第681章 蒋雨宏的匯报
重生后我只做正確选择 作者:佚名
第681章 蒋雨宏的匯报
徐平这位华兴的二把手，最擅长的就是布局未来，最不能容忍的就是错失战略机遇。
“好。”徐平拍板，“这事我亲自抓。王宏斌，政策与標准专利部所有资源向此倾斜，成立专项攻坚组。需要协调什么资源，直接找我！目標：鹏城首批牌照，必须要有华兴的名字。”
如今，目標达成。
这张提前一年攥在手里的牌照，是陈默为华兴智能驾驶抢跑埋下的第一块基石，也是他重生归来，扭转前世轨跡的无声宣言。
“王总监，辛苦了。这个头开得漂亮！”徐平脸上露出满意的笑容，手指在紫砂壶上轻轻摩挲。
“牌照拿到了，接下来就是真刀真枪上战场了。
雨宏，金麟，该你们了。
启界m5能不能在明年年底如期亮出我们的『智能獠牙』，就看你智能驾驶產品线的真本事了。
两周前立项会定下的调子，落地方案进展如何？”
压力瞬间传导。
所有人的目光聚焦到蒋雨宏和卞金麟身上。
蒋雨宏推了推鼻樑上的金丝眼镜，这位海思麒麟970的主架构师，也是华兴智驾的技术领袖，身上有股子一般只能在年轻人身上才能看到的锐利。
他没有立刻回答徐平，而是目光转向陈默，带著请示和確认的意味。
陈默微微頷首。
蒋雨宏这才点开面前的笔记本，沉稳的声音在会议室响起：
“徐总，姚总，陈总。
根据两周前战略会议明確的『全系標配高速noa，高阶能力按需订阅』的核心定位，以及陈总提出的『空间释放、纯电优先、智能领先』整车协同要求，智能驾驶產品线已初步完成技术路径重构和资源调整。
下面由我和卞总分別匯报。”
“首先，是基础能力与量產保障。”蒋雨宏切换ppt，画面显示出一个清晰的系统架构图，核心是“感知-预测-规划-控制”的链路。
“目前，我们基於量產车规级硬体平台，当然当前以德州仪器tda4系列为主，下一代平台正在联合海思预研中，全力攻坚l2.5级功能包，目標是在2019年q4启界m5量產交付时，实现稳定可靠的落地。”
他雷射笔的红点精准移动：
“纵向控制强化： 全速域自適应巡航（acc），覆盖0-130km/h，目標是在標准工况下，如高速跟车、拥堵缓行，实现媲美甚至优於特斯拉ap（autopilot）2.5系统的平顺性和跟车逻辑。
目前算法核心已冻结，正在结合实车標定数据进行大规模仿真和封闭场地测试。
关键指標 —— 跟车时距稳定性、加减速平顺性、对切入切出车辆的识別响应速度，这些指標的仿真数据达標率超过95%。
实车测试达標率约85%，剩余难点在大雨、浓雾等极端天气下的传感器衰减补偿策略优化。”
“横向控制优化： 车道居中巡航（lcc）与智能限速。
lcc核心是车道线识別与保持的鲁棒性，尤其是在车道线模糊、缺失或临时施工路段。
我们採用了多源融合（摄像头+毫米波雷达）定位结合高精度地图（hd map）辅助的方案，预计在鹏城复杂高架道路的实车测试中，百公里人工接管次数能降至3次以下，接近行业標杆水平。
智能限速功能已打通导航地图数据与交通標识识別（tsr），能自动根据路牌或电子眼信息调整巡航车速。”
“场景化高阶功能尝试： 打灯自动变道（alc）。
这是高速noa的核心体验点之一，也是用户感知最强的功能。
核心挑战在於变道决策的时机判断比如安全间隙、邻车道车速预测和执行平顺性。
我们基於强化学习框架构建了决策模型，结合多目標雷达的精准测速测距，目前在高精度地图覆盖的高速路段，变道成功率达到92%。
下一步重点是提升复杂车流环境下的决策鲁棒性和执行流畅度，消除用户的突兀感。”
“泊车领域突破： 全场景自动泊车（apa）与遥控泊车（rpa）。
apa已支持垂直、水平、斜列等多种车位，基於环视摄像头与超声波雷达融合感知，车位识別成功率和泊入成功率均达到98%以上。
rpa功能在手机蓝牙连接稳定范围內，可实现直线前进/后退遥控，解决狭窄车位上下车痛点。
这部分相对成熟，是提升用户便利性和科技感的重要抓手。”
蒋雨宏的匯报条理清晰，数据扎实，既展现了进展，也不迴避挑战。
他最后总结道：
“l2.5功能包是我们在启界m5上实现『全系標配高速noa』承诺的基石，是必保项。
当前资源投入占比约60%，预计在q3完成全部功能冻结和车规级验证。”
徐平听得频频点头，姚尘风则在笔记本上快速记录著什么，眼神专注。
蒋雨宏看向身旁的卞金麟：“金麟，你补充下技术底座和前瞻布局。”
卞金麟，这位哈工大博士出身的车控专家，气质更为內敛，但开口便是硬核技术：“好的，雨宏。我补充三点核心底座能力建设。”
“第一，感知架构升级。 我们坚定推进『bev（鸟瞰图）感知』作为下一代主航道。”
卞金麟的ppt切换到复杂的神经网络结构图。
“传统『前融合』或『后融合』在处理多传感器（摄像头、毫米波雷达、未来雷射雷达）异构数据时存在信息损失或延迟问题。
bev感知將不同视角、不同模態的原始数据，通过transformer等网络结构，统一转换到车辆上方的鸟瞰视角坐標系下，生成统一的、稠密的环境表徵。
这更符合自动驾驶的决策需求。”
他展示了仿真环境下的bev感知效果，车辆、车道线、可行驶区域等元素清晰直观。
“目前，我们的bev感知原型在nuscenes数据集上的目標检测map值已提升至52.7%，接近行业头部开源方案水平，但距离量產落地还有距离，主要在实时性和车规级晶片的部署优化上。
投入占比约25%。”
第681章 蒋雨宏的匯报
徐平这位华兴的二把手，最擅长的就是布局未来，最不能容忍的就是错失战略机遇。
“好。”徐平拍板，“这事我亲自抓。王宏斌，政策与標准专利部所有资源向此倾斜，成立专项攻坚组。需要协调什么资源，直接找我！目標：鹏城首批牌照，必须要有华兴的名字。”
如今，目標达成。
这张提前一年攥在手里的牌照，是陈默为华兴智能驾驶抢跑埋下的第一块基石，也是他重生归来，扭转前世轨跡的无声宣言。
“王总监，辛苦了。这个头开得漂亮！”徐平脸上露出满意的笑容，手指在紫砂壶上轻轻摩挲。
“牌照拿到了，接下来就是真刀真枪上战场了。
雨宏，金麟，该你们了。
启界m5能不能在明年年底如期亮出我们的『智能獠牙』，就看你智能驾驶產品线的真本事了。
两周前立项会定下的调子，落地方案进展如何？”
压力瞬间传导。
所有人的目光聚焦到蒋雨宏和卞金麟身上。
蒋雨宏推了推鼻樑上的金丝眼镜，这位海思麒麟970的主架构师，也是华兴智驾的技术领袖，身上有股子一般只能在年轻人身上才能看到的锐利。
他没有立刻回答徐平，而是目光转向陈默，带著请示和確认的意味。
陈默微微頷首。
蒋雨宏这才点开面前的笔记本，沉稳的声音在会议室响起：
“徐总，姚总，陈总。
根据两周前战略会议明確的『全系標配高速noa，高阶能力按需订阅』的核心定位，以及陈总提出的『空间释放、纯电优先、智能领先』整车协同要求，智能驾驶產品线已初步完成技术路径重构和资源调整。
下面由我和卞总分別匯报。”
“首先，是基础能力与量產保障。”蒋雨宏切换ppt，画面显示出一个清晰的系统架构图，核心是“感知-预测-规划-控制”的链路。
“目前，我们基於量產车规级硬体平台，当然当前以德州仪器tda4系列为主，下一代平台正在联合海思预研中，全力攻坚l2.5级功能包，目標是在2019年q4启界m5量產交付时，实现稳定可靠的落地。”
他雷射笔的红点精准移动：
“纵向控制强化： 全速域自適应巡航（acc），覆盖0-130km/h，目標是在標准工况下，如高速跟车、拥堵缓行，实现媲美甚至优於特斯拉ap（autopilot）2.5系统的平顺性和跟车逻辑。
目前算法核心已冻结，正在结合实车標定数据进行大规模仿真和封闭场地测试。
关键指標 —— 跟车时距稳定性、加减速平顺性、对切入切出车辆的识別响应速度，这些指標的仿真数据达標率超过95%。
实车测试达標率约85%，剩余难点在大雨、浓雾等极端天气下的传感器衰减补偿策略优化。”
“横向控制优化： 车道居中巡航（lcc）与智能限速。
lcc核心是车道线识別与保持的鲁棒性，尤其是在车道线模糊、缺失或临时施工路段。
我们採用了多源融合（摄像头+毫米波雷达）定位结合高精度地图（hd map）辅助的方案，预计在鹏城复杂高架道路的实车测试中，百公里人工接管次数能降至3次以下，接近行业標杆水平。
智能限速功能已打通导航地图数据与交通標识识別（tsr），能自动根据路牌或电子眼信息调整巡航车速。”
“场景化高阶功能尝试： 打灯自动变道（alc）。
这是高速noa的核心体验点之一，也是用户感知最强的功能。
核心挑战在於变道决策的时机判断比如安全间隙、邻车道车速预测和执行平顺性。
我们基於强化学习框架构建了决策模型，结合多目標雷达的精准测速测距，目前在高精度地图覆盖的高速路段，变道成功率达到92%。
下一步重点是提升复杂车流环境下的决策鲁棒性和执行流畅度，消除用户的突兀感。”
“泊车领域突破： 全场景自动泊车（apa）与遥控泊车（rpa）。
apa已支持垂直、水平、斜列等多种车位，基於环视摄像头与超声波雷达融合感知，车位识別成功率和泊入成功率均达到98%以上。
rpa功能在手机蓝牙连接稳定范围內，可实现直线前进/后退遥控，解决狭窄车位上下车痛点。
这部分相对成熟，是提升用户便利性和科技感的重要抓手。”
蒋雨宏的匯报条理清晰，数据扎实，既展现了进展，也不迴避挑战。
他最后总结道：
“l2.5功能包是我们在启界m5上实现『全系標配高速noa』承诺的基石，是必保项。
当前资源投入占比约60%，预计在q3完成全部功能冻结和车规级验证。”
徐平听得频频点头，姚尘风则在笔记本上快速记录著什么，眼神专注。
蒋雨宏看向身旁的卞金麟：“金麟，你补充下技术底座和前瞻布局。”
卞金麟，这位哈工大博士出身的车控专家，气质更为內敛，但开口便是硬核技术：“好的，雨宏。我补充三点核心底座能力建设。”
“第一，感知架构升级。 我们坚定推进『bev（鸟瞰图）感知』作为下一代主航道。”
卞金麟的ppt切换到复杂的神经网络结构图。
“传统『前融合』或『后融合』在处理多传感器（摄像头、毫米波雷达、未来雷射雷达）异构数据时存在信息损失或延迟问题。
bev感知將不同视角、不同模態的原始数据，通过transformer等网络结构，统一转换到车辆上方的鸟瞰视角坐標系下，生成统一的、稠密的环境表徵。
这更符合自动驾驶的决策需求。”
他展示了仿真环境下的bev感知效果，车辆、车道线、可行驶区域等元素清晰直观。
“目前，我们的bev感知原型在nuscenes数据集上的目標检测map值已提升至52.7%，接近行业头部开源方案水平，但距离量產落地还有距离，主要在实时性和车规级晶片的部署优化上。
投入占比约25%。”