不起眼的全天候 ADAS
小功能，大任务
AEB 全称为 Autonomous Emergency Braking，即自动紧急制动系统，其作用是在危险情况下让车辆自动制动，从而避免或减轻车辆可能发生的碰撞。AEB 在汽车行业的应用已经有一段历史，2014 年欧洲 E-NCAP 开始将 AEB 作为主动安全功能纳入车辆的整体安全考核，随后几年美国与中国的碰撞测试也陆续跟进，目前已经有较为广泛的应用。
相比 NOA 这样的前沿功能，AEB 并不新鲜，在用户日常使用里存在感也很低，此前整个汽车行业里基本都是采用供应商方案，很少有厂商自研。但 AEB 只是看上去不起眼，在所有的 ADAS 功能里它是唯一一个全天候、全场景下都在工作的功能，想把 AEB 这样一个场景覆盖率极高的功能真正做好其实是一件门槛很高的事情。而且AEB供应商都来自欧美，其研发很少针对中国道路交通特有的行人横穿、外卖小哥电瓶车、横向车辆等场景开展优化，这也让中国车企自研AEB的需求显得更为迫切。
自研项目启动前，2020 款理想 ONE 上采用了供应商的 AEB 方案，但这套方案表现一般，为了提升系统的安全性，理想与供应商提出过很多改进需求。但站在供应商的立场，他们的目标是按期交付项目，改动系统需要时间，项目一旦延期会引发很多争端，这是供应商不想看到的。很多合理的需求因此遭到供应商拒绝，整个过程中理想十分被动。
为了提升 AEB 性能同时加快系统迭代效率，理想决定在 2021 款理想 ONE 上开始自研 AEB。
AEB 项目的正式启动差不多也是在 4 月份，当时这边的情况和基础辅助驾驶自研项目启动时非常类似——一无所有，算法、代码、工具链、开发环境，一切从零开始。
行业初期阶段一个 AEB 项目的周期大概有两到三年，随着主机厂对于功能的知识贮备增加以及推动力提高，项目周期就到了一年多，而公司这次留给大家的项目时间竟然只有半年不到。
在整个 AEB 研发里，前期的功能上线属于工作量大但难度相对不大的事情，相比之下真正难做好的一件事情，是做好 AEB 的触发准确性，说得通俗一点，就是让 AEB 实现「只在真正需要的时候才触发」。要做好这件事情，需要解决的问题就包括「有危险不触发」和「无危险误触发」，而这个过程中的优化关键就是郎咸朋之前提到的闭环数据系统。
业内误触发率做得最低的供应商是 Mobileye，这是公认的世界第一，在制定 OKR 的时候，当时团队在误触发率上的要求就是看齐 Mobileye，其中的 KR 之一是把平均误触发率降低到 1 次/10 万公里。
到 7 月底，场地测试下的正向调参部分工作完成，8 月份 AEB 团队开始规划降低误触发率的种种工作和节点，与此同时，路测团队开始准备数据场景的收集和测试，后台也开始上线数据标签。
理想的质量部门也会反馈不少用户使用AEB的时候遇到的问题。对于 AEB 团队，这些用户反馈上来的工单都是经过人工筛选后的宝贵数据场景，是优化系统感知准确率的关键所在。
系统层面，理想的「影子测试」也帮了大忙，影子测试下测试版的软件在车辆后台运行，车辆的真实行驶数据会给到测试版软件，但测试软件的运算结果并不会被车辆执行，而是回传给研发总部。
所以在完全不影响用户体验和安全的情况下，AEB 测试软件就凭借数据闭环完成了无感知的实车路测并得到了结果。
这些系统层面的高效闭环设定，与从前的工作对比效率提高了很多。在徐志涛印象中，以前传统汽车AEB误触发了，客户就会投诉，然后研发人员跑到 4S 店，到用户车上去读数据，可能需要花费三天获得一组案例，效率无法相提并论。
从 8 月到 10 月，后台回传的 AEB 误触发率已经降低到了 1 次/1 万公里，而接下来通往 1 次/10 万公里的道路上却几乎都是各种稀奇古怪的 Corner Case，这些问题的难度和之前相比已经完全不在同一个维度。
徐志涛表示，从万分之一到十万分之一的过程是痛苦的，因为之前的模式到这个阶段以后已经行不通了。不少案例涉及到的问题都是极度有挑战性的。
「例如弱势道路群体的属性判断，单个的考试场景很容易，但投放到市场后，会遇到很多有挑战的场景，例如早、晚高峰，有很多骑着电瓶车的市民在车辆周边穿过的时候，走到城市小巷，或小区内部道路，两边停满了车，当行人突然从车辆之间走出的时候，这类场景困扰了我们很长时间。」
徐志涛进一步细说其中的难点所在：「这类场景对于目标的属性计算要求一定要准确。比如说上下班的时候，自车周边信息复杂且目标很多如果感知算法和逻辑不专门优化这种场景，很容易出现两个不同的目标属性会发生迁移，导致输出的目标的物理属性不准，甚至错误。像在小巷子里边，行人本来准备横穿，看到车过来了，行人只要腿稍微一动，就可以从横穿变成静止，或者说变成纵向移动，此时行人明明不再横穿了，但是因为感知算法未优化，导致行人的属性仍然保持横穿的状态，最终导致功能误工作。这对于终端驾驶员来说就是一次误制动，是很吓人的。」
行人的运动状态变化很快，就意味着算法一定要有很强的收敛性。
这个过程中大家也意识到要解决这些问题，在 5 月之前理想 AEB 的感知还用的是供应商的技术，而现在自建感知团队之后，需要有更深度的团队融合。于是公司就在北京找了一个大的会议室，让本来在上海办公的规控团队在 9 月下旬搬到北京，和感知团队直接坐一起面对面办公。
探索性的工作往往没有捷径，要解决问题都是靠聪明人加笨办法。前期两个团队大家坐在一起讨论的时候很头疼，因为不知道怎么做，大家就在那边试边想着解决方案。在 AEB 项目的瓶颈期，随着感知团队和规控团队的持续探索攻坚，大家逐渐摸索出了解决问题的方法，而感知和规控团队之间的相互反馈优化起到了关键作用。
例如，感知团队对于算法收敛的问题有方法，但不知道做到什么程度，也不知道要不要做，这个时候下游会从自己的专业角度给出优化的方向和指标，告诉感知团队在多少毫秒内就应该做出反应，把属性变成正确的。
同样的，当遇到某个问题从感知端修改需要花费大量的时间和精力的时候，下游也会和感知讨论是否可以从下游加上逻辑进行优化。
如此一来，感知与规控团队又形成了一套闭环反馈的协作模式，后来大家就是这样一个问题点，一条条数据梳理攻克下了一个又一个的 Corner Case。
工作的目的与价值
其实，在自研项目进行的过程中大家也会去思考，AEB 工程师的目标到底是什么？
在供应商工作的时候，这个目标很简单，就是给主机厂交付一个大家定下来的产品，产品力主要考验的是性价比。
而在理想工作，包含 AEB 在内的整个智能驾驶团队的目标之一是为用户交付高质量、高性能的产品，产品力考验的是产品价值、研发效率和供给关系，更看重的是一些非常细致的运营指标。
在早期的一次 OKR 例会中，当时徐志涛给行人横穿场景定了一个比较容易实现的性能指标，郎咸朋看到以后当场提问，志涛，车里的乘客和驾驶员要保护，车外的行人要不要保护？当时徐志涛直觉上觉得在时间和资源有限的情况下，应该把主要的优化项体现在车内乘客相关的部分，保护车内用户才是核心目标。
郎博就说你这个回答我不满意，你再想想。然后对旁边会议主持人说，给志涛记个 OPL（Open Problem List），明天我还要问他，他这个目标定得到底有没有什么问题。
这件事情让徐志涛觉得比较难堪，尤其是会议结束后还有人来跟进这个事情，问他郎博留的问题想好了没。
其实没过多久他也想明白了，车外行人一样是生命，同样需要保护。但他担心的是自己定下的横穿性能指标一旦要往上提，还会牵涉到上下游部门的任务制定，给大家增加额外的工作量，那时每个团队已经有很多事情要做了，这一出打乱了别人的原定计划肯定会不开心。
第二天，徐志涛被再次提问的时候，提出把行人横穿场景的 AEB 覆盖速度从 40 km/h 提到了 50 km/h，这次郎博没有再继续「为难」徐志涛。
但对于这样的事情一开始小团队里还是有抱怨的，虽然场景的速度只提升了 10 km/h，但难度的增加却远远不止 1/4，后来为达成这一性能指标，团队在开发和测试上多用了一个月的时间。
自研项目中还有另一件事情让大家十分触动，公司后台系统有一套案例场景素材库，这个素材库本来的想法是收集失效场景，让大家更好的针对场景来优化迭代软件。
这套素材库同样给了AEB 的工程师们一个从来没有过的视角来重新审视自己的产品。案例素材库里有一些重大事故的片段，当这些 AEB 工程师们第一次看到真实世界中发生的碰撞，尤其是撞人事故时，内心其实很不好受。
这些事故都有一个共同点，就是驾驶员要么没有发现，要么来不及反应，但如果借助 AEB 系统，或许能有所挽回。看完这些事故以后，大家的心情久久难以平复，因为当时有一些场景的研发已经在进行中了，他们心中做出这样的假设：如果大家效率能再高一点，再快一点把软件上线，说不定这起事故就可以避免。
从那时起，他们开始感觉到自己像是一个医生，拯救的是尚未发生的事故。到后来 AEB 上线交付以后，大家去看后台统计的 AEB 触发数据，也会有很不一样的满足感：屏幕上的每一个数字都是一次被成功规避的潜在事故。而那只由代码编写而成、把用户从死神面前拽回来的无形之手，正是由 AEB 团队的努力和心血创造而成。
这群人更深刻地意识到了自己所做工作的意义和价值，并把这种理解和认知转化为了工作的驱动力，大家确实把 AEB 开发当做一份崇高的事业在奋斗。
王佳佳想得更加朴素，他认为 AEB 是这个行业里最能体现基本功的项目。每 300 万公里的里程能避免 15 次碰撞，但是这样救人性命的东西需要大量靠人在实验室里堆砌起来的数据样本。除了基础的软件、算法技能以外，在实验场中一次又一次的实验才是真正考验人韧性的地方。
然而项目作出成果以后的满足感还是最让人兴奋的，AEB 项目在懂车帝登顶之后，理想成为了友商的研究对象，王佳佳略带自豪地表示，友商的 AEB 团队现在已经在问询他们了。
其实在小鹏 NGP 刚推出的时候，曾为小鹏供应商的王佳佳也深深为之震撼，当时小鹏的全栈自研项目已经建立起了数百人的团队，各个自研环节的技术已经取得了建设性的进展。
在起初的 OKR 共创会议上，提起跟小鹏去比拼大家都没什么信心，毕竟当小鹏的自研经过多年的积累开始大步向前的时候，理想这边才刚刚起步。
到项目最终交付以后，气氛变得不一样了。在所有人的不懈努力下，大家将原以为不可能的事情亲手实现了，而年初不到 100 人的团队此时已经达到了 300 多人。这个过程里来自不同工作背景的团队起先在配合上是重大难题，在实现目标的过程中很多人真正感受到了组织的力量，也理解了数据闭环系统在智能驾驶发展中的重要性。
那些出自大公司，一贯保守行事的工程师们在这之后再去谈争第一的事情也开始有信心了。
写在最后
随着 NOA 和 AEB 的正式上线，郎咸朋亲手装的「离职定时炸弹」终于又被他自己亲手拆除，理想智能驾驶的大团队也终于完成了从 0 到 1 的过程。
郎咸朋说，这就是战略，战略不讲能不能，只讲必要性。当公司需要你站出来的时候，你不论如何都要把它做成，战略确定后，接下来拼的就是执行。
为了实现必要性的战略目标，自研大项目从 0 到 1 的这一年也经历了很多挑战，压力从年头一直持续到了年尾。不过战场之下，伤痕遍野。团队里有人成长，也有人无法忍受失控的生活和情绪，选择了离开，其中不乏郎咸朋非常器重的几位核心员工。
项目中执行强硬到近乎残忍的郎咸朋，此时流露出他富有同理心的一面：「承受与年龄不相符的责任，对大多数人是灾难，但他们还是承受了自己不应该承受的那些东西。我们现在看到的优秀案例，只不过是幸存者偏差，我们现在看这个人很牛逼，年纪轻轻的就特别棒，那只是幸存者。」
理想 2021 自研项目尾声阶段，郎咸朋对团队说，项目初期离开的很多人对公司没有信心，觉得公司只是在吹牛逼，喊口号，理想做不成这个事情，但好在多数人还是选择留下，项目最后也做成了。参与过去年这一年交付的人，经历的是一次非常重要的战斗，这团队里一定有人会在将来的 10 到 20 年成为全世界自动驾驶领域最顶尖的人才。
随着交付的新车增加，理想ONE辅助驾驶目前超过了 2.4 亿公里。其中，2021 款贡献了超过 6,000 万公里。NOA 超过了 1,500 万公里，平均每个月约为 400 万公里，随着销量增加，预计今年 NOA 总里程突破 1 亿公里。而其他友商的公开数据为一年 2,000 万公里。
这一年，帮助理想自研成功的关键因素里有高层的果断决策，有内外压力带来的双向推动，有闭环数据迭代系统的提前布局，也有目标驱动下的网状组织管理以及为达成目标全力以赴的团队。众多因素融合在一起让理想在一年时间里挑战自身极限，实现了 NOA 功能的及时补位，并且也成为业内唯一实现 AEB 自研的企业。
2022 年中国电动汽车百人会期间，李想在一场闭门会议中提议让把 AEB 作为车辆标配，这一提议得到了全国政协经济委员会副主任苗圩的支持。
随着 4 月份 L9 上市 ，坚持标配辅助的理想汽车将让更多的消费者用上更安全的智能驾驶产品，并进一步扩充全栈自研闭环体系的规模。
在新势力的第一梯队里，理想在产品定义和车型销量数据上都有着明显的优势，但是由于先天资源的不足，理想在智能上的发力其实处于追赶者的位置。而正是优秀的国产汽车品牌在用尽全力你追我赶的状态里，将国产汽车在智能驾驶里的自主研发水平往上拉了很高一步。彼此竞争又合作的品牌，有着亦敌亦友的关系。在公司级别，大家互相之间是竞争对手，但是在国产汽车这个赛道里，和全球最优秀的汽车品牌 PK，大家又在不断地相互学习和进步。
对于中国的自动驾驶历史来说，新势力异军突起的这几年只是开端，从 1 到 10 再到 100 的过程仍然充满变数，但同时也蕴含着改写中国汽车在全球地位的巨大机遇。$理想汽车(LI)$ $理想汽车-W(02015)$
精彩评论