轻舟智航（QCraft）作为具备 Waymo 基因的自动驾驶领军企业，通过「L2 + 量产规模化 + L4 技术前瞻」双擎战略，实现了从技术独角兽到量产领军者的转型。研究表明：轻舟智航通过超融合感知算法、安全可解释决策系统及跨平台适配能力，在128TOPS 算力平台（征程 6M）实现城市NOA 功能，算法负载优化率较行业平均水平高15%-20%，构建了 “技术先进性 - 工程量产性 - 安全合规性” 三位一体的核心竞争力。
01#
轻舟智航技术基因与战略架构
“双擎” 战略协同机制
轻舟智航采用「L2 + 量产引擎 + L4 创新引擎」双轮驱动战略：
量产引擎：以乘用车高阶辅助驾驶（行泊一体、NOA）为核心，通过规模化交付积累海量真实路况数据；
创新引擎：聚焦L4 级 Robotaxi/Robobus 技术研发，探索长尾场景处理与端到端决策；
协同逻辑：L2 + 量产车辆采集的真实数据通过数据闭环反哺 L4 算法训练，实现 “技术迭代 - 场景覆盖 - 数据积累” 的正向循环。
02#
核心技术架构深度解析
1、多模态融合方案
轻舟智航基于BEV 范式构建OmniNet 超融合感知大模型，实现视觉、激光雷达、毫米波雷达的端到端联合建模，其核心创新在于打破传感器模态壁垒，通过统一神经网络完成多源数据的特征级融合与任务输出：
极简配置（6V1R）：仅支持高速NOA 功能，依赖弱监督单目 3D 检测技术；
高阶配置（城市NOA）：方案一（双征程5）：11 颗高清相机 + 1 颗禾赛 AT128 激光雷达（Yole Group 2026 激光雷达市占率第一）+5 颗毫米波雷达，双芯片协同算力 256TOPS，单芯片功耗30W；方案二（单征程6M）：11 颗高清相机 + 1 颗激光雷达，单芯片算力 128TOPS，2026 年首发搭载于理想 L 系列焕新版
传感器同步机制：采用时间戳硬同步+ 数据缓存对齐策略，相机与激光雷达的时间同步误差≤10μs，满足 ISO 20077-1 车规要求。
PillarNeXt 模型架构：
OmniNet 跨模态融合机制：
长尾场景处理工程化实现：
2、视觉主导的低成本方案
弱监督单目3D 检测技术：
约束条件：基于多视图几何一致性（相邻相机投影误差≤1 像素）和运动parallax 约束，通过无监督学习生成伪3D 标注；
标注成本优化：仅需10% 的人工标注数据即可训练模型，标注效率提升 9 倍，单帧标注成本从 2.3 元降至 0.25 元；
性能指标：在高速场景下，车辆检测AP（moderate）≥82%，距离误差≤0.8m，速度估计误差≤1.2km/h，满足高速 NOA 功能要求。
6V1R 方案工程化难点突破：
近距盲区补盲：通过后视相机与毫米波雷达的交叉验证，解决车辆正后方3m 内障碍物检测盲区；
光照鲁棒性优化：采用Retinex 增强算法 + 自适应曝光控制，在逆光场景下的目标对比度提升 40%；
算力适配：模型量化为INT8 精度后，在征程 5 芯片 BPU 上的推理耗时≤18ms，满足 100TOPS 以下算力约束。
3、高效运动预测模型（ProphNet 深度解析）
输入层：融合感知特征（256 维）、高精地图特征（128 维）、历史轨迹（50 帧 ×6 维），总输入维度 442 维；
锚点生成层：基于交通规则生成128 个候选轨迹锚点（覆盖直行、转弯、变道等 8 类基础行为）；
注意力预测头：采用时空自注意力机制（Temporal-Spatial Attention），建模交通参与者间的交互关系（如跟车、会车场景）
多模态输出层：通过高斯混合模型（GMM）输出 5 条概率最高的预测轨迹，覆盖 95% 以上真实运动场景。
动态推理精度调节：根据场景复杂度自适应切换模型精度（简单场景用
INT8 量化模型，复杂场景用 FP16 模型）；
4、安全可解释决策框架（端到端落地细节）
One-Model 端到端架构：
输入：BEV 特征图（512×512×256）+ 导航路径信息；
中间表征层（安全可解释核心）：场景状态编码：输出32 维场景风险向量（含碰撞概率、车道合规性等指标）；约束条件显式输出：明确列出当前帧的安全边界（如最小安全距离、最大转向角）；
输出：连续控制指令（车速、方向盘角度）+ 决策逻辑标签（如 “因施工占道向左变道”）。
核心优势：模型参数从传统模块化方案的200M + 精简至 80M，系统延迟从 150ms 降至 85ms，CPU 占用率降低 40%。
ISO 26262 合规设计：
硬约束嵌入：在模型训练中加入安全规则损失函数（如不得跨越双黄线、限速范围内行驶）；
决策追溯机制：每帧决策结果关联3 类可审计数据（感知输入、中间状态、约束条件），满足 ASIL D 级别的可追溯性要求；
容错机制：采用“主决策 + 备份决策” 双路径架构，主决策失效时 0.5ms 内切换至基于规则的备份决策。
5、“轻舟矩阵” 工具链技术细节
数据采集子系统：
自动标注子系统：
仿真测试子系统：
场景生成：支持参数化场景生成（如调整车流量、天气条件），日均生成10 万 + 测试场景；
虚实融合：采用数字孪生技术，将真实道路的点云数据嵌入仿真场景，仿真与实车测试结果一致性≥90%；
硬件在环（HIL）测试：支持征程 5/6 芯片的实时硬件仿真，单场景测试时间从 2 小时缩短至 15 分钟。
6、跨平台适配技术（芯片级优化）
自研异构加速算子：
周级迭代工程化实现：
模型训练并行化：采用分布式训练框架，支持100+GPU 同时训练，单模型训练时间从 72 小时缩短至 12 小时；
OTA 部署策略：采用增量更新技术，模型更新包体积从 2GB 压缩至 500MB，用户下载时间缩短 80%；
量产数据反哺机制：百万台量产车每月贡献10 亿 + 公里行驶数据，其中 1%（1000 万 + 公里）为长尾场景数据，用于模型迭代优化。
7、VLA + 世界模型统一架构（2026 最新技术）
VLA（Vision-Language-Action）融合：
世界模型预测能力：
动态场景推演：基于物理规则和历史数据，预测未来3 秒内的场景变化（如行人横穿马路、车辆加塞）；
泛化能力：通过10 万 + 场景的强化学习，模型在未见过的长尾场景（如无人机占道、道路塌陷）中决策成功率≥85%；
工程化落地：当前已集成至“轻舟乘风 MAX” 方案（500TOPS 算力），2026 年 Q3 将通过 OTA 向量产车型推送。
03#
结论与展望
轻舟智航通过「全栈自研技术架构+ 双擎协同战略 + 严格安全体系」，成功实现了自动驾驶技术的规模化量产落地，其 40 万台交付数据与 ASIL D 认证证明了方案的可靠性与合规性。未来，随着世界模型（World Model）与 VLA 技术的进一步研发应用，其在长尾场景处理与通用智能落地方面的竞争力将持续提升。
自动驾驶产业的发展需要技术创新与工程落地的平衡，轻舟智航的实践为行业提供了“从实验室到量产车” 的可行路径，其 “安全惟先、行稳致远” 的发展理念，或将推动智能驾驶行业向更高效、更安全的方向演进。
[1] 轻舟智航。轻舟智航发展历程与技术白皮书 [EB/OL]. https://www.qcraft.ai/story, 2026-02-03.
[2] BitAuto. 轻舟智航获 ISO 26262 ASIL D 流程认证 [EB/OL]. 2025-05-21.
[3] QCraft. 三篇论文同时入选 CVPR，前沿创新引领轻舟产品 [EB/OL]. 2023-03-13.
[4] 盖世汽车研究院. 2025 年中国 L2 + 辅助驾驶量产市场报告 [R]. 2025.
资料来源于网络整理，如有侵权即删，请联系小编
扫描下方二维码，添加智驾派小助理微信，免费领取以下材料
