在軟體發展方面，我們通過複用L2-L2+級解決方案的科技棧、開發平臺與工具鏈，顯著提升了我們在L4級解決方案的研發效率並有效降低了開發成本。無論是面向L2-L2+級還是L4級解決方案的AI模型，我們始終基於統一的基礎模型進行構建，並根據應用場景和效能需求，通過模型剪枝、量化、蒸餾等科技對其進行優化與定制，確保了技術開發的一致性與高效性。
我們在L2-L2+級量產項目交付中積累了豐富的AI科技和工程化經驗。 L2-L2+級解決方案在可靠性與穩定性上已獲量產項目充分印證，從而為L4系統的開發與部署提供了可複製的工程基礎。
在硬體方面，通過複用L2-L2+級解決方案中採用的感測器與網域控制站，不僅保證硬體的可靠性，還憑藉量產供應鏈的成本優勢，降低我們L4級解決方案的成本。我們在L2-L2+級解決方案中積累的算灋性能優化經驗，也幫助我們優化我們L4級解決方案中的感測器佈局與晶片選型。 例如，我們Robotaxi方案ConnectOne的感測器佈局就採用了更少的雷射雷達，並主要使用具備中階算力的地平線征程6處理硬體，明顯提高了我們L4級解決方案的性價比。
隨著我們L4級解決方案部署規模的逐漸擴大，我們也能够在實際運營場景中積累海量高品質數據。 這些來自L4級車輛的高品質數據能够用於反哺我們在L2-L2+級解決方案中的模型優化。與傳統依賴人類駕駛員採集數據相比，這些經匿名化與清洗處理後的真值數據不僅消除了人為駕駛行為帶來的固有偏差，更能加快我們的產品反覆運算週期並同時降低我們的資料獲取成本。這樣的雙軌並進路徑，幫助我們形成良性的數據閉環，並鞏固了我們的智慧駕駛系統性能上的競爭優勢，也為L2-L2+級及L4級解決方案構建了協同互補、互促共進的發展範式。
憑藉强大的軟硬體協同開發能力，我們構建了適配多晶片平臺的統一異構計算開發架構，以實現AI算灋模型及各類硬體（如算力晶片、感測器）的深度適配，我們採用統一的平臺介面和數據協定的系統架構，並通過自動化模型轉換工具，支持智駕系統在不同晶片平臺的快速部署與驗證。同時，我們通過分層解耦的系統架構設計，實現系統平臺對外介面的統一和標準化，有效打破不同硬體之間的壁壘，確保系統在晶片平臺上實現一致的卓越表現，實現軟件的通用性和可複用性，支持智駕系統的跨平臺快速部署與驗證。
快速適配新規則和區域
全面覆蓋多種極端場景
物體識別、聯合推理
行為理解能力領先
减少大規模真實樣本依賴
我們通過端到端方法與大語言模型的深度融合構建VLA/VLM架構，實現領先的物體識別、精准的交通參與者行為意圖預測及全面的環境理解。 我們通過自然語言驅動的軌跡生成器，强化AI系統的可解釋性，提升用戶與監管層的信任度。通過多模態融合與冗餘安全機制，我們的系統具有極高的魯棒性。 我們的系統架構可彌補獨立端到端系統在極端條件下的局限性，减少誤檢，並通過具備高泛化能力的AI模型優化長尾問題處理能力。我們秉持開發具有更高推理效率的羽量級AI模型的理念，結合模型修剪、量化及蒸餾方法壓縮模型參數量，並借助對各類不同晶片平臺的深度認知，實行多核並行調度機制，在CPU與NPU協同架構的晶片下實現異構算力的最大化利用。
端到端 · 無圖 · 點到點
通過集成多個AI感知算灋模型、感知後融合模型以及基於規則的規劃與控制模塊，形成一套穩定可靠的智慧駕駛解決方案。該系統功能模組清晰，可解釋性强，但需要針對各種場景開發規則和兜底方案，模塊間交付關係複雜，應對長尾問題解决能力有限。 這是智慧駕駛行業早期主流科技方案。
該系統採用基於BEV視角的前融合感知算灋，將其他感測器點雲數據與視覺共同融合，再通過在同一規劃模塊中結合規則規劃策略及模型規劃解决跨模態空間匹配問題。該系統提升了時序建模能力，並降低漏檢誤檢率，顯著增强了系統在複雜場景中的適應性與可靠性，成為近年量產項目中的主流科技方案。
該系統採用“感知模型+決策／規劃模型”構成兩段式端到端架構。 該系統通過大模型驅動感知模塊以精准理解環境，以基於模型的規劃模塊承接感知結果，並輸出控制指令，確保“感知－決策－規劃”之間的無縫銜接，極大程度降低了系統的複雜性，優化了信息流動，减少了模塊間的資訊損失，提升了整體系統的效率與精准度。
實現了“感知與規劃一體化端到端系統”，通過一個大模型從感測器資料登錄開始，並輸出控制指令。 此架構進一步簡化了系統結構，提升了模型執行效率與泛化能力，增强了系統的集成度與可操作性。此外，我們亦通過VLM/VLA等架構進一步增強系統的可解釋性。
基於領先的强化學習（RL）和對比模仿學習（CIL）科技構建，能够像經驗豐富的司機一樣，在複雜多變的交通環境中實时做出安全、舒適和高效的行駛規劃。通過强大的決策模型架構，提升了自動駕駛系統的智能化水准和應對複雜場景的能力。
數據收集 · 資料管理 · 數據回傳
查看詳情 >模型轉換工具 · 自動化效能評估 · 軟體庫
查看詳情 >算灋組合 · 系統部署 · 測試驗證
查看詳情 >我們在CalmVolution平臺中接入了多模態AI大模型，幫助我們在研發及交付過程中對客戶需求進行分析、折開和審閱，加快生成程式碼，並對程式碼進行質量評估。此策略亦可幫助我們清晰梳理需求、開發和測試驗證之間的追溯關係，進一步提升我們的系統性糾錯能力。
我們的數據閉環系統DataTurbo以“全連結數據閉環”為覈心設計理念，通過資料獲取、資料管理、數據回傳三大模塊的深度協同，構建了從數據生成到價值轉化的完整連結，為智駕算灋反覆運算與功能優化的覈心素材-“數據”的高效處理提供支撐。
我們的模型訓練與開發系統CalmForge可以幫助我們實現各類AI算灋模型在包括訓練，調优，評估，以及監控等涵蓋模型生命週期各個階段的管理。通過優化訓練方法，CalmForge基於分佈式理念幫助我們同時針對多個不同模型進行獨立訓練和高效反覆運算，提升我們的AI訓練服務器的有效利用率，讓我們的模型訓練週期相較於較常規管道可以縮短30%以上。此外，集成在CalmForge內的模型轉換工具也可以幫助我們將AI模型自動轉化成適配其他晶片平臺的模型，進一步提升我們的對不同晶片平臺的適配性，减少我們的研發成本。
我們的CalmVergence自動化系統集成平臺通過精確構建算灋、軟件與硬體之間的無縫聯動成為我們實現智慧駕駛系統快速部署的覈心支撐系統。該系統支援研發團隊僅僅通過輕鬆勾選的管道，便能將我們AI算灋模型及軟體庫中的軟件與各類車輛介面的無縫移植及集成，最大限度幫助我們實現研發成果的複用。這使得我們的軟件及AI算灋模型在不同項目中的複用率超過70%以上。在面對一款新晶片平臺，我們可以在一個月內完成完整系統的部署調通；而在已部署過的晶片平臺上，針對新車型的量產項目從部署、測試驗證到最終交付的全流程耗時不到六個月。
神經網路同時輸出稀疏特徵點雲、稀疏語義目標、密集語義目標等多維度資訊，地圖資訊空間分佈涵蓋地面和地上。解决了地圖資訊選取計算冗餘高、資訊含量少的問題。
結合環境豐富的語義、稀疏點雲資訊共同完成場景的匹配定位，解决了光照高動態、場景少紋理和場景重複紋理的定位問題，可實現跨層停車場景記憶地圖中任意位置初始定位。
採用多攝冗餘設計機制，解决遮擋場景的重定位難題，可實現一次性建圖，雙向巡航定位功能以滿足各種停車、取車需求。
卷積神經網路特徵選取與匹配
神經網路特徵示例
跨層泊車
為最大化AI開發大平臺的效能，我們圍繞其各個覈心子系統研發了一系列專用的工具鏈產品
進一步提升該平臺在資料處理、模型訓練、交付售後上的優勢，以下摘錄部分工具鏈產品的介紹
為更好地開展端到端模型訓練，我們自主研發了4D自動標注工具Fast4D。 Fast4D在傳統3D標注基礎上引入時序維度，能够對動態目標的運動軌跡、形態變化及其與周邊環境互動進行連續、一致的跟踪，有效保障數據中目標的時空一致性。我們的Fast4D採用增强型3D高斯濺射方法，重建效率較傳統基於NeRF的方法提升16倍，通過對多感測器數據的融合處理，生成預標注4D數據，再經人工精修後即可形成用於AI模型訓練的高品質數据集。 與傳統2D/3D標注模型相比，Fast4D將我們的數據標注效率提升約120倍。
查看詳情為了更好跟踪開發及交付的全流程，並為客戶提供高品質和及時的響應服務，我們開發了SuperPangoo問題數據閉環管理平臺。該平臺支持問題快速錄入、分配、處理與歸檔，並可與客戶採用的各類主流工作流管理系統對接，確保客戶問題在內部及外部均可追跡、可追溯。我們通過SuperPangoo實时同步問題處理進度與解決方案，自動回傳關鍵資訊至客戶的內部管理平臺，幫助客戶及時掌握問題動態。 SuperPangoo顯著提升客戶體驗與滿意度。
查看詳情
