在售/即将发布车型
- 在售/即将发布
- 2023款
-
2023款 Urban Fit电池容量 77kWh 纯电续航里程 510（CLTC）km
28.98w补贴价格 详情 去对比 -
2023款 Urban Fit Pro电池容量 77kWh 纯电续航里程 510（CLTC）km
30.98w补贴价格 详情 去对比 -
2023款 Elite后驱版电池容量 90kWh 纯电续航里程 602（CLTC）km 综合输出功率 250kW
32.98w补贴价格 详情 去对比 -
2023款 Elite四驱版电池容量 90kWh 纯电续航里程 550（CLTC）km 综合输出功率 425kW
34.98w补贴价格 详情 去对比 -
2023款 Lux后驱版电池容量 100kWh 纯电续航里程 660（CLTC）km 综合输出功率 250kW
37.98w补贴价格 详情 去对比 -
2023款 Lux四驱版电池容量 100kWh 纯电续航里程 625（CLTC）km 综合输出功率 425kW
39.98w补贴价格 详情 去对比 -
2023款 Pro四驱版电池容量 100kWh 纯电续航里程 625（CLTC）km 综合输出功率 425kW
45.98w补贴价格 详情 去对比
车友点评
社区动态
-
智己汽车 IM AD 智能驾驶的节奏： 1、NOA 计划： 高速 NOA ：2023.12 将拓展到 333 座城市； 城市 NOA：2023.10 开启内测正式公测； 去高精地图 NOA：2023.4 开启内测 、2023.9 正式公测。 2、去高精地图计划： 智己 LS6 将搭载目前智己+Momenta 的最前沿的智驾技术，全系都具备去高精地图 NOA 的能力。 2023 年 9 月启动去高精地图的 DDLD 方案公测，2024 年，进入 0ccupancy 占用网络的应用。 智己 IM AD 是兼容 Xavier、Orin 双智驾计算平台，并且能够支持单 Orin X 芯片和单激光雷达就可以覆盖城市场景及去高精地图 NOA 方案。 3、智己也有通勤模式了！ 2024 年智己 IM AD 的通勤模式将覆盖全国 100 多个城市； 2025 年实现 Door to Door 全场景通勤模式。 4、IM AD 出海 2024年 IM AD 将落地技术出海，目前已完成欧洲本土化适应性训练。
-
1.5万公里，和大家聊聊智己的智能驾驶 作为智能驾驶爱好者+智己L7车主+智己NOA测试官，我感觉我还是应该聊聊这个话题，毕竟我的智己L7已经开了1.5万公里，还横跨六省十余座城市，带给了我太多的体验，先送上美图（见图一、图二、图三）： 一、DLP是什么？不一样在哪里？ （1）我们以往是怎么做的？ 在智能驾驶中，我们往往分为“感知、规划、控制”三大步骤（如图四）， “感知”简单理解为看到了什么？ “规划”简单理解为想好怎么办？ “控制”简单理解为执行操作过程。 从我们日常开车的体验中，我们也能够明白，最困难的应该是规划层面，就是当感知到问题后，我们如何反应？如何做出合理的规划？在以往的智能驾驶中，我们对于这个问题，更多的应用的是Rule Base规则，可以通俗理解为在事先想好各种情况,然后面对各种情况下给出对应的办法，可以理解为写了很多if语句，如if-then，简单例子比如if前车与旁边车道车辆速度差10then向旁边车道变道超车。这种算法的好处是快速建立规则，快速准确进行操作，并且发现问题后容易查找问题。 但是，在现实场景下交通情况变化多端，要把各种情况全部通过正列举的方式进入这种模型库几乎不可能，用单一的算法会很难解决这样的问题。一个简单的例子，比如在出高速的时候，一般需要提早一段距离切入最右侧道路，避免匝道口拥挤，你写了if2公里后要出匝道，变道进入最右侧，但是过早的进入最右侧会遇到大车车流导致慢速跟车，影响体验。但如果你写if1公里后要出匝道，变道进入最右侧，遇到节假日这种拥堵路况，可能就挤不进去了。甚至，还有匝道施工，匝道临时改道等等等等无穷的特殊场景…… 程序员：到底要写多少个if语句……臣妾真的不会啊…… （2）智己提出的DLP是什么？ DLP其实是深度学习决策规划模型（Deep Learning Planning）的意思，这种模型不是基于“Rule base”的规则原则，而是基于深度学习的规划方式。 简单的说，就是不给系统写很多if语句，而是通过数据去喂养系统，让他学会自己去应对，学会钓鱼，而不是学会“照本宣科”式的“生搬硬套”的钓鱼步骤，让系统变得更加灵活了。其实这个逻辑很容易理解，在现实中，车开的最好的人一定是通过实际驾驶喂养出来的老司机，而不是把交通规则背的最熟的人。而老司机的经验，就等同于“深度学习”的数据库，只是这个数据库远超过一般人能够达到的上线，毕竟一个人可能一辈子都遇不到雨天高速匝道口有一头牛这样的场景，但是放到全国，可能会遇到这样的工况。看下面这个视频，就可以表现的很清楚： （3）为什么要这样做？ 因为带来更好的体验，智能驾驶应该是尊重人的习惯而不是改造人的习惯，这很重要，因为“老司机”之所以驾驶效率高、乘坐体验好，不是因为他熟悉规则并且根据规则死板地执行操作，而是能够在不同的情况下进行“变通”：该抢的抢，不该抢的不会一味地激进驾驶；不止注意路况，也惦记着自己和同车人的乘坐感受，兼顾安全、舒适和效率。 比如图五的图片中，智己正在进行避让大车动作，在传统的“规则式”的避让中，车辆将执行“发现大车—避让大车（偏离车道中线）—回归车道中间”的操作，但是当右边出现大车车队的时候，频繁执行这个规则就如同在车道内画龙，而智己就会更类似于人类驾驶员一样的始终执行偏离决策，一直到完全脱离大车车队再回到中间，这样的体验是不是好了太多？ 二、说了那么多，没有用户体验都是白搭 现在智能驾驶领域也有点早年智能手机那样万马奔腾，各种发布会开的都来不及看，各种方案都吹破天，如何体验好，如何成本低，如何落地快，但是回头看看真正落地的也没有几家。其实，作为用户更多的要关心的是我们花了钱，到底能得到什么好处？智能驾驶的核心目的应该是基于安全基础上的效率，比如正常人开车需要30分钟的路况，使用智能驾驶在35分钟开完，虽然速度慢了点，但是不要我动手，我觉得可以接受，但是如果你说要45分钟才能开完，那我觉得就完全不能接受了，这就是因为没有了效率。 作为智己NOA的早期测试体验用户，我来聊几点用户体验层面的亮点： （1）进出匝道的时机 大多数友商在2公里发起变道，智己发起变道的逻辑是不同的，明显感到对不同路况有不同的策略，比如更空的路况，甚至在长实线前一点点才发起变道，保持了通过的效率。（如图六） 我们可以明显的看到，自车在发现道路比较空的情况下，并没有在2公里处就发起变道，而是持续在最右侧道路行驶保持速度，一直到1公里处才发起变道，这个时候连我自己在车上都感觉有点意外，完全不像是机器的逻辑啊，所以发出了“还不要变道么”的疑问。这样的体验明显就比过早的进入最右侧车道要好很多，也更符合人类驾驶员的行驶逻辑。 （2）加塞能力体验 现在的智能驾驶系统，往往出于安全的考虑，很多系统会对加塞做很多的限制，更多的是做的非常礼让，避免风险的产生。但是在国内的路况下，如果一位的让行，可能现实中会到寸步难行的情况，严重的影响效率，这在用户体验过程中，是最容易接管的情况，但是智己NOA的体验中，我发现加塞的能力是非常惊人的： 在图七这个情况中，自车遇到前方大车速度较低，准确利用目标车道车辆加速超越慢车而拉开和后车距离的机会，顺势加速进入目标车道，这波操作完全是妥妥的老司机作派，也完全符合人驾驶的习惯。但其实不仅仅于此，在超慢速的情况下，智己NOA的变道更加像人。 看看图八这个合入主路的场景，因为目标车道的车流已经排长队了，但是自车并没有简单的停在那里等待，而是超低速一点点的向目标车道蹭过去，这和人驾驶时候的加塞很像，因为只要后车一个犹豫，很可能就会被挤进去的车头占了位置。 （3）安全感保障 上面聊了这么多可怕的是不是会不安全？其实完全不会这样，在我的行驶过程中，智己NOA的安全性恰恰也来自于DLP模型的拟人性。要知道你为什么害怕？其实更多的是因为系统超出了你的预期，而DLP模型的规划数据都来自于人类驾驶行为，往往更加符合你的期望，举个弯道的例子： 在图九弯道中，很多“规则性”的智能驾驶系统会去按照地图速度降速，然而实际上人类驾驶速度往往超过匝道限速，智己NOA保持了一个比较类似人的速度在过弯，当遇到不同的曲率时候，会采取不同降速处理，而且会用“进弯前降速，出弯后加速”的驾驶逻辑，非常的模拟人，和我的驾驶预期完全一致，带来了非常不错的安全感。 三、吹了那么多，人家都去城市了智己行么？ （1）行，城市域已有体验。 必须行，在上海车展上，智己汽车CEO刘涛发布的AI4M战略中，对这一块有明确的说明和详细时间表，将会把现有的DLP模型，通过Occupany占用网络，最终进化到DDLD（深度数据学习驱动模型），值得注意的是DDLD也具备弱化高精地图依赖的能力。 而且DDLD模型驱动的城市NOA，在今年年底就将开启公测，这个时间表不仅仅在这次发布会，在上次LS7的云南发布会也讲过这个时间节点。其实，在这个时间节点之前，智己在苏州现在已经有城市NOA的相关体验，结合几个关键节点就可以看出智己NOA城市体验的优秀点： 看图十这张场景，右侧车辆加塞自车，自车降速的情况下打了一点点方向这个场景和平时人操作很像，在车道内做横向挪移却确保体验和安全感。 在看图十一和图十二两张图，第一张图是自车在穿越十字路口的时候，面包车正在向左行驶，白色轿车横向通过，在这个时候，非常考验系统算法的能力，到底是停车等待还是绕行，如果绕行的话将走车头还是车尾？在后一张图可以看出，智己采取了一个绕行的策略，让开了面包车，然后因为白车速度较快，实现了从白车尾部绕行。 （2）无图咱们也安排了 在智己智能驾驶公开课上，关于目前很热的去高精地图内容，也有很详细的分析。 智己将会通过DLP模型，通过Occupany占用网络，最终进化到DDLD（深度数据学习驱动模型），从而实现对高精地图的弱依赖，说到高精地图现在其实可能部分小伙伴有一些小误解，摆脱对高精地图的依赖，不代表不用高精地图，相反，在现有能力下，高精地图还是相当重要的存在。 这个又要回到更像人的话题，当你到一个陌生城市驾驶的时候，你首先是相信自己的眼睛还是地图？必然是相信地图给了你大概的空间感觉和线路规划，然后你按照地图的指引配合人眼去开，才是比较有效率。没有人会说，我有地图不看，我就靠肉眼看标志引导去开。而所谓摆脱依赖的意思是，当没有地图的时候，我也能开，但不以为着我就不用地图。 DDLD算法要落地，实际上硬件也要配合，因为城市域智能驾驶对硬件的要求更高，这里不得不吹一些智己的硬件预留，在硬件预留的加持下，我这样早期的智己L7车型也可以通过硬件升级加装激光雷达和更换orin算力芯片实现大算力升级，实现从对地图的依赖到摆脱，硬件升级一下子拉高了体验的天花板，真是YYDS。
20.98-33.18w
26.39-34.99w
49.80-60.80w
16.38-19.38w
{/each}
