初次乘坐地平线征途5，理想L8高速NOA稳如老司机
第二点是认识一切更重要，这就要求机器更像人类，有持续学习的能力。 识别万物的能力是当前城市NOA、高速NOA以及未来L3自动驾驶的关键。 对于道路上的障碍物，如石头、散落物体、异形车辆等，在基于传统模型的系统中很难对其进行判断。 此外，还有很多情况是现有模型无法判断的，比如一个人站在前面静止的车辆旁边。 传统模型的世界里不存在这样的物体标定，很可能无论是车还是人都无法判断。 这是非常危险的。 理想城市NOA通过学习了解世界知识，这很棒。 当学习到越来越多的知识时，无论形状多么复杂的障碍物和交通参与者，都可以有效地区分。
理想城NOA采用NPN神经先验网络和TIN信号灯网络，以及增强型BEV大模型生活网消息，使其不依赖高精度地图，识别一切，做出规划决策并持续进化。 举个简单的例子，通过不断积累驾驶数据和学习，NPN神经网络会清楚地知道穿过路口后车道线的方向和数量，从而使车辆在穿过路口后可以直行或左右转。 正确的车道标记。 毕竟它不依赖高精度地图，一切都要自己学习。
在路边停车较为严重的望京地区，通过不断学习，车辆在路口右转后大概率会选择第二车道，以避免路边停放的车辆。 实际体验中也是如此。
避免前方缓慢的电动车辆
避开前方停放的车辆
复杂的道路游戏，避免前方堵车
无保护右转
无保护左转
橙色线是其他车辆的预测路线
从实际体验来看，理想城NOA的整体表现更像是一个刚刚考取驾照的见习司机。 他能够轻松应对不复杂的路况，有时甚至会稍微压紧道路中线，避开右侧。 车辆行驶自如。 遇到慢车时，可以自动变道超车，遇到前方施工封闭车道时，还可以变道绕行。 在避障方面，理想城NOA非常聪明、灵活。
不过，在遇到车辆数量较多的复杂路况时，理想城NOA的表现就显得有些过于谨慎了。 例如，当我们在路口直行，遇到对面左转车辆时，左转车辆明显减速等待我们通过，但理想的NOA预测对面车辆的路线重合符合我们的行驶路线，并且会自动强力制动。 正好停在了对方车的前面，对方的司机一脸疑惑。 如果是人类老司机，这种情况可能会准备刹车，看到对方让路后及时通过。 还有一点就是，当前方不远的路口已经是红灯时，老司机就会停下油门滑行，但理想城NOA会让车辆继续加速到道路限速，然后开始刹车减速当接近十字路口时向下。 不太舒服，而且还浪费电。
最后来说说理想的通勤NOA。 系统会记住并学习您的通勤路线。 简单路线1周内即可开通，复杂路线预计2-3周内完成。 完成训练后，车辆可自行完成高速+城市NOA的自动驾驶。 对于不赶着上班又着急回家的人来说，可以大大减轻你的驾驶强度，只需要监控车辆即可。 如果赶时间开车的话，自己开会比较快。 另外，当云中积累了更多人的通勤NOA时，该区域内热点区域的城市NOA将会被分配。 这时，即使你的车没有在这里驾驶的学习经验，你仍然可以在这里开启城市的NOA，成为热点区域。 城市NOA组装完成后，整个城市的城市NOA就完成了。
写在最后
从经验丰富的司机的标准来看，理想城NOA还是一个实习期的新手。 在复杂路况下，要注意及时接管车辆。 理想城NOA预计下半年将开通通勤NOA，让我们共同期待其进展。
本网站转载其他媒体之作品，意在为公众提供免费服务。如权利所有人拒绝在本网站发布其作品，可与本网站联系，本网站将视情况予以撤除。
Copyright © 2017-2018