河南
□河南日報社視覺全媒體中心·大河報記者 耿子騰
近日，理想汽車主動安全領域兩項核心技術成果成功入選機器人與自動駕駛領域兩大頂級國際學術會議。其中，車端主動安全模型論文《Scaling Learning-based AEB with Massive Unlabeled Data》被IROS 2026（智能機器人與系統國際會議）錄用，AEB云端智能標注框架論文《Learning to Annotate Delayed and False AEB Events: A Practical System for Extreme Class Imbalance and Asymmetric Label Noise》被ICRA 2026（國際機器人與自動化會議）錄用。兩項成果分別聚焦“車端決策模型”與“云端數據標注”兩大關鍵環節，展現理想汽車在主動安全算法創新、工程化落地及量產運營體系建設方面的最新進展。
SL-AEB：首次將Scaling-Law引入主動安全，激活億級無標簽數據價值
AEB（自動緊急制動）是主動安全的核心功能。傳統基于規則的方案雖可覆蓋常規工況，但面對鬼探頭、目標狀態快速變化、多目標復雜交疊等極端場景時，泛化能力明顯不足。而常規機器學習方案則受制于高昂的數據標注成本、訓練集與真實路測分布不匹配等瓶頸，量產落地困難。
針對上述行業痛點，理想汽車首創SL-AEB車端模型，采用Teacher-Student雙模型循環優化的元反饋半監督訓練機制：Teacher模型對海量無標注行駛數據給出風險判斷參考，Student模型持續學習參考信號及少量有標簽數據以提升識別能力，同時Teacher依據Student評測反饋進行自我優化，雙向循環迭代，使模型預判危險的能力隨數據規模穩步躍升。該框架充分釋放了用戶日常行駛產生的數億級數據的訓練價值，在主動安全領域首次驗證了Scaling Law（規模效應）。
基于理想汽車搭建的覆蓋數據采集、模型訓練、仿真評測、OTA 迭代的全鏈路閉環，模型已順利量產上車并持續迭代提升。截至目前，SL-AEB車端模型已累計完成超80億公里真實道路工況驗證，有效制動與誤制動觸發比例超過100:1，累計幫助車主避免復雜非標場景下潛在事故超20萬次，持續驗證模型在真實道路環境中的安全性與穩定性。
AEB智能標注框架：革新標注模式，提質增效賦能量產運營
數據標注是AEB算法量產迭代的核心瓶頸之一。行業現有通用的不平衡分類與標簽清洗方案，難以適配AEB場景時空耦合、強車輛物理約束的專屬數據特征，落地后標注精度與場景泛化性均難以滿足量產要求。
為此，理想首發AEB云端智能標注框架，從“數據擴充”與“噪聲過濾”雙維度系統攻克核心難題：在數據擴充方面，依托車輛行駛規律設計三種生成策略——調整障礙物屬性模擬危險場景、將真實特殊路況特征移植到普通樣本、隨機更換非核心目標豐富場景，嚴格控制生成與真實樣本比例，提升模型對少數類樣本的學習能力；在噪聲過濾方面，通過計算樣本識別難度（Hardness）并引入探針樣本動態閾值，自動剔除錯誤標注，從源頭凈化訓練數據。
依托該框架，理想汽車構建了量產級智能標注系統，顯著提升了標注質量與運營效率。在標注質量方面，針對AEB場景中最難標注的兩類關鍵樣本——“制動觸發偏晚”與“誤觸發”，系統在保證充分識別的前提下，標注精確率分別提升10.3%和11.1%，實現了更全面的覆蓋與更高質量的標注。在運營效率方面，系統單日可完成數千條AEB數據的全量解析標注，人工復核工作量顯著降低，整體自動化率達95%。
IROS與ICRA是全球機器人與自動駕駛領域公認的頂級學術會議。兩篇論文的入選，充分印證了理想汽車在主動安全算法研究與量產工程化領域達到的國際前沿水平，也體現了理想汽車將前沿研究轉化為量產能力、持續創造用戶價值的技術實力。截至2026年6月21日，理想汽車累計主動避險次數達1755.8萬次。未來，理想汽車將繼續堅持研發投入和技術突破，以更先進的主動安全能力踐行“給車和家賦予生命”的品牌使命，讓科技持續守護每一個家庭的出行安全。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
