“司机地位低下”的评论出自理想汽车创始人李想去年的一次直播。

不过，这句话确实是断章取义的。直到李想在微博发文回应，事件才告结束。他当时写道：“在很多大型汽车的产品定义中，第一目的就是照顾后座老大，而驾驶员的重要程度是最低的，因此会牺牲驾驶员的舒适度和体验。我们的产品定义没有这样做。我们认为驾驶员非常重要，不能干扰驾驶员。通风和按摩也必须提供给驾驶员。”

但不争的事实是，很多理想汽车产品的亮点都是围绕着“女人孩子幸福，我就幸福”的理念延伸出来的。 比如立达L7的“女王座”，立达L9的“冰箱”和“彩电”，都是为第二排乘客配置的。除了赚钱养家之外，“爸爸”的其他任务似乎就是认真开车。

但现在，理想汽车终于打算让驾驶者开心了——在6月17日的家庭科技日上，理想汽车宣布本月将启动城市NOA（导航辅助驾驶）内测。 还宣布下半年将向用户开放通勤NOA功能，让用户拥有自己的“专属电梯”，让每天的上下班通勤更加轻松便捷。

前两天，虎秀汽车受邀在北京望京“地狱级”路段试驾，体验理想的NOA城市功能。最直观的感受是，理想给我雇了一名司机，但他还是个新手。

AI司机首次登场，难度直接调整到地狱

如果仅以接管率作为评分标准，那么理想城市NOA只能说是刚刚过关。但如果考虑到使用场景的因素，小鹏和华为可能无法在NOA理想的“水平”上获得满分。

这次我们体验的场景是北京望京的核心区域。作为北京最繁华的地区之一，望京的行车规则是没有规则的。交通拥堵和复杂的路况让很多网约车运营商望而却步。

路边违停车辆、送货员逆行、行人横穿马路、随意放置施工路障等，都增加了“AI司机”测试的难度。

紧急接管

从望京到顺义，经过77个路口，行程40公里，却遇到了几乎所有的极限场景。其中，两起超载是车辆违章双黄线掉头造成的，一起超载是送货小哥不停车前面的车造成的，还有一起是施工路上水马侵占车道造成的。 。

我愿意将“望京停车场”、“广州城中村”、“深圳华强北”、“上海南浦大桥”称为中国四大“智慧驾驶炼狱”。

又一次接管

第一关，“AI司机”必须学会“蛇皮操控”。

望京的朋友说：“这里的罚款比停车费划算。”几乎所有右车道都停满了违章停车的车辆。即使您走右车道并右转，右侧的下一条路仍然停满了汽车。

如果你依赖高精度地图的城市NOA功能，到了望京你可能会被违停车辆逼疯。因为依赖高精度地图的解决方案更像是“盲人走盲道”，车辆违章停放就像盲道被占用。

从理想城市NOA的表现来看，更像是用人的眼睛看路，用人的大脑思考。最基本的是，当有违停车辆占用道场时，理想城NOA可以顺利绕行；就像在无保护的右转场景中，当右侧有违停车辆时，它会倾向于选择右侧。第二车道右转；与右转时一样，它也会及时判断左侧是否有迎面驶来的车辆以及旁边道路右侧是否有违停车辆。如果没有，就会快速进入中路。

第二关，“AI司机”必须学会看懂红绿灯。

对于人类来说，看懂红绿灯是三岁孩子就能掌握的技能。但对于自动驾驶系统来说，困难不在于识别红绿灯，而在于将识别出的红绿灯信息与当前道路进行绑定，俗称“道路绑定”。

由于几乎每个路口红绿灯的位置、形状、高度都有很大差异，很难用人写的规则来完成红绿灯路口的通行。如果是通过高精度地图和V2X解决方案，系统可以提前预测交通信号灯信息。这相当于“考试的时候会有人给你写一张小纸条”。不需要动脑子思考，直接写出答案即可。

从理想城NOA的表现来看，绿灯亮起后1秒内即可完成启动。整个体验过程中，没有出现后车按喇叭催促的情况。不过红灯减速停车时，点头就稍微明显了。未来，算法团队和车辆工程团队可能需要重点合作，优化细节体验。

一个细节是，如果前方大型车辆完全遮挡路口红绿灯，理想城NOA的可视化界面将不会显示红绿灯信息。当前面的大车开始起飞时，它会很慢地跟随，确认绿灯亮后继续加速。这基本说明，在获取红绿灯信息方面，理想已经彻底摆脱了高精度地图。

第三关，“AI司机”需要学会玩游戏。

在遇到各种游戏场景时，虽然理想城NOA可能会以大幅度且明显的方式刹车和躲避，但大多数时候它不会完全停下来等待对手通过，而是会慢慢寻找机会。经过。

与合流车辆较量时，当侧方车辆挡道时，它会大力制动，但同时会慢慢开始加速。在保持安全距离的同时，像人一样向前慢慢“挤出”可行驶区域。

与行人的游戏类似。通常发生在转弯场景，车辆需要避开斑马线上的行人。但如果完全停下来，让行人走完，很可能一波走完，另一波又来。因此，理想的NOA有时会匍匐前进，稍微调整一下方向盘，一边避开行人，一边慢慢前行，等斑马线上出现间隙后，再快速开走。

总之，理想城市NOA让人感觉它开始像人类一样观察，像人类一样驾驶。得益于大型AI模型的帮助，原本的线性增长变成了飞跃，让理想实现了“弯道超车”。

“微博之王”再次夺冠？

理想汽车并不是业内第一家研发自动驾驶汽车的公司，也不是第一家量产激光雷达和高功率计算芯片的公司，也不是第一家提出“相关感知”的公司。和光照图”解决方案。不过，理想确实是第一家在北京推出“无图”城市NOA功能的公司，而理想今年年底扩展到100个城市的口号也是最响亮的。

我们之所以能追得那么远，跑得那么快，与路径的选择息息相关。

许多首批提供城市NOA功能的模型现在都采用了高精度地图解决方案，并且基于大量人工编写的规划和控制层面的规则。然而，在复杂多变的城市场景中，总会有高精度地图无法覆盖、无法及时更新的区域，总会有没有提前预料到的场景。

非常适合这种“打击后”策略，它跳过高精度地图计划，直接进入AI大模型。

首先，理想的城市NOA不应该依赖高精度地图。其核心是利用BEV（鸟瞰）大模型实时感知和了解环境中的道路结构信息。这种BEV传感算法业界已经有很多讨论和量产，这里不再赘述。

但是，在市区一些复杂的路口，仅通过大型纯电动车型进行感知仍然不够稳定。例如，在一些跨度较大的路口，过往车辆较多，传感器视野容易被遮挡，导致车辆实时传感结果丢失局部信息，显得不稳定。

对于这种复杂的路口，理想的做法是使用自主研发的神经先验网络（NeuralPriorNet），简称NPN网络，提前提取路口的NPN特征。当车辆再次行驶到路口时，取出之前提取的NPN特征，与大型车侧感知模型的BEV特征层融合，得到完美的感知结果。

其次，针对“看红绿灯”这件事，Ideal训练了一个端到端的红绿灯意图网络（TrafficIntentionNet），简称TIN网络。无需手动设置任何规则，甚至不需要识别红绿灯的具体位置。只要将图像视频输入到TIN网络模型中，网络就可以直接给出车辆现在应该如何行驶的结果——左转、右转、直行还是停车等待。此外，Ideal 还通过学习人类驾驶员对十字路口交通灯变化的反应来训练 TIN 网络模型。

接下来，当面对道路上可能出现的常见障碍物时，例如施工路障、散落物体、卡车后部突出的货物等，最好使用 Occupancy 网络来准确识别其边界和类型。通过将大量训练里程“馈送到”Occupancy网络，提高了识别内容和准确率。

像人一样看路还不够，AI还必须像人一样被控制。

为了让“AI驾驶员”能够像人类驾驶员一样对驾驶决策和轨迹做出合理的判断，理想将模仿学习的方法应用到控制算法中，并通过大量驾驶员的驾驶行为对其进行训练。让城市NOA的决策和规划更像人类驾驶员一样做出判断，同时保证安全、遵守交通规则。

前面说过，从右侧第二车道右转是拟人化的表现。

当车辆需要右转时，根据交通法规，可以选择右转后两条车道中的任意一条并道。然而，通过观察大量的人类驾驶轨迹，理想发现，90%以上的用户会走右第二车道，而不是走右第一车道，因为走右第一车道的安全性和效率都不如走右第一车道。直接进入右第二车道，且走右第二车道转弯半径更大，转弯过程更平稳。因此，在这个路口理想的模型学习训练的最终结果也是倾向于走第二条右车道。

写在最后

理想的核心技术不是大家常说的大冰箱、大彩电、大沙发，而是“场景打造”——先把需要给孩子热奶的场景扔掉，然后卖掉你有冷热冰箱；扔掉二胎家庭在车里带宝宝的场景，然后卖给你后座一个可以控制孩子的大屏幕；扔掉女主人在车里可以伸腿的尊严感，然后卖给你一个大号座椅。

同样的逻辑，当我们建议你多花4万元或6万元购买Max顶配车型时，理想抛出了一个大多数用户都会遇到的场景——通勤场景。

理想为用户描绘的场景是这样的：“上下班通勤通常是一天中最累的时候，也是最需要驾驶员辅助的时候。很多车主都非常关心是否可以每天上下班途中都会用到NOA功能，所以，我们推出了大家最需要的通勤NOA产品。”

不过，通勤NOA产品目前仅适用于Max版本的用户。这些高端机型的用户多花了几万，就可以自己设定通勤路线，在通勤的同时开始自动化训练。简单路线1周内即可开通，复杂路线预计2-3周内完成。有了通勤NOA，就像在上下班途中拥有了自己的“专属电梯”。

那么问题来了，你会多花几万请一个“AI司机”为你开车吗？