由中国科学技术协会，北京市人民政府，海南省人民政府，科技部，工业和信息化部，生态环境部，住房和城乡建设部，交通运输部，国家市场监督管理总局，国家能源局联合主办的第四届世界新能源汽车大会于8月26—28日在北京和海南以线上线下的方式举行其中，北京会场位于北京经济技术开发区艺创国际会展中心

会议由中国汽车工程学会等单位主办，以碳中和愿景下的全方位电动化与全球合作为主题，邀请世界各国政产学研各界代表共同探讨大会将包括20多场会议，13，000平方米的技术展览和多项同期活动200多位政府高层领导，海外机构官员，全球商界领袖，院士和行业专家将出席会议并发表演讲

其中，在8月26日举行的自动驾驶与智能客舱的创新与发展专题论坛上，李副总裁郎咸鹏做了题为智能驾驶在李的研发实践的精彩演讲。

以下为现场演讲实录:

首先介绍一下第一个能力提升这个能力非常关键，过去很多人都忽略了，就是R&D模式的推广其实大家都知道，过去我们很多主机厂不做自主研发的时候，经常用供应商的方案供应商的方案还不错，但是里面的整个流程很可能是一个比较线性的过程该流程从进口到R&D开始，最后交付测试和验证验证过程可能非常复杂，费时费力最终验证之后，整个功能就可以交付了，这是一个传统的线性过程过程中可能会出现问题当这个功能交付给用户后，如果用户在使用过程中有一些新的需求或者一些新的改进，这些信息能否正确及时的反馈给R&D或者产品同事

其次，我们的合作伙伴收到产品需求后，能否及时将需求转化为产品迭代和升级这里可能有些问题去年，李升级了其银行模式升级后，创建了两个R&D闭环小闭环是内部R&D阶段，大闭环是产品交付后的阶段下面给大家简单介绍一下第一个是R&D的小闭环，从产品需求开始，到产品研发，再到自主学习你可以理解，自主学习其实是朋友生意的另一种说法这是由我们自己的测试车验证的但是这个验证可能不是用传统的方式人工完成，而是在车上，我自己的系统和程序就可以判断目前开发的功能和效果是否符合我们的要求后面我会举一个例子来详细说明自主学习是如何被检验和验证的总之，验证过程将大大减少人力和专业需求有可能大量有专业背景的测试工程师和R&D工程师，甚至是产品经理，之前都要在车上反复测试调试接下来我们用自学的方式非常快速的获取产品研发数据，并根据数据自动高效的判断当前产品研发问题在这里，对测试人员的要求会大大降低测试人员只要会开车，不一定要有很强的专业背景但这是必须的，也是必须的，但会降低人员数量和技能要求

R&D舞台是上面的小闭环当我的R&D测试还需要迭代的时候，就会回到产品需求，继续迭代经过迭代达到原设计的要求后，我会将功能推送到delivery，交付给用户它到了用户手里之后，我也可以得到使用反馈和使用数据这里的数据可以理解为不是狭义的算法样本数据，而是相对广义的数据，比如用户在论坛的一些文章和帖子，无论是吐槽还是赞功能的使用或者是有一些有用的数据，成为了对我们有用的信息我们将收集这些信息，将其转化为我们的新产品需求输入，然后进一步迭代和改进研发进入上述R&D循环，并使用这两个闭环创建一个数据驱动的产品R&D过程

升级前线性流程中使用的技术能力，技术架构和部分规则驱动方法因为没有数据反馈，我只能靠人工规则做自动驾驶系统感知可能更好，因为感知的样本需要数据，但未来需要大量的人工规则来预测，规划和控制只要有规则，就不能用高效的数据驱动方法升级后，利用大量反馈数据，可以对感知，预测，规划进行迭代优化不过这里的规划我以后再说需要有一些安全底线规则因此，我们的规划将是一个混合规划，在最后的控制阶段，由于涉及到很强的安全性，我们仍然需要使用传统的部分规则方法进行控制

总之，我们推广R&D模式将大大提高整个R&D的效率稍后，我将举一个例子来说明R&D效率是如何提高的，以及如何用半年时间来大大提高AEB函数我们称之为自主学习，也有朋友称之为影子模式模式很好理解我在车里同时运行两套程序目前已经交付了一套程序，AEB功能没有问题，包括感知，AEB功能，最终控制同时，汽车运行另一套AEB算法，在感知上有迭代，在AEB函数上有迭代但新功能并不参与车辆的实际控制，只是输出控制信息检查信息与我原来的AEB信息车之间的差异，并将差异信息发送回后台，这样我就可以知道新AEB能力与旧AEB能力之间的差异如果变好了，继续迭代，如果变差了，知道差在哪里2021年12月，知车皇派约100家车企横向对标测评，其中李获得第一名就算拿到第一名，之后还会继续迭代，不是说第一名就可以了因为那时候我们还认为可以降低误触发率是10万公里一次，在业内已经很高了，但我们觉得还可以改进自学的方式，做迭代

到去年6月，大概迭代了大大小小十个版本，每个版本都是在测试车上通过自学进行对比评估如果使用传统的AEB方法，速度是不可想象的如果AEB是以传统方式完成的，你需要大量的测试车我们自己的人开着自己的试车去场地，各种路试，路试也是做的测试车的功能在全国都是耐用的，采用自学方式的工程师不需要有自动驾驶的专业R&D背景，只需要会开车就可以了数据不断回到后台，根据数据迭代算法

到今年6月，误触发率降低到每10万公里0.34，远好于0.54的标准今年6月初，如果您购买了一辆Li ONE汽车，您将在今年6月获得OTE 3.1版本的升级这个版本的AEB功能升级了，人的体感可能不太明显，因为十万公里0.34就是十万公里一次如果按照单个车主来看待汽车全生命周期，也许汽车从你拥有到使用结束，都开不了10万公里对用户的感知可能不是特别明显，但虽然感知不明显，但安全导向的功能是李花时间和精力在做的这是我们的哲学辅助驾驶和自动驾驶的底线是安全在这方面，理想总是把安全放在第一位，可能和别人不一样但是我们做安全的时候，也有我们更高维度的开发方法和模型，让我们的安全更有质量和效率

我用这个例子来说说我的第一个能力分享，开发模式的升级此升级有两个先决条件第一个前提是车厂得自己做，因为你得有自己的车，自己的车主，车主的支持，自己的车辆第二个条件，全栈自研但我不排除你有很好的伙伴，有很深捆绑关系的伙伴，和你做这个也很好就像我们之前与地平线的合作一样，李在2021年与地平线有深度合作，那次合作开创了先河双方的R&D人员完全坐在一起，代码共享和开源非常开放虽然不是车厂，但与合作伙伴的紧密合作也是成功的前提

只有高效的开发模式和效率可能还不够毕竟自动驾驶最核心的东西还是功能，软件，算法第二个能力讲算法能力也升级了在自动驾驶或者辅助驾驶之前，我们用的算法基本都是普通的或者传统的比如感知，我们用2.5D，2D视觉，和毫米波雷达融合的方式在调控方面，我们升级了基于规则的智能驾驶算法升级有两个目的第一，保障能力上限算法需要一个框架，能够有非常高的上限，能够感知，决策，规划，预测，能够实现城市L4级自动驾驶

我们在算法上取得了一些好的结果首先是学术成果，BEV框架由五个主要内容组成第一，检测，跟踪和预融合这三个方面在Nuscenes上都有不错的排名二是映射和预测的算法汽车造出来之后，城市的道路结构自然也就跟着造出来了，非常具有实时性如果没有地图，我们可以自己构建，以满足自动驾驶应用的需求，但如果有一个高层次的地图，我们可以将其与现有的地图进行整合，形成互补预测，其实是复杂的预测，交互的预测，不是常规的，也是基于深度学习的预测以上工作都是和清华的麻省理工合作的我们把工作放在ICCV组织，这是开源的，所以你可以搜索它我们也希望越来越多的人加入进来这两天我们也看到，今年上半年我们提出了一些这样的内容，陆续贴出来之后，感觉大家现在都在用BEV框架，在研究我们的研究成果我觉得这样很好所有行业都在朝着同一个方向努力构建这些算法相信中国的算法会越来越好

其实，显示安全额外的安全模块在夜间弱光下有人和视锥时非常长，它是在一组传感器上实现的，这是一个理想的L9传感器，称为ADMax平台除了视觉传感器，角毫米波雷达的应用被取消了，因为我们觉得角毫米波雷达有噪声，而且噪声无法与原来的视觉信息融合，很不方便我们宁愿用视觉来做这件事在BEV框架下，视觉能力得到了极大的增强和提高相关资料可以在网上找到，BEV框架的优点这里就不赘述了我们的解决方案和传感器将针对影响安全的场景进行特别优化和改进比如静止的车或者异形的车，拉点草什么的尤其是晚上的修路场景，锥，水马等路障

第三，中国独特的驾驶行为车辆和行人的交通堵塞刚才我说算法能力很强，背后有数据我很自豪地说我认为李在智能驾驶数据的积累方面远远领先于中国所有人不管是主机厂还是谁辅助驾驶的标准会带来大量的数据输入截至今年6月，辅助驾驶总里程超过3亿公里，NOA总里程超过3000万公里你可以去查其他家，我们肯定比他们多我们选取的有效里程是1.9亿公里，现在是2亿多公里我想强调一下，我说的安防场景和建筑场景，对算法训练有专门的挖掘和提取

效率的问题，如果后面没有高效的数据处理流程，对我来说就是灾难，用不上我们做了标注，数据的收集并不是指非常频繁或者简单的收集，而是背后有一个触发器例如，只返回对算法有用的数据白天阳光很充足，我也不需要收集无尽的数据我收集的是接管，为什么接管，急刹车，为什么急刹车还有结构化的检索工具，比如工程师假设他需要六月雨夜施工现场的数据只要把检索信息输入我的系统，直接返回他想要的几万条数据，拿去训练

我们会继续按照这个思路，用一个高上限的算法来保证安全我们有能力迭代数据，希望我们理想中的自动驾驶能够在2025年真正实现未来城市的L4级自动驾驶我们会为此而努力，也希望大家能有更多的交流和探讨一起为中国的自动驾驶做出自己的贡献谢谢你