⚡️ 电动汽车发展这几年，承载了很多希望，其中最前沿的，就是（自动）辅助驾驶。
🛠️ 这是一条难而正确的路，谁也不知道，坚持下去是成功、还是失败。即便作为迷恋技术的理工男，也不得不承认，辅助驾驶当前不是普通用户挑选电动车的第一要素，更不用提保守的车主从不信任机器能安全地把我们带到目的地。
⛵️ 但是，这条路通往一个光辉的目标，它用算法使现实和虚拟的界限变得模糊，它能用来构建高效而立体的未来城市，而我们现在才刚刚启程。
城市 NGP 比普通 LCC 多哪些🧭
鹏友，既然能点进来，说明你应该对城市 NGP 有所了解。我们不连篇累牍介绍城市 NGP 的定义，直接说说他比普通的 LCC（车道保持）多了哪些功能吧～
* 识别红绿灯，通过路口：普通 LCC 的驾驶体验，在经过路口时会被打断，需要人工接管。而城市 NGP 具备通过路口的能力，会等红灯，能完成直行、并线、左转和调头。
* 斑马线前减速通过：普通 LCC 不识别斑马线，城市 NGP 路过斑马线会稍微减速。
* 通过环岛：普通 LCC 无法应对环岛和大曲率弯道，城市 NGP 可以根据导航驶入环岛，并在正确的出口驶出。
* 超车：普通 LCC 只能手动打灯变道，城市 NGP 会自动判断是否适合变道，并超越慢车。
* 实景 SR 仪表：普通 LCC 在仪表盘上显示的信息有限，城市 NGP 上已经能体现出前车打的左转向灯、还是右转向灯，知道正在变道的车辆是切进来、还是变出去。并且城市 NGP 能跟进高精地图正确的渲染道路、匝道等模型。
⬇️实景 SR 仪表对真实世界的建模：
城市 NGP 和普通 LCC 的区别，就像高速 NGP 和普通 LCC 的区别，但需要应对更复杂、更不稳定的场景。
城市 NGP 和高速 NGP，他们都基于高精地图实现。他这两套方案都基于 34Tops 算力的 Xaiver 芯片，这样的算力本不足以实现城市道路的辅助驾驶，但 P5 借助激光雷达，弥补了算力的不足，成为首个用 34Tops 算力实现城市 NGP 的车型。
⬇️城市 NGP 通过环岛路口前后的表现：
我们距离终点还有多远🏁
构建自动驾驶模型，需要两个要素：感知 和 计算。
感知，就是测量这个世界。
* 毫米波雷达🕸️能告诉我们前后左右的距离，但它识别范围有限，所以我们在自动泊车上用它。
* GPS 和 北斗卫星🛰能告诉我们方位，所以我们用它结合高精地图，知道我们所在的车道。
* 摄像头就像我们的眼睛👀，能给到 3D 世界的 2D 投影，所以我们借助双目视觉，尝试理解车辆、车道线、路标、限速牌、行人等各种各样现实存在于道路上的事物。
* 轮速传感器就像车轮上的尺子🎚️，能告诉我们车辆的形式姿态和偏转角度，于是我们用它来做实现极限工况的 ESP、和普通工况的车辆姿态微调。
* 激光雷达🔦能建立 3D 世界的立体点云，它能弥补双目视觉的不足，视觉能识别这是什么，而立体点云能告诉我们每样事物在 3D 世界中的精确方位。
计算，就是驾驶员的决策。
* Xnet 感知模型的落地，需要强大的算力支撑。从原始数据的采集、标注，到模型的训练，这是训练集，这发生于小鹏的超算中心。再到现实场景中的测试集，将模型真正用起来，这发生在每一辆搭载了 Xaiver 和 Orin 芯片的小 P 车上。
* 车辆在每种环境下的行为：直行、变道、避让行人、减速通行、入弯出弯，像一个有限状态机，但又不是简单的状态机模型能够概括。
* 强化学习是训练和测试驾驶行为的典型方法。真人驾驶时，在不同环境下驾驶员做出的反应，是训练机器驾驶应当做出的反应的绝佳样板。测试自动驾驶时，也需要打造模拟场景，每做一丝改动，都要在模拟器里成功执行各种工况的用例。
感知和计算，是我们这个时代对自动驾驶这个考题所交的答卷。
感谢小鹏运营给到这次体验 CNGP 的机会，试驾完过后，作为老 P7 车主真的流下了羡慕的口水。咖啡很提神，围炉煮茶很新奇，拉弓射箭的鹏友们也很帅～
从一定高度上说，这是特定领域的伪人工智能，而我们总有一天，能实现强人工智能。关于强人工智能的面貌，我们幻想过很多，也憧憬过很多。但会不会存在介于两者之间的形态？技术会不会以未曾见过的方式，解决我们的出行问题？游戏里赛博朋克风格的城市，真的会出现吗？
Live long and prosper，让我们对技术的未来，永远充满期待。
#城市道路NGP# #CNGP抢先体验# #智能辅助驾驶体验#
暂无评论
