目前算法核心已冻结，正在结合实车标定数据进行大规模仿真和封闭场地测试。
关键指标——跟车时距稳定性、加减速平顺性、对切入切出车辆的识别响应速度，这些指标的仿真数据达标率超过95%。
实车测试达标率约85%，剩余难点在大雨、浓雾等极端天气下的传感器衰减补偿策略优化。”
“横向控制优化：车道居中巡航（LCC）与智能限速。
LCC核心是车道线识别与保持的鲁棒性，尤其是在车道线模糊、缺失或临时施工路段。
我们采用了多源融合（摄像头+毫米波雷达）定位结合高精度地图（HDMap）辅助的方案，预计在鹏城复杂高架道路的实车测试中，百公里人工接管次数能降至3次以下，接近行业标杆水平。
智能限速功能已打通导航地图数据与交通标识识别（TSR），能自动根据路牌或电子眼信息调整巡航车速。”
“场景化高阶功能尝试：打灯自动变道（ALC）。
这是高速NOA的核心体验点之一，也是用户感知最强的功能。
核心挑战在于变道决策的时机判断比如安全间隙、邻车道车速预测和执行平顺性。
我们基于强化学习框架构建了决策模型，结合多目标雷达的精准测速测距，目前在高精度地图覆盖的高速路段，变道成功率达到92%。
内容未完，下一页继续阅读