2025 年 7 月 22 日，在第八届智能辅助驾驶大会上，东软睿驰辅助驾驶业务线首席专家张春民阐述了辅助驾驶的发展历程，从 1.0 阶段功能列表的不断扩充，到 1.5 阶段部分场景的功能整合，再到 2.0 阶段实现驾驶本质任务且重点在于性能提升，如今多数系统在高速场景达 " 好用 " 标准，部分领先系统在城市场景也接近 " 好用 "。

张春民指出，面对智能辅助驾驶的主流市场需求，东软睿驰在端到端模型基础上融入新要素，提升传统模型上限，对复杂逻辑和算法轻量化处理，同时引入多种技术让模型更贴近人类驾驶行为，在安全层面覆盖各类安全体系与措施保障，通过打造安全、智能、普惠的辅助驾驶产品方案，赋能车企为用户带来更可靠、更舒适、个性化的出行体验。

张春民 | 东软睿驰辅助驾驶业务线首席专家

以下为演讲内容整理：

辅助驾驶的发展可划分为几个阶段。在 1.0 阶段，其显著特点是功能列表不断扩充，新增诸多功能。从终端用户的角度来看，车机系统中设置了大量选项，功能繁多。进入 2.0 阶段，相关功能开始逐步整合。在此过程中，存在一个过渡性的 1.5 阶段。我们之所以认为 1.5 阶段尚不足以构成一个独立的发展阶段，是因为其功能整合的力度不足，仅在部分场景下实现了功能的整合。若将 1.0 阶段的辅助功能视为原子操作，那么在 1.5 阶段，例如在高速和泊车等特定场景下，实现了一定程度的功能整合，在高速场景下，可实现从上匝道进入高速至驶出高速的全程辅助驾驶任务整合。然而，这仍不足以满足辅助驾驶的最终目标，无法实现从 A 点到 B 点的点到点驾驶。

图源：演讲嘉宾素材

2.0 阶段的核心在于实现驾驶的本质任务。当前，从功能层面来看，该阶段已覆盖了驾驶的典型场景，但仍处于持续发展阶段，其发展重点主要体现在性能提升上，用行业内常用的表述即 " 能用 "" 好用 " 及 " 易用 "，这些概念可通过量化指标加以阐释。以高速 NOA 为例，辅助驾驶性能常用 MPI（平均接管里程）作为评价指标。一般而言，若要达到 " 能用 " 或 " 可用 " 的标准，在高速公路上平均接管里程需达到 100 公里。而 " 好用 " 的标准则需提升一个量级，在高速 NOA 场景下，平均接管里程达到 1000 公里方可视为 " 好用 "。

在城市场景中，由于环境复杂度远高于高速公路，因此沿用高速公路的衡量标准并不恰当。在此情况下，我们引入时间因素作为衡量指标。例如，在高速公路上行驶 100 公里大约需要 1 小时，而在城市道路中行驶 1 小时，行驶距离约为 25 公里。据此，在城市场景下，若辅助驾驶系统的平均接管里程达到 25 公里，我们认为该系统达到 " 可用 " 或 " 能用 " 的水平。" 好用 " 的标准同样提升一个量级，即平均接管里程达到 250 公里，此时可认为该系统在城市环境中处于 " 好用 " 状态。

当前，在高速公路场景下，多数智能辅助驾驶系统已达到 " 好用 " 标准，平均接管里程均超过 1000 公里。而在城市场景中，部分领先系统已实现 " 能用 "，并正朝着 " 好用 " 的方向发展。

辅助驾驶 3.0 时代将如何发展？我们认为，未来将进一步实现整合，超越现有的智能辅助驾驶在各类场景下的整合的范畴，将迈向整车层面，实现舱驾一体或整车跨域融合的阶段。届时，智能辅助驾驶将呈现出全新的形态。

智能辅助驾驶快速发展的背后，存在一个强劲的驱动力，AI 技术的主导作用。

在 1.0 阶段，深度学习技术在车端得到了广泛应用，成为该阶段的核心技术支撑。进入 1.5 阶段，BEV+Transformer 架构与 OCC 技术的引入，显著提升了感知系统的性能，满足了更为复杂的感知需求。而至 2.0 阶段，端到端技术成为主流，它不仅推动了智能辅助驾驶系统的整体升级，还带动了新的附加价值。例如，端到端技术使得系统行为更加拟人化，更符合人类的驾驶习惯，从而加速了智能辅助驾驶系统在市场上的渗透进程。

当前端到端技术存在多种路线，涵盖 two model 与 one model 等不同类型，且目前并非技术发展的终点。3.0 阶段已出现以基础大模型为支撑的新趋势，即将原本运行于云端的大模型移植至车端，显著增强了系统能力。业界对此存在一些典型表述，如 VLA、VLM 等。

从市场层面观察，存在两大阵营。一是积极投入、力求突破的先锋队伍，致力于探索大模型前沿技术，且在当前汽车市场上已取得显著成果。然而，此类车型通常价格较高。在国内每年销售的乘用车中，中低端车型所占比重更大，这些车型同样对智能辅助驾驶技术存在需求。东软睿驰重点关注如何在主流车型上实现智能辅助驾驶技术的普及与平权。

下图展示东软睿驰最新的端到端辅助驾驶方案，借鉴基础大模型领域的最新技术，尤其是今年 Deepseek 发布后涌现的新技术，并在原有端到端框架中加以应用，以此提升传统端到端模型的上限；同时对复杂逻辑和算法在以嵌入式系统中有限芯片资源进行轻量化处理，以实现降本需求。

我们采用的轻量化策略中，设计了特定架构以实现自适应资源分配，包括对稠密与稀疏计算架构的支持。此外，我们还开发了自适应分辨率的 OCC 技术。OCC 在应对非白名单目标时展现出优异的泛化能力，但其显著特点是对算力需求极高。通过引入自适应分辨率技术，有效降低了 OCC 对算力的要求。除空间特性外，我们还针对时间特性进行了轻量化处理。

在感知这一具有挑战性的课题之外，面向决策规划环节，我们引入了 AI 特性。实践中发现，若单纯采用数据驱动方式，系统性能的下限难以得到保障。因此，我们采用了一种融合策略，将人类知识库与数据驱动的泛化能力相结合，构建了一套内生网络，该网络既能够支持符合人类决策习惯的模式，又具备数据驱动的特性。此外，我们还引入了 Diffusion 技术，结合了强化学习技术，让未来部署于车辆上的模型能够更贴近人类驾驶行为。

在安全层面，我们也开展了大量工作。从方法论角度而言，我们采用了涵盖功能安全、预期功能安全、网络安全、数据安全以及 AI 安全的 " 五大安全 " 体系，这些方法论均已应用于实际项目中。从落地实施层面来看，当前智能辅助驾驶系统仍存在性能不足的问题，在此情况下，我们一方面持续优化算法以提升系统性能；另一方面在使用环节进行针对性处理。例如，针对 ODD，我们开展了专项训练，并在实车运行时实施实时判定机制，以实现风险实时应对，确保项目安全。同时，我们构建了数据闭环模块，能够快速解决长尾问题，进一步提升系统安全性。

我们将 Diffusion 技术与传统端到端框架相结合，这相较于传统的回归式方法有一定优势。首先，该技术对复杂场景具有更强的适应性，尤其在涉及多方博弈的场景中，能够更便捷地支撑预测功能以及整车的决策与规划，实现二者的有机整合。鉴于当前复杂场景中有相当比例与角色博弈相关，这一特性使其具备显著的应用优势。

第二，该技术对算力需求及轻量化实现较为友好。其轻量化特性主要针对样本数据层面，在研发过程中，数据收集与准备工作量巨大，我们进行了 Diffusion 模型的特定优化处理，相较于 Transformer 架构，Diffusion 模型对数据的依赖程度较低，因此可视为一种轻量级算法。

三是该技术能够更好地实现拟人化驾驶，可支持个性化的驾驶风格。

接下来谈谈数据方面。当前，数据驱动已成为行业共识，东软睿驰也构建了自主的数据闭环系统。该系统采用推理与训练双闭环协同架构，并整合了世界模拟器等关键组件。当前行业中常探讨一个关键问题，Tier 1 供应商在数据领域已具备成熟体系并积累了大量数据，在此背景下，主机厂是否仍需自主积累数据并构建数据闭环系统？我们的认为是需要的。原因在于，不同主机厂的用户群体具有显著差异性，各用户群体均呈现出独特的特征。唯有通过自主收集并分析用户数据，主机厂才能精准把握这些特征，进而基于分析结果构建适配自身用户群体的定制化辅助驾驶系统。

在数据驱动模式下，我们完成智能辅助驾驶从 A 点到 B 点的任务开发后，在充分了解整体驾驶场景与环境的基础上，基于这些数据还可开展诸多超越驾驶任务的工作，而这恰恰是主机厂实现产品差异化的重要契机。

在系统构建方式上，行业存在不同选择。第一种是采用轻量级方案，利用网上丰富的开源资源部署特定任务系统，然而，这类方案仅适用于碎片化的点状任务，难以形成平台化、系统且支持持续优化、效率不断提升的完整闭环体系。

对此，我们建议将后台数据处理实现平台化与系统化。各环节在运用先进技术达成特定效果的同时，需构建完整链路，形成一套可高度自动化迭代的产品体系。考虑到不同车企的差异化需求，后台系统建设需进行适当定制。最终面向终端用户时，系统应能支持日益复杂的驾驶场景，持续提升驾驶体验。

最后介绍一下东软睿驰的相关产品。基于前述技术理念，我们针对主流车型推出了两款产品，第一款是轻量级域控制器，该产品基于地平线 J6 芯片平台开发，并细分为轻量级、标准版和专业版三个版本。其中轻量级版本聚焦高频刚需场景，提供极致性价比方案；标准版与专业版则针对城市场景进行了功能扩展，配套传感器配置也有所差异。

除轻量级辅助驾驶域控制器外，我们还全新推出了 8MP 前视一体机产品 Next-Cube-Lite。产品兼具性能跃升与成本优势，不仅契合最新法规要求，同时能够满足 L2 级辅助驾驶的智能、舒适体验，可充分支持车道内辅助驾驶功能，同时覆盖乘用车与商用车多场景应用，为车企提供一套极致性价比、快速交付的高性能辅助驾驶产品方案。该产品近期获得多家头部车企量产定点，将于 2025 年底陆续实现量产。

（以上内容来自东软睿驰辅助驾驶业务线首席专家张春民于 2025 年 7 月 22 日在第八届智能辅助驾驶大会发表的《端到端大模型：解锁智能辅助驾驶量产新维度》主题演讲。）