近日，理想汽車主動(dòng)安全領(lǐng)域兩項(xiàng)核心技術(shù)成果成功入選機(jī)器人與自動(dòng)駕駛領(lǐng)域兩大頂級(jí)國(guó)際學(xué)術(shù)會(huì)議。其中，車端主動(dòng)安全模型論文《Scaling Learning-based AEB with Massive Unlabeled Data》被IROS 2026（智能機(jī)器人與系統(tǒng)國(guó)際會(huì)議）錄用，AEB云端智能標(biāo)注框架論文《Learning to Annotate Delayed and False AEB Events: A Practical System for Extreme Class Imbalance and Asymmetric Label Noise》被ICRA 2026（國(guó)際機(jī)器人與自動(dòng)化會(huì)議）錄用。兩項(xiàng)成果分別聚焦“車端決策模型”與“云端數(shù)據(jù)標(biāo)注”兩大關(guān)鍵環(huán)節(jié)，展現(xiàn)理想汽車在主動(dòng)安全算法創(chuàng)新、工程化落地及量產(chǎn)運(yùn)營(yíng)體系建設(shè)方面的最新進(jìn)展。

SL-AEB：首次將 Scaling-Law 引入主動(dòng)安全，激活億級(jí)無(wú)標(biāo)簽數(shù)據(jù)價(jià)值

AEB（自動(dòng)緊急制動(dòng)）是主動(dòng)安全的核心功能。傳統(tǒng)基于規(guī)則的方案雖可覆蓋常規(guī)工況，但面對(duì)鬼探頭、目標(biāo)狀態(tài)快速變化、多目標(biāo)復(fù)雜交疊等極端場(chǎng)景時(shí)，泛化能力明顯不足。而常規(guī)機(jī)器學(xué)習(xí)方案則受制于高昂的數(shù)據(jù)標(biāo)注成本、訓(xùn)練集與真實(shí)路測(cè)分布不匹配等瓶頸，量產(chǎn)落地困難。

針對(duì)上述行業(yè)痛點(diǎn)，理想汽車首創(chuàng)SL-AEB車端模型，采用Teacher-Student雙模型循環(huán)優(yōu)化的元反饋半監(jiān)督訓(xùn)練機(jī)制：Teacher模型對(duì)海量無(wú)標(biāo)注行駛數(shù)據(jù)給出風(fēng)險(xiǎn)判斷參考，Student模型持續(xù)學(xué)習(xí)參考信號(hào)及少量有標(biāo)簽數(shù)據(jù)以提升識(shí)別能力，同時(shí)Teacher依據(jù)Student評(píng)測(cè)反饋進(jìn)行自我優(yōu)化，雙向循環(huán)迭代，使模型預(yù)判危險(xiǎn)的能力隨數(shù)據(jù)規(guī)模穩(wěn)步躍升。該框架充分釋放了用戶日常行駛產(chǎn)生的數(shù)億級(jí)數(shù)據(jù)的訓(xùn)練價(jià)值，在主動(dòng)安全領(lǐng)域首次驗(yàn)證了Scaling Law（規(guī)模效應(yīng)）。

基于理想汽車搭建的覆蓋數(shù)據(jù)采集、模型訓(xùn)練、仿真評(píng)測(cè)、OTA 迭代的全鏈路閉環(huán)，模型已順利量產(chǎn)上車并持續(xù)迭代提升。截至目前，SL-AEB車端模型已累計(jì)完成超80億公里真實(shí)道路工況驗(yàn)證，有效制動(dòng)與誤制動(dòng)觸發(fā)比例超過(guò)100:1，累計(jì)幫助車主避免復(fù)雜非標(biāo)場(chǎng)景下潛在事故超20萬(wàn)次，持續(xù)驗(yàn)證模型在真實(shí)道路環(huán)境中的安全性與穩(wěn)定性。

AEB智能標(biāo)注框架：革新標(biāo)注模式，提質(zhì)增效賦能量產(chǎn)運(yùn)營(yíng)

數(shù)據(jù)標(biāo)注是AEB算法量產(chǎn)迭代的核心瓶頸之一。行業(yè)現(xiàn)有通用的不平衡分類與標(biāo)簽清洗方案，難以適配AEB場(chǎng)景時(shí)空耦合、強(qiáng)車輛物理約束的專屬數(shù)據(jù)特征，落地后標(biāo)注精度與場(chǎng)景泛化性均難以滿足量產(chǎn)要求。

為此，理想首發(fā)AEB云端智能標(biāo)注框架，從“數(shù)據(jù)擴(kuò)充”與“噪聲過(guò)濾”雙維度系統(tǒng)攻克核心難題：在數(shù)據(jù)擴(kuò)充方面，依托車輛行駛規(guī)律設(shè)計(jì)三種生成策略——調(diào)整障礙物屬性模擬危險(xiǎn)場(chǎng)景、將真實(shí)特殊路況特征移植到普通樣本、隨機(jī)更換非核心目標(biāo)豐富場(chǎng)景，嚴(yán)格控制生成與真實(shí)樣本比例，提升模型對(duì)少數(shù)類樣本的學(xué)習(xí)能力；在噪聲過(guò)濾方面，通過(guò)計(jì)算樣本識(shí)別難度（Hardness）并引入探針樣本動(dòng)態(tài)閾值，自動(dòng)剔除錯(cuò)誤標(biāo)注，從源頭凈化訓(xùn)練數(shù)據(jù)。

依托該框架，理想汽車構(gòu)建了量產(chǎn)級(jí)智能標(biāo)注系統(tǒng)，顯著提升了標(biāo)注質(zhì)量與運(yùn)營(yíng)效率。在標(biāo)注質(zhì)量方面，針對(duì)AEB場(chǎng)景中最難標(biāo)注的兩類關(guān)鍵樣本——“制動(dòng)觸發(fā)偏晚”與“誤觸發(fā)”，系統(tǒng)在保證充分識(shí)別的前提下，標(biāo)注精確率分別提升10.3%和11.1%，實(shí)現(xiàn)了更全面的覆蓋與更高質(zhì)量的標(biāo)注。在運(yùn)營(yíng)效率方面，系統(tǒng)單日可完成數(shù)千條AEB數(shù)據(jù)的全量解析標(biāo)注，人工復(fù)核工作量顯著降低，整體自動(dòng)化率達(dá)95%。

IROS與ICRA是全球機(jī)器人與自動(dòng)駕駛領(lǐng)域公認(rèn)的頂級(jí)學(xué)術(shù)會(huì)議。兩篇論文的入選，充分印證了理想汽車在主動(dòng)安全算法研究與量產(chǎn)工程化領(lǐng)域達(dá)到的國(guó)際前沿水平，也體現(xiàn)了理想汽車將前沿研究轉(zhuǎn)化為量產(chǎn)能力、持續(xù)創(chuàng)造用戶價(jià)值的技術(shù)實(shí)力。截至2026年6月21日，理想汽車?yán)塾?jì)主動(dòng)避險(xiǎn)次數(shù)達(dá)1755.8萬(wàn)次。未來(lái)，理想汽車將繼續(xù)堅(jiān)持研發(fā)投入和技術(shù)突破，以更先進(jìn)的主動(dòng)安全能力踐行“給車和家賦予生命”的品牌使命，讓科技持續(xù)守護(hù)每一個(gè)家庭的出行安全。