智能体与舱驾融合
智能体特性
- 环境感知与理解：对出行环境、人等进行感知和理解。
- 效率与安全：对效率和安全有绝对要求，需人类监督或干预。
- 多任务处理：需多智能体协作完成多任务。
智能体技术框架
- 智能体生态技术框架：重新定义车载APP接口和协议，实现快速开发。
- 智能体协作框架：实现多智能体间通讯和协作。
智能体应用场景
- 内容与服务需求：重新定义和编排内容，实现个性化推荐和互动。
- 出行生活服务：与模型闭环调用，实现智能化服务。
智能体技术发展
- AI Agent 技术框架：提供车载能力使用体系，快速实现智能化。
- AI Agent 协作框架：系统级 Agent 调度，智能体间通讯。
- AI Agent 生态：打造样板间，探索车载智能体生态。
端到端自动驾驶技术
端到端自动驾驶架构
- New Max 端到端技术架构：基于 Deca One Model，包含感知、决策、规划和控制。
- 感知部分：
- BVI9 架构：支持不同算力芯片和产品，实现动态目标检测、静态场景理解、车道线理解、持续信息理解、拓扑结构理解。
- 感知解码器：使用 2D 目标检测提升 3D 目标检测性能，实现实时四线检测。
- 感知与规划端解码器：通过一个解码器完成感知和规划任务，参数量远低于大模型，适合中阶算力平台。
端到端自动驾驶模拟器
- 模拟器构建：
- 多轨迹重建高斯：解决视角外推问题，实现任意地点视角仿真。
- 行为层世界模型：可响应、可控制，生成长尾场景数据。
- 端到端自动驾驶评测：
- 半闭环/尾地环指标：比开环指标更相关，评估模型安全性、舒适性等。
- 端到端自动驾驶竞赛：包含开放 Lanes、高精定位、端到端自动驾驶、自身操作等赛道。
面向自动驾驶数据闭环的高性能数据访问平台
数据访问平台需求
- 数据规模与可扩展性：支持海量数据存储，低成本横向扩展。
- 数据访问效率：实现高性能数据访问，避免数据孤岛。
- 数据平台特点：
- 零改造、无侵入：无需改造现有流程和底层数据。
- 高性能缓存：贴近 GPU 服务器，提升 IO 效率。
- 统一数据视图：提供全局统一视图，方便算法工程师使用。
数据平台应用效果
- 简化流程：降低跨云数据同步成本，简化并行文件系统使用。
- 提升效率：提升 GPU 利用率至 90% 以上，加速模型训练和预处理。
舱驾融合系统协同
舱驾融合趋势
- 新能源汽车市场占比提升：预计 2025 年达到 55%。
- 智能座舱与智能驾驶发展：中高阶智能驾驶加速上车，智能座舱搭载率接近 90%。
- 舱驾融合优势：
- 有效降本：One Box 方案可节省 10%-30% 成本。
- 车身优化：减少零部件数量，优化布局和重量。
- 体验提升：降低通讯延迟，实现更流畅交互。
- 功能创新：实现舱驾联动，提升用户体验。
- OTA 优化：简化流程，提升更新速率和成功率。
舱驾融合挑战
- 算力分配：合理分配算力，实现分时复用。
- 系统集成：提高系统集成成功率和降低复杂度。
- 功能安全：兼顾舱驾功能安全需求。
- 研发流程：实现舱驾功能同步开发。
舱驾融合实践
- One Box 和 One Chip 方案：短期为主流，直接整合现有成果。
- One SOC 方案：中长期主流，实现更深层次融合。
- 智能底盘与舱驾融合：提升乘坐舒适性，实现更精准控制。
- 车域跨域融合：与交通网络、停车场、充电桩等基础设施交互。
- 个人跨域融合：与家庭设备、可穿戴设备联动。
舱驾融合技术挑战
- 资源分配与管理：动态算力分配，长期数据管理。
- 合作机制与沟通机制：建立开放平台架构，实现高效协同。
- 安全：兼顾信息安全、功能安全。
舱驾融合产品进展
- One Chip 方案：实现座舱、泊车、L2 级行车功能，性能领先。
- One SOC 方案：面向 8 万车型以下，实现舱驾一体，准量产状态。
舱驾融合关键技术
舱驾融合架构
- 统一硬件平台：实现全域算力共享，保证应用独立性。
- 统一软件平台：实现统一 OS 和软件栈，支持应用隔离运行。
舱驾融合软件架构演进
- One Box 阶段：无真正意义上的软件协同。
- One Chip 阶段：硬件融合，软件层面协同受限。
- One SOA 阶段：实现统一 OS 和软件栈，应用间协同能力提升。
跨域通信框架
- VFB 框架：跨平台、协议插件化、语义抽象，实现全域通信。
- 跨域服务中心：服务治理中枢，实现服务动态配置、自动化路由、数据衔接。
舱驾融合应用案例
- One Chip 方案：实现座舱、泊车、L2 级行车功能，性能领先。
- VFB 框架应用：实现舱驾功能打通，提前发现和解决问题。
