标签: 汽车

在自动驾驶快速从L2向L3、L4级别发展， 微秒级 甚至 纳秒级精度 的时间同步已成为系统性能的核心指标之一。 多传感器融合场景 下，激光雷达、摄像头、毫米波雷达等设备的时空对齐依赖 统一的时间基准 ；而在复杂工业环境中， 电磁干扰 、 时钟源故障 等风险对时间同步的可靠性提出了更高要求。 本文分享 PSB （Platform Sync Board）与 QX550 组合方案，基于 硬件级时间同步架构 与 冗余设计 ，为上述挑战提供了系统性解决方案。本文将具体介绍方案架构和应用实例。 一、PSB+QX550方案架构 PSB+QX550 方案中， QX550 作为 PCIe 3.0 x8 网络卡，搭载 双 Intel X550-AT2 控制器，提供 4 个 10Gbase-T 接口，支持 IEEE 1588v2（PTP）和 802.1AS-2020（gPTP）协议。配套的 PSB 模块 则通过 Intel i210IT 芯片、u-blox GPS 模块及PPS（脉冲每秒）接口，实现 硬件级时间戳同步 与 多源时间校准 。 两者通过 OCuLink 线缆实现数据与时钟信号的低延迟传输，结合 XTSS （eXtended Time Synchronization Service）软件套件，构建了 “ 高精度同步 + 多源冗余 + 失效容错 ” 的完整技术链路。 图1：PSB+QX550 二、核心技术特性 1、多传感器融合时间对齐：硬同步与全域协同 PSB+QX550 方案通过XTSS 服务实现 跨设备的亚微秒级时间同步 ，其核心由 CTSS（Cluster Time Synchronization Service）和 PTSS（Platform Time Synchronization Service）组成： （1）PTSS 平台同步： 利用硬件时间戳技术，同步同一设备内的多个以太网接口（如 QX550 的 4 个 10G 接口），确保多传感器数据采集时戳与系统时钟的一致性。例如，在自动驾驶测试中，可实现激光雷达点云数据与摄像头视频流的时间对齐，消除传感器间的时序偏差。 图2：PTSS平台同步 （2）CTSS 集群同步： 通过 (g)PTP 协议实现跨设备集群同步，支持主从模式下的时间分发。QX550 Master 通过 PPS 同步线缆连接最多 3 个 Slave 设备（如其他 QX550 或第三方 XTSS 兼容设备），形成 星型同步网络 ，满足分布式传感器阵列的全局时间统一需求。 图3：CTSS集群同步 2、复杂环境下时间源可靠性：多源冗余抗干扰 PSB 模块 通过 多元化时间源配置 ，提升复杂环境下的同步可靠性： （1）GPS 与外部时钟冗余： 内置 u-blox GPS 模块支持 NMEA 协议，通过 GPS antenna (端口4) 接口接收卫星信号，提供 UTC 时间基准；同时SER/PPS（端口2）支持外部 PPS 信号输入（如惯导或其他 grandmaster 时钟），通过 隔离设计 ，抵抗工业环境中的电磁干扰。 图4：PSB多源时间同步配置 （2）时钟源无中断切换机制： 当 GPS 信号失效时，系统作为从时钟仍同步至网络主时钟；若设备因此成为主时钟，则自动切换至内部振荡器（基于 QX550 硬件计数器），并通过‘ Local Oscillator Hot Standby ’维持最后已知的有效时间基准，避免主从切换导致的同步中断。 3、时间同步的失效容错：静态配置与动态监测 方案通过 多重容错机制 保障系统鲁棒性： （1）静态端口状态配置： 通过 XTSS Configurator 设置接口的固定端口状态（Master/Slave/Disabled）， 强制指定主时钟节点 ，避免因 BMCA（最佳主时钟算法）协商失败导致的同步失效。例如，在关键工业场景（如自动驾驶数据采集）中，可锁定某一 QX550 为永久 Master，防止因网络波动导致的主从切换。 （2）时间偏差阈值监测（偏差矫正）： XTSS 实时监测本地时钟与主时钟的偏差，当超过预设阈值（如 1000ns）时， 标记状态并自动重新同步 。结合 “Force AS capable” 功能，即使路径延迟测量失效，仍强制发送同步消息，确保紧急情况下的最小同步精度。 图5：GPS时间源下偏差矫正示意图 （3）多域隔离机制： 支持最多 10 个 PTP 域并行运行，不同域的时间同步 相互独立 。例如，可将安全关键型传感器与非关键设备划分至不同域，避免单一域的故障影响全局系统。 三、应用案例 在自动驾驶数据采集过程中，常采用 惯导（RTK） 作为授时源并输出自车姿态数据。此外，惯导数据应与各传感器（相机、激光雷达等）数据时间戳对齐。这时就需要在数据采集平台上有这么一个模块，完成 各个传感器时域统一 。 以 华测惯导CGI430 为例，它支持 PPS+GPRMC 方式完成授时，与PSB+QX550模块链接，进而完成整个系统的时间同步。 图6：惯导授时 四、总结 随着大家普遍认同硬件时间戳的不可替代性以及多源冗余架构的必要性，目前自动驾驶时间同步技术发展趋势已经从“ 是否需要同步 ” 转向 “ 如何在复杂场景下实现稳定同步 ”，更聚焦于时间同步是否满足“ 高精度、高可靠、易集成 ”。 对于工程师而言，方案的可实施性和故障容错能力是关键。比如PSB+QX550采用 即插即用 的设计，可以有效的应用到不同测试方案中实现系统时间同步。基于偏差矫正的能力，可以 避免时钟源偏差 。 未来，随着 5G-A 和车路协同的普及，时间同步将从 “ 车载刚需 ” 延伸至 “ 全域协同 ”，推动行业向纳秒级精度迈进。

随着自动驾驶技术走向 高阶智能化 以及法律法规的逐渐完善， 仿真测试 将会成为ADAS/AD 研发流程的必不可少的环节。 标准化接口 与 数据格式 不仅提升了测试效率，更成为推动产业协同的关键基石。 康谋 aiSim 深度集成 ASAM OpenX 系列标准 ，构建了高度兼容、高度还原的自动驾驶仿真平台。本文将从 五大核心标准 切入，系统解读 aiSim 如何通过标准化接口，全面支持自动驾驶仿真各环节。 一、OpenDRIVE：兼容多版本地图标准 ASAM OpenDRIVE 是自动驾驶仿真中最常用的 道路拓扑标准， 用于描述路网结构、几何形态及拓扑关系，采用 XML 格式，扩展名为 .xodr。 aiSim 支持 OpenDRIVE 1.4 至 1.7 版本 ，并提供 双工作流 以满足不同使用场景： （1）Atlas 工作流 基于 自研 Atlas 工具链 ，适用于快速搭建交通场景及行为测试流程，道路信息以 逻辑形式 加载，不参与实时渲染，能够实现高效构建、快速测试。 （2）UE Plugin 工作流 面向UE开发的aiSim插件，适用于 数字孪生仿真 与 可视化场景搭建 ，地图导入时完成高保真渲染，便于添加静态资产与视觉验证，真实感强、适合 高精还原 。 aiSim的灵活地图导入能力，不仅提升仿真效率，更帮助用户在开发早期快速实现从测试到交付的闭环。 二、OpenSCENARIO：标准化动态行为建模 ASAM OpenSCENARIO（.xosc） 定义了交通参与者的行为、事件与触发机制，是仿真场景动态建模的核心标准。 aiSim 支持 OpenSCENARIO 1.2 ，具备以下优势： a. 桌面版与云端 GUI 场景编辑器支持交互式构建，所见即所得； b. 可描述复杂的车、人、交通灯、静态物体之间的行为交互； c. 支持导出每次仿真过程的 EvaluationResult，便于结果记录与对比。 如构建一个典型的 cut-in 场景，用户只需在编辑器中完成参数配置，即可 自动生成 可复现场景文件，大幅简化开发流程。 aiSim用标准构建动态场景、用结果衡量系统能力，助力自动驾驶功能闭环验证 三、OpenCRG：还原毫米级路面细节 OpenCRG 提供标准化方式描述道路表面细节，支持毫米级不规则地形建模，用于动力学仿真与轮胎接触等精细化测试。CRG 文件使用二维 UV 网格系统，描述每个点的精确高程信息。 aiSim 在导入OpenDRIVE 地图时 自动解析 符合条件（purpose = elevation，mode = global）的 CRG 元素，提升仿真中的 道路表面真实度 。 a. 用户导入地图时可启用“ 应用 CRG 元素 ”选项，自动映射高程信息。 b. 支持设置横纵向 最小增量值 ，控制网格精度，最小支持毫米级，显著提升仿真保真度。精准路面建模，进一步增强地形还原与物理行为一致性。 从低到高增量值下OpenDRIVE地形的变化 四、OpenMATERIAL：更真实的感知仿真 在感知仿真中，物理材质决定了相机/激光雷达的真实响应， OpenMATERIAL 提供统一材质描述标准，链接 3D 几何与真实物理属性，实现更贴近真实的感知仿真环境。 aiSim 已初步集成 OpenMATERIAL，支持在传感器仿真中对材质反射、纹理、透明度等进行 高保真建模 。 在 aiSim 中，材质信息被高度还原并用于物理传感器模拟，特别适用于摄像头模型的成像仿真。通过 OpenMATERIAL 标准， aiSim 能够提供 更准确的光照 、 色彩与纹理响应 ，为感知算法的训练与验证创造更接近真实世界的环境。 我们还开源了基于 OpenMATERIAL 构建的 aiSim Archer 车辆模型 ，包含： a. 超过 140k 多边形精度建模 b. 全 UV 展开与规范命名 c. 23 个可控灯光节点 d. 包含 glTF 材质与 .xoma 文件 e. 以及额外的法线贴图与细节纹理提升视觉质量 五、OSI：标准化环境接口 ASAM Open Simulation Interface（OSI） 为自动驾驶系统提供通用“ 环境感知输入接口 ”，用于传输仿真中感知相关数据。标准基于 Protocol Buffers，结构清晰、模块可扩展。 在 aiSim 中，OSI 被用于输出 高频率、高一致性 的 Ground Truth 数据，包括： a. 自车及他车的位置、姿态、速度、加速度等状态 b. 所在车道信息及边界点分布 c. 持续每步仿真中生成并记录，支持全流程回溯 同时，aiSim 提供两种查询方式： a. GetAllOSIGT： 获取全部仿真过程中的 GT 数据（带时间戳） b. GetLastStepsOSIGT： 仅获取最新一步仿真数据，便于实时监控 aiSim的 模块化输出 + 高效接口 ，从仿真生成到算法验证的无缝衔接，大幅提升测试流程的规范化与自动化程度。 六、总结 在自动驾驶迈向规模化落地的关键阶段， 开放、标准化、可复现 的仿真能力是保障算法稳定性与法规符合性的核心基础。 aiSim 将持续深度适配 ASAM OpenX 生态，联动OpenDRIVE构图、OpenSCENARIO 场景定义、OpenMATERIAL 材质标准、OSI 接口协议等核心能力，为行业客户提供更高质量、更高效率的仿真解决方案。

一、引言 随着自动驾驶技术的逐步落地， 感知系统对数据的依赖 正以前所未有的速度增长。 传统实车采集 虽然真实可信，但在 效率 、 安全性 、 标注精度 以及 边缘场景覆盖 方面均存在 显著限制 。 合成数据（Synthetic Data） 因具备低成本、高可控性、无限扩展性和高精度标签等优势，已成为 感知算法训练与验证 的重要数据来源。尤其在多模态、多场景、大规模自动化生成等方面， 仿真平台 正成为构建感知数据体系的重要工具。 在感知系统的开发过程中，我们依托仿真平台生成覆盖多种场景和传感器类型的合成数据，用于支持 AVM（环视系统） 开发，同时也利用合成数据生成符合公开格式标准的数据集，助力算法在 真实部署前 实现高效迭代与验证。 本文将系统介绍利用合成数据开发的具体应用流程和实践效果。 二、 AVM系统开发中的仿真验证应用 环视系统（AVM, Around View Monitor） 是自动驾驶和高级辅助驾驶系统（ADAS）中常见的功能模块，通常由4个或更多广角鱼眼相机构成，通过拼接多个摄像头图像生成车辆周围360°的鸟瞰图。 自动泊车系统（APA） 需要环视图像提供对车辆周围环境的精准感知。通过仿真方式模拟鱼眼相机布设和 BEV 拼接，可生成多种泊车场景下的高保真图像，包括地库、斜列车位、窄通道等复杂工况。 相比实车采集，仿真 不仅可以批量构造极端和边缘泊车条件，还能自动提供精确的障碍物位置与车辆姿态标注，大幅加速感知模型的训练和验证流程， 减少实车调试时间 。 传统 AVM 系统的相机 标定依赖人工操作和实车设备， 流程繁琐且精度受限 。 通过仿真 ，可控制各摄像头位置与视角，并生成可重复、可验证的图像和标定数据，适用于整车项目开发初期的快速迭代。 虚拟标定 不仅 提高了标定效率 ，还支持在方案切换、批量测试、相机布局验证等场景中自动生成对齐标注，降低人力投入， 提升系统上线速度 。 在实际开发中，AVM对图像畸变建模、拼接精度、投影映射等有较高要求，传统方法依赖人工标定与测试，周期长、灵活性差。而基于aiSim的仿真流程，可有效提升开发效率与验证精度。 通过合成数据仿真平台，我们借助从 环境搭建 到 数据生成 的 全流程仿真 ，成功实现了 4个鱼眼相机生成AVM合成数据的优化和验证。 图1 基于aiSim构建AVM图像流程 1、标定地图与仿真环境构建 我们在 Unreal Engine环境 中快速搭建6米×11米标定区域，使用2×2黑白相间标定板构成特征纹理区域，并精确布设车辆初始位置，确保视野重叠区域满足投影需求，并通过特定插件将其无缝导入仿真器中。 图2 基于aiSim插件的Unreal Engine地图编辑 2、鱼眼相机配置与参数设置 设置 前、后、左、右 四个鱼眼相机，分别具备： （1）高水平FOV（约180°）； （2）不同俯仰角（前15°、后25°、侧向40°）； （3）安装位置贴近真实车辆安装场景（如后视镜下方）。 我们采用了仿真器内置的 OpenCV标准内参 建模，输出图像同步生成物体的2D/3D边界框与语义标签。 图3 环视OpenCV鱼眼相机传感器配置 3、BEV图像生成与AVM拼接 利用已知相机内参和标定区域结构，通过OpenCV完成图像去畸变与投影矩阵求解，逐方向生成 BEV视图（Bird's Eye View） 。结合车辆图层与坐标对齐规则，拼接生成完整的AVM图像。 支持配置图像分辨率（如1cm²/像素）与投影视野范围，确保几何准确性。 图4 投影区域及BEV转化示意图 4、多场景合成与传感器布局优化 通过 批量仿真脚本 ，可 快速测试 不同环境（如夜间、窄巷、地库）、不同相机布局组合对AVM系统效果的影响。在算法不变的前提下，系统性评估外参配置的优劣，为传感器部署提供数据支持。 图5 不同场景下的AVM合成数据 三、合成数据构建多模态数据集 随着智能驾驶逐步从基础辅助走向复杂场景下的高阶功能，对 感知系统的数据需求 也在迅速升级。不仅需要覆盖高速、城区、出入口等典型 NOA 场景，还要求在 不同模态之间实现精确对齐 ，以支撑融合感知模型的训练与验证。在这类任务中， 仿真生成的合成数据 具备可控性强、标签精准、格式标准的优势，正在成为算法开发的重要支撑手段。 在 智能领航辅助（NOA）场景 中，系统需识别高速匝道、变道车辆、道路边缘等要素，对 训练数据多样性与标注精度要求极高。通过仿真构建 城市快速路、高速公路等 多类 NOA 场景 ，配合光照、天气、车流密度等变量自动生成图像与多模态同步数据。 这类合成数据 可用于训练检测、分割、追踪等模型模块，特别适合用于 填补实车采集难以覆盖的复杂或高风险场景 ，增强模型鲁棒性。 融合感知模型 依赖相机、毫米波雷达、激光雷达等 多种传感器协同输入 ，对数据的同步性和一致性要求较高。 通过仿真 ，可以 同时生成这三类传感器 的视角数据，并自动对齐时间戳、坐标系和标注信息，输出包括 3D 边界框、语义分割、目标速度等在内的完整标签，且格式兼容 nuScenes 等主流标准。这类数据可用于 训练融合模型识别道路上的异形障碍物 ，例如夜间难以通过视觉识别的散落杂物，或需要多模态补强感知的边缘目标。仿真带来的高度可控性也 便于统一测试条件 ，对模型性能进行定量分析与精细化调优。 在实际项目中， 合成数据的价值 不仅体现在生成效率和标注精度，更在于其 能否与下游算法开发流程无缝衔接 。为了实现这一目标，我们将 aiSim 导出的多模态原始数据，通过 自研数据处理脚本 ，转换为 基本符合 nuScenes 标准格式的数据集 。 数据构建流程如下： 1、编写符合 nuScenes 规范的传感器配置文件 首先 ，我们 根据 nuScenes 的数据结构要求 ，定义并生成了包含相机、雷达、激光雷达等传感器的配置文件，包括传感器类型、安装位置、外参信息等。该步骤确保生成数据可直接映射至 nuScenes 的 calibrated_sensor.json 和 sensor.json。 图6 激光雷达部分的传感器配置文件 图7 符合nuScenes格式的传感器配置 2、利用 aiSim Stepped 模式导出对齐的原始数据 其次，在仿真阶段， 我们启用了 仿真器的 Stepped Simulation 模式 ，该模式支持以固定时间步长（如每 0.1 秒）推进仿真，并确保所有传感器在 同一时间戳输出数据 。这种方式实现了多模态数据的时间戳全局对齐，满足 nuScenes 对数据同步的要求。 图8 aiSim相机传感器Bounding Box真值输出 然后，在仿真运行中 ，我们导出包含图像、点云、雷达、Ego Pose、2D/3D 标注等原始数据，场景长度约为 20 秒，覆盖了一段在高流量城市交通中经过十字路口的场景，作为构建示例数据集的基础。 3、结构化转换为 nuScenes JSON 格式 此外，使用 自研转换脚本 ，我们将导出的原始数据组织并填充为 nuScenes 所需的各类 JSON 文件 ，并和官方标准格式对齐，包括： scene.json：记录场景序列； sample.json：定义帧级时间结构； sample_data.json：图像、雷达、点云等数据路径与时间戳； calibrated_sensor.json 和 sensor.json：传感器类型及配置； ego_pose.json：车辆轨迹； sample_annotation.json：3D 边界框、类别、属性； instance.json、category.json、visibility.json 等其他语义层级数据。 图9 nuScenes 标准数据集JSON结构表 4、数据集结构搭建完成 最终， 构建完成的数据集具备 完整的时空同步结构 与 语义标签 ，可直接用于视觉感知、雷达检测、融合感知等模型训练与评估任务。该流程验证了合成数据向标准训练数据的转换路径，并具备可扩展性， 适用于更大规模的批量数据生成 。 图10 激光雷达点云 + 相机融合标注框 图11 激光雷达点云 + 同类型标注框 （俯视/侧视） 图12 多帧实例+激光雷达点云 （俯视+路径） 这一完整流程不仅验证了合成数据在工程流程中的落地能力，也为后续基于大规模仿真生成标准训练集打下了结构基础。 四、aiSim：感知研发全流程平台 在自动驾驶感知系统的开发过程中，仿真平台已逐渐发展为合成数据生产的重要基础设施。 aiSim 通过集成环境建模、传感器仿真、多模态数据输出与标准格式转换等功能， 支持从场景构建到数据集生成的完整流程 。 1、多样场景与数据格式的灵活支持 aiSim 可 精细还原 环视系统中鱼眼相机的安装布局、图像畸变特性及 BEV 视角拼接逻辑，生成 贴近实车采集的高保真图像 。同时，平台有一套 自成体系的仿真数据组织与输出机制 ，涵盖视觉、激光雷达、毫米波雷达等多类型传感器数据及真值标注。支持通过脚本调度 自动批量生成 不同气候、光照、地形和交通条件下的多样化场景，满足大规模训练与边缘场景验证的需求。 2、从物理建模到标签输出的完整链条 借助图形引擎，aiSim 实现了对真实物理光照、材质、阴影和天气的 动态建模 。平台支持相机、激光雷达、毫米波雷达等传感器的物理与几何特性建模，兼容 OpenCV、ROS 等常见开发标准。在数据输出方面，aiSim 支持多传感器同步控制 ，可自动生成对齐的 2D/3D 检测框、语义标签、Ego 轨迹等数据，覆盖感知算法训练常见需求，减少数据清洗与后处理工作量。 3、工程集成与可扩展性 aiSim 提供 图形界面、工具链与开放 API ，方便用户将其集成至企业现有的数据平台和模型训练流程中。平台内的场景配置与资源系统具备良好的 可扩展性 ，支持用户自定义传感器布设、交通要素和场景资产，用于支持环视系统、感知模型、融合算法等不同研发阶段的需求。 无论是 环视系统的泊车能力 与 虚拟标定 ，还是面向 NOA 和多模态融合 的训练任务， 仿真生成的数据 都在感知系统的实际落地中提供了可衡量、可扩展的价值。让数据获取从“拍”到“造”，从“靠人”到“自动”，为智能驾驶研发提速、降本、增稳。

在竞争激烈的新能源汽车市场中，极氪近年来发展势头迅猛。2024年，极氪全年销量突破50万辆，总营收达1138.92亿元，整车营收为945.64亿元，成绩相当亮眼。其中，极氪品牌自身的表现也可圈可点，2024年全年销量超22.2万辆，同比增长87%，单车平均售价近30万元，实现了“量价齐升”，还成功摘得中国纯电豪华品牌年度销冠的殊荣。 在一些细分市场中，极氪旗下车型表现突出，极氪001稳居25万以上纯电销冠，并成为最快突破25万台交付的中国纯电车型；豪华大五座SUV极氪7X蝉联20以上中国纯电SUV销冠；极氪009家族连续5个月蝉联40万以上纯电全品类销冠，极氪009光辉稳居超豪华四座销冠。 然而，新能源汽车市场犹如逆水行舟，不进则退。尽管极氪在2024年取得了不错的成绩，但面对不断变化的市场环境和日益激烈的竞争，极氪仍需不断努力，持续推出有竞争力的新车，才能在市场中站稳脚跟并实现销量的进一步增长。 2025年，极氪给自己定下了更高的目标，销量规划提升10万台，要实现全年汽车品牌销量32万辆。而在第一季度，极氪仅仅交付了不到4万辆新车，距离全年目标还有较大差距，压力不言而喻。 极氪007GT亮相上海车展 为了实现销量目标，极氪在产品布局上持续发力。 在2025上海车展上，极氪携多款重磅车型亮相，其中极氪007GT无疑是全场焦点之一。这款车于4月15日正式上市，官方指导售价区间为20.29-23.29万元，限时权益价更是低至19.99-22.99万元，直接将价格下探到20万元以内，展现出极高的性价比。 首先极氪007GT的一大设计亮点，便是其原创的Shooting Line极氪猎装线，线条夹角精准锁定为21°。这一黄金夹角设计极为精妙，从A柱开始，车顶线条沿着这一角度缓缓下滑，与车尾完美衔接，塑造出流畅且动感的车身姿态，使整车看起来优雅而不失力量感，让人一眼就能感受到它与众不同的魅力。 其次它更具备卓越的性能，为驾驶者带来速度与激情的极致体验。它在动力、底盘和制动等方面的出色表现，使其在众多新能源汽车中脱颖而出，成为追求驾驶乐趣的消费者的理想之选。再加上其出色的续航能力和高效的充电技术，为用户解决了里程焦虑，让出行更加自由、便捷。无论是日常通勤，还是长途旅行，极氪007GT都能成为你可靠的伙伴。 最后极氪007GT在智能驾驶领域达到了行业领先水平，它配备了一系列先进的硬件和软件系统，为用户提供安全、高效、轻松的驾驶体验。新车全系标配激光雷达和双英伟达Orin - X智驾芯片，算力高达508TOPS，能够快速处理大量的传感器数据，做出精准的驾驶决策。 面临的挑战与竞争 尽管极氪007GT在产品力方面表现出色，但极氪品牌在过去却遭遇了一系列负面事件，对品牌口碑产生了一定的影响。 （一）品牌口碑问题 2024年，极氪在短时间内推出多款新车，上演“一年氪三剑”的戏码，其中2025款极氪001和极氪007的发布，让刚购买老款车型不久的车主感到被“背刺”。2024款极氪001才推出没多久，2025款极氪001就迅速登场，不仅智驾能力大幅提升，还采用了新的智驾方案，然而价格却维持不变甚至有所降低。 这使得老车主们觉得自己的车辆迅速贬值，新车未提就已过时，引发了老车主的强烈不满和维权行动。在新品发布会直播期间，直播间内骂声四起，官方不得不关闭评论功能来平息风波，但仍有车主通过改昵称送礼的方式继续表达不满。 此外，极氪还被曝出“锁电锁功率”问题。此前有极氪001 WE86车主反映，车辆在不告知车主的情况下，通过升级系统锁电锁功率，导致充电速度变慢，电池容量也出现衰减，让车主们感到寒心。 还有250万网红“慧慧饱饱”事件也引发了广泛关注。该博主在购买极氪车辆时，因贷款和定金等问题与极氪产生纠纷，该事件在网络上引发热议，也让极氪品牌的形象受到了一定的冲击。这些负面事件的不断发酵，使得极氪品牌在消费者心中的形象受损，影响了消费者对极氪品牌的信任度，也给极氪007GT的市场推广带来了一定的阻力。 （二）竞品的技术与价格压制 在新能源汽车市场中，极氪007GT面临着来自众多竞品的激烈竞争，其中比亚迪汉LEV和特斯拉等品牌的车型对其构成了较大的威胁。 比亚迪汉LEV在技术方面具有显著优势。它基于比亚迪超级e平台打造，搭载了真1000V + SiC全域高压平台，相比极氪007GT的800V高压平台，领先了一代。高压平台带来了性能与补能方面的提升，汉LEV配备了全球首个量产的30511rpm电机，单电机功率高达580kW，电机功率密度为16.4kW/kg。 在补能速度上，汉LEV配合比亚迪专属的兆瓦闪充桩，从10%充至70%只需6分钟，平均每秒充电2公里，充电5分钟补能400km，补能速度远超极氪007GT。 在智能驾驶方面，汉LEV标配激光雷达和NVIDIA DRIVE Orin X智驾芯片，算力达254TOPS，配备DiPilot 300 “天神之眼”高阶智能驾驶辅助系统，具备城市高速路段NOA功能、主动泊车、遥控泊车、哨兵模式以及主动安全预警系统等，智能驾驶功能同样丰富。 在价格方面，比亚迪汉LEV的指导价为20.98 - 27.98万元，与极氪007GT的价格区间相近，但其在技术和性能上的优势，使得极氪007GT在竞争中面临一定的压力。 特斯拉作为新能源汽车行业的先驱者，一直以来以其先进的自动驾驶技术和品牌影响力在市场中占据重要地位。特斯拉采用动态定价策略，根据市场需求、原材料价格波动以及竞争对手的情况，适时调整产品价格。 虽然特斯拉在智能驾驶芯片算力等方面可能不如极氪007GT，但特斯拉在自动驾驶算法和数据积累方面具有优势，其Autopilot和FSD自动驾驶辅助系统经过多年的发展和优化，在全球范围内拥有大量的用户数据，能够不断提升自动驾驶的安全性和可靠性。 此外，特斯拉的品牌形象在消费者心中较为高端，品牌知名度和美誉度较高，这也使得其在市场竞争中具有一定的优势，极氪007GT要想在市场中脱颖而出，需要在品牌建设和市场推广方面付出更多努力，以应对特斯拉的竞争压力。 （三）内部产品竞争 除了面临外部竞品的挑战，极氪007GT还面临着来自极氪品牌内部产品的竞争。极氪001和极氪007作为极氪品牌的两款重要车型，在市场上已经积累了一定的用户基础和口碑，它们与极氪007GT在产品定位、性能、设计等方面存在一定的重叠，这使得极氪007GT在市场推广和销售过程中面临着内部竞争的压力。 极氪001是一款猎装轿跑车型，自上市以来凭借其独特的外观设计、出色的性能和较大的空间受到了消费者的喜爱。它的车身尺寸较大，长宽高分别为5022/1999/1548mm，轴距为3025mm，车内空间较为宽敞，能够满足家庭用户对空间的需求。在动力方面，极氪001提供多种动力版本可选，其中高性能版本的零百加速时间最快可达3.8秒，续航里程最高可达1032km。 在智能驾驶方面，2025款极氪001搭载了浩瀚智驾2.0系统，配备双英伟达Orin - X智驾芯片，算力高达508TOPS，具备高速和城市智能领航辅助驾驶等功能。极氪001在产品定位上更偏向于追求空间和性能的消费者，而极氪007GT则更注重性价比和智能驾驶体验，但两者在价格区间上有一定的重合，这就导致部分潜在消费者在选择时会在两者之间犹豫不决。 极氪007则是一款中型轿车，与极氪007GT定位相近。它同样采用了极氪品牌的家族化设计语言，外观时尚动感，具备较高的颜值。在性能方面，极氪007提供后驱和四驱版本，后驱版最大功率310k，峰值扭矩440Nm，零百加速时间为5.4秒；四驱版综合功率475kW，峰值扭矩710Nm，零百加速时间为3.8秒。续航方面，极氪007搭载不同容量的电池，CLTC续航里程最高可达822km。在智能驾驶方面，极氪007也配备了激光雷达和智驾芯片，具备智能领航辅助驾驶等功能。 极氪007在市场上已经有了一定的销量和用户基础，其先入为主的优势使得极氪007GT在市场竞争中需要更加努力地突出自身的差异化优势，才能吸引消费者的关注和购买。 未来展望与结论 极氪007GT作为极氪品牌的一款重要车型，凭借其性价比优势、独特的产品亮点，在竞争激烈的新能源汽车市场中具备一定的竞争力。然而，它也面临着品牌口碑受损、竞品技术与价格压制以及内部产品竞争等诸多挑战。 未来，极氪007GT要想成为爆款车型，实现销量的大幅增长，极氪品牌首先需要积极采取措施修复品牌口碑，加强与消费者的沟通和互动，提高消费者的满意度和忠诚度。在产品方面，持续优化和升级，保持技术领先，不断提升产品的竞争力。在市场推广方面，制定精准的营销策略，突出产品的差异化优势，吸引更多消费者的关注。同时，合理规划品牌内部产品线，避免内部产品的过度竞争。 尽管面临重重挑战，但新能源汽车市场潜力巨大，随着消费者对新能源汽车的接受度不断提高，以及技术的不断进步和成本的降低，极氪007GT仍有机会在市场中脱颖而出。它能否成功，让我们拭目以待。

随着自动驾驶（AD）/高级驾驶辅助系统（ADAS）在车辆中的应用日益广泛，其引发的各类事件分析成为关键问题。本文聚焦 特斯拉Autopilot 的紧急制动情况，借助IVEX打造的 数据采集平台（Carvex） 及 安全分析平台（Safety Analytics platform） 展开研究。 通过对超过 15000公里 行程、 40TB 数据中 紧急制动事件 的剖析，发现Autopilot在面对超出操作设计域的场景时会解除自动驾驶，导致驾驶员紧急制动；同时还存在将正常情况 误判为风险 而紧急制动的现象，这些分析为深入了解AD/ADAS系统行为提供了参考。 一、引言 在过去几年里，AD/ ADAS组件在商用车和零售车辆中越来越受欢迎。这也带来了一系列亟待解决的复杂问题。比如一个备受关注的问题 ：如何从数千小时的驾驶数据（包括开发阶段和实际路测）中识别并理解由 AD/ADAS 行为触发的各类事件，如紧急制动、急加速、低碰撞时间等。 数据采集平台Carvex 集成了一套尖端传感器阵列，搭载于特斯拉Model 3车型，主要用于采集驾驶数据以驱动产品开发。大部分数据是在Autopilot（特斯拉的L2 ADAS系统）被激活时收集的。由于 Autopilot 是先进的 ADAS 系统之一，我们特别关注其性能表现，尤其是 误触发紧急制动 （false positive braking）这一ADAS领域长期存在的技术痛点。 起初，我们在检查数据中的紧急制动事件时也遇到了困难。Carvex 已经收集了 15000 公里的驾驶数据。虽然与正常 ADAS 系统在部署前所需的测试里程相比，这个数字还很小， 但我们发现，如果没有良好的辅助工具，识别和检查紧急制动事件并非易事。 本文将解析特斯拉的紧急制动事件。 图1：Carvex数据收集平台 二、研究背景 Carvex 以Model 3为载体，集成包含RTK GNSS、激光雷达、毫米波雷达和多路相机的传感器套件（其中舱内相机用于监测Autopilot状态），所有数据由车载计算机实时记录。系统采用 全天候设计 ，确保恶劣天气下的数据采集完整性。 在数据收集过程中，Autopilot 大部分时间处于开启状态。Autopilot 主要由两个部分组成： 自适应巡航控制 和 车道保持辅助 。Autopilot 需要驾驶员主动监督，一旦遇到超出其操作设计域（ODD）的情况，系统会发出警报并解除自动驾驶。 目前Carvex累计行驶15,000公里，生成超过40TB数据，其中包含大量与Autopilot行为相关的关键事件。 通过IVEX安全分析平台 ，我们实现了： （1） 自动识别 驾驶日志中的 异常事件 （2） 关联事件潜在诱因 （3） 监测Autopilot行为模式变化 本次研究聚焦 减速度超过4.0 m/s² （13.12 ft/s²）的紧急制动事件，包括 Autopilot主动触发 或 系统退出后驾驶员介入 两种情况。这类事件的研究价值在于： （1）可能反映Autopilot超出ODD时的处置失效 （2）假阳性紧急制动可能导致追尾事故，存在安全隐患 三、Autopilot紧急制动解析 Carvex 的传感器数据会通过 开源自动驾驶软件阿波罗（Apollo） 的感知模块进行离线处理。处理后的图像等传感器数据以及 物体列表格式 的感知输出，随后会被导入到IVEX安全分析平台。 平台 能够展示 AD/ADAS 车辆的所有相机视频流。在这种情况下，我们选择重点关注 前置相机 和 舱内相机 的视频流，以便能够观察到其他车辆与Autopilot的行为。 平台支持 多驾驶日志联合检索 ，并按参数分类关键场景，可以通过"聚合视图"功能 筛选特定车速区间 内触发的紧急制动事件。 图2：安全分析平台紧紧急制动聚合视图 1、右侧车辆引发的紧急制动 图3：右侧车辆引发的紧急制动 图4：IVEX中的紧急制动 从图3和图4中可以看出，尽管 右侧卡车未实际侵入车道 ，自车仍以28 m/s（100.8 km/h）时速突发制动（右侧卡车时速75.6 km/h）。同时数据分析显示：当卡车 短暂压线1秒时 ，Autopilot判定其可能 低速切入 （此时车距仅1.59米），遂触发持续1秒的紧急制动，导致车速骤降7 m/s（根据RTK GNSS估算），这对两辆车来说都是一个危险的情况。 图5：仪表盘Autopilot行为记录 我们可以看到，车辆的 Autopilot 将卡车标记为 可能驶入本车车道 的潜在安全风险，这就是车辆决定紧急制动的原因。 2、交通信号灯前的紧急制动 图6：遇到交通信号时的紧急制动 图7：IVEX中的紧急制动 从图6和图7，分析可得车辆以20 m/s（72 km/h）接近路口时，驾驶员在黄灯亮起1.8秒后接管并急刹，3.7秒内完成静止（减速度5.4 m/s²）。值得注意的是，该版本的Autopilot虽能识别信号灯（如下图示），但无响应功能， 紧急制动纯属驾驶员行为 。 图8：仪表盘Autopilot行为记录 3、环岛入口的紧急制动 图9：在进入环形交叉路口之前进行的紧急制动 图10：IVEX中的紧急制动 在紧急制动发生前约 3 秒，车辆以18 m/s（64.8 km/h）接近环岛时突发制动。实测表明，Autopilot因环岛 超出其ODD 而 静默退出 ，驾驶员接管时剩余反应时间不足，导致 制动过急 。所幸后方无车，未造成风险。 4、技术结论 基于上述分析，我们对Autopilot 的行为得出一些结论： （1）ODD边界行为： 当场景超出Autopilot设计域时，系统会无预警退出，迫使驾驶员紧急干预； （2）风险预判机制： 对潜在切入障碍物存在过度敏感现象，可能触发非必要制动。 四、结语 在本篇文章中，我们介绍了如何使用 IVEX 安全分析平台分析特定场景类别 —— 意外紧急制动情况 。从案例中也可清晰了解到IVEX安全分析平台在AD/ADAS数据解析中的三大优势： （1）异常行为快速定位 （2）多维度场景重建 （3）系统决策溯因分析