理想汽车最新的无图NOA，不管是在城市、城镇，还是二级道路，都能够行驶。 最新的无图NOA相比过去的版本，BEV、感知能力、规控能力，还有整体系统能力都得到全面的提升，可以应对更多的条件和环境。
哪里都能开，不再依赖过多“先验信息”。理想汽车的智能驾驶系统背后很多“小机器人”在运行，可能有一些“小机器人”需要一些先验信息。但是我们整体能力的提升，就不再需要先验证，能更自如地解决在路面上行驶中遇到的各种各样的情况。
绕行丝滑，时空联合。在实际道路上驾驶，会经常遇到一些车辆、行人等对象，阻碍我们通行。这种情况下，我们引出了“绕行丝滑”能力，它背后是时空联合能力，就是具备时间和空间的能力。空间概念是横纵（前后左右）同步规划；时间概念是能够持续预测自车与他车的空间交互关系，并规划出“未来一段时间窗口内”的所有可行驶的轨迹，筛选出最优最高效的轨迹。
路口轻松，上帝视角。路口轻松过背后是我们具备“上帝视角”的能力。将摄像头拼接的周边环境、道路信息、导航提供的轨迹和数据信息全部合并在一起，形成超视距能力，在通过路口的时候找到最优路线。
默契安心，分米级微操。无图NOA重点考虑了用户心理安全边界的设计，将纯视觉的Occ占用网络升级为Lidar与视觉前融合的占用网络，从而识别更大范围内的不规则障碍物，感知精度也会更高。提升可行驶区域内的安全性和连续性，可以做到分米级别的微操。让用户和车之间产生了一种默契和安心的感觉。
理想汽车还有一件非常重要的事情是在持续做，那就是安全。这对于家庭用户来说不可或缺。
2024年上半年里，理想汽车人类驾驶里程安全事故率降低30%，帮助用户规避了36万起潜在事故，误触发率小于1次每30万公里*。我们为用户打造了全场景的主动安全，全方面保护用户出行。
复杂路口 AEB（自动紧急制动）：行人、两轮车、三轮车典型的三种类型，从左、右、前靠近，我们做到了全覆盖。这三种对象从任何一个方向靠近，如果它侵占了理想汽车的安全系统区间，理想汽车都会启动AEB帮助用户主动刹停。如果出现了在盲区的车辆，我们侵占了对方的安全性空间，我们也会主动刹停。
夜间AEB（自动紧急制动）：在高速上夜间行驶，周围基本上没有光照，前方不远处有一辆货柜车停着静止不动，没有开灯、没有反光条。在这种极限场景下，理想AD Max的AEB能做到120公里时速完全刹停。
全自动AES（自动紧急转向）：场景为“消失的前车”，行驶过程中的我车和前车，都以非常快的速度在高速上行驶，突然前前车急刹停，前车避让而我车距离很近不可能刹停。这种情况下理想汽车提供了避让的功能——AES（自动紧急转向），车辆会减速并避让过去，进一步提升了安全的上限。 全方位低速AEB（自动紧急制动）：用户在日常生活的低速场景中，特别在地库停车环境复杂的情况下，可能会出现比如柱子、墩子，理想汽车的低速AEB，以上情况都可以刹停，避免剐蹭，减少用户的烦恼。
理想自动驾驶理论来源是《思考，快与慢》理论。诺贝尔经济学奖得主丹尼尔·卡尼曼在《思考，快与慢》中阐述了认知心理学中系统1与系统2的概念，为理解人类的认知模式提供了一个重要框架。
系统1其实是人根据自己过去的经验和习惯形成的直觉，可以做出快速的决策。系统2其实是一个思维推理能力，人需要经过思考或推理才能解决这种复杂的问题和应对未知的场景。简言之，系统1和系统2相互配合，成为了人类认知和理解世界、做出决策的基础。
系统1和系统2是如何应用到自动驾驶中的?
系统1由一个端到端模型（E2E）实现，直接用来快速响应常规驾驶问题。系统2由一个视觉语言模型（VLM）实现，里面包含了思考的能力。我们利用世界模型在云端来验证系统1和系统2的能力。以上三个系统组成了理想汽车下一代自动驾驶技术架构。 什么是端到端，到底是哪个端到哪个端？它和以往的智能驾驶系统有什么区别?
理想汽车系统1的进化过程：
第一代：NPN。采用模块化的设计，包含感知、定位、规划、导航、NPN等，这一代架构支撑我们在全国100个城市推送了城市NOA功能。第二代：无图，分段式端到端。只有两个模型组成，分别是感知和规划。最大的变化是去掉了NPN，不依赖于先验信息，让我们真正做到了全国都能开，有导航就能开。第三代：端到端模型，它是一个One Model的结构，只有一个模型，输入的是传感器，输出的是行驶轨迹。
端到端模型的优势在于:高效传递，驾驶体验更聪明和更拟人。
在无图中有两个模型，模型之间的信息传递我们运用了大量的规则；而到了端到端模型，它是一体化的模型，信息都在模型内部传递，具有更高上限。用户所能感受到整套系统的动作、决策更加拟人。高效计算，驾驶时车辆会反应更及时和更迅速。因为是一体化模型，可以在GPU里一次完成推理，端到端的延迟会更低。用户感知到的是，「眼」和「手」协调一致，反应迅速，车辆动作响应及时。高效迭代 ，更高频率的OTA。一体化模型可以实现端到端的可训，完全的数据驱动。对于用户来说最大感受就是OTA的速度越来越快。
理想汽车的自动驾驶系统考试方案：重建+生成的世界模型。
把真实数据通过3DGS（3D高斯溅射）进行重建，并使用生成模型补充新视角，两者结合所生成的场景既可以保证场景是符合真实世界的，也同时解决了新视角模糊的问题。同时我们这套系统的生成部分可以独立工作，通过Layout（布局）先验、再Reference（参考帧）的图片，再加上Prompt（提示词），生成符合真实规律但没有见过的新场景。
在场景重建时，我们需要将场景中的动静态分离，核心思想是静态环境进行重建，动态物体进行重建和新视角生成，变成360°的新资产，将两者结合生成一个3D的物理世界，同时里面的动态资产可以被随意编辑和调整，实现场景的部分泛化。
生成相对于重建具备更好的泛化性，我们可以自定义地改变天气、时间、车流等条件，生成不同的场景来考验我们模型的泛化能力，评价自动驾驶系统在各种条件下的适应能力。
在这样的无限环境里，我们可以进行自动驾驶系统的充分学习和考试，让用户获得一个高效、安全和舒适的自动驾驶系统。