近日，理想汽车主动安全领域两项核心技术成果成功入选机器人与自动驾驶领域两大顶级国际学术会议。其中，车端主动安全模型论文《Scaling Learning-based AEB with Massive Unlabeled Data》被IROS 2026（智能机器人与系统国际会议）录用，AEB云端智能标注框架论文《Learning to Annotate Delayed and False AEB Events: A Practical System for Extreme Class Imbalance and Asymmetric Label Noise》被ICRA 2026（国际机器人与自动化会议）录用。两项成果分别聚焦“车端决策模型”与“云端数据标注”两大关键环节，展现理想汽车在主动安全算法创新、工程化落地及量产运营体系建设方面的最新进展。
SL-AEB：首次将 Scaling-Law 引入主动安全，激活亿级无标签数据价值
AEB（自动紧急制动）是主动安全的核心功能。传统基于规则的方案虽可覆盖常规工况，但面对鬼探头、目标状态快速变化、多目标复杂交叠等极端场景时，泛化能力明显不足。而常规机器学习方案则受制于高昂的数据标注成本、训练集与真实路测分布不匹配等瓶颈，量产落地困难。
针对上述行业痛点，理想汽车首创SL-AEB车端模型，采用Teacher-Student双模型循环优化的元反馈半监督训练机制：Teacher模型对海量无标注行驶数据给出风险判断参考，Student模型持续学习参考信号及少量有标签数据以提升识别能力，同时Teacher依据Student评测反馈进行自我优化，双向循环迭代，使模型预判危险的能力随数据规模稳步跃升。该框架充分释放了用户日常行驶产生的数亿级数据的训练价值，在主动安全领域首次验证了Scaling Law（规模效应）。
基于理想汽车搭建的覆盖数据采集、模型训练、仿真评测、OTA 迭代的全链路闭环，模型已顺利量产上车并持续迭代提升。截至目前，SL-AEB车端模型已累计完成超80亿公里真实道路工况验证，有效制动与误制动触发比例超过100:1，累计帮助车主避免复杂非标场景下潜在事故超20万次，持续验证模型在真实道路环境中的安全性与稳定性。
AEB智能标注框架：革新标注模式，提质增效赋能量产运营
数据标注是AEB算法量产迭代的核心瓶颈之一。行业现有通用的不平衡分类与标签清洗方案，难以适配AEB场景时空耦合、强车辆物理约束的专属数据特征，落地后标注精度与场景泛化性均难以满足量产要求。
为此，理想首发AEB云端智能标注框架，从“数据扩充”与“噪声过滤”双维度系统攻克核心难题：在数据扩充方面，依托车辆行驶规律设计三种生成策略——调整障碍物属性模拟危险场景、将真实特殊路况特征移植到普通样本、随机更换非核心目标丰富场景，严格控制生成与真实样本比例，提升模型对少数类样本的学习能力；在噪声过滤方面，通过计算样本识别难度（Hardness）并引入探针样本动态阈值，自动剔除错误标注，从源头净化训练数据。
依托该框架，理想汽车构建了量产级智能标注系统，显著提升了标注质量与运营效率。在标注质量方面，针对AEB场景中最难标注的两类关键样本——“制动触发偏晚”与“误触发”，系统在保证充分识别的前提下，标注精确率分别提升10.3%和11.1%，实现了更全面的覆盖与更高质量的标注。在运营效率方面，系统单日可完成数千条AEB数据的全量解析标注，人工复核工作量显著降低，整体自动化率达95%。
IROS与ICRA是全球机器人与自动驾驶领域公认的顶级学术会议。两篇论文的入选，充分印证了理想汽车在主动安全算法研究与量产工程化领域达到的国际前沿水平，也体现了理想汽车将前沿研究转化为量产能力、持续创造用户价值的技术实力。截至2026年6月21日，理想汽车累计主动避险次数达1755.8万次。未来，理想汽车将继续坚持研发投入和技术突破，以更先进的主动安全能力践行“给车和家赋予生命”的品牌使命，让科技持续守护每一个家庭的出行安全。
热门跟贴