2024年7月5日，理想汽車在2024智能駕駛夏季釋出會宣布将于7月内向全量理想AD Max使用者推送“全國都能開”的無圖NOA，并将于7月内推送全自動AES（自動緊急轉向）和全方位低速AEB（自動緊急制動）。同時，理想汽車釋出了基于端到端模型、VLM視覺語言模型和世界模型的全新自動駕駛技術架構，并開啟新架構的早鳥計劃。
智能駕駛産品方面，無圖NOA不再依賴高精地圖或先驗資訊，在全國範圍内的導航覆寫區域均可使用，并借助時空聯合規劃能力帶來更絲滑的繞行體驗。無圖NOA也具備超遠視距導航選路能力，在複雜路口依然可以順暢通行。同時，無圖NOA充分考慮使用者心理安全邊界，用分米級微操帶來默契安心的智駕體驗。此外，即将推送的AES功能可以實作不依賴人輔助扭力的全自動觸發，規避更多高危事故風險。全方位低速AEB則再次拓展主動安全風險場景，有效減少低速挪車場景的高頻剮蹭事故發生。
自動駕駛技術方面，新架構由端到端模型、VLM視覺語言模型和世界模型共同構成。端到端模型用于處理正常的駕駛行為，從傳感器輸入到行駛軌迹輸出隻經過一個模型，資訊傳遞、推理計算和模型疊代更高效，駕駛行為更拟人。VLM視覺語言模型具備強大的邏輯思考能力，可以了解複雜路況、導航地圖和交通規則，應對高難度的未知場景。同時，自動駕駛系統将在基于世界模型建構的虛拟環境中進行能力學習和測試。世界模型結合重建和生成兩種路徑，建構的測試場景既符合真實規律，也兼具優秀的泛化能力。
理想汽車産品部進階副總裁範皓宇表示：“理想汽車始終堅持和使用者共同打磨産品體驗，從今年5月推送首批千名體驗使用者，到6月将體驗使用者規模擴充至萬人以上，我們已經在全國各地積累了超百萬公裡的無圖NOA行駛裡程。無圖NOA全量推送後，24萬名理想AD Max車主都将用上目前國内領先的智能駕駛産品，這是一項誠意滿滿的重磅更新。”
理想汽車智能駕駛研發副總裁郎鹹朋表示：“從2021年啟動全棧自研，到今天釋出全新的自動駕駛技術架構，理想汽車的自動駕駛研發從未停止探索的腳步。我們結合端到端模型和VLM視覺語言模型，帶來了業界首個在車端部署雙系統的方案，也首次将VLM視覺語言模型成功部署在車端晶片上，這套業内領先的全新架構是自動駕駛領域裡程碑式的技術突破。”
無圖NOA四項能力提升，全國道路高效通行
将于7月内推送的無圖NOA帶來四項重大能力更新，全面提升使用者體驗。首先，得益于感覺、了解和道路結構建構能力的全面提升，無圖NOA擺脫了對先驗資訊的依賴。使用者在全國範圍内有導航覆寫的城市範圍内均可使用NOA，甚至可以在更特殊的胡同窄路和鄉村小路開啟功能。
其次，基于高效的時空聯合規劃能力，車輛對道路障礙物的避讓和繞行更加絲滑。時空聯合規劃實作了橫縱向空間的同步規劃，并通過持續預測自車與他車的空間互動關系，規劃未來時間視窗内的所有可行駛軌迹。基于優質樣本的學習，車輛可以快速篩選最優軌迹，果斷而安全地執行繞行動作。
在複雜的城市路口，無圖NOA的選路能力也得到顯著提升。無圖NOA采用BEV視覺模型融合導航比對算法，實時感覺變化的路沿、路面箭頭辨別和路口特征，并将車道結構和導航特征充分融合，有效解決了複雜路口難以結構化的問題，具備超遠視距導航選路能力，路口通行更穩定。
同時，無圖NOA重點考慮使用者心理安全邊界，用分米級的微操能力帶來更加默契、安心的行車體驗。通過雷射雷達與視覺前融合的占用網絡，車輛可以識别更大範圍内的不規則障礙物，感覺精度也更高，進而對其他交通參與者的行為實作更早、更準确的預判。得益于此，車輛能夠與其他交通參與者保持合理距離，加減速時機也更加得當，有效提升使用者行車時的安全感。
主動安全能力進階，覆寫場景再拓展
在主動安全領域，理想汽車建立了完備的安全風險場景庫，并根據出現頻次和危險程度分類，持續提升風險場景覆寫度，即将在7月内為使用者推送全自動AES和全方位低速AEB功能。
為了應對AEB也無法規避事故的實體極限場景，理想汽車推出了全自動觸發的AES自動緊急轉向功能。在車輛行駛速度較快時，留給主動安全系統的反應時間極短，部分情況下即使觸發AEB，車輛全力制動仍無法及時刹停。此時，AES功能将被及時觸發，無需人為參與轉向操作，自動緊急轉向，避讓前方目标，有效避免極端場景下的事故發生。
全方位低速AEB則針對泊車和低速行車場景，提供了360度的主動安全防護。在複雜的地庫停車環境中，車輛周圍的立柱、行人和其他車輛等障礙物都增加了剮蹭風險。全方位低速AEB能夠有效識别前向、後向和側向的碰撞風險，及時緊急制動，為使用者的日常用車帶來更安心的體驗。
自動駕駛技術突破創新，雙系統更智能
理想汽車的自動駕駛全新技術架構受諾貝爾獎得主丹尼爾·卡尼曼的快慢系統理論啟發，在自動駕駛領域模拟人類的思考和決策過程，形成更智能、更拟人的駕駛解決方案。
快系統，即系統1，善于處理簡單任務，是人類基于經驗和習慣形成的直覺，足以應對駕駛車輛時95%的正常場景。慢系統，即系統2，是人類通過更深入的了解與學習，形成的邏輯推理、複雜分析和計算能力，在駕駛車輛時用于解決複雜甚至未知的交通場景，占日常駕駛的約5%。系統1和系統2互相配合，分别確定大部分場景下的高效率和少數場景下的高上限，成為人類認知、了解世界并做出決策的基礎。
理想汽車基于快慢系統系統理論形成了自動駕駛算法架構的原型。系統1由端到端模型實作，具備高效、快速響應的能力。端到端模型接收傳感器輸入，并直接輸出行駛軌迹用于控制車輛。系統2由VLM視覺語言模型實作，其接收傳感器輸入後，經過邏輯思考，輸出決策資訊給到系統1。雙系統構成的自動駕駛能力還将在雲端利用世界模型進行訓練和驗證。
高效率的端到端模型
端到端模型的輸入主要由攝像頭和雷射雷達構成，多傳感器特征經過CNN主幹網絡的提取、融合，投影至BEV空間。為提升模型的表征能力，理想汽車還設計了記憶子產品，兼具時間和空間次元的記憶能力。在模型的輸入中，理想汽車還加入了車輛狀态資訊和導航資訊，經過Transformer模型的編碼，與BEV特征共同解碼出動态障礙物、道路結構和通用障礙物，并規劃出行車軌迹。
多任務輸出在一體化的模型中得以實作，中間沒有規則介入，是以端到端模型在資訊傳遞、推理計算、模型疊代上均具有顯著優勢。在實際駕駛中，端到端模型展現出更強大的通用障礙實體解能力、超視距導航能力、道路結構了解能力，以及更拟人的路徑規劃能力。
高上限的VLM視覺語言模型
VLM視覺語言模型的算法架構由一個統一的Transformer模型組成，将Prompt（提示詞）文本進行Tokenizer（分詞器）編碼，并将前視相機的圖像和導航地圖資訊進行視覺資訊編碼，再通過圖文對齊子產品進行模态對齊，最終統一進行自回歸推理，輸出對環境的了解、駕駛決策和駕駛軌迹，傳遞給系統1輔助控制車輛。
理想汽車的VLM視覺語言模型參數量達到22億，對實體世界的複雜交通環境具有強大的了解能力，即使面對首次經曆的未知場景也能自如應對。VLM模型可以識别路面平整度、光線等環境資訊，提示系統1控制車速，確定駕駛安全舒适。VLM模型也具備更強的導航地圖了解能力，可以配合車機系統修正導航，預防駕駛時走錯路線。同時，VLM模型可以了解公共汽車道、潮汐車道和分時段限行等複雜的交通規則，在駕駛中作出合理決策。
重建生成結合的世界模型
理想汽車的世界模型結合了重建和生成兩種技術路徑，将真實資料通過3DGS（3D高斯濺射）技術進行重建，并使用生成模型補充新視角。在場景重建時，其中的動靜态要素将被分離，靜态環境得到重建，動态物體則進行重建和新視角生成。再經過對場景的重新渲染，形成3D的實體世界，其中的動态資産可以被任意編輯和調整，實作場景的部分泛化。相比重建，生成模型具有更強的泛化能力，天氣、光照、車流等條件均可被自定義改變，生成符合真實規律的新場景，用于評價自動駕駛系統在各種條件下的适應能力。
重建和生成兩者結合所建構的場景為自動駕駛系統能力的學習和測試創造了更優秀的虛拟環境，使系統具備了高效閉環的疊代能力，確定系統的安全可靠。