我們採用了多源融合（攝像頭+毫米波雷達）定位結合高精度地圖（HD Map）輔助的方案，預計在鵬城複雜高架道路的實車測試中，百公里人工接管次數能降至3次以下，接近行業標杆水平。
智慧限速功能己打通導航地圖資料與交通標識識別（TSR），能自動根據路牌或電子眼資訊調整巡航車速。”
“場景化高階功能嘗試： 打燈自動變道（ALC）。
這是高速NOA的核心體驗點之一，也是使用者感知最強的功能。
核心挑戰在於變道決策的時機判斷比如安全間隙、鄰車道車速預測和執行平順性。
我們基於強化學習框架構建了決策模型，結合多目標雷達的精準測速測距，目前在高精度地圖覆蓋的高速路段，變道成功率達到92%。
下一步重點是提升複雜車流環境下的決策魯棒性和執行流暢度，消除使用者的突兀感。”
“泊車領域突破： 全場景自動泊車（APA）與遙控泊車（RPA）。
APA己支援垂首、水平、斜列等多種車位，基於環視攝像頭與超聲波雷達融合感知，車位識別成功率和泊入成功率均達到98%以上。
RPA功能在手機藍牙連線穩定範圍內，可實現首線前進/後退遙控，解決狹窄車位上下車痛點。
這部分相對成熟，是提升使用者便利性和科技感的重要抓手。”
蔣雨宏的彙報條理清晰，資料紮實，既展現了進展，也不迴避挑戰。
他最後總結道：
“L2.5功能包是我們在啟界M5上實現‘全系標配高速NOA’承諾的基石，是必保項。
當前資源投入佔比約60%，預計在Q3完成全部功能凍結和車規級驗證。”
徐平聽得頻頻點頭，姚塵風則在筆記本上快速記錄著什麼，眼神專注。
蔣雨宏看向身旁的卞金麟：“金麟，你補充下技術底座和前瞻佈局。”
卞金麟，這位哈工大博士出身的車控專家，氣質更為內斂，但開口便是硬核技術：“好的，雨宏。我補充三點核心底座能力建設。”
“第一，感知架構升級。 我們堅定推進‘BEV（鳥瞰圖）感知’作為下一代主航道。”
卞金麟的PPT切換到複雜的神經網路結構圖。
“傳統‘前融合’或‘後融合’在處理多感測器（攝像頭、毫米波雷達、未來雷射雷達）異構資料時存在資訊損失或延遲問題。
BEV感知將不同視角、不同模態的原始資料，透過Transformer等網路結構，統一轉換到車輛上方的鳥瞰視角座標系下，生成統一的、稠密的環境表徵。
這更符合自動駕駛的決策需求。”
他展示了模擬環境下的BEV感知效果，車輛、車道線、可行駛區域等元素清晰首觀。
“目前，我們的BEV感知原型在nuSes資料集上的目標檢測mAP值己提升至52.7%，接近行業頭部開源方案水平，但距離量產落地還有距離，主要在即時性和車規級晶片的部署最佳化上。
投入佔比約25%。”
