極越“汽車機(jī)器人進(jìn)化日”超前體驗(yàn)！
[汽車之家 資訊] 日前，極越汽車舉辦了“汽車機(jī)器人進(jìn)化日”超前體驗(yàn)活動。極越數(shù)字產(chǎn)品負(fù)責(zé)人潘云鵬；百度自動駕駛技術(shù)負(fù)責(zé)人/百度IDG技術(shù)委員會主席王亮，將針對此次OTA升級計劃以及最新技術(shù)進(jìn)展做出分享。具體信息如下：
潘云鵬：非常榮幸，能和大家一起分享一下V1.3.0、1.3.1軟件關(guān)鍵內(nèi)容。我們在軟件迭代方面，積極聽取用戶意見，在新浪微博上還專門有這么一個熱詞#極越聽勸。我們基本上一直保持這個人設(shè)，我們的整體軟件迭代邏輯有一個核心點(diǎn)，就是通過SIMO來獲取用戶反饋，一共得到將近12000多條反饋，每天有大幾百條反饋給數(shù)據(jù)庫里灌。
用戶反饋
第一個階段已經(jīng)過去，無論在車展上拉橫幅、400投訴電話、微博找CEO，用戶都處在非常弱勢，非常無助的情況，不知道該怎么做，車企也不太很清楚怎么樣才能拿到用戶最真實(shí)的反饋。
極越汽車解決了這個問題，從公司創(chuàng)建的時候開始，直接進(jìn)入2.0時代，用SIMO專屬客服作為橋梁，每當(dāng)大家覺得有問題的時候，就說SIMO我要反饋問題，無論是收集到產(chǎn)品建議，還是吐槽，還是對誰的建議，我們都可以直接收到，并且我們的后臺有自動分發(fā)系統(tǒng)標(biāo)簽，直接到“罪魁禍?zhǔn)住保üこ處煟┑氖掷铩?/p>
2024年我們已經(jīng)升級到了3.0，融合大模型能力，做到更快速的反饋。因?yàn)楝F(xiàn)在每天反饋量太多，人工處理的邊際成本特別高，所以融合大模型的能力，現(xiàn)在會做自動診斷，自動判斷，也會在用戶吐槽的時候第一時間給到用戶解法。
之前發(fā)過一個視頻，有一個比較直觀的例子，只要說SIMO我要反饋，我們的用戶APP可以以秒級的速度收到一條問題，然后開始處理。這是內(nèi)部的群，包括各個團(tuán)隊(duì)一級部門負(fù)責(zé)人都在里面，實(shí)時收到，包括所有需要解決問題所需的lock都會在里面。從用戶側(cè)收到的反饋，最終吐槽得對，屬于比較好的產(chǎn)品建議，或者是比較好的產(chǎn)品問題，我們會給予50積分獎勵。我們這套機(jī)制運(yùn)轉(zhuǎn)了很長一段時間，基于這個體系幫助我們迭代我們的軟件。
我們一共收到12584條反饋，在1.3.0和1.3.1的版本上有60%的問題已經(jīng)得到解決，平均處理時長小于1天。問題過來后，從工程師實(shí)時看這些問題，并分析這些問題，小于24個小時完成反饋。在用戶比較關(guān)注的幾大類反饋問題中，智艙智駕占30%，產(chǎn)品建議占20%，其他問題，其他功能軟件占20%。比較多的例子，車主比較共鳴，不清楚轉(zhuǎn)向燈怎么用，PPA怎么開啟，定位會飄，娛樂功能少，APP覺得不夠豐富，藍(lán)牙鑰匙離車落不了鎖，或者進(jìn)車解不了鎖。我們在1.3.0和1.3.1針對這些問題得到了解決和優(yōu)化。
軟件1.3.0和1.3.1版本的主要功能
智艙主要分幾部分，第一部分更多是U型方向盤，之前是圓型，我們做這款產(chǎn)品的時候這款產(chǎn)品發(fā)現(xiàn)U型方向盤有更好的視野，這次U型方向盤大家可以感受到駕駛，3D地圖的體驗(yàn)有了質(zhì)的飛躍。
第二個轉(zhuǎn)向燈，我們認(rèn)為在自動駕駛或者人動手開的時候，可以通過算法，盡量不需要手動開啟轉(zhuǎn)向燈，在1.3.0版本里無論在變道還是轉(zhuǎn)彎，已經(jīng)不需要再關(guān)閉轉(zhuǎn)向燈，這個功能已經(jīng)上線了。1.4版本里，我們通過你的意圖，我們主動打起轉(zhuǎn)向燈，在1.4的版本里會做。
接著是換擋，很多用戶覺得換擋的時候容易手滑，滑不到位，現(xiàn)在可以“點(diǎn)擊換擋”，輕輕一點(diǎn)，極速換擋。換檔會做成自動化，判斷前車和后車相對位置，包括通過上次行車的行為，判斷出自動前進(jìn)或后退。
SIMO文心一言
SIMO文心一言的能力，我們在之前版本里文心一言是集成進(jìn)去了，是需要特地的說聊天或喚起文心一言進(jìn)入文心一言的空間。現(xiàn)在文心一言是原生集成到SIMO能力里，并不需要刻意的來講（喚醒），我要調(diào)動起文心一言的哪些能力，它可以根據(jù)你的說話內(nèi)容自動的幫助你完成這些任務(wù)。
這是一個視頻，（#SIMO從可見即可說到可說即可做）。還可以有更多的場景延展，包括問SIMO現(xiàn)在最熱門的電視劇有哪些。比如《繁花》《三大隊(duì)》，立馬說SIMO我要播放《三大隊(duì)》或者《繁花》，基本能夠?qū)崟r播放，在SIMO大模型領(lǐng)域和娛樂域能做到比較好的切換。這是關(guān)于座艙部分的更新。
OCC技術(shù)用戶體驗(yàn)
現(xiàn)在一共有三代，第一代是單目DNN感知網(wǎng)絡(luò)環(huán)視后融合，2.0大家遇到比較多的BEV+Transformer時空融合，極越汽車是唯一一家能夠做BEV+OCC+Transformer多任務(wù)統(tǒng)一網(wǎng)絡(luò)的企業(yè)，我們給它起了一個名字，BOT，也是機(jī)器人的概念。本質(zhì)上，是想說我們是超高精度體素，甚至小于厘米級，由過去BEV2D變成3D，來判斷駕駛空間里是否被占用。超直覺，之前需要判斷前方是人是車還是什么東西，現(xiàn)在基本上認(rèn)為前方有一個物體，和開車的時候很像，通過直覺繞開它，而不需要通過思考。
這是三個在1.3.1的時候比較關(guān)鍵的場景，遇障剎停，第二個遇到障礙物無感繞障，提前規(guī)劃，到障礙物可以跨車道繞開。另外是遠(yuǎn)離硬隔離，它會在你離水馬硬路很近的時候適當(dāng)遠(yuǎn)離，給大家很足的安心感，這種場景在匝道上大家感受很明顯。
PPA我們做了很多細(xì)節(jié)上的提升，PPA之前大家覺得變道比較保守，現(xiàn)在比較自信，在一些需要判斷要不要變道的路況中，我們不會來回的猶豫。第二，有一些更加靈活的變道或者通行策略，比如公交車道在可以行駛的時間段，我們可以借用公交車道進(jìn)行通行。包括黃虛線借道上有更加靈活繞行策略。
無感區(qū)域，繞過路障、以及過路障已經(jīng)提到了，主要是基于OCC能力。在一些小路上，導(dǎo)航地圖如果有一些信息不是夠完整、準(zhǔn)確的時候，我們能夠更加從容的通過這些路段。在這個圖上沒有展示的，或者對比之前地圖有很大量的變道，大家可能覺得不知道為什么變道、剎車，我們會告訴大家為什么變道，有時候因?yàn)槌嚕袝r候因?yàn)楸苷�，有時候因?yàn)樵训赖搅耍袝r候因?yàn)閷?dǎo)航路徑規(guī)劃的原因，這些東西都在這個版本上給大家做了提升。
我們在今年年底，除了上海以外，北京、杭州、深圳，開了大量的城區(qū)路寬，而不是開一條路，是真正做到把路連成網(wǎng)，讓它有連續(xù)性，用戶可以從A點(diǎn)到B點(diǎn)實(shí)現(xiàn)智駕通勤。我們認(rèn)為只有做到60%-70%的用車場景和90%以上高頻場景的覆蓋才能叫真正的開城。2024年會完成200+城市的城區(qū)道路，我們會采取通勤+輕圖的模式。
視覺系統(tǒng)
我們一直說汽車機(jī)器人，我們認(rèn)為視覺不僅僅用在自動駕駛身上，我們認(rèn)為視覺（系統(tǒng)）可以用在更多的通用任務(wù)，比如開門剎、燒餅?zāi)Ｊ�、更精�?zhǔn)路況識別、透明底盤，大家在1.3版本上都能感受到。
泊車我們做了算法的升級，我們自動APA滲透率比較高，達(dá)到96%，成功率88%，算法重寫之后，平均可以減少20-30%的時間，斷頭路和極窄車位提升25%的成功率，斷頭路比較極端的場景，我們測試下來，有將近一倍容錯次數(shù)的減少，也是比較大的升級。
安全方面
后面是關(guān)于安全上的更新。我們是電動門，大家會擔(dān)憂電動門，在車輛沒電的情況下，是否會有打不開的情況，我們有有專門獨(dú)立電源，專門應(yīng)對電動門的場景，電動門會在碰撞的15秒保持關(guān)閉，這樣避免司機(jī)或者乘客被甩出去，進(jìn)行二次傷害。最后是1.3版本更新上的，我們有一個救生門模式，借助破冰模式，在冬天的時候，破冰的場景上，我們應(yīng)用到碰撞場景上，可以用一百斤力量把車門頂開，保證乘客在事故之后的安全，得到安全的救助。
娛樂方面
娛樂進(jìn)化，大家一直吐槽APP太少，這次加入了B站、云聽、小宇宙，后期大家可以期待一下，我們很快會加速APPStore的建設(shè)，會有更多第三方的生態(tài)APP接入進(jìn)來。還有switch投屏，可以在車內(nèi)通過轉(zhuǎn)接頭進(jìn)行投屏，進(jìn)行游戲，除了抽煙以外，又多了一個回家在車上多待一會兒的理由。車載KTV方面，我們在商城上架了相應(yīng)的麥克風(fēng)等硬件，可以在車上和朋友進(jìn)行K歌。
體驗(yàn)方面
最后一個是體驗(yàn)進(jìn)化，冬天充電速度，座艙預(yù)熱，破冰門，雪地脫困，這次上了APP，會有座艙預(yù)約加熱功能，電池預(yù)熱，特別是磷酸鐵鋰電池在比較低溫情況下，為了保持化學(xué)上的活性，我們可以為電池進(jìn)行提前加熱，使得車輛得到了充電站之后，充電效率和充電速率可以得到提升，這是電池預(yù)熱的功能，在1.3版本里已經(jīng)加入。對于performance版本車型，會有雪地模式，讓大家在雪地下有比省心的駕駛體驗(yàn)。
在一萬兩千多條的反饋下，包括哨兵模式，大家吐槽有誤報，PPA開啟后為什么車輛變道，3D地圖下，紅綠燈，轉(zhuǎn)向燈，大家覺得聽不到，特別開音樂的時候轉(zhuǎn)向燈聲音太小，我們比較聽勸，都做了調(diào)整。
手機(jī)和藍(lán)牙實(shí)時音頻，以前大家連接到手機(jī)上以后，播放手機(jī)上的媒體，之前要手動切換到手機(jī)藍(lán)牙才能播放，現(xiàn)在手機(jī)實(shí)時藍(lán)牙檢測，它可以在你想播放手機(jī)，比如微信、抖音多媒體信道可以自由的進(jìn)行切換，播完之后自動切換車內(nèi)通道。舒適進(jìn)出是用戶投訴反饋比較多的，座椅沒有恢復(fù)到已有的位置或者記憶位置，以及記憶位置不準(zhǔn)確，我們在1.3.0和1.3.1都有優(yōu)化。
技術(shù)上OCC怎么實(shí)現(xiàn)的？
王亮：各位媒體朋友，各位集度同事大家下午好！很榮幸收到邀請，過來跟大家做技術(shù)層面的交流。今天分享的題目Vision Takes All，有一個副標(biāo)題，用AI原生思維重構(gòu)自動駕駛視覺感知技術(shù)，這里有一些詞解釋一下，英文這個詞代表什么？這是我們內(nèi)部的愿景，我們希望是用純視覺，#用一個視覺大模型去Takes All，英文翻譯過來是“通吃”，我們希望解決所有自動駕駛感知相關(guān)的問題，用純視覺大模型做。副標(biāo)題里，AI原生思維，是什么概念？這在百度內(nèi)部被提的比較多的概念。
我說一下我的理解，什么是好的AI原生思維，在今天大模型時代大數(shù)據(jù)時代，我舉一個很好的例子，極越語音設(shè)計就是非常AI原生思維的產(chǎn)品設(shè)計，我認(rèn)識的人，包括我，開車久了之后，不會再找車上按紐，所有事情很自然的通過語音交互去完成。
如果從算法上講，舉一個例子，趨勢是什么？都是從規(guī)則到多模型多任務(wù)，再到模型的聚合，大模型，多任務(wù)的過程，比如我們原來判斷會不會有車輛、會不會加塞，最早會有每個時刻的障礙物擬合加軌跡，看看和前行的軌跡會不會有交叉，都可以靠數(shù)學(xué)計算幾何計算做判斷。第二步可以做模型判斷，可以學(xué)車輪子、學(xué)車燈、學(xué)車道線，這三個模型輸出的結(jié)果，能更好更準(zhǔn)確的判斷，這個車會不會對我們進(jìn)行加塞動作。到今天會怎么做？我們把所有的小模型都去掉，我們用連續(xù)幀視頻的信息直接判斷會不會加塞，這也是一種在算法層面AI原生思維的體現(xiàn)。
分享第一部分，很多人會問，媒體朋友也會感興趣，為什么極越高階智駕PPA選擇用純視覺做？有很多人問，為什么不用激光雷達(dá)。馬斯克說人類沒有主動的測距能力，兩個眼睛就能開車，AI也可以。激光雷達(dá)是比較昂貴的，雖然現(xiàn)在降本大潮下，價格不斷的往下打，但是我可以很確定的說，它的器件和成像原理在這里，再怎么降本，它的成本也會是相機(jī)的5-10倍。激光雷達(dá)是很精密的光學(xué)測距儀器，里面有很多移動部件，這種部件有很高概率會出現(xiàn)可靠性問題，會帶來售后問題。
第四點(diǎn)，我們也有毫米波雷達(dá)、超聲波雷達(dá)，它們原理差不多，可以做很多激光雷達(dá)做的工作，但是不管激光雷達(dá)還是毫米波、超聲波，他們都代替不了相機(jī)。最后更專業(yè)一點(diǎn)的算法同學(xué)會有感觸，激光雷達(dá)也不是一個完美的系統(tǒng)，它會有偽影，消除偽影的影響也是非常難做，非常痛苦的過程。這都是大家耳熟能詳?shù)脑颉?/p>
我們?nèi)粘５难葸M(jìn)迭代速度等于什么？（初速度+加速度）×?xí)r間，跟時間相關(guān)的是加速度。初速度很重要，這是算法從0到1的階段，也是激光雷達(dá)最大的優(yōu)勢。2017年左右很多創(chuàng)業(yè)公司可以在三個月可以在城市里把激光雷達(dá)的自動駕駛方案demo跑出來，為什么這么快？他們不用深耕嗎？如果有很好的工程師，利用激光雷達(dá)直接提供的三維信息，可以不需要那么強(qiáng)的算法，就能把這個事情跑起來，沒那么難。但是在視覺方案這邊，視覺初速度很慢。從Mobileye做了25年的視覺方案，就能發(fā)現(xiàn)這個事情足夠難，這也是Mobileye CEO講這是他們?yōu)槭裁创嬖诘睦碛伞Ｌ厮估鞘裁磿r候？2015年和Mobileye分手之后自己開始組團(tuán)隊(duì)，自研純視覺的方案，到今天也有八年多的時間，百度的視覺方案在2019年正式開始進(jìn)行高強(qiáng)度嘗試，當(dāng)時通過小的項(xiàng)目，在Apollo Lite上做了開始，到和極越合作過程中，已經(jīng)開始算完成從0到1的進(jìn)化。加速度和什么相關(guān)？在這個大模型時代，OpenAI有很有名的文章，Scaling Laws for Neural Language Models，這里提了一個結(jié)論，整個模型的迭代速度跟三件事情相關(guān)，模型的參數(shù)量、數(shù)據(jù)的規(guī)模、訓(xùn)練算力，這三者相輔相成，決定了模型的質(zhì)量。論文告訴我們在今天技術(shù)時代，我們要把能力上限做上去，迭代的更快，需要關(guān)注模型大小，訓(xùn)練的質(zhì)量，還有超強(qiáng)算力。
模型怎么做大？
車上如果一堆小模型都在跑各自任務(wù)，不可能把單一模型做特別大，所以我們一定要合并，減少激光雷達(dá)的模型，這樣就可以給視覺模型多幾千萬的參數(shù)。第二個是數(shù)據(jù)力量，第三，在有限算力下怎么設(shè)計，如果讓訓(xùn)練更加充分。這個公式是我們選擇純視覺方案背后的深層邏輯，為了上限更高，迭代更快。
為什么是視覺？
既然說到數(shù)據(jù)，要關(guān)注數(shù)據(jù)的質(zhì)量，所有傳感器都是每時每刻對環(huán)境進(jìn)行離散采樣，這里做了一個對比，第一列是主流的很多城市NOA使用的激光雷達(dá)的參數(shù)，分辨率、最大幀率兩者相乘變成一秒內(nèi)點(diǎn)頻采樣數(shù)。中間列（SOTA）是沒有量產(chǎn)，最近剛剛有宣傳的代表，參數(shù)是業(yè)內(nèi)最好的，性能最高的激光雷達(dá)，它對應(yīng)的參數(shù)是這樣的。現(xiàn)在極越車上搭載的800萬攝像頭分辨率、幀率、點(diǎn)頻，三者對比大概比例1：8：160，也就是說今天主流NOA是我們1/160，明天最好的激光雷達(dá)是我們1/20，這只是可量化的部分。
還有不是那么容易量化的部分，數(shù)據(jù)里到底蘊(yùn)含多少信息，可以供算法迭代，左邊是激光雷達(dá)點(diǎn)云，激光雷達(dá)返回幾何信息，另外更重要是Appearance-紋理，這是圖像提供的。右圖（PPT所示）隨便找一個路口看一張圖像，左邊是對應(yīng)的激光雷達(dá)掃下來的點(diǎn)云。如果看這個圖像，這個信息實(shí)在太多了，首先大概能知道這里有兩條路，在中間有斑馬線，這里有紅綠燈，面向我們這個朝向是紅的，面向行人是綠色的，還有不一樣的行人，右邊有一個男生，想過馬路，擔(dān)心有車闖紅燈，朝我們看了一眼，過程中放慢腳步，很快通過了，左邊有一個拿箱子的男士，這個箱子到底是不是靜止的障礙物，還是會跟著這個人一起走，不看圖像是不知道的。有一個女生站的很筆直，她是過馬路還是等車，是在準(zhǔn)備過馬路還是等車過去之后再過馬路。如果從這個圖看，大家肯定知道她是要過的，因?yàn)樗@邊是綠色的，而且已經(jīng)走到馬路中間，后面還有摩托車馱著一個行人，這是一個物體還是兩個物體，通過圖像，大家能有更好的解讀的能力�？袋c(diǎn)云，我們知道有一堆障礙物在路上，不能碰他，我們減速，等它過去，這個車也能走，大家可以想象二者的上限和智能性的差異化是什么。從絕對的數(shù)量再到點(diǎn)云，從不太容易量化的信息來看，視覺的信息量數(shù)據(jù)的境況遠(yuǎn)遠(yuǎn)大于激光雷達(dá)的。
再談?wù)劶铀俣�。做視覺不會那么快，比較難，在這張圖里，剛才我解讀了很多，有一個問題，對機(jī)器來說非常難，這是計算機(jī)視覺幾十年的難題，在我們這張圖像成圖的過程中已經(jīng)把三維做了有損投影，把三維世界壓到二維平面上，這是成像的過程。無人車最重要第一步在三維環(huán)境里規(guī)劃軌跡，怎么從二維圖像里把三維的信息找出來，這就是計算機(jī)視覺幾十年的難題，二維到三維的挑戰(zhàn)。
如果有三維物體，看一下這個物體上面任何一個點(diǎn)，投在圖像上某個位置，這是非常容易的事情，高中生都能做的數(shù)學(xué)公式來計算它。反過來，如果不告訴你這個物體在哪里，只有一張圖像和一個像素，我問你，這個像素在空間中的什么位置，這就屬于病態(tài)問題或者ill-posed問題。我可以在空間中任意一個移動物體上，把這個物體投到對應(yīng)的圖像位置上，等于我們有三個未知數(shù)要求，但是只有兩個方程，大家都不知道怎么做這個事情。
圍繞這個難題，我們有三代技術(shù)方案，大概代表了整個自動駕駛行業(yè)用純視覺解決自動駕駛?cè)S問題的過程。第一個過程，從2019年開始，意識到激光雷達(dá)和視覺放在一起的時候，為什么視覺發(fā)展不了？工程師還是會用身體投票，他在巨大業(yè)績壓力下會選擇做簡單的事情，會選擇用激光雷達(dá)解bug，沒有人愿意花這么多精力死磕視覺方案。當(dāng)時我們做了一個決定，把激光雷達(dá)拿掉，定了同樣的業(yè)務(wù)目標(biāo)，讓做視覺的算法同學(xué)死磕這類問題。當(dāng)時我們用的方案，左邊是多個相機(jī)不同視角的輸入，每個相機(jī)或者幾個相機(jī)之間會分享DNN深度學(xué)習(xí)的網(wǎng)絡(luò)，每個網(wǎng)絡(luò)做的是從單一視角，從二維到三維的恢復(fù)，這樣的任務(wù)。每個網(wǎng)絡(luò)把它看到東西匯報出來之后，首先在時序上對單相機(jī)做障礙物的跟蹤，是基于規(guī)則。再往后還要做一步，把多路相機(jī)感知到的東西做拼接，拼到無人車統(tǒng)一的坐標(biāo)系下，不然會有很多重復(fù)，無人車就沒有辦法走。這兩步后面都是基于規(guī)則的，雖然當(dāng)時的效果還不錯，但是調(diào)到后面發(fā)現(xiàn)很難調(diào)，數(shù)據(jù)能解決的只在第一部分，后面還有很多要依靠假設(shè)，依靠多樣的參數(shù)，依靠經(jīng)驗(yàn)，依靠專家系統(tǒng)調(diào)的東西。這個路走不了那么遠(yuǎn)。
2022年，我們果斷的做了一次大的升級，也是用當(dāng)時比較流行的BEV解決問題，最大的變化把DNN變成Transformer，Transformer和DNN有什么區(qū)別？我試圖用一個大家比較能容易理解的方式來說這個事情，不是Deep Learning （DNN是Deep Learning深度學(xué)習(xí)的基礎(chǔ)模型之一）不能做BEV，其實(shí)也能做，但是做不到Transformer這么好，Transformer提供了一個能力是學(xué)習(xí)三維，我們把三維做約定，畫一個網(wǎng)格，每個網(wǎng)格能學(xué)習(xí)到各個圖像上怎么樣聚合圖像上的信息，再把這個信息在三維網(wǎng)格上提取出我們感興趣的東西。到這一步，我們用Transformer+BEV的方式，左邊原來是每一個相機(jī)同一時刻的輸入，現(xiàn)在每一個時刻都是時序上，從時刻T到T-N倒推，比如N幀，每一刻都是環(huán)視一圈數(shù)據(jù)進(jìn)來，進(jìn)到這個網(wǎng)絡(luò)，基本沒有什么規(guī)則和后處理，全是端到端直接輸出障礙物，并且在結(jié)果上增加了除了2D框，我們增加了預(yù)測任務(wù)，這個框物體未來幾秒未來的走向和趨勢是什么。這一步升級之后，這是1.1SOP版本的方案，整體就非常有信心，可以用純視覺代替激光雷達(dá)做障礙物檢測，這個方法上有一定缺陷，少一張視覺拼圖，因?yàn)樗鼘z測可以用框來表達(dá)的東西還是很擅長的，但是有些東西是沒有辦法用框表達(dá)，比如延續(xù)很長的柵欄，或者擺放無序的施工的土包、圍擋都不太容易用框來表達(dá)。要徹底的趕超激光雷達(dá)，我們2024年完成第三步升級，這是BEV+OCC+Transformer多任務(wù)統(tǒng)一的網(wǎng)絡(luò)，這個網(wǎng)絡(luò)跟剛才相比，我們加了3D的Transformer，我們把多個任務(wù)放在一塊學(xué)習(xí)，右邊除了幾何，整個三維世界里的位置、深度、高度信息，還有語義信息，這個東西到底代表什么，是路邊遮擋還是車輛，我們會自動的把這些幾何信息和語義信息聚合在一起，輸出三維信息框也好，或者OCC也好。
還有我們在研的功能，下一版希望推上去，整個跟蹤和預(yù)測都可以通過直接學(xué)習(xí)來做，包括速度預(yù)估，原來還需要做速度差分，幾幀之間的障礙物，用數(shù)學(xué)公式算速度，這個速度很難收斂，現(xiàn)在通過大量的數(shù)據(jù)，可以把速度和未來運(yùn)動趨勢都做學(xué)習(xí)，第四步還在研，這是我們完整的輸出，Vision Takes AII的愿景理念，這基本涵蓋所有我們做無人駕駛相關(guān)的感知任務(wù)，從檢測，動態(tài)障礙物檢測、靜態(tài)障礙物檢測到場景語義理解解讀，到時序的跟蹤、運(yùn)動估計，全都可以用這樣一套架構(gòu)做統(tǒng)一，未來迭代速度會更快。
純視覺方案是不是非常降本的方法？
介紹完這一部分的技術(shù)之后，第二個問題跟大家探討一下，有很多人問，你們純視覺方案是不是非常降本的方法，這個問題怎么看？其實(shí)不是的，大家看到的是車上少了幾千塊錢的BOM成本（如激光雷達(dá)等），用戶買車價格下來了，但是在看不到的背后，是極越和百度做這套純視覺方案的投入，天平的左邊是車上傳感器的成本，這部分最直接的獲益者是極越車主可以花更少的錢去體驗(yàn)高階智駕產(chǎn)品。
大家會想圖像沒有3D，怎么把三維信息學(xué)出來，現(xiàn)在激光雷達(dá)廠商生產(chǎn)最好的激光雷達(dá)我們都搭載到采集車上，我通過采集車上學(xué)2D、3D聯(lián)合的標(biāo)注，把激光雷達(dá)能力通過這個過程融入到純視覺系統(tǒng)里。一開始用的是百度Robotaxi超過六千萬公里訓(xùn)練的數(shù)據(jù)，積累的數(shù)據(jù)，都是全量落盤，各種場景，幾十個城市的數(shù)據(jù)，作為熱啟動。這么多信息，要訓(xùn)練充分，背后需要很多算力，目前投入到跟極越項(xiàng)目上的卡數(shù)超過五千張（A100或A800這樣的大算力顯卡），每周級別做迭代。
第三點(diǎn)，自動化生產(chǎn)數(shù)據(jù)，數(shù)據(jù)不是標(biāo)注的嗎，找人標(biāo)就行了，到了BEV時代，我們又是時序，又是環(huán)視，又是多任務(wù)，人已經(jīng)搞不清楚了，不像當(dāng)年在2D圖像上標(biāo)框這么簡單，人沒法搞定，人可以做后續(xù)質(zhì)檢，但是整個生產(chǎn)流程是非常復(fù)雜的過程，有時候我們看系統(tǒng)覺得，感覺和光刻機(jī)的感覺比較像，投入非常大，做產(chǎn)線，把網(wǎng)絡(luò)需要訓(xùn)練的數(shù)據(jù)，自動化的生產(chǎn)出來，是很有技術(shù)含量的過程，這里我們跟百度內(nèi)部溝通，內(nèi)部協(xié)同和研究院，用170億參數(shù)的視覺大模型，當(dāng)然170億參數(shù)用了MOE的架構(gòu)，訓(xùn)練的時候?qū)嶋H推理時間跟6億參數(shù)模型是一樣的，不會花那么久的時間幫我們做輔助標(biāo)注。另外自動化產(chǎn)線，搭建下來，日均產(chǎn)能可以做到百萬幀圖像，最后高質(zhì)量標(biāo)注數(shù)據(jù)用于BEV+OCC聯(lián)合訓(xùn)練的精標(biāo)數(shù)據(jù)超過上億幀，這是大家看不見的背后投入。
高精度自動化多任務(wù)共享的BEV+OCC訓(xùn)練數(shù)據(jù)的生成過程，首先我們有采集車，采集車上搭載了先進(jìn)的激光雷達(dá)以及和極越配置近乎一樣或者完全一樣的攝像頭，上面還有一幀是點(diǎn)云直接采回來，大家如果直接看點(diǎn)云，顯然不太能用，它還是比較離散，下面是自動化標(biāo)注出來的供網(wǎng)絡(luò)學(xué)習(xí)的真實(shí)數(shù)據(jù)，里面不止有語義，還有結(jié)構(gòu)化信息，以及更重要的是非常準(zhǔn)確的像雕刻過一樣的3D的感覺，需要用很多步驟，來回用大模型刷，用各種專家系統(tǒng)，雖然是離線（沒有那么高的實(shí)時要求），把專家系統(tǒng)做的非常細(xì)致，點(diǎn)云采集的車，左邊灰色的圖還是看不清楚的，偶爾看到三輛車，但是中間橙色真實(shí)數(shù)據(jù)已經(jīng)把車的形狀雕刻的非常精細(xì)，這里需要對車輛離線進(jìn)行跟蹤，把點(diǎn)云拼接到同一個時刻，讓點(diǎn)云的密度增加之后，再在空間上做雕刻。這里可以看到雕刻之后的車，精度已經(jīng)到厘米級。右邊路沿，每個車掃過去的時候只能有幾個點(diǎn)打在路沿上，非常稀疏。通過后處理以及視覺與大模型的分類，我們已經(jīng)可以把路沿很精細(xì)的刻畫出來，在場景里，把高低起伏的地方標(biāo)注出來。現(xiàn)在3D精度可以做到厘米級，和激光雷達(dá)一樣，甚至比激光雷達(dá)還好一點(diǎn)，分類接近一百類不一樣的東西，可以在上面通過視覺大模型打標(biāo)簽，做自動化的分類。整個速度的估計，視頻里是連續(xù)的視頻流，整個車輛速度，障礙物運(yùn)動速度的精度可以做到0.1米/秒的誤差，是非常高質(zhì)量的產(chǎn)線。
媒體：第一個問題，有一個跟車機(jī)功能相關(guān)的點(diǎn)，我那臺車更新完了，在切換賬號的時候，需要在APP上確認(rèn)，沒有直接在車機(jī)里直接切換賬號就行了，這是多余的步驟。此外，QQ音樂播放的時候經(jīng)常無原因斷開，一首歌3分鐘的歌有四五次斷，播放就斷，斷了又回來。希望后續(xù)進(jìn)一步優(yōu)化。
第二個跟智駕相關(guān)，請教一下王亮博士，現(xiàn)在極越智駕基礎(chǔ)能力，方向盤抖動特別嚴(yán)重，尤其在LCC過程中，它抖動的原因是什么？比如我在開小鵬或者蔚來，在車道保持有些偏移的時候會修正回來，在路況非常好的情況下極越方向盤抖動特別嚴(yán)重，把手放在上面一直在抖也不知道它在修正什么？
王亮：這個問題我們意識到了，您體驗(yàn)是不是1.1的版本。
媒體：1.3版本。
潘云鵬：關(guān)于方向盤修正問題，1.3.0做了優(yōu)化，另外方向盤如果是U型方向盤，因?yàn)槭瞧降�，會加重方向盤左右感受，我們會持續(xù)優(yōu)化，這不是什么太難的事情。關(guān)于賬號切換的問題，是不是因?yàn)榫W(wǎng)絡(luò)原因，在高速上？
媒體：不是。不可能在全國各地都有網(wǎng)絡(luò)，我在上海有，在青島有，我在黃州有。我那臺車經(jīng)常登錄自己賬號，用幾天之后，再用，發(fā)現(xiàn)它又重新掃賬號，退出了。車主賬號一直沒有切換過。
潘云鵬：二位的問題我們記一下，除了網(wǎng)絡(luò)以外，QQ斷流顯然是不正常的。
媒體：其次問一下，輕圖（音）版本大概在什么時候上？
潘云鵬：輕圖剛才已經(jīng)劇透了，200城，今年肯定會在上半年，爭取做一些提前的體驗(yàn)出來。要開200城的話，在未來一到兩個季度有比較大的變化。
王亮：200城是年度OKR。
媒體：王亮博士，現(xiàn)在大模型的更新，比如OCC以后對通用障礙物識別肯定更廣泛能力更強(qiáng)，現(xiàn)在我們大模型一次更新迭代的節(jié)奏是多長？
王亮：我們有預(yù)訓(xùn)練的過程，迭代一般可以用新的數(shù)據(jù)，對問題數(shù)據(jù)進(jìn)行小的優(yōu)化，一般小優(yōu)化比較快，一周左右，不到一周，很快測試出不同的版本的結(jié)果。刷一次大的，大概在一周到兩周之間，可以把車端幾千萬的參數(shù)模型重新刷一遍，這還是比較敏捷，但是模型的刷，要包含線下測試、線上路上識路測試等，我們做的還是比較謹(jǐn)慎一些，擔(dān)心有離線測不出來的情況。所以大家感受上，模型發(fā)版沒有那么快，這個點(diǎn)是后續(xù)我們要進(jìn)一步探討的。我們會把模型驗(yàn)證做的更加充分，離線研究做的更充分，能讓用戶更高頻更敏捷感受到大模型的迭代。
媒體：最后一個問題，剛才講到現(xiàn)在正在開放下一代模型，一直在看特斯拉做，他是把車和機(jī)器人算法一塊做�，F(xiàn)在從BEV到Transformer到OCC是行業(yè)通識的，下一代在這里面，會不會是研發(fā)方向，這里是不是可以把端到端的東西往里做。
王亮：特斯拉內(nèi)部應(yīng)該叫V12推送，在北美已經(jīng)推送給內(nèi)部員工了，我們看到了視頻，有說好，有說不好的，整體是大的趨勢。從圖像直接到車控制，可以看成兩個大網(wǎng)絡(luò)任務(wù)，純視覺，針對感知，檢測、跟蹤、語義理解、建圖在一起，它的變化是不再直接輸出人能感覺到的、可視化的障礙物，而是把BEV的特征直接傳遞到下游決策規(guī)劃，決策規(guī)劃也是做成網(wǎng)絡(luò)直接學(xué)好的駕駛員的行為和軌跡。不過這里有大的不確定性。首先需要多少數(shù)據(jù)，不好回答，網(wǎng)絡(luò)要變得很大。另外，駕駛還是要保持穩(wěn)定，網(wǎng)絡(luò)是不是能保證也是一個問題。特斯拉走的比較靠前，很多做智駕團(tuán)隊(duì)也在做嘗試、預(yù)演，然后像前幾年BEV+Transformer一樣，各種論文，各種新的點(diǎn)子層出不窮。我們比較堅持能做出來，能落地的功能，我們內(nèi)部也有這方面的布局，當(dāng)然什么時間在極越車上落地，什么場景釋放，還得等一段時間，我們再跟媒體朋友，跟車主做交流，大家相信，這應(yīng)該是未來更好的讓車開的車更智能的大方向，這個過程可能也要把整個決策規(guī)劃進(jìn)行重構(gòu)，類似AI原生思維。
媒體：OCC非常大，特斯拉推AEB性能有了很豐富的改進(jìn)，速度區(qū)間，從以前8-150可以支持到5-200，下限5公里，上限200公里，橫穿障礙物，在過去用框不那么容易標(biāo)定的，不知道技術(shù)原理的，這些特斯拉明確說了用OCC解決。還有明確說了基于通用障礙物的AEB，也是用OCC實(shí)現(xiàn)的。同時，2023年，尤其下半年比較重要的趨勢，國內(nèi)在卷AEB，我們OCC是不是接下來有規(guī)劃強(qiáng)化極越主動安全能力？
王亮：肯定有的，原來車上有很多不同的網(wǎng)絡(luò)，做不同的任務(wù)，AEB有自己的網(wǎng)絡(luò)，以后趨勢一定是，從通用Vision Takes All的理念上輸出，下游各方的應(yīng)用，都要做，這里不止是感知，把它做出來了，上去了，下面都可以用了，下面還是決策規(guī)劃等等要做一定適配，特別AEB需要大量測試的，這個是要做，但是有一定排期。特斯拉做的時間比我們長一點(diǎn)，我們還有需要進(jìn)一步提升的，比如視距提升。OCC在世界坐標(biāo)系畫一個格子，這個格子畫多大，分辨率多少，每個格子是1米×1米，還是10厘米×10厘米這個決定你能看多遠(yuǎn)，做到多精細(xì)，這個還有逐步工程化模型調(diào)優(yōu)，整個模型加速的過程，我們會朝這個方向努力。在后面幾個版本，你能感受到OCC變化。要做到高速上200公里AEB，首先看得遠(yuǎn)，這個BEV和OCC都要努力夠，做模型優(yōu)化。BEV的橫向障礙物識別，包括自動學(xué)習(xí)速度預(yù)測，應(yīng)該能給橫向AEB受益的。
媒體：高算力訓(xùn)練集群大于五千卡，國內(nèi)大家說的比較具體，是多少EFLOPS（音），極越是多少？
王亮：大家可以折算一下，這個不難算，基本是A100、A800高算力的卡。
媒體：去年CVPR上特斯拉簡單帶了一點(diǎn)點(diǎn)關(guān)于世界模型的內(nèi)容，這可能是在OCC之后，下一個比較熱的東西，或者反過來說光有OCC不足以支撐智能駕駛，它是一個階段性的終點(diǎn)。您對世界模型的看法，它有一個比較可供落地的技術(shù)路徑嗎，我們在更長周期里有規(guī)劃嗎？
王亮：關(guān)于世界模型，我們暫時沒有那么多的精力投入研究它，我大概看了一些，包括百度Apollo內(nèi)部有偏前瞻研究的部門也在看，我看到新技術(shù)很興奮，但是怎么和自動駕駛很密切的結(jié)合，能讓用戶感受到明顯的變化，這個事情我沒有看那么清楚。端到端我有一些研究，我會看一下特斯拉，V12多多少少做出來了，這個方向上可落地性，不能說一點(diǎn)問題沒有，相信是肯定能做出來的。
媒體：最后關(guān)于OCC的問題，有一些車會有白名單，可以把視覺用提速解構(gòu)。極越是沒有白名單，還是會有一些東西？你能看到它，或者OCC可以標(biāo)注出來，但是不確定是好的，你依然分辨不出來是什么樣的障礙物，有可能一個塑料袋也是標(biāo)注出來，我們策略上是有白名單還是沒有白名單，所有策略有減速或者繞行。
王亮：我們標(biāo)了近一百類的東西，這不是只有這一百類，肯定有某一類就叫其他，從OCC設(shè)計理念上肯定追求的就是去白名單化，希望可以涌現(xiàn)障礙物識別或者通行空間識別的能力，是它的本質(zhì)，現(xiàn)在釋放的肯定是學(xué)的比較充分的，有比較充分的數(shù)據(jù)積累，會一步步的向用戶推送感受�，F(xiàn)在雖然模型不是這么設(shè)計，但是使用上會有這種感覺，這是跟產(chǎn)品化結(jié)合過程中的策略，為了保證大家的體驗(yàn)。OCC上車并不容易，其實(shí)它特別難，因?yàn)樗鼤r時刻刻都在生效，但是被你碰到解決問題的那個，可能是小概率事件，可能很多人沒有遇到過。實(shí)時生效副作用是什么？跟AEB比較像，它檢測不準(zhǔn)，有時候有莫名減速而讓用戶不爽，所以我們要把這個東西調(diào)的特別好，逐步的釋放。在很長的分類名單里，你能感受到穩(wěn)定的障礙物，應(yīng)該會有逐步爬坡的過程。但它設(shè)計初衷不是做白名單，肯定提升對通用的障礙物識別的能力。
媒體：我們看特斯拉自己分享，包括我們跟國內(nèi)其他品牌交流，大家普遍覺得要做OCC需要非常海量數(shù)據(jù)，我們前面PPT說了，百度Robotaxi本身賦能一部分，我們積累下來的所有Robotaxi積累下來的數(shù)據(jù)都可以復(fù)用嗎，如果不是，我們從哪個階段，我們實(shí)現(xiàn)OCC落地不過多的依賴極越車隊(duì)，而是依賴L4事業(yè)部數(shù)據(jù)解決。
王亮：數(shù)據(jù)從哪兒來？這個事情大家如果看百度，是有一定的優(yōu)勢，比如量產(chǎn)車極越，可能其他新勢力也有。這些數(shù)據(jù)既可以通過把車再武裝一些高價傳感器來收集，比如激光雷達(dá)，也可以攢個車隊(duì)去收集。百度有兩個東西是有差異化競爭力的，我們有近千輛的Robotaxi在全國十多個城市運(yùn)營，每天除了一些時段沒有需求不做，其他都在做，這部分搭載比較好的傳感器，高精地圖等等，它可以貢獻(xiàn)數(shù)據(jù)，而且這個數(shù)據(jù)不是走流量，有一個比較大的盤，這是我們自己運(yùn)營的車，存儲的數(shù)據(jù)比較全，可以像圖書館一樣，你想要什么索引就好了，把它拉出來。另一個差異化是，我們有百度地圖，百度地圖會往全國各地撒出很多的采集車，采集車也是有攝像頭、激光雷達(dá)去制高精地圖、SD地圖，這個數(shù)據(jù)跟我們開城層面或者OCC很好的協(xié)同。我們跑的城市，地圖在幾個月之前已經(jīng)跑過一遍，而且這個數(shù)據(jù)也是全量落得。
媒體：地圖采集數(shù)也是像圖書館索引一樣調(diào)�。�
王亮：而且比RT覆蓋更好，RT是在限定區(qū)域跑很久，基本上把區(qū)域吃的比較透。地圖的車跟我們開城是強(qiáng)綁定的，像先頭部隊(duì)一樣，基本把每一寸道路丈量之后，數(shù)據(jù)采回來，我們可以用這個數(shù)據(jù)做我們網(wǎng)絡(luò)。我們做的算比較快，極越不是第一個做電動車，我們不是第一個做智駕產(chǎn)品，我們的速度可以看到，基本做到什么事情說到做到，按時交付、快速迭代，這跟百度自己內(nèi)部數(shù)據(jù)儲備，自身的優(yōu)勢是有關(guān)系的。這四者都有，而且極越的車日后會發(fā)揮越來越大的作用。百度的特殊車輛，包括還會有一些特殊的能力，我們需要在極越車上再加裝一些很高端的東西，還是用這個邏輯，把高端傳感器的能力學(xué)到攝像頭上，不斷的重復(fù)這個過程，我們純視覺能力可以媲美激光雷達(dá)，這是我們遲早會做到的一件事情。
媒體：我有一些關(guān)于座艙和車機(jī)、智能駕駛方面的疑問，第一個，文心一言4.0版本上線之后，它的交流能力和獲取信息能力非常強(qiáng)，它的使用場景僅限在座艙里，它得到的結(jié)果能不能和手機(jī)APP有更好的連接，比如用戶可以通過手機(jī)APP看到你跟文心一言交流的內(nèi)容，包括它幫你解決的問題，可以用回答的方式體現(xiàn)在APP里？
第二個問題，在極越01首發(fā)新車有補(bǔ)盲功能，補(bǔ)盲功能是開車門盲區(qū)監(jiān)測，現(xiàn)在1.3.1上了打燈的盲區(qū)，但是盲區(qū)畫面還是小，它本身來說整個車機(jī)屏幕是非常大的。
第三個問題，極越01車機(jī)風(fēng)格是太冷了，太像機(jī)器人了，百度地圖是有很多好玩的功能，有很多語音包，還有其他百度功能特有的，這個功能能不能上線到極越01車上。這個應(yīng)該是吉利系造車問題，電門總感覺有延遲。單踏板高電量和低電量下的標(biāo)定不統(tǒng)一。
極越01自動泊車做的很牛，為什么在解安全帶后會自動停止，甚至它沒有更好的提示。
最后一個問題，關(guān)于輕圖覆蓋問題，輕圖覆蓋需要一段時間，在輕圖覆蓋之前，對于基礎(chǔ)LCC的功能上有沒有提升？比如很多其他友商做的識別紅綠燈、穿過無標(biāo)簽的路口，提升它基礎(chǔ)LCC的能力。
王亮：輕圖希望下次有分享，剛才還有一個能力沒有寫，視覺建圖能力，我們也會有一版大的迭代，是整個原理上的改變，這個東西上了之后，替換掉現(xiàn)在LCC使用的車道線檢測，輕圖做無圖紅綠燈，這是順帶的，ACC/LCC能力肯定是可以讓輕圖方案受益的，我們是一套感知的中央的服務(wù)，服務(wù)各個應(yīng)用，所以肯定會做。
潘云鵬：現(xiàn)在圖做的比較好的百度、高德，在地圖這件事情上，輕圖挺快的，可能比大家想象的快，整個百度地圖所覆蓋到的輕圖制成的范圍，比大家想象的都要快。
關(guān)于盲區(qū)畫面的問題，1.3.1會變大，我們也意識到它太小，后面會優(yōu)化，會和你看后視鏡的感覺是類似的。
關(guān)于文心一言的問題，我們有兩個比較大的思考，后面做大模型本地化的支持，這次文心一言原聲支持只是起點(diǎn)，代表了我們在座艙的思考，剛才你提到手圖上V19開始的大模型的集成，這后面肯定很快，我們畢竟是在基于大模型作為OS去嫁接文心一言、地圖，或者別的多媒體應(yīng)用。我們肯定可以把文心一言數(shù)據(jù)導(dǎo)出來的。
電門問題，我不是特別專業(yè)，我也是遇到充滿電之后，會更活躍，動力變得更好，相反電力匱乏的時候變得稍微差一點(diǎn)，總體而言這是留給更專業(yè)的同事解答。
媒體：第二個問題，去年有一段時間，包括從極越開始，開始說純視覺路線，但我注意到去年年末今年年初，大家又把激光雷達(dá)提出來，可能因?yàn)槿ツ?1月份L3相關(guān)規(guī)范下發(fā)了，現(xiàn)在行業(yè)有一種探討或者說法，如果后面做到L3級別，可能需要用到激光雷達(dá)做冗余傳感器，我可能要實(shí)現(xiàn)特殊路段脫眼脫手，如果做純視覺OCC路線，這塊我們怎么考慮的？還是以后L3標(biāo)準(zhǔn)車型也會再加一些不一定是激光雷達(dá)，是不是加一些其他的傳感器作為冗余？
王亮：傳感器分兩種，一種是被動光，像攝像頭，跟人眼成像原理比較一致。還有主動光，激光雷達(dá)，現(xiàn)在還有毫米波能起到主動光測距，作為冗余的作用。我部門是做智駕解決方案，目前還沒有收到非常明確的需求，以我目前的認(rèn)知感覺，現(xiàn)在做的脫手還是要求大家關(guān)注路況，做到脫眼脫手需要加一定的冗余，這個冗余是什么原理的傳感器，還有討論的空間，但不論什么，視覺是基礎(chǔ)，其他不能用的那么重，不然就沒有替換的可行性。應(yīng)該是在很強(qiáng)的視覺能力下，加上主動光傳感器是比較好的。
媒體：今年我們看到行業(yè)里在提無高清地圖的概念，我們試駕很多車型，從體驗(yàn)的角度來看，如果是有圖，有高清，數(shù)據(jù)不錯的情況下，整體體驗(yàn)是一定會比輕圖或無圖好，我們要解決泛化問題，大家都在走這條路線，我特別好奇，極越，包括百度在地圖上有自己的優(yōu)勢，如果你們做輕圖，你們會傾向于用什么樣的方式？我們知道現(xiàn)在行業(yè)有兩種方式，一種是通過用戶車隊(duì)方式提前對于路線進(jìn)行先驗(yàn)的方式。還有通過模型的方式，不停的在云端訓(xùn)練路口的模型，看過很多路口，大概這個路口就會走了。我們大概用什么樣的路線？還是自己的優(yōu)勢的路線？
王亮：從本質(zhì)上，像極越這樣定位的車型車企，追求的是最好用戶體驗(yàn)的，還是要做到隨時隨地�，F(xiàn)在有一種叫通勤模式。我個人感覺，極越明年可能有一些主流大的城市都會有比較多的店，當(dāng)然會有用戶在沒有極越的店的情況下買到車，我們也要支持。這是增加用戶滲透率的有效方式，這是我們在產(chǎn)品功能上的支持。在技術(shù)方案上我們要做到泛化，我們要看過足夠多的路口，甚至利用百度地圖優(yōu)勢，我們肯定有別人沒有的東西，內(nèi)部給我們的數(shù)據(jù)和接口，我們會有人無我有的差異化的競爭力，肯定要做到極越鋪墊的主流城市里，做到哪里都能用。
潘云鵬：這里涉及到兩個不同的方法，我們能夠冷啟動，基本買到之后就能用，因?yàn)槲覀冇械貓D上面的長期的積累，因此在大部分的地區(qū)，在主要銷售地區(qū)都會以這種方式完成這個任務(wù)。中國比較大，在一些特別相對而言沒有辦法覆蓋到的場景下，總體而言，我們還是追求冷啟動，追求從A點(diǎn)到B點(diǎn)PPA的體驗(yàn)。（編譯/汽車之家 姚宇）
收藏
+1
贊
+1
踩
推薦閱讀
最新文章
加載中
好評理由：
差評理由：