此同時，Momenta的完全無人駕駛算法也能反饋最新的技術給到量產自動駕駛產品，從而不斷提升量產自動駕駛的能力。

獲取海量數據之后，閉環自動化工具鏈則包含數據采集、回流、分析、標注、模型訓練及驗證環節，用來幫助數據和算法之間形成快速迭代的反饋閉環，這個工具鏈可以自動篩選出海量黃金數據，驅動算法自動迭代，讓“飛輪”越轉越快。

這個過程不斷循環，自動「消化」海量長尾問題，從而低成本、高效率地打通整個鏈路，而不是依靠「傳統」的人工驅動，耗時耗力地調參來解決問題。

舉例來說，通過閉環自動化工具鏈，自交付以來，IM AD功能迭代迅速，10天內預測能力提升42%。海量真實場景數據驅動的自我迭代，可以高效解決復雜交通場景，快速覆蓋規則驅動無法處理的長尾問題。

所以，智己 IM AD 展現出來超越行業普遍水平的能力，僅憑基于規則的ADAS系統，很難做到。

核心是基于AI本質的方法：數據驅動。

這套方案，應對加塞是拿下了最難場景下的一個展示。而在其他方面也有獨到的表現。

比如大車避讓：

IM AD可以精準地識別出旁車道大車/異型車是否壓線或即將壓線行駛。

在與壓線或即將壓線的大車/異型車并行時，IM AD的行駛軌跡將略微向另一側偏移，與大車之間拉開30cm的“安全距離”，安全通過后再回歸車道中線，這樣的設計在保障安全的同時，也可以讓車主在行駛過程中感到更加安心。

這背后依然是基于數據驅動的算法，通過日產量400萬的海量數據和100%的自動化標注，IM AD目前積累了累計生產一億量級的大車數據，其中有近2500萬為異型大車，覆蓋全量中國典型大車、異型車場景。

一個真實研發例子是：通過3周的算法快速進化，IM AD成功開發出大車的壓線屬性。

這是建立用戶信任與產品舒適性的一個重要功能，也是區分諸如特斯拉這樣立足海外，和上汽、Momenta這樣立足國內路況的自動駕駛玩家的一個重要標志。

另外，IM AD 的泊車成功率可達到95%以上，可實現極限條件下的自主泊車，在超級狹小空間下，車位空間和通道寬度僅為自車的外延的30cm：

得加塞者得L2天下

為什么這么說？

首先，從技術角度來講，加塞場景復雜度最高、技術要求最高。一個典型的加塞避讓過程，不但全面考驗感知、預測等能力，還對系統的反應時間、操控細膩程度提出更高的要求。

可以熟練應對加塞的智能駕駛產品，在車道保持、定速巡航等功能上自然更加得心應手。

從用戶角度來看，通勤場景內擁堵路況下的頻繁加塞，是日常用車中最令人疲憊、惱火，也是最需要由智能駕駛系統代勞的場景。

這項能力其實才是L2一系列功能中用戶價值最高的。

L2的人機共駕，必須要邁出的一步就是：建立人對系統的信任。

加塞場景做得讓人心驚肉跳，讓車主不信任不敢用，其他的功能做再好，也很難體現出智能駕駛的本來價值。

但這項能力一直被主流自動駕駛玩家忽略，直至智己IM AD。

拿下加塞場景，意味著什么？

IM AD，以及背后的Momenta，開始真正親力親為踐行自動駕駛第一性原理。

所謂數據驅動，意義不止于表面上獲取海量數據喂給AI，然后等待結果是否符合需求。這只能算“刀耕火種”的自動駕駛系統。

數據驅動的真實含義，不是執行設定好的規則，而是讓AI自己從浩如煙海的數據中總結規律自我成長，在各個方面與人類駕駛行為無限接近。

這還代表著Momenta在有效數據的處理、訓練、部署等等閉環環節上，已經十分成熟，為日后超大規模數據處理和更短的迭代周期奠定基礎。

對于用戶來說，數據驅動的算法自動迭代，能帶來更安全、安心的駕駛體驗。

比如上文提及的，在典型加塞場景中，IM AD可以將制動時機提前800毫秒。

這意味著如果車主的時速為80km，IM AD可以提前17.8m制動，如果車主的時速為60km，IM AD則可以提前13.3m制動。

10余米的空間距離對于緊急情況來說意味著什么，沒人比各位老司機更清楚了。

在中國落地智能駕駛，要“更像人”，才能讓用戶敢用、愿意用，這才是系統有實用意義、能規模上量并形成數據閉環的前提。

所以，在智能駕駛領域，得加塞者得天下，IM AD和Momenta已經快人一步了。

最后再做個互動調查。在日常生活中，還有沒有別的用車場景，讓你覺得比加塞更煩人、體驗感更差，而智能駕駛又解決得不好的？