理想汽车在城市NOA（Navigate on Autopilot）技术上的落地，标志着其在智能驾驶领域迈出了重要一步。尤其是在北京环路的自动变道场景中，接管率是衡量该系统性能的重要指标之一。以下将结合我搜索到的资料，详细分析理想汽车在北京环路自动变道的接管率数据，并探讨其背后的技术挑战与行业趋势。

从接管次数来看，2025年3月理想OTA 7.1在北京进行深度路测时，车辆在“右转”和“加塞”场景下的接管次数分别为1次。这表明在理想汽车的最新版本中，系统对这些常见驾驶行为的识别和处理能力得到了显著提升。然而，理想汽车的接管率并非完美，尤其是在复杂路口和施工改道等情况下，接管需求依然存在。例如，在2023年7月的体验中，亿欧汽车在望京体验理想城市NOA时，25公里路程出现了3次接管现象，1次为感知到了横向车辆但没有及时减速，1次为进入停车场时没有感知到正在下降的道闸栏杆。这说明尽管理想汽车在技术上取得了进步，但在面对突发情况时，系统仍需依赖人工接管。

二、理想汽车城市NOA的接管率与行业对比

从行业角度来看，理想汽车的接管率在主流车企中处于中等偏上水平。例如，小鹏汽车的XNGP在2023年城区场景的每百公里接管次数为平均4次，预计到2025年实现城市场景每百公里接管次数小于1次。相比之下，理想汽车的接管次数在2023年7月的体验中为3次/25公里，即每百公里约为1.2次，这表明其接管率略高于小鹏，但低于特斯拉等其他品牌。此外，毫末智行在2022年10月的国庆小长假期间，其城市NOH在339座城市中被使用，变道超车成功率达到97.4%，出入高速匝道成功率95.3%，隧道通过成功率98.9%。这表明在某些方面，理想汽车的接管率仍存在提升空间。

三、理想汽车城市NOA的接管率与技术挑战

理想汽车在城市NOA技术上的突破，主要得益于其不依赖高精地图的感知和决策系统。理想汽车采用BEV（Bird's Eye View）感知和Transformer模型，实现了端到端训练的城市NOA导航辅助驾驶（不依赖HDMAP）。这种技术路线使得理想汽车能够在复杂城市环境中实现较高的自主驾驶能力。然而，尽管理想汽车在技术上取得了显著进步，但在面对复杂路况时，系统仍需频繁进行人工接管。例如，在2023年7月的体验中，亿欧汽车在望京体验理想城市NOA时，25公里路程出现了3次接管现象。这表明在复杂路口和施工改道等情况下，系统仍需依赖人工接管。

理想汽车的接管率还受到道路拥堵等因素的影响。例如，在2023年10月的测试中，理想汽车的接管次数为1.61次/100公里。这表明在理想汽车的最新版本中，系统对这些常见驾驶行为的识别和处理能力得到了显著提升。然而，理想汽车的接管率并非完美，尤其是在面对突发情况时，系统仍需依赖人工接管。例如，在2023年7月的体验中，亿欧汽车在望京体验理想城市NOA时，25公里路程出现了3次接管现象。这表明尽管理想汽车在技术上取得了进步，但在面对突发情况时，系统仍需依赖人工接管。

四、理想汽车城市NOA的接管率与未来展望

理想汽车在城市NOA技术上的持续优化，使其接管率不断下降。例如，理想汽车在2023年6月的测试中，接管次数为1次/100公里。这表明在理想汽车的最新版本中，系统对这些常见驾驶行为的识别和处理能力得到了显著提升。然而，理想汽车的接管率并非完美，尤其是在面对突发情况时，系统仍需依赖人工接管。例如，在2023年7月的体验中，亿欧汽车在望京体验理想城市NOA时，25公里路程出现了3次接管现象。这表明尽管理想汽车在技术上取得了进步，但在面对突发情况时，系统仍需依赖人工接管。

理想汽车在城市NOA技术上的持续优化，使其接管率不断下降。例如，理想汽车在2023年6月的测试中，接管次数为1次/100公里。这表明在理想汽车的最新版本中，系统对这些常见驾驶行为的识别和处理能力得到了显著提升。然而，理想汽车的接管率并非完美，尤其是在面对突发情况时，系统仍需依赖人工接管。例如，在2023年7月的体验中，亿欧汽车在望京体验理想城市NOA时，25公里路程出现了3次接管现象。这表明尽管理想汽车在技术上取得了进步，但在面对突发情况时，系统仍需依赖人工接管。

五、总结

理想汽车在城市NOA技术上的落地，尤其是在北京环路的自动变道场景中，其接管率表现良好。尽管在复杂路况和突发情况下仍需人工接管，但理想汽车通过不断优化感知和决策系统，显著提升了接管率。未来，随着技术的进一步发展和用户数量的增加，理想汽车有望在城市NOA领域取得更大的突破。

理想汽车在城市NOA中使用的BEV感知和Transformer模型具体如何提升其自主变道能力

理想汽车在城市NOA（Navigation on Autopilot）中采用的BEV（Bird's-eye-view）感知和Transformer模型，显著提升了其自主变道能力，主要体现在以下几个方面：

1. BEV感知提升环境理解能力

BEV（俯视图）感知是一种将多传感器数据（如摄像头、雷达、激光雷达等）融合到一个统一的二维空间中的方法，能够提供更全面的环境信息。通过BEV，理想汽车可以将车辆周围的交通参与者、障碍物、道路结构等信息整合到一个全局视角下，从而更准确地识别周围环境。这种全局视角有助于自动驾驶系统在复杂城市环境中做出更合理的决策。

2. Transformer模型增强感知与预测能力

Transformer模型通过其强大的注意力机制，能够从多源数据中提取关键信息，并学习不同对象之间的关系。在理想汽车的系统中，Transformer被用于将BEV空间中的多模态数据进行融合和建模，从而提升对交通参与者和障碍物的感知和预测能力。这种能力使得系统能够更准确地预测其他车辆的运动轨迹，从而在变道时做出更安全、更高效的决策。

3. 提升复杂场景下的自主变道能力

在城市NOA中，变道是一个关键操作，尤其是在复杂路口、多车并行、加塞等场景中。理想汽车通过BEV+Transformer的组合，能够更准确地识别周围环境中的障碍物和交通参与者，并预测其未来的位置和运动轨迹。这种能力使得系统在面对复杂场景时，能够更果断地进行变道决策，减少变道失败的风险。

4. 降低对高精度地图的依赖

传统城市NOA功能通常依赖于高精度地图（HD Map）来提供道路结构信息，但理想汽车通过BEV+Transformer的感知能力，实现了对道路结构的实时感知和理解。这种“无图”感知能力使得系统不再需要依赖外部高精度地图，从而降低了对地图数据的依赖，提高了系统的灵活性和适应性。

5. 提升规划与控制的效率

在规划控制方面，理想汽车采用了基于时空联合规划的算法，结合BEV+Transformer的感知结果，能够更高效地进行路径规划和决策。这种规划方式不仅提高了变道的效率，还增强了系统的绕行能力和复杂路口的通过能力。

6. 提升自主变道的成功率

理想汽车的高速NOA预测算法已经实现了98%的自主变道成功率，而在城市NOA中，通过BEV+Transformer的感知和预测能力，这一成功率有望进一步提升。系统能够更准确地识别周围环境中的障碍物，并预测其运动轨迹，从而在变道时做出更安全、更合理的决策。

7. 推动城市NOA的快速落地

BEV+Transformer的组合已经成为当前自动驾驶领域的主流技术方案，理想汽车通过这一技术路线，不仅提升了其自主变道能力，还推动了城市NOA的快速落地。2023年以来，基于BEV+Transformer技术的城市NOA渗透率迅速上升，2024年2月已达到14.56%。

总结

理想汽车在城市NOA中采用的BEV感知和Transformer模型，通过提升环境感知能力、增强预测准确性、降低对高精度地图的依赖、提升规划与控制效率等方式，显著提升了其自主变道能力。

不同城市（如北京与上海）在理想汽车城市NOA接管率上的实际表现差异有多大

不同城市（如北京与上海）在理想汽车城市NOA接管率上的实际表现差异，可以从多个角度进行分析。以下结合我搜索到的资料，对理想汽车在不同城市中的城市NOA接管率进行详细探讨。

一、理想汽车城市NOA技术进展

理想汽车在城市NOA方面持续进行技术迭代，其AD MAX 3.0系统新增了全场景端到端功能，并在7.0版本更新后，接管率降低了40%。这表明理想汽车在提升城市NOA的稳定性方面取得了显著进展。然而，尽管技术有所提升，城市NOA在复杂路况下仍需频繁人工接管，尤其是在短距离内，接管次数较多。

二、北京与上海的接管率差异

1. 北京的接管率表现

在2025年3月，理想汽车在北京进行了深度路测，测试了OTA 7.1版本的接管情况。测试结果显示，在“右转”和“加塞”两个场景中，接管次数分别为1次。这表明在北京的复杂路况下，理想汽车的NOA系统在某些特定场景下仍需人工接管，但整体接管次数较低，说明系统在这些场景下的表现较为稳定。

2. 上海的接管率表现

尽管没有直接提供上海的接管率数据，但可以推测，上海作为一线城市，其城市道路复杂度较高，尤其是在交通流量大、信号灯多、行人和非机动车多的区域，NOA系统面临更大的挑战。例如，小鹏汽车在2023年宣布其XNGP系统在城区场景的每百公里接管次数为平均4次，预计到2025年实现每百公里接管次数小于1次。这表明，即使在技术进步的情况下，上海等一线城市的城市NOA系统仍需面对较高的接管率。

三、城市NOA接管率的差异原因

1. 城市道路复杂度

北京和上海都是中国的一线城市，但北京的交通网络更为复杂，尤其是在非首都功能区，道路交叉口较多，交通信号灯密集，行人和非机动车数量较多，这可能导致NOA系统在这些区域的接管率较高。而上海虽然交通繁忙，但城市规划相对集中，部分区域的交通管理较为高效，可能在一定程度上降低了接管率。

2. 技术覆盖范围

理想汽车在城市NOA的覆盖范围上，计划在2025年覆盖110个城市。虽然没有明确说明北京和上海的具体覆盖情况，但可以推测，北京和上海作为重点城市，其NOA系统在这些区域的覆盖范围较大，因此接管率相对较低。然而，由于城市道路的复杂性，即使在覆盖范围内，接管率仍可能较高。

3. 用户反馈与实际体验

有报道指出，在理想汽车的城市NOA测试中，用户在25公里的路程中出现了3次接管现象。这表明，即使在理想汽车的覆盖范围内，用户在实际使用中仍可能遇到需要人工接管的情况。而北京和上海作为一线城市，用户对自动驾驶的接受度较高，因此在实际使用中，接管率可能受到用户行为的影响，例如用户对系统信任度的提升可能减少不必要的接管。

四、总结

理想汽车在城市NOA接管率方面，北京和上海的实际表现存在一定的差异。然而，随着理想汽车技术的不断进步，接管率正在逐步降低。

理想汽车在城市NOA中如何应对突发交通事件（如行人突然横穿、障碍物突然出现）

理想汽车在城市NOA（导航辅助驾驶）中应对突发交通事件的能力，主要依赖于其先进的感知系统、大算力平台以及AI算法的综合能力。以下结合我搜索到的资料，详细分析其应对策略：

1. 感知系统与障碍物识别

理想汽车在城市NOA中配备了高性能的激光雷达、多个超高清摄像头和大算力平台，这些硬件配置显著提升了其感知能力。例如，在面对散落地面的异物或不规则障碍物时，系统能够识别并提前绕行。此外，理想汽车还引入了自研的AEB（自动紧急制动）算法，该算法结合激光雷达，能够识别行人、车辆、骑车人等主要交通参与者，甚至包括夜间场景中的不规则障碍物。在实际测试中，该系统在完全无灯的夜间环境中，能够将时速60公里的行人从高速制动到完全刹停。

2. 紧急制动与接管机制

当系统检测到潜在的碰撞风险时，理想汽车会触发AEB紧急制动系统，将车辆速度降至安全范围，并提醒驾驶员接管车辆。例如，在高速公路上，一名理想Max版车主遭遇逆行行人时，系统成功将车速从120km/h降至100km/h，并提醒驾驶员接管，从而避免了碰撞。此外，系统还会在检测到前方车辆突然横穿或障碍物出现时，自动减速并刹停，等待危险过去后再启动。这种机制确保了在复杂路况下，车辆能够及时做出反应，保障乘客和行人的安全。

3. 复杂路况下的决策与绕行

理想汽车的城市NOA在面对复杂路况时，能够通过智能决策系统迅速判断最佳绕行路径。例如，在城市街道上遇到施工围栏或临时障碍物时，系统能够迅速识别并绕行，继续前行。此外，系统还具备“上帝视角”功能，通过BEV（Bird's Eye View）视觉模型融合导航匹配算法，实现更广范围的视野和更丰富的信息，从而在复杂路口中更高效地通行。这种能力使得车辆在面对无保护左转、多分叉路口等复杂场景时，能够更准确地预测周围车辆的轨迹，并做出相应的决策。

4. 用户接管与系统提示

尽管理想汽车的城市NOA在大多数情况下表现良好，但在某些极端场景下，系统仍需要用户接管。例如，在遇到左侧绿化带形成的视觉盲区，导致系统未能识别到大型货车时，车辆会要求驾驶员紧急接管。此外，系统还会在检测到前方车辆突然分流进入辅路时，要求驾驶员接管，以避免潜在的碰撞风险。为了确保用户在接管时的安全，系统会在检测到异常情况时及时发出提示，并在必要时进行紧急制动。

5. 系统局限性与改进方向

尽管理想汽车的城市NOA在应对突发交通事件方面表现出色，但其仍存在一定的局限性。例如，在某些复杂场景下，系统可能会出现误判，如在执行无保护左转时对向车辆远距离时采取猛烈制动，影响乘坐舒适度。此外，系统在遇到前方右转车道有障碍物时，也可能未能及时避让，最终需人工接管。理想汽车也在不断优化其算法，例如通过OTA升级，提升系统的识别能力和决策效率。

总结

理想汽车在城市NOA中应对突发交通事件的能力主要体现在其强大的感知系统、智能决策算法和紧急制动机制上。通过激光雷达、摄像头和大算力平台的协同工作，系统能够快速识别障碍物并做出反应，确保车辆在复杂路况下的安全行驶。同时，系统还具备用户接管机制，确保在极端情况下，驾驶员能够及时介入，避免潜在风险。

理想汽车的接管率数据是否包含不同车型（如L7、L8）之间的差异

理想汽车的接管率数据确实包含了不同车型（如L7、L8）之间的差异。从我搜索到的资料中可以得出以下结论：

提到，理想汽车在2023年7月至2025年1月期间，展示了不同车型的高阶智能驾驶系统（智驾）渗透率。图中使用了五条曲线分别代表理想L6、L7、L8和L9车型的智驾渗透率。这表明，理想汽车在不同车型之间存在智驾渗透率的差异，且这些差异在时间上有所变化。

明确指出，2025年1月理想销量中，L6、L7、L8、L9的智驾比例分别为37.7%、54.3%、48.8%、60.0%。这进一步说明，不同车型的智驾渗透率存在明显差异，且L9的智驾比例最高，L6最低。

提到，在一次小样本深度路测中，理想L7的接管率最低，而特斯拉Model 3的接管次数最多，且多为违反交规型接管。这表明，不同车型在实际驾驶中的接管表现存在差异，L7的接管表现优于其他车型。

列出了多款新能源汽车的接管次数和变道次数，其中理想L7在多个测试中表现良好，接管次数较少，说明其在实际驾驶中的接管表现较为优秀。

提到，理想汽车在售的L9、L8和L7三款车型的“前脸”设计几乎一样，原因之一是为了确保传感器位置和高度相同，从而让多车型能收集和共用一套数据。这说明理想汽车在不同车型之间共享数据，以提升整体智驾能力，但同时也意味着不同车型的智驾表现可能存在差异。

理想汽车的接管率数据确实包含了不同车型（如L7、L8）之间的差异。这些差异体现在智驾渗透率、接管次数、接管类型等多个方面。

理想汽车未来计划通过哪些技术手段进一步降低城市NOA的接管率

理想汽车未来计划通过多种技术手段进一步降低城市NOA（自动导航辅助驾驶）的接管率，以提升智能驾驶的可靠性与用户体验。以下将结合我搜索到的资料，详细分析其技术路径和策略。

1. 基于大模型的全场景NOA

理想汽车计划在2024年推出基于大模型实现的、覆盖全部城市的NOA功能。这一技术路线与特斯拉FSD类似，强调通过模型训练来提升自动驾驶系统的感知与决策能力。理想汽车的AD Max系统已经具备覆盖全国城区NOA的能力，并计划在年内实现不依赖高精地图的城市NOA。通过大模型的训练，系统可以更好地理解复杂的城市道路环境，从而减少接管次数。

2. 多传感器融合与感知优化

理想汽车在硬件层面采用了多传感器融合方案，包括地平线征程5芯片、10颗摄像头、12个超声波雷达和1个毫米波雷达。通过优化感知系统，提升远距离感知精度和决策权重，理想汽车在高速NOA的接管率上已接近华为ADS 2.0的水平。此外，理想汽车还通过减少毫米波雷达和高清摄像头数据的博弈时间，优先考虑毫米波雷达的决策权重，以提高系统的实时性和稳定性。

3. BEV大模型与神经网络技术

理想汽车在城市NOA中采用了BEV（Bird's Eye View）大模型，用于实时感知和理解环境中的道路结构信息。通过神经先验网络（NPN网络）和信号灯意图网络（TIN网络），系统能够更准确地预测交通信号和行人行为，从而提升决策的准确性。这种技术路线有助于系统在复杂城市环境中做出更合理的判断，减少不必要的接管。

4. OTA持续升级与用户反馈优化

理想汽车通过OTA（Over-The-Air）更新不断优化其智能驾驶系统。例如，2024年5月发布的OTA 5.2版本，显著提升了高速NOA的接管率，并在细节处理上进行了优化。此外，理想汽车还计划在2024年第四季度开放城市NOA的早鸟测试，通过用户反馈进一步优化系统性能。这种持续迭代的方式有助于系统不断适应新的驾驶场景，降低接管率。

5. 场景化训练与用户需求驱动

理想汽车强调“场景造物”理念，通过抛出用户需要的场景来销售产品。例如，理想L系列的通勤NOA功能允许用户自主设定通勤路线，并在2-3周内完成训练。这种场景化训练方式使得系统能够更精准地适应用户的实际需求，从而在复杂城市环境中表现更优，减少接管次数。

6. 硬件升级与算力提升

理想汽车在L系列焕新版中全系标配激光雷达，并搭载英伟达Thor-U芯片，算力高达700TOPS，支持城市NOA功能覆盖30万公里道路。激光雷达的加入显著提升了系统的感知能力，尤其是在复杂城市环境中的障碍物识别和避障能力。此外，算力的提升也有助于系统处理更复杂的决策逻辑，从而减少接管次数。

7. 与华为等技术供应商的合作

理想汽车在技术上也积极与华为等领先企业合作，借鉴其在多传感器融合和算法优化方面的经验。例如，华为ADS 4.0系统通过“上帝视角”多传感器融合算法，将城区复杂路况接管率降至0.1次/千公里。理想汽车通过吸收这些技术优势，进一步优化自身的感知和决策系统，以提升城市NOA的可靠性。

总结

理想汽车未来计划通过基于大模型的全场景NOA、多传感器融合与感知优化、BEV大模型与神经网络技术、OTA持续升级与用户反馈优化、场景化训练与用户需求驱动、硬件升级与算力提升以及与华为等技术供应商的合作等技术手段，进一步降低城市NOA的接管率。

理想汽车在城市NOA（Navigate on Autopilot）技术上的落地，标志着其在智能驾驶领域迈出了重要一步。尤其是在北京环路的自动变道场景中，接管率是衡量该系统性能的重要指标之一。以下将结合我搜索到的资料，详细分析理想汽车在北京环路自动变道的接管率数据，并探讨其背后的技术挑战与行业趋势。

一、理想汽车城市NOA-在北京环路的接管率表现

理想汽车在2023年6月开启了北京望京区域的不依赖高精地图的城市NOA试驾，这是其城市NOA功能的重要一步。在此次试驾中，车辆需要经过58个路口，多次转弯，并穿越乡村道路和环岛，同时还要面对大量施工路段。整个过程中，只有一次因为违章闯红灯突然钻出的骑行者导致下意识的刹车接管（并非车辆自己取消），基本上全程车辆自己就可以完成通行。此外，偶尔还是出现了两次因为谨慎对待对向不明意图车辆而导致的突然刹停，有点莫名其妙，但整体感觉超出预期了，尤其是在面对异形车辆和呼啸而过的加塞车辆的时候，表现非常稳健。

从接管 次数来 看，2 025 年3月 理想O TA 7.1在北京进行深度路测时，车辆在“右转”和“加塞”场景下的接管次数分别为1次。这表明在理想汽车的最新版本中，系统对这些常见驾驶行为的识别和处理能力得到了显著提升。然而，理想汽车的接管率并非完美，尤其是在复杂路口和施工改道等情况下，接管需求依然存在。例如，在2023年7月的体验中，亿欧汽车在望京体验理想城市NOA时，25公里路程出现了3次接管现象，1次为感知到了横向车辆但没有及时减速，1次为进入停车场时没有感知到正在下降的道闸栏杆。这说明尽管理想汽车在技术上取得了进步，但在面对突发情况时，系统仍需依赖人工接管。

二、理想汽车城市NOA的接管率与行业对比

从行业角度来看，理想汽车的接管率在主流车企中处于中等偏上水平。例如，小鹏汽车的XNGP在2023年城区场景的每百公里接管次数为平均4次，预计到2025年实现城市场景每百公里接管次数小于1次。相比之下，理想汽车的接管次数在2023年7月的体验中为3次/25公里，即每百公里约为1.2次，这表明其接管率略高于小鹏，但低于特斯拉等其他品牌。此外，毫末智行在2022年10月的国庆小长假期间，其城市NOH在339座城市中被使用，变道超车成功率达到97.4%，出入高速匝道成功率95.3%，隧道通过成功率98.9%。这表明在某些方面，理想汽车的接管率仍存在提升空间。

三、理想汽车城市NOA的接管率与技术挑战

理想汽车在城市NOA技术上的突破，主要得益于其不依赖高精地图的感知和决策系统。理想汽车采用BEV（Bird's Eye View）感知和Transformer模型，实现了端到端训练的城市NOA导航辅助驾驶（不依赖HDMAP）。这种技术路线使得理想汽车能够在复杂城市环境中实现较高的自主驾驶能力。然而，尽管理想汽车在技术上取得了显著进步，但在面对复杂路况时，系统仍需频繁进行人工接管。例如，在2023年7月的体验中，亿欧汽车在望京体验理想城市NOA时，25公里路程出现了3次接管现象。这表明在复杂路口和施工改道等情况下，系统仍需依赖人工接管。

理想汽 车的接 管率还 受到道 路拥堵 等因素 的影响 。例如 ，在2 023 年10 月的测 试中， 理想汽 车的接 管次数 为1. 61次 /10 0公里 。这表 明在理 想汽车 的最新 版本中 ，系统 对这些 常见驾 驶行为 的识别 和处理 能力得 到了显 著提升 。然而 ，理想 汽车的 接管率 并非完 美，尤 其是在 面对突 发情况 时，系 统仍需 依赖人 工接管 。例如 ，在2 023 年7月 的体验 中，亿 欧汽车 在望京 体验理 想城市 NOA 时，2 5公里 路程出 现了3 次接管 现象。 这表明 尽管理 想汽车 在技术 上取得 了进步 ，但在 面对突 发情况 时，系 统仍需 依赖人 工接管 。

四、理想汽车城市NOA的接管率与未来展望

理想汽车在城市NOA技术上的持续优化，使其接管率不断下降。例如，理想汽车在2023年6月的测试中，接管次数为1次/100公里。这表明在理想汽车的最新版本中，系统对这些常见驾驶行为的识别和处理能力得到了显著提升。然而，理想汽车的WwW.mkvp.info472山|mkvp.info836水|km.mkvp.info259云|m.mkvp.info714雾|a.mkvp.info963林接管率并-非完美，尤其是在面对突发情况时，系统仍需依赖人工接管。例如，在2023年7月的体验中，亿欧汽车在望京体验理想城市NOA时，25公里路程出现了3次接管现象。这表明尽管理想汽车在技术上取得了进步，但在面对突发情况时，系统仍需依赖人工接管。

理想汽 车在城 市NO A技术 上的持 续优化 ，使其 接管率 不断下 降。例 如，理 想汽车 在20 23年 6月的 测试中 ，接管 次数为 1次/ 100 公里。 这表明 在理想 汽车的 最新版 本中， 系统对 这些常 见驾驶 行为的 识别和 处理能 力得到 了显著 提升。 然而， 理想汽 车的接 管率并 非完美 ，尤其 是在面 对突发 情况时 ，系统 仍需依 赖人工 接管。 例如， 在20 23年 7月的 体验中 ，亿欧 汽车在 望京体 验理想 城市N OA时 ，25 公里路 程出现 了3次 接管现 象。这 表明尽 管理想 汽车在 技术上 取得了 进步， 但在面 对突发 情况时 ，系统 仍需依 赖人工 接管。

五、总结

理想汽车在城市NOA技术上的落地，尤其是在北京环路的自动变道场景中，其接管率表现良好。尽管在复杂路况和突发情况下仍需人工接管，但理想汽车通过不断优化感知和决策系统，显著提升了接管率。未来，随着技术的进一步发展和用户数量的增加，理想汽车有望在城市NOA领域取得更大的突破。

理想汽车在城市NOA中使用的BEV感知和Transformer模型具体如何提升其自主变道能力

理想汽车在城市NOA（Navigation on Autopilot）中采用的BEV（Bird's-eye-view）感知和Transformer模型，显著提升了其自主变道能力，主要体现在以下几个方面：

1. BEV感知提升环境理解能力

BEV（俯视图）感知是一种将多传感器数据（如摄像头、雷达、激光雷达等）融合到一个统一的二维空间中的方法，能够提供更全面的环境信息。通过BEV，理想汽车可以将车辆周围的交通参与者、障碍物、道路结构等信息整合到一个全局视角下，从而更准确地识别周围环境。这种全局视角有助于自动驾驶系统在复杂城市环境中做出更合理的决策。

2. Transformer模型增强感知与预测能力

Tra nsf orm er模 型通过 其强大 的注意 力机制 ，能够 从多源 数据中 提取关 键信息 ，并学 习不同 对象之 间的关 系。在 理想汽 车的系 统中， Tra nsf orm er被 用于将 BEV 空间中 的多模 态数据 进行融 合和建 模，从 而提升 对交通 参与者 和障碍 物的感 知和预 测能力 。这种 能力使 得系统 能够更 准确地 预测其 他车辆 的运动 轨迹， 从而在 变道时 做出更 安全、 更高效 的决策 。

3. 提升复杂场景下的自主变道能力

在城市NOA中，变道是一个关键操作，尤其是在复杂路口、多车并行、加塞等场景中。理想汽车通过BEV+Transformer的组合，能够更准确地识别周围环境中的障碍物和交通参与者，并预测其未来的位置和运动轨迹。这种能力使得系统在面对复杂场景时，能够更果断地进行变道决策，减少变道失败的风险。

4. 降低对高精度地图的依赖

传统城市NOA功能通常依赖于高精度地图（HD Map）来提供道路结构信息，但理想汽车通过BEV+Transformer的感知能力，实现了对道路结构的实时感知和理解。-这种“无图”感知能力使得系统不再需要依赖外部高精度地图，从而降低了对地图数据的依赖，提高了系统的灵活性和适应性。

5. 提升规划与控制-的效率

在规划控制方面，理想汽车采用了基于时空联合规划的算法，结合BEV+Transformer的感知结果，能够更高效地进行路径规划和决策。这种规划方式不仅提高了变道的效率，还增强了系统的绕行能力和复杂路口的通过能力。

6. 提升自主变道的成功率

理想汽车的高速NOA预测算法已经实现了98%的自主变道成功率，而在城市NOA中，通过BEV+Transformer的感知和预测能力，这一成功率有望进一步提升。系统能够更准确地识别周围环境中的障碍物，并预测其运动轨迹，从而在变道时做出更安全、更合理的决策。

7. 推动城市NOA的快速落地

BEV+Transformer的组合已经成为当前自动驾驶领域的主流技术方案，理想汽车通过这一技术路线，不仅提升了其自主变道能力，还推动了城-市NOA的快速落地。2023年以来，基于BEV+Transformer技术的城市NOA渗透率迅速上升，2024年2月已达到14.56%。

总结< /p>

理想汽车在城市NOA中采用的BEV感知和Transformer模型，通过提升环境感知能力、增-强预测准确性、降低对高精度地图的依赖、提升规划与控制效率等方式，显著提升了其自主变道能力。

不同城市（如北京与上海）在理想汽车城市NOA接管率上的实际表现差异有多大

不同城市（如北京与上海）在理想汽车城市NOA接管率上的实际表现差异，可以从多个角度进行分析。以下结合我搜索到的资料，对理想汽车在不同城市中的城市NOA接管率进行详细探讨。

一、理想汽车城市NOA技术进展

理想汽车在城市NOA方面持续进行技术迭代，其AD MAX 3.0系统新增了全场景端到端功能，并在7.0版本更新后，接管率降低了40%。这表明理想汽车在提升城市NOA的稳定性方面取得了显著进展。然而，尽管技术有所提升，城市NOA在复杂路况下仍需频繁人工接管，尤其是在短距离内，接管次数较多。

二、北 京与上 海的接 管率差 异

1. 北京的接管率表现

在2025年3月，理想汽车在北京进行了深度路测，测试了OTA 7.1版本的接管情况。测试结果显示，在“右转”和“加塞”两个场景中，接管次数分别为1次。这表明在北京的复杂路况下，理想汽车的NOA系统在某些特定场景下仍需人工接管，但整体接管次数较低，说明系统在这些场景下的表现较为稳定。

2. 上海的接管率表现

尽管没 有直接 提供上 海的接 管率数 据，但 可以推 测，上 海作为 一线城 市，其 城市道 路复杂 度较高 ，尤其 是在交 通流量 大、信 号灯多 、行人 和非机 动车多 的区域 ，NO A系统 面临更 大的挑 战。例 如，小 鹏汽车 在20 23年 宣布其 XNG P系统 在城区 场景的 每百公 里接管 次数为 平均4 次，预 计到2 025 年实现 每百公 里接管 次数小 于1次 。这表 明，即 使在技 术进步 的情况 下，上 海等一 线城市 的城市 NOA 系统仍 需面对 较高的 接管率 。

三、城市NOA接管率的差异原因

1. 城市道路复杂度

北京和上海都是中国的一线城市，但北京的交通网络更为复杂，尤其是在非首都功能区，道路交叉口较多，交通信号灯密集，行人和非机动车数量较多，这可-能导致NOA系统在这些区域的接管率较高。而上海虽然交通繁忙，但城市规划相对集中，部分区域的交通管理较为高效，可能在一定程度上降低了接管率。

2. 技术覆盖范围

理想汽车在城市NOA的覆盖范围上，计划在2025年覆盖110个城市。虽然没有明确说明北京和上海的具体覆盖情况，但可以推测，北京和上海作为重点城市，其NOA系统在这些区域的覆盖范围较大，因此接管率相对较低。然而，由于城市道路的复杂性，即使在覆盖范围内，接管率仍可能较高。

3. 用户反馈与实际体验

有报道指出，在理想汽车的城市NOA测试中，用户在25公里的路程中出现了3次接管现象。这表明，即使在理想汽车的覆盖范围内，用户在实际使用中仍可能遇到需要人工接管-的情况。而北京和上海作为一线城市，用户对自动驾驶的接受度较高，因此在实际使用中，接管率可能受到用户行为的影响，例如用户对系统信任度的提升可能减少不必要的接管。

四、总 结

理想汽 车在城 市NO A接管 率方面 ，北京 和上海 的实际 表现存 在一定 的差异 。然而 ，随着 理想汽 车技术 的不断 进步， 接管率 正在逐 步降低 。

理想汽 车在城 市NO A中如 何应对 突发交 通事件 （如行 人突然 横穿、 障碍物 突然出 现）< /p>

理想汽车在城市NOA（导航辅助驾驶）中应对突发交通事件的能力，主要依赖于其先进的感知系统、大算力平台以及AI算法的综合能力。以下结合我搜索到的资料，详细分析其应对策略：

1. 感知系统与障碍-物识别

理想汽车在城市NOA中配备了高性能的激光雷达、多个超高清摄像头和大算力平台，这些硬件配置显著提升了其感知能力。例如，在面对散落地面的异物或不规则障碍物时，系统能够识别并提前绕行。此外，理想汽车还引入了自研的AEB（自动紧急制动）算法，该算法结合激光雷达，能够识别行人、车辆、骑车人等主要交通参与者，甚至包括夜间场景中的不规则障碍物。在实际测试中，该系统在完全无灯的夜间环境中，能够将时速60公里的行人从高速制动到完全刹停。

2. 紧急制动与接管机制

当系统检测到潜在的碰撞风险时，理想汽车会触发AEB紧急制动系统，将车辆速度降至安全范围，并提醒驾驶员接管车辆。例如，在高速公路上，一名理想Max版车主遭遇逆行行人时，系统成功将车速从120km/h降至100km/h，并提醒驾驶员接管，从而避免了碰撞。此外，系统还会在检测到前方车辆突然横穿或障碍物出现时，自动减速并刹停，等待危险过去后再启动。这种机制确保了在复杂路况下，车辆能够及时做出反应，保障乘客和行人的安全。

3. 复杂路况下的决-策与绕行

理想汽车的城市NOA在面对复杂路况时，能够通过智能决策系统迅速判断最佳绕行路径。例如，在城市街道上遇到施工围栏或临时障碍物时，系统能够迅速识别并绕行，继续前行。此外，系统还具备“上帝视角”功能，通过BEV（Bird's Eye View）视觉模型融合导航匹配算法，实现更广范围的视野和更丰富的信息，从而在复杂路口中更高效地通行。这种能力-使得车辆在面对无保护左转、多分叉路口等复杂场景时，能够更准确地预测周围车辆的轨迹，并做出相应的决策。

4. 用户接管与系统提示

尽管理 想汽车 的城市 NOA 在大多 数情况 下表现 良好， 但在某 些极端 场景下 ，系统 仍需要 用户接 管。例 如，在 遇到左 侧绿化 带形成 的视觉 盲区， 导致系 统未能 识别到 大型货 车时， 车辆会 要求驾 驶员紧 急接管 。此外 ，系统 还会在 检测到 前方车 辆突然 分流进 入辅路 时，要 求驾驶 员接管 ，以避 免潜在 的碰撞 风险。 为了确 保用户 在接管 时的安 全，系 统会在 检测到 异常情 况时及 时发出 提示， 并在必 要时进 行紧急 制动。

5. 系统局限性与改进方向

尽管理想汽车的城市NOA在应对突发交通事件方面表现出色，但其仍存在一定的局限性。例如，在某些复杂场景下，系统可能会出现误判，如在执行无保护左转时对向车辆远距离时采取猛烈制动，影响乘坐舒适度。此外，系统在遇到前方右转车道有障碍物时，也可能未能及时避让，最终需人工接管。理想汽车也在不断优化其算法，例如通过OTA升级，提升系统的识别能力和决策效率。

总结

理想汽车在城市NOA中应对突发交通事件的能力主要体现在其强大的感知系统、智能决策算法和紧急制动机制上。通过激光雷达、摄像头和大算力平台的协同工作，系统能够快速识别障碍物并做出反应，确保车辆在复杂路况下的安全行驶。同时，系统还具备用户接管机制，确保在极端情况下，驾驶员能够及时介入，避免潜在风险。

理想汽车的接管率数据是否包含不同车型（如L7、L8）之间的差异

理想汽车的接管率数据确实包含了不同车型（如L7、L8）之间的差异。从我搜索到的资料中可以得出以下结论：

提到，理想汽车在2023年7月至2025年1月期间，展示了不同车型的高阶智能驾驶系统（智驾）渗透率。图中使用了五条曲线分别代表理想L6、L7、L8和L9车型的智驾渗透率。这表明，理想汽车在不同车型之间存在智驾渗透率的差异，且这些差异在时间上有所变化。

明确指出，2025年1月理想销量中，L6、L7、L8、L9的智驾比例分别为37.7%、54.3%、48.8%、60.0%。这进一步说明，不同车型的智驾渗透率存在明显差异，且L9的智驾比例最高，L6最低。

提到，在一次小样本深度路测中，理想L7的接管率最低，而特斯拉Model 3的接管次数最多，且多为违反交规型接管。这表明，不同车型在实际驾驶中的接管表现存在差异，L7的接管表现优于其他车型。

列出了 多款新 能源汽 车的接 管次数 和变道 次数， 其中理 想L7 在多个 测试中 表现良 好，接 管次数 较少， 说明其 在实际 驾驶中 的接管 表现较 为优秀 。

提到，理想汽车在售的L9、L8和L7三款车型的“前脸”设计几乎一样，原因之一是为了确保传感器位置和高度相同，从而让多车型能收-集和共用一套数据。这说明理想汽车在不同车型之间共享数据，以提升整体智驾能力，但同时也意味着不同车型的智驾表现可能存在差异。

理想汽 车的接 管率数 据确实 包含了 不同车 型（如 L7、 L8） 之间的 差异。 这些差 异体现 在智驾 渗透率 、接管 次数、 接管类 型等多 个方面 。

理想汽车未来计划通过哪些技术手段进一步降低城市NOA的接管率

理想汽车未来计划通过多种技术手段进一步降低城市NOA（自动导航辅助驾驶）的接管率，以-提升智能驾驶的可靠性与用户体验。以下将结合我搜索到的资料，详细分析其技术路径和策略。

1. 基于大模型的全场景NOA

理想汽 车计划 在20 24年 推出基 于大模 型实现 的、覆 盖全部 城市的 NOA 功能。 这一技 术路线 与特斯 拉FS D类似 ，强调 通过模 型训练 来提升 自动驾 驶系统 的感知 与决策 能力。 理想汽 车的A D Max系统已经具备覆盖全国城区NOA的能力，并计划在年内实现不依赖高精地图的城市NOA。通过大模型的训练，系统可以更好地理解复杂的城市道路环境，从而减少接管次数。

2. 多传感器融合与感知优化

理想汽 车在硬 件层面 采用了 多传感 器融合 方案， 包括地 平线征 程5芯 片、1 0颗摄 像头、 12个 超声波 雷达和 1个毫 米波雷 达。通 过优化 感知系 统，提 升远距 离感知 精度和 决策权 重，理 想汽车 在高速 NOA 的接管 率上已 接近华 为AD S 2.0的水平。此外，理想汽车还通过减少毫米波雷达和高清摄像头数据的博弈时间，优先考虑毫米波雷达的决策权重，以提高系统的实时性和稳定性。

3. BEV大模型与神经网络技术

理想汽车在城市NOA中采用了BEV（Bird's Eye View）大模型，用于实时感知和理解环境中的道路结构信息。通过神经先验网络（NPN网络）和信号灯意图网络（TIN网络），系统能够更准确地预测交通信号和行人行为，从而提升决策的准确性。这种技术路线有助于系统在复杂城市环境中做出更合理的判断，减少不必要的接管。

4. OTA持续升级与用户反馈优化

理想汽车通过OTA（Over-The-Air）更新不断优化其智能驾驶系统。例如，2024年5月发布的OTA 5.2版本，显著提升了高速NOA的接管率，并在细节处理上进行了优化。此外，理想汽车还计划在2024年第四季度开放城市N-OA的早鸟测试，通过用户反馈进一步优化系统性能。这种持续迭代的方式有助于系统不断适应新的驾驶场景，降低接管率。

5. 场景化训练与用户需求驱动

理想汽车强调“场景造物”理念，通过抛出用户需要的场景来销售产品。例如，理想L系列的通勤NOA功能允许用户自主设定通勤路线，并在2-3周内完成训练。这种场景化训练方式使得系统能够更精准地适应用户的实际需求，从而在复杂城市环境中表现更优，减少接管次数。

6. 硬件升级与算-力提升

理想汽车在L系列焕新版中全系标配激光雷达，并搭载英伟达Thor-U芯片，算力高达700TOPS，支持城市NOA功能覆盖30万公里道路。激光雷达的加入显著提升了系统的感知能力，尤其是在复杂城市环境中的障碍物识别和避障能力。此外，算力的提升也有助于系统处理更复杂的决策逻辑，从而减少接管次数。

7. 与华为等技术供应商的合作

理想汽车在技术上也积极与华为等领先企业合作，借鉴其在多传感器融合和算法优化方面的经验。例如，华为ADS 4.0系统通过“上帝视角”多传感器融合算法，将城区复杂路况接管率降至0.1次/千公里。理想汽车通过吸收这些技术优势，进一步优化自身的感知和决策系统，以提升城市NOA的可靠性。

总结

理想汽车未来计划通过基于大模型的全场景NOA、多传感器融合与感知优化、BEV大模型与神经网络技术、OTA持续升级与用户反馈-优化、场景化训练与用户需求驱动、硬件升级与算力提升以及与华为等技术供应商的合作等技术手段，进一步降低城市NOA的接管率。