政策监管动态 - 近期智能网联汽车领域政策频出，9月15日《关于加强智能网联新能源汽车产品召回、生产一致性监督管理与规范宣传的通知》结束意见征集，9月17日工信部就《智能网联汽车组合驾驶辅助系统安全要求》强制性国家标准公开征求意见，与今年2月已实施的《关于进一步加强智能网联汽车产品准入、召回及软件在线升级管理的通知》共同构成对行业的更高要求[1] - 政府主管部门加强监管旨在纠正行业将“辅助驾驶”宣传为“自动驾驶”的夸大营销行为，引导消费者正确认识和使用功能，促使技术发展回归产品本色，对行业健康有序发展具有积极意义[4] 行业现状与核心挑战 - “智驾平权”概念反映了行业通过技术创新和成本控制将高端功能普及至中低端车型的积极心态，但其核心降本必须以保证安全为前提，硬件配置降低带来的性能损失需由更高质量的软件系统加倍弥补，否则将存在极大安全隐患[2] - 当前所有量产车的智驾功能均属辅助驾驶而非自动驾驶，关键区别在于由谁监控行车风险及由谁负责事故责任，辅助驾驶要求驾驶员全程监控并准备接管，事故责任由驾驶员承担[3] - 行业存在产品进化与激进营销不匹配的现象，个别企业的不当宣传是对用户的误导和对公众安全的不负责任[3] 技术路线演进：从规则驱动到端到端 - 智能驾驶系统存在两大技术路线：以专家规则为核心的分模块架构和以神经网络为载体的端到端方案，代表了从规则驱动向数据驱动学习系统的技术演进[5] - 端到端系统的本质是通过训练神经网络建立从感知信号到控制命令的直接映射，其核心特征是所有模块均实现神经网络化，而非单一黑箱网络，可分为多段式或一段式架构[6] - 分段式端到端因更适合团队分工而具备更强工程落地性，但模块间信息传递存在损失；一段式端到端采用隐层特征传输，理论上具有更高性能上限[6] - 端到端概念可追溯至1988年的ALVINN系统，特斯拉于2023年底发布的FSD V12版本实现了该技术的首次商业化突破，展示了优秀驾驶能力[7] 中国技术发展路径与成果 - 面对数据匮乏与算力不足的资源瓶颈，清华大学车辆学院于2018年同期探索出“数据不足仿真补，算力落后算法超”的创新路线，以仿真数据为主、实车数据为辅，结合强化学习与模仿学习进行训练[8] - 该方案相比特斯拉的“实车数据+模仿学习”路线，在训练成本和模型能力上具显著优势，高保真仿真数据可海量廉价生成降低成本，强化学习通过自主环境探索实现性能持续提升，具备更高能力上限[8] - 团队通过研发一系列核心算法与工具软件，于2023年底推出国内首套全栈神经网络化的端到端自动驾驶系统iDrive，并在城市开放道路测试验证，标志着中国探索出与国情相符的新技术路径[9] 未来发展方向：车路云一体化 - 破解单车智能能力边界与安全性难题的核心思路是从“单车智能”走向“车路云一体化”，利用路的全局视野弥补车的感知局限，这是契合中国基建优势与管理模式的中国方案[13] - 车路云框架下，行业可合力构建更大规模数据闭环系统，通过路侧设备提供全局视角和超视距预警，结合云控平台强大算力进行数据清洗筛选与虚拟场景生成，融合真实与虚拟数据建立双阶段训练范式，提升安全性并降低成本[14] - 未来端到端模型将向多模态演进，例如视觉-语言-动作模型，参数规模预计可达千亿甚至万亿级，具备与人类相仿的语言交互和理解能力，未来三五年内有望实用化[14] - 训练算法层面，强化学习的重要性将进一步加强，模型微调与世界模型的结合可提升数据泛化性与训练效率，赋予系统自进化能力[15] 安全性与性能考量 - 在汽车这一安全敏感场景中，不能仅关注算法在常规情况下的平均性能，更要重视极端复杂场景下的保底性能，确保算法维持人类可接受的安全底线是系统研发最核心的考量[15][16]