重生后我只做正确选择 第681章 蒋雨宏的汇报

第681章蒋雨宏的汇报(第1/2页)

徐平这位华兴的二把手，最擅长的就是布局未来，最不能容忍的就是错失战略机遇。

“好。”徐平拍板，“这事我亲自抓。王宏斌，政策与标准专利部所有资源向此倾斜，成立专项攻坚组。需要协调什么资源，直接找我！目标：鹏城首批牌照，必须要有华兴的名字。”

如今，目标达成。

这张提前一年攥在手里的牌照，是陈默为华兴智能驾驶抢跑埋下的第一块基石，也是他重生归来，扭转前世轨迹的无声宣言。

“王总监，辛苦了。这个头开得漂亮！”徐平脸上露出满意的笑容，手指在紫砂壶上轻轻摩挲。

“牌照拿到了，接下来就是真刀真枪上战场了。

雨宏，金麟，该你们了。

启界M5能不能在明年年底如期亮出我们的‘智能獠牙’，就看你智能驾驶产品线的真本事了。

两周前立项会定下的调子，落地方案进展如何？”

压力瞬间传导。

所有人的目光聚焦到蒋雨宏和卞金麟身上。

蒋雨宏推了推鼻梁上的金丝眼镜，这位海思麒麟970的主架构师，也是华兴智驾的技术领袖，身上有股子一般只能在年轻人身上才能看到的锐利。

他没有立刻回答徐平，而是目光转向陈默，带着请示和确认的意味。

陈默微微颔首。

蒋雨宏这才点开面前的笔记本，沉稳的声音在会议室响起：

“徐总，姚总，陈总。

根据两周前战略会议明确的‘全系标配高速NOA，高阶能力按需订阅’的核心定位，以及陈总提出的‘空间释放、纯电优先、智能领先’整车协同要求，智能驾驶产品线已初步完成技术路径重构和资源调整。

下面由我和卞总分别汇报。”

“首先，是基础能力与量产保障。”蒋雨宏切换PPT，画面显示出一个清晰的系统架构图，核心是“感知-预测-规划-控制”的链路。

“目前，我们基于量产车规级硬件平台，当然当前以德州仪器TDA4系列为主，下一代平台正在联合海思预研中，全力攻坚L2.5级功能包，目标是在2019年Q4启界M5量产交付时，实现稳定可靠的落地。”

他激光笔的红点精准移动：

“纵向控制强化：全速域自适应巡航（ACC），覆盖0-130km/h，目标是在标准工况下，如高速跟车、拥堵缓行，实现媲美甚至优于特斯拉AP（AUtOPilOt）2.5系统的平顺性和跟车逻辑。

目前算法核心已冻结，正在结合实车标定数据进行大规模仿真和封闭场地测试。

关键指标——跟车时距稳定性、加减速平顺性、对切入切出车辆的识别响应速度，这些指标的仿真数据达标率超过95%。

实车测试达标率约85%，剩余难点在大雨、浓雾等极端天气下的传感器衰减补偿策略优化。”

“横向控制优化：车道居中巡航（LCC）与智能限速。

LCC核心是车道线识别与保持的鲁棒性，尤其是在车道线模糊、缺失或临时施工路段。

（本章未完，请点击下一页继续阅读）第681章蒋雨宏的汇报(第2/2页)

我们采用了多源融合（摄像头 毫米波雷达）定位结合高精度地图（HDMap）辅助的方案，预计在鹏城复杂高架道路的实车测试中，百公里人工接管次数能降至3次以下，接近行业标杆水平。

智能限速功能已打通导航地图数据与交通标识识别（TSR），能自动根据路牌或电子眼信息调整巡航车速。”

“场景化高阶功能尝试：打灯自动变道（ALC）。

这是高速NOA的核心体验点之一，也是用户感知最强的功能。

核心挑战在于变道决策的时机判断比如安全间隙、邻车道车速预测和执行平顺性。

我们基于强化学习框架构建了决策模型，结合多目标雷达的精准测速测距，目前在高精度地图覆盖的高速路段，变道成功率达到92%。

下一步重点是提升复杂车流环境下的决策鲁棒性和执行流畅度，消除用户的突兀感。”

“泊车领域突破：全场景自动泊车（APA）与遥控泊车（RPA）。

APA已支持垂直、水平、斜列等多种车位，基于环视摄像头与超声波雷达融合感知，车位识别成功率和泊入成功率均达到98%以上。

RPA功能在手机蓝牙连接稳定范围内，可实现直线前进/后退遥控，解决狭窄车位上下车痛点。

这部分相对成熟，是提升用户便利性和科技感的重要抓手。”

蒋雨宏的汇报条理清晰，数据扎实，既展现了进展，也不回避挑战。

他最后总结道：

“L2.5功能包是我们在启界M5上实现‘全系标配高速NOA’承诺的基石，是必保项。

当前资源投入占比约60%，预计在Q3完成全部功能冻结和车规级验证。”

徐平听得频频点头，姚尘风则在笔记本上快速记录着什么，眼神专注。

蒋雨宏看向身旁的卞金麟：“金麟，你补充下技术底座和前瞻布局。”

卞金麟，这位哈工大博士出身的车控专家，气质更为内敛，但开口便是硬核技术：“好的，雨宏。我补充三点核心底座能力建设。”

“第一，感知架构升级。我们坚定推进‘BEV（鸟瞰图）感知’作为下一代主航道。”

卞金麟的PPT切换到复杂的神经网络结构图。

“传统‘前融合’或‘后融合’在处理多传感器（摄像头、毫米波雷达、未来激光雷达）异构数据时存在信息损失或延迟问题。

BEV感知将不同视角、不同模态的原始数据，通过TranSfOrmer等网络结构，统一转换到车辆上方的鸟瞰视角坐标系下，生成统一的、稠密的环境表征。

这更符合自动驾驶的决策需求。”

他展示了仿真环境下的BEV感知效果，车辆、车道线、可行驶区域等元素清晰直观。

“目前，我们的BEV感知原型在nUSCeneS数据集上的目标检测mAP值已提升至52.7%，接近行业头部开源方案水平，但距离量产落地还有距离，主要在实时性和车规级芯片的部署优化上。

投入占比约25%。”