全新一代极智AI系统上线 飞凡R7

本文目录导航：

• 全新一代极智AI系统上线 飞凡R7/F7舒适舱体验再升级
• 最新轨迹预测综述：从基础定义到各类方法、评测汇总
• 时间序列预测概述

全新一代极智AI系统上线 飞凡R7/F7舒适舱体验再升级

全新一代极智AI系统OTA上线 飞凡R7/F7舒适舱智驾体验再升级

近期，飞凡汽车开启向用户陆续推送全新一代飞凡极智AI系统，通过底层软件架构与AI模型的全新进化，持续打造行业内最舒适的智舱智驾体验。

新一代系统大幅提升了RISING PILOT智驾表现，全新引入“光维感知建模技术“，全面强化多维度场景重构能力，拥有更精准的行为预测与规控能力。

此外RISING OS交互体验全面优化， RISING MAX多线程音效系统架构提升，双DSP运算效果及Dirac算法优化，造就同级最领先多屏OS交互体验和行业最智能音频架构。

本次全新一代飞凡极智AI系统的推出，涵盖包括行泊一体遥控泊车、雷石KTV在内新增功能22项，功能体验优化43项，还将高速领航覆盖城市增至205个。

感知更精，重构更细，决策更灵，RISING PILOT智驾能力大幅升级

得益于Orin大算力异构芯片算法优化与World Model感知提升11%，全新一代飞凡极智AI系统让RISING PILOT在感知建模方面，实时性显著增强。

通过“光维感知建模技术”，RISING PILOT感知系统能够实时识别并重构相邻车辆的刹车灯与转向灯以及对向车道转向灯亮起，并且针对特殊位置的刹车灯与转向灯也能够进行识别和重构。

即便在大雨天气情况下，该识别依然准确稳定。

对于车辆灯光的实时识别重构，让RISING PILOT能够更好地预测前向车道以及汇入、汇出本车道车辆的意图，特别是面对加塞车辆缓慢汇入或汇出或少部分加塞车车体压线占道的场景识别增强，提早判别，使得加减速的决策更人性化，更舒适线性。

（“光维感知建模技术”精准识别并显示相邻车辆的转向灯与刹车灯）

（“光维感知建模技术”针对对向车道车辆转向灯也能精准识别）

全新一代飞凡极智AI系统也让Stream Traffic更智能。

车辆能够精准识别并跟随前方摩托车、电瓶车等小型机动车，从而应对复杂的信号灯路段与无标线路段场景。

全新一代飞凡极智AI系统还能让RISING PILOT重构显示更多场景细节，如轮档，锥桶，减速带，地锁，立柱以及两轮车、三轮车等交通参与者。

（精准识别并跟随前方摩托车、电瓶车等小型机动车）

除了感知与重构的精细提升，RISING PILOT也优化了AI模型，通过Transformer的深度应用，为整车提供更精准的行为预测与规控能力，数据量与场景泛化增强。

RISING PILOT在拥堵路段下跟车整体能力提升7%；变道舒适性进一步增加，横向加速曲线平滑度提升5%，方向盘摆角和X向加速度减小，车控更丝滑。

新增主动加速变道功能，临近变道参照物速差较小时，变道指令过程中智能进行线性速度补偿。

经过大车时，车辆会主动让出一定空间再变道，安全钻空能力优化，减少心理压迫，提升舒适。

在大曲率弯道下，车辆智驾居中能力也得以增强，支撑过弯速率至高提升15%。

（新增主动加速变道功能，智能进行线性速度补偿）

（面对大车，主动让出安全空间再变道，减缓心理压力）

（大曲率弯道支撑速率至高提升15%）

全新一代飞凡极智AI系统也为用户新增RPA遥控泊车功能，支持遥控泊入、遥控泊出、遥控移车，面对超窄车位泊车难题，一键轻松搞定。

行泊一体的泊车功能能够全时调用所有感知硬件，对异形车位与非标线车位能准确识别泊入，同时优化泊车轨迹，提高泊车效率。

（行泊一体遥控泊车功能，泊车变得一键舒适）

影音更流畅，语音指令更丰富，RISING OS交互体验全面优化

全新一代飞凡极智AI系统，还对智舱体验进行了升级，其中RISING MAX多线程音效系统架构提升9%，屏幕无缝流转速度提升10%，主副驾独立观影画面更流畅。

飞凡用户在本次系统升级后，还能够体验新增的4000条语音泛化指令控制，如用语音调节座椅位置，控制驾驶模式，进入自动泊车以及打开和关闭后排爱奇艺APP等。

此外面对不同用户的个性化需求，飞凡F7巴赫座舱将同步搭载数字商城，丰富用户的壁纸与主题选择，并新增4D智能场景互动体验“飞跃阿尔卑斯”，带来多感官的极智舒适体验。

（飞凡F7新增4D智能场景互动体验）

在行业最智能音频架构的加持下，本次升级飞凡F7双DSP运算效果提升以及Dirac算法进一步优化，音乐中高音音质清晰度增加，人声分离度增强，3D矢量音效的三维音场深度进一步加强，方向感进一步提升。

飞凡R7与F7同步新增了雷石KTV为音乐之旅再添舒适感受。

（新增雷石KTV功能）

全新一代飞凡极智AI系统的到来，是飞凡汽车对智舱智驾的多方位革新，同时也为用户不断刷新极智舒适的驾乘体验。

后续飞凡极智AI系统还将持续进阶，值得期待。

最新轨迹预测综述：从基础定义到各类方法、评测汇总

深入理解轨迹预测：从基础概念出发，我们探讨定义、输入与输出的关键要素。

定义上，轨迹预测是通过车辆信息（地图、类型与机动性）生成预测轨迹的科学。

输出则包括预测轨迹的分布，以及用于理解移动行为的术语，如动力学模型、滤波与粒子模拟等。

评估标准：MAE、RMSE、ADE、FDE等衡量预测准确度。

时间序列预测概述

时间序列预测是指通过将数据按照时间顺序排列，分析其变动趋势，进而预测未来的数据值。

这类预测广泛应用于经济、天气、销售、库存管理、疾病传播、网站流量、电力负荷等多个领域。

时间序列预测主要分为以下几种类型：AR（自回归）、ARIMA（自回归整合移动平均）、Prophet、LSTM（长短期记忆神经网络）、Transformer模型等。

这些模型在处理周期性、季节性以及长期依赖关系时表现出各自的独特优势。

在时间序列预测中，需要关注序列的平稳性。

序列的稳定性直接影响预测效果，非平稳序列可能需要经过差分、季节调整、趋势移除等预处理步骤，以达到平稳。

常用的平稳性检测方法包括ADF平稳性检验、自相关检验（ACF）和滞后图。

时间序列预测策略分为单步预测与多步预测，其中多步预测又包括直接多步预测、递归多步预测、直接+递归的混合预测以及多输入多输出预测等方法。

常用的时间序列预测模型有AR、ARIMA、Prophet、LSTM和Transformer等。

AR模型用于线性自回归预测，ARIMA模型结合了自回归、差分和滑动平均，适用于具有平稳性和季节性特征的数据。

Prophet模型特别适用于具有周期性变化的数据，LSTM模型在处理长序列依赖关系方面表现出色，Transformer模型则以其强大的序列建模能力在各种NLP任务中得到广泛应用。

模型评估常用指标包括平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）。

针对实际数据，使用不同的模型进行预测。

例如，对于模拟信号，分别尝试了AR模型、ARIMA模型、LSTM模型和Transformer模型，通过比较MAE和RMSE评估模型性能。

在另一个实例中，针对振动传感器采集的滚动轴承数据，同样应用了AR模型、ARIMA模型、LSTM模型和Transformer模型，分析了各种模型在预测时序数据趋势时的表现。

总结，时间序列预测是一个复杂且多维度的领域，需要根据具体的数据特性选择合适的模型和策略。

模型的评估和选择应基于预测准确性、模型复杂度以及实际应用的需求。

未来的研究将继续探索和优化时间序列预测技术，以解决更复杂和多样化的问题。