专栏名称: 智能车情报局

聚焦智能汽车关键技术与创新产品

一文厘清AI代驾的系统设计方案

智能车情报局 · 公众号 · · 2025-01-23 11:04

正文

‍

‍ 讲座预告

1月23日晚7点 ，智猩猩新青年讲座自动驾驶专题第43讲开讲啦！上海人工智能实验室科研实习生卞恒玮和孔令东将详解4D动态场景生成框架DynamicCity，主题为 《大规模4D自动驾驶场景生成》 。欢迎扫码报名~

👀

导读

智能驾驶进入下半场，AI代驾横空出世，引发行业的广泛关注。

什么是AI代驾？如何实现？存在哪些功能模块？系统方案应该如何设计？

本文将针对以上问题展开，结合用户场景，详细解读AI代驾的系统设计方案，并分析市场上的典型AI代驾案例，预测AI代驾的发展趋势。

AI代驾，又名通勤模式，是最近流行的一项舒适性智能驾驶功能，可以让车辆按既定的行车路线，自动地从起点行驶到终点，减缓驾驶员在通勤路上（尤其是城区道路）的疲劳感。

AI代驾可以认为是城市NOA的一种过渡形态，因为与城市NOA相比，AI代驾需要先学习一遍路线，然后才能点到点地行驶。

虽然只是城市NOA的“低配”版，但AI代驾完全不依赖高精地图，到手即开，能够有效地提升用户对高阶智驾的使用频率。另外，功能开启过程中的数据，又可以用于数据闭环，加速算法模型的训练和问题收敛，有利于推进高阶智驾的不断优化，以及更高阶功能的快速落地。

功能设计

AI代驾主要通过2个功能模块实现：路线学习与记忆行车。

路线学习

用户在新的路段使用AI代驾时，需要先人工驾驶车辆从路线的起点行驶至路线的终点，系统会自动学习行驶轨迹以及轨迹周围的地图信息，并在人工驾驶达到终点后，自动生成一条固定的行驶路线。

在路线学习的过程中，为了提高生成路线的成功率和建图质量，通常会对驾驶员的行为提出要求和规范，驾驶员应严格按规范操作：

1）学习前，驾驶员保持车辆处于启动状态（上电或点火）；

2）打开导航，设定期望的目的地，在行驶过程中如果重新设定导航，理论上不影响路线学习的效果；

3）打开AI代驾的功能开关，并点击开始学习路线；

4）学习路线过程中，车速需保持在[0，80] km/h，如超速，系统会在一定时间后（如5s），终止路线学习，并提示用户“车速过高，路线学习已结束”；

5）为避免路线太长，导致资源占用太大，学习路线的总里程会设定上限（如100km），当超出上限时，系统终止路线学习，用户应注意避免。

在路线学习的过程中，系统生成的地图为自建图，通常应包含以下场景要素：

1）路口的红绿灯：系统识别并记忆路线中所遇路口的红绿灯，以便按交通规则控制车辆；

2）路口的斑马线/停止线：系统识别并记忆路口的斑马线/停止线，便于自动行驶时，在路口提前做决策；

3）路口前的地面箭头：系统识别并记忆路线的地面箭头，包括直行、左转、右转、调头等，用于变道决策；

4）路口的导流线：系统识别并记忆导流线，在交通环境允许时，自车可行驶至导流线；

5）车辆轨迹：系统学习并记忆车辆的行驶轨迹，用于部分路径规划时的参考；

6）车道线信息：系统识别并记忆车道线的类型（实线、虚线、双实线、双虚线等）和颜色（白色、黄色等），用于路径规划和预测；

7）道路限速信息：系统识别并记忆路线包含路段的限速信息，用于车速控制，避免超速。

由于用户驾驶风格、交通环境、车辆状态和行驶路段等都存在差异，因此学习形成的路线和地图质量也有所差异，通常可以按表1评估人工驾驶过程对建图质量的影响，其中：总分M≥13表示建图质量优，10≤M＜13表示建图质量良好，M＜10表示建图质量差。

表1 建图质量的影响因素与评分标准

影响因素	实际表现	评分
车辆行驶姿态	车辆居中行驶	3
	短时间压线/不居中行驶	2
	长时间压线/不居中行驶	0
轨迹流畅性	转弯/掉头，无异常扭曲	3
轨迹流畅性	转弯/掉头，轨迹异常	0
卫星网络信号	卫星信号&网络质量好	3
卫星网络信号	卫星信号/网络质量差	0
道路环境	道路环境良好	3
道路环境	道路环境较差（路面坑洼、施工区域）	1
车辆挡位	全程未挂R挡	3
车辆挡位	全程有挂R挡	1

在路线学习过程中，难免出现Corner Case，常见的工况和应对方案如下：

1）驾驶员轨迹异常：驾驶员在路线学习过程，很可能会出现避让车辆、压线行驶等行为，导致形成的轨迹扭曲。系统应针对路线扭曲的部分进行数据过滤，保持车辆按照居中状态行驶。

图1 车辆异常轨迹处理

2）途径封闭式园区：在路线学习过程，若中途驶入封闭式园区，较为考验算法能力，例如对于园区车道线、坡道车道线、升降杆的识别较为困难，各家厂商会根据自身算法能力制定不同策略。

当前多数智驾厂商面临以上场景，虽然仍可以正常建图，但车辆行驶至园区附近时会系统自动退出功能，并提示驾驶员接管车辆。

图2 途径封闭式园区

3）驾驶员中途停车：在路线学习过程，若驾驶员中途临时靠边停车，当车辆下次行驶至该处，系统应自动剔除停车等待区域的轨迹，保持车辆在车道居中行驶。

图3 驾驶员中途停车

3）行驶过程挂R挡：驾驶员在路线学习过程，若遇到前方转弯或调头，调整车辆过程挂R挡，系统应对R挡行驶过程的轨迹进行优化，按照优化后路线行驶。

图4 调头轨迹处理

记忆行车

路线学习完成后，用户可以选定所记忆的通勤路线，当车辆行驶至通勤路线覆盖路段时，用户可以激活AI代驾，系统将控制车辆自动行驶至路线终点。

记忆行车功能模块的激活，也需要一定的前提，主要包括：

1）打开“AI代驾”开关，选择期望路线；

2）车辆所在位置处于路线上某一点；

3）车辆状态正常，例如四门两盖关闭、安全带系紧、车身姿态正常等；

4）车辆与路口有一定距离，避免激活功能后前方需要左/右转，系统来不及变道导致驾驶员接管。

在记忆行车过程中，也会出现一些复杂场景路况，此时系统应该有能力应对。常见的城区复杂场景有城市避障、路口通行、特殊路段等。

城市道路的复杂路况，尤其是无序穿行的行人、非机动车等高度不确定的因素，导致AI代驾需要重点关注避障场景。此时不仅应该能避免碰撞，还应该能通过多种方式兼顾功能的安全性与流畅性（功能体验连续性），而不是仅仅停车等待接管。

图5 本车道避障

图6 借道避障

路口场景是城区的典型场景，也是考验智能驾驶能力的重点。AI代驾在路口场景，应该做到以下几点：

1）礼让行人：系统应当能够准确识别横穿道路的行人，减速慢行，待行人通过后再继续行驶。

图7 斑马线礼让行人

2）红绿灯响应：红绿灯是路口场景的标志性要素，对红绿灯的识别与响应能力，是AI代驾效果的重要评价标准。系统应该能够准确地识别出对应车道（直行、左转、掉头、右转）的红绿灯状态，并控制车辆根据红绿灯的状态及时作出反应，严格按交通规则行驶，保证安全。

图8 路口红绿灯

3）待行区通行：车辆在直行待行区时，如直行为红灯，电子屏幕显示可进入待行区时，系统应控制车辆进入待行区，等待直行信号灯变绿；车辆在左转待转区时，如直行为绿灯、左转为红灯，系统应控制车辆进入待转区，等待左转信号灯变绿，或按照电子屏幕的指示行驶。

图9 待转区通行

4）调头：调头场景复杂，涉及区域广，场景变化多，通常可以提示驾驶员接管车辆。

城区还存在一些特殊路段，如施工区域和封闭园区等。

1）施工区域：车辆途径施工区域时，系统应及时识别施工区域，并控制车辆绕行。

图10 施工区域绕行

2）封闭园区：车辆途径封闭园区时，可以认为驶出AI代驾功能的ODD范围，此时可提示驾驶员接管。

图11 车辆途径封闭园区

系统方案

AI代驾的系统方案与城市NOA的区别主要在于地图的构建，系统的整体架构与配置可以互相参考借鉴。

硬件配置

AI代驾所需的硬件配置，主要指传感器和计算平台。传感器需满足城区复杂场景的环境感知与定位建图需求，通常需要多个方向的摄像头+激光雷达+毫米波雷达；计算平台则需提供充足的算力，实现多传感器融合和实时建图。

比较主流的方案是传感器采用7V5R2L的配置，即前视双目摄像头+4周视摄像头+1后视摄像头（此处只考虑AI代驾的配置，泊车传感器不在范围内）；计算平台采用双Orin-X芯片方案，AI算力为508TOPS。

系统架构

AI代驾的系统架构与城市NOA基本相同，典型的AI代驾系统架构如图12所示。

控制器主要有智驾域控制器、座舱域控制器和中央域控制器，不同域控制器之间通过以太网连接。智驾域控制器接入摄像头与雷达，负责实现感知、决策、规控等算法；中央域控制器接入毫米波雷达和底盘CAN信号，负责毫米波雷达驱动和底盘信号解析；座舱控制器接入T-BOX、导航地图和HMI，负责传递网络和导航信息，并根据智驾域控制器的请求，显示HMI信息以及响应用户对智驾的设置。

图12 AI代驾的典型系统架构

智驾域控制器 的核心算法模块是感知、定位与建图、预测、决策规划、控制等。其中，感知包括视觉感知、激光雷达点云感知以及视觉与点云数据的融合，定位建图包括自建图和轻图模块，对自建图和轻图数据加以解析和处理，将处理好的数据输出给下游做规划和决策。

此外，摄像头与激光雷达的驱动、传感器的标定等，都包含在智驾域控制器中。

如果智驾域控制器采用双Orin-X的方案，则通常会区分Orin-1与Orin-2，其中Orin-2负责激光雷达的点数数据处理，其他任务则统一由Orin-1完成。

决策规划与控制算法则采用冗余方案，正常情况下由Orin-1处理决策规划、控制任务，当Orin-1中的相关模块失效时，Orin-2会接管，无缝运行。

中央域控制器 负责AI代驾的底层驱动解析，包括毫米波雷达驱动、底盘信号的转换与解析等，并将解析好的信号转发给智驾域控制器，同时响应智驾域控制器发出的控制请求，实现对车辆的控制。

座舱域控制器 负责接入导航地图、T-BOX，并实现HMI的显示和设置。其中导航地图向智驾域控制器的定位模块发送导航信息；TBOX负责各个域控之间的网络传输；座舱域控可以及时与智驾域控交互，进行HMI显示，并传递用户的设置信息。

图13 AI代驾软件部署图

地图方案

目前各家的AI代驾功能，基本方案是相同的，区别主要在于地图方案的不同。虽然不在依赖传统的高精地图，但由于各家算法能力的差异，地图方案可以分为自建图方案和自建图+轻图方案。

自建图方案完全依靠车载传感器和定位装置，构建行驶区域的地图。在路线学习过程中，传感器实时采集途径的关键场景要素，用于后续记忆行车时决策规划的参考，如车辆轨迹、车道线类型和颜色、导流线、城市限速、红绿灯、车道信息、路口信息等。

值得注意的是，只有满足地图测绘资质的图商才能进行地图相关数据的采集，因此自建图多为主机厂与图商采取合作方式共同完成。

随着大模型技术的普及以及地图阉割瘦身，语义要素更少、精度更低、制作成本更低、更新更快的轻量级高精地图出现了，一定程度上解决了传统高精地图成本高、覆盖率低、更新慢的问题。

轻量级地图可以提供更多的场景要素，对自建图起到一定程度的补充。当遇到复杂路况时，若系统仅依赖于自建图的轨迹和场景要素，可能难以处理，此时轻图的辅助优势就显现出来。因此，自建图+轻图，作为一种更加安全可靠的地图方案，被一些主机厂和方案商所青睐。

典型案例

小鹏G9的AI代驾功能，可以作为目前市场上的典型案例。

图14 小鹏G9 AI代驾示意图

我们详细对标了小鹏G9的AI代驾功能，并获得了大量实测数据，其中一些关键的性能指标整理如表2所示。

表2 小鹏G9的AI代驾关键性能指标

功能模块

功能子模块

实际表现

一文厘清AI代驾的系统设计方案

正文

请到「今天看啥」查看全文