理想城市NOA（Navigate on Autopilot）作为智能驾驶技术的重要组成部分，正在逐步改变城市通勤的驾驶方式。理想汽车在NOA技术上的持续进步，使其在事故率方面展现出显著优势。根据多份报告和统计数据，理想城市NOA的事故率明显低于人类驾驶的平均水平，甚至在某些情况下，其表现优于特斯拉等其他自动驾驶技术。本文将从多个角度分析理想城市NOA的事故率表现，并结合具体数据和案例进行深入探讨。

一、理想城市NOA的事故率表现

理想汽车在2024年上半年实现了人类驾驶事故率降低30%的显著成果，成功帮助用户规避了36万起潜在事故。这一数据来源于理想汽车内部统计，统计口径为理想AD Max车型。理想汽车表示，其误触发率小于1次每30万公里，展现了其在安全性能上的卓越表现。此外，理想汽车在城市复杂路口的风险覆盖能力更全面，AEB夜间能力更强，能够在120公里时速下对无灯货车进行急停。这些改进极大程度地避免了碰撞和误操作，从而提升了整体安全性，并提供更加顺畅的NOA体验。

二、理想城市NOA与人类驾驶的对比

理想汽车的NOA系统在事故率方面明显优于人类驾驶。根据理想汽车的宣传，其在城市NOA上的表现已经接近甚至超越了人类司机的驾驶水平。例如，理想汽车在城市NOA上的使用里程已经突破2亿公里，并且在无图NOA方面实现了全国适用，端到端+VLM决策提升了自动驾驶能力。这些技术进步使得理想NOA在多数场景下都更加“拟人化”，甚至会展现“违规却必须为之”或超越人类“感知极限”的操作。然而，尽管理想NOA在多数场景下表现良好，但在某些极端场景下，如公交车道行驶时，城市NOA仍需要人类驾驶员接管。

三、理想城市NOA的安全性优势

理想汽车在NOA技术上的安全性优势主要体现在以下几个方面：

AEB（自动紧急制动）系统的优化：理想汽车对AEB系统的持续优化，成功将其误触发率压缩至低于每30万公里一次。这表明理想NOA在主动安全能力方面表现出色，能够有效避免碰撞和误操作。

安全风险场景库的建立：理想汽车按照从低危到高危、从低频到高频的顺序排开，把风险场景分成了9种类型。这种分类方法有助于系统在面对不同风险时做出更合理的决策，从而提高整体安全性。

模仿学习技术的应用：理想汽车在规控算法上应用了模仿学习的方法，通过大量驾驶员的驾驶行为进行训练，让城市NOA的决策和规划在保证安全符合交规的前提下，做出更像人类驾驶员的判断。这种技术的应用使得理想NOA在多数场景下都更加“拟人化”，从而提升了驾驶的安心度。

四、理想城市NOA的挑战与局限

尽管理想城市NOA在事故率方面表现出色，但仍然面临一些挑战和局限：

极端场景的处理能力：理想NOA在某些极端场景下，如公交车道行驶时，仍需要人类驾驶员接管。这表明理想NOA在处理复杂路况时仍存在一定的局限性。

技术可靠性：理想NOA在100公里以上时，如果出现误启动，如一只鸟飞过、路旁的灯光干扰、树枝或零件故障，可能会导致车辆直接刹停，这在没有安全带的情况下可能会造成危险。这表明理想NOA在技术可靠性方面仍需进一步提升。

用户接受度：尽管理想NOA在事故率方面表现出色，但消费者对城市NOA技术的安全性和准确性仍存在一定的担忧。根据亿欧智库调研数据，仅有6.3%的用户在体验后不将城区NOA作为购车的参考因素，低于高速NOA的7.1%，但将城市NOA功能作为首要考虑因素的比例仅为28.1%，较高速NOA较低。这表明理想NOA在用户接受度方面仍需进一步提升。

五、理想城市NOA的未来展望

理想汽车在NOA技术上的持续进步，使其在事故率方面展现出显著优势。未来，理想汽车将继续优化NOA系统，提升其在复杂路况下的处理能力，并进一步提高用户接受度。理想汽车计划通过通勤NOA功能，让用户在日常通勤时的自动化训练来激活通勤路段的NOA功能，预计训练时间仅需2-3周。此外，理想汽车还将通过OTA升级，不断优化NOA系统，提升其在城市NOA上的表现。未来，理想NOA有望在更多城市场景中实现广泛应用，为用户带来更加安全、便捷的驾驶体验。

六、结论

理想城市NOA在事故率方面明显优于人类驾驶，其在AEB系统的优化、安全风险场景库的建立以及模仿学习技术的应用等方面表现出色。然而，理想NOA在极端场景的处理能力、技术可靠性以及用户接受度方面仍需进一步提升。未来，理想汽车将继续优化NOA系统，提升其在复杂路况下的处理能力，并进一步提高用户接受度，为用户带来更加安全、便捷的驾驶体验。

理想城市NOA在哪些具体场景下表现最出色

理想城市NOA在多个具体场景下表现尤为出色，主要体现在以下几个方面：

复杂路口的处理能力

理想城市NOA在复杂路口的处理上表现出色，尤其是在无保护左转和右转场景中，系统能够通过BEV鸟瞰感知和NPN神经先验网络提取复杂路口特征，形成感知模型，从而准确识别并处理交通状况。例如，在望京地区，理想城市NOA在面对频繁的左转、右转路口以及车道线重画、交通岛频繁变动等复杂路况时，展现了极强的适应能力。

障碍物识别与绕行能力

在遇到骑行者、障碍物等复杂情况时，理想城市NOA能够准确识别并做出反应，保证行车安全。此外，系统在遇到施工围栏、侵入车道的车辆时，能够灵活变道绕行，展现出良好的避障能力。在某些情况下，理想城市NOA甚至会“违规”地借道再右转，以确保通行效率，这种“人机协同”的能力令人印象深刻。

拟人化驾驶行为

理想城市NOA通过模仿学习和闭环训练平台不断进化，实现了驾驶行为的拟人化。例如，在右转时，系统会根据90%的驾驶员习惯选择第二右车道，以确保更安全、更高效的通行。在实际体验中，理想城市NOA在简单路况下表现得游刃有余，甚至在某些情况下会略微压过道路中线避让右侧车辆，表现出类似人类驾驶员的判断力。

无图模式下的泛用性

理想城市NOA不依赖高精地图，而是基于AI大模型和NPN算法，能够识别复杂路口、红绿灯意图和异形障碍物等。这种无图模式使其在不同城市和不同路况下具有较高的泛用性，尤其在城市NOA的推广中，理想计划年内在100座城市落地推送。在无高精地图覆盖的区域，如理想厂区的停车场，系统也能识别并导航，显示出其强大的感知能力。

云端算力与数据驱动的持续进化

理想城市NOA依托强大的云端算力（1200PFLOPS）和数据驱动的闭环架构，能够持续迭代和进化。通过6亿公里的自动驾驶训练里程和250,000名用户的使用数据，系统不断优化驾驶策略，提升驾驶体验。这种数据驱动的进化机制，使得理想城市NOA在复杂路况下的表现更加稳定和可靠。

高速与城市NOA的协同

理想城市NOA不仅在城市场景中表现优异，还在高速NOA方面展现出强大的能力。通过模仿学习算法，系统能够根据图像信息和海量驾驶员轨迹选择更畅通的路段，从而实现高速与城市NOA的无缝衔接。此外，理想计划在2024年推出搭载双Orin-X芯片和128线LiDAR的MEGA车型，进一步拓展NOA功能至全场景。

理想城市NOA在复杂路口处理、障碍物识别、拟人化驾驶、无图模式下的泛用性、云端算力与数据驱动的持续进化以及高速与城市NOA的协同等方面表现尤为出色。

理想NOA在处理极端场景时有哪些具体的技术限制

理想NOA（导航辅助驾驶）在处理极端场景时存在一定的技术限制，主要体现在以下几个方面：

车速限制：在车速过快的情况下，系统可能无法对静止的目标做出及时的制动和减速。例如，当车速超过一定范围时，系统可能无法识别施工障碍物或倒流牌等，导致车辆发生碰撞。此外，NOA在高速行驶时的响应速度和准确性可能不如低速场景。

障碍物识别能力有限：理想NOA在识别特定障碍物方面存在局限性，例如装桶护栏、倒流牌、水马等，这些障碍物在训练数据中可能未被充分覆盖，导致系统无法准确识别。此外，系统在面对非典型道路障碍（如侧翻的货车）时，也未能及时做出预警和制动。

摄像头和雷达性能受限：在恶劣天气条件下（如大雨、大雪、大雾、沙尘等），能见度下降会影响摄像头的成像能力，导致系统无法正常工作。同时，毫米波雷达的探测能力也可能受到极端天气或极端光线条件的影响。此外，摄像头被遮挡（如泥土、冰、雪等）也会导致系统性能下降。

复杂路况下的应对能力不足：理想NOA在面对复杂路况时，如急转弯、陡坡、施工路段等，可能无法做出有效的应对。例如，有车主反映在高速公路上遇到弯道施工时，NOA未能识别施工区域内的直接障碍物，导致车辆发生碰撞。此外，系统在面对突然变道的车辆、行人横穿马路或宠物进入道路等突发事件时，也可能存在反应延迟或误判的问题。

数据训练和算法局限性：理想NOA基于深度学习和机器学习算法，依赖于训练数据集来识别和应对各种道路场景。然而，训练数据集的覆盖范围和多样性可能不足以涵盖所有极端场景，导致系统在面对新出现的障碍物或复杂路况时表现不佳。此外，算法的泛化能力也可能受到限制，无法在不同地区和不同道路条件下保持一致的性能。

系统可靠性与安全性问题：理想NOA在极端场景下的可靠性仍需进一步验证。例如，有报道指出，理想NOA在高速行驶时可能因误启动而突然刹车，导致乘客受伤。此外，系统在面对极端光线条件（如强光、逆光、积水反光等）时，也可能出现误判或失效。

理想NOA在处理极端场景时存在多方面的技术限制，包括车速限制、障碍物识别能力不足、摄像头和雷达性能受限、复杂路况下的应对能力不足、数据训练和算法局限性以及系统可靠性与安全性问题。

理想汽车未来计划如何进一步提升用户对城市NOA的接受度

理想汽车未来计划通过多种方式进一步提升用户对城市NOA（导航辅助驾驶）的接受度，主要体现在以下几个方面：

持续优化城市NOA功能：理想汽车计划在2024年第二季度实现无图版城市NOA在全国所有城市开放，这意味着用户无需依赖高精地图即可享受城市NOA服务。这一举措将极大提升NOA的普及性和便捷性，使更多用户能够体验到城市NOA带来的便利。

基于BEV大模型的智能驾驶技术：理想汽车正在推进基于BEV（Bird's Eye View）大模型的智能驾驶系统，该模型能够实现高速与城市NOA的无缝切换，提升用户在不同道路条件下的自动驾驶水平。通过大模型算法，理想汽车能够更精准地感知和预测交通环境，从而提升驾驶的安全性和智能化水平。

扩大城市NOA覆盖范围：理想汽车计划在2024年第二季度将城市NOA功能覆盖全国所有城市，同时在2023年9月开始推送首批10座城市的通勤NOA功能，年内逐步扩展至全国100座城市。这一计划将使城市NOA功能更加广泛地覆盖用户日常通勤路线，提升用户对NOA功能的依赖度和满意度。

加强用户参与与反馈：理想汽车通过OTA（Over-The-Air）更新不断优化NOA功能，例如在2024年第二季度，城市NOA的日活跃用户率几乎增长了近八倍，用户的平均NOA行驶里程也几乎增加了三倍。这表明用户对NOA功能的接受度正在不断提升，而理想汽车通过持续的OTA迭代和用户反馈，能够不断优化用户体验。

推动AD Max 3.0的全面落地：理想汽车计划在2024年推出AD Max 3.0的进阶版，并在4月26日开启首批体验用户招募，接受更多用户的评测与检验，加速迭代。AD Max 3.0在技术上实现了对物理世界的精准还原，包括静态BEV道路结构、动态交通参与者还原、Occupancy道路占用等，使NOA功能更加智能和可靠。

提升用户满意度与使用率：理想汽车的NOA功能在2024年第二季度的用户满意度和AD Max的使用率也在稳步上升，累积的NOA行驶里程超过11.1亿公里。这表明用户对NOA功能的接受度和使用频率正在不断提升，而理想汽车将继续通过技术进步和用户体验优化，进一步巩固其市场地位。

理想城市NOA的误触发率和误启动事件在实际测试中是如何统计和验证的

理想城市NOA（导航辅助驾驶）的误触发率和误启动事件在实际测试中是通过多种方式统计和验证的，主要依赖于理想汽车的训练平台、车主实际驾驶数据以及媒体试驾和用户内测等手段。以下是具体分析：

训练平台与数据积累

理想汽车在部署城市NOA之前，会通过其五年积累的训练平台能力和车主的实际驾驶过程进行协同验证。测试的数据量和训练里程数是根据对应城市的保有量、车主数量、在城市中行驶的频率和覆盖率来决定的。理想汽车会根据这些因素逐步推进100个城市的NOA功能覆盖。这种数据驱动的方式有助于系统在不同城市和路况下不断优化，从而降低误触发和误启动的可能性。

媒体试驾与用户内测

理想汽车在北京望京地区进行了城市NOA的媒体试驾，展示了其在复杂路况下的表现。在试驾过程中，车辆在直线道路上能够居中行驶、自动变道、避让障碍物，并在红绿灯路口自主起步和通过。然而，在复杂路段如有施工车辆时，系统需要人工接管。这表明在某些场景下，系统仍存在误判或误触发的风险。此外，理想汽车还开启了早鸟用户内测，通过用户的实际使用反馈进一步优化系统表现。

误触发与误启动的识别与处理

在试驾和内测过程中，系统在某些场景下存在误判断，例如对向车辆远距离时的猛烈制动，以及面对洒水车等突发状况时的不知所措，这些都可能引发误触发或误启动。同时，理想汽车的系统在预测模型准确时体验丝滑，但预测错误时会影响效率和乘坐体验，整体预测准确率达到了三分之二。这说明系统在处理复杂场景时仍存在一定的误判率，但通过不断学习和优化，误触发率会逐步降低。

OTA升级与功能迭代

理想汽车通过OTA（空中下载更新）不断升级其自动驾驶功能，以提升系统的稳定性和安全性。例如，理想L7 Pro的NOA模式在媒体km2.kmptd.com328林|km3.kamcq.com419峰|km4.kmptd.com728试驾中表现出良好的安全边界感，但仍有需要人工接管的场景。此外，理想汽车的全新版自动驾驶在城区无图NOA功能上也存在一些问题，如连续转弯工况容错率低、测距不精准等，但整体功能完成度较高，达到80%城市道路无需接管。这些OTA升级和功能迭代有助于逐步减少误触发和误启动事件的发生。

技术策略与安全优先

理想汽车采用了一种不依赖高精地图的城市NOA策略，而是基于AI大模型和高清摄像头、激光雷达等传感器技术，通过模仿学习人类驾驶员的行为决策，实现更接近人类驾驶的决策和规划。这种策略虽然在某些复杂场景下仍需人工接管，但其安全性和合规性得到了保障。此外，理想汽车在测试中强调“安全为先”，确保在复杂路况下系统能够做出合理判断，避免误触发或误启动。

理想城市NOA的误触发率和误启动事件在实际测试中是通过训练平台数据积累、媒体试驾、用户内测、OTA升级和安全优先策略等多方面进行统计和验证的。

理想NOA在城市复杂路口和夜间驾驶中的具体安全性能数据有哪些

理想NOA（导航辅助驾驶）在城市复杂路口和夜间驾驶中的具体安全性能数据如下：

一、城市复杂路口的安全性能

风险覆盖能力增强

理想NOA在城市复杂路口中具备更强的风险覆盖能力。针对多目标、多轨迹场景，系统通过专属AEB（自动紧急制动）能力解决问题，能够有效识别并应对复杂路口中的各种潜在危险。

超远视距导航选路能力

无图NOA采用BEV视觉模型融合导航匹配算法，实时感知变化的路沿、路面箭头标识和路口特征，并将车道结构和导航特征充分融合，有效解决了溪复杂路口难以结构化的问题，具备超远视距导航选路能力，路口通行更稳定。

绕行与避让能力

在复杂路况中，理想NOA能够自动绕行障碍物、避让行人，并提供三种绕行模式（车道内绕行、街道绕行变道、街道模式会考虑更多安全因素）。系统能够预测行人是否穿越马路，并在必要时进行减速。

NPN特征网络提升识别能力

通过NPN（Neural Perception Network）特征网络，系统将来自多车的NPN特征汇集在云端，并用于提升对复杂路口的识别能力。这种机制类似于手机指纹识别“Touch ID”，不断更新和完善云端的NPN特征集。

主动安全能力进阶

理想NOA在复杂路口中具备全自动AES（自动紧急转向）和全方位低速AEB（自动紧急制动）功能，进一步提升行车安全性。AES能在极端场景下自主执行紧急转向动作，而全方位低速AEB则提供了360度主动安全防护。

二、夜间驾驶的安全性能

夜间AEB性能突出

理想NOA在夜间驾驶中表现出色，尤其是在无灯静止场景下。经第三方实测，系统能够在完全无灯的夜间环境中，将横穿的行人从时速60公里制动到完全刹停。此外，系统还实现了120公里/小时对无灯静止卡车的刹停。

激光雷达与视觉融合提升感知精度

无图NOA采用激光雷达与视觉前融合的占用网络，识别不规则障碍物，感知精度更高，从而对其他交通参与者的行为实现更早、更准确的预判。这种融合方式提升了系统在夜间复杂环境中的感知能力。

误触发率低

2024年上半年，理想汽车人类驾驶事故率降低了30%，避免了36万起人类驾驶事故，行驶30万公里AEB误触发小于1次，理想汽车安全性较高。这表明系统在夜间驾驶中的误触发率非常低，具备较高的可靠性。

用户心理安全边界考虑

理想NOA在设计上充分考虑了用户心理安全边界，通过分米级的微操能力带来更加默契、安心的行车体验。这种设计在夜间驾驶中尤为重要，有助于提升用户的信任感和安全感。

三、总结

理想NOA在城市复杂路口和夜间驾驶中的安全性能表现如下：

城市复杂路口：具备超远视距导航选路能力、绕行与避让能力、NPN特征网络提升识别能力、全自动AES和全方位低速AEB功能，显著提升了复杂路况下的安全性和稳定性。

夜间驾驶：在无灯静止场景下，系统能够实现120公里/小时对卡车的刹停，且误触发率极低，感知精度高，用户心理安全感强。