UtOPilOt）2.5系统的平顺性和跟车逻辑。
目前算法核心已冻结，正在结合实车标定数据进行大规模仿真和封闭场地测试。
关键指标 —— 跟车时距稳定性、加减速平顺性、对切入切出车辆的识别响应速度，这些指标的仿真数据达标率超过95%。
实车测试达标率约85%，剩余难点在大雨、浓雾等极端天气下的传感器衰减补偿策略优化。”
“横向控制优化： 车道居中巡航（LCC）与智能限速。
LCC核心是车道线识别与保持的鲁棒性，尤其是在车道线模糊、缺失或临时施工路段。
我们采用了多源融合（摄像头+毫米波雷达）定位结合高精度地图（HD Map）辅助的方案，预计在鹏城复杂高架道路的实车测试中，百公里人工接管次数能降至3次以下，接近行业标杆水平。
智能限速功能已打通导航地图数据与交通标识识别（TSR），能自动根据路牌或电子眼信息调整巡航车速。”
“场景化高阶功能尝试： 打灯自动变道（ALC）。
这是高速NOA的核心体验点之一，也是用户感知最强的功能。
核心挑战在于变道决策的时机判断比如安全间隙、邻车道车速预测和执行平顺性。
我们基于强化学习框架构建了决策模型，结合多目标雷达的精准测速测距，目前在高精度地图覆盖的高速路段，变道成功率达到92%。
下一步重点是提升复杂车流环境下的决策鲁棒性和执行流畅度，消除用户的突兀感。”
“泊车领域突破： 全场景自动泊车（APA）与遥控泊车（RPA）。
APA已支持垂直、水平、斜列等多种车位，基于环视摄像头与超声波雷达融合感知，车位识别成功率和泊入成功率均达到98%以上。
RPA功能在手机蓝牙连接稳定范围内，可实现直线前进/后退遥控，解决狭窄车位上下车痛点。
这部分相对成熟，是提升用户便利性和科技感的重要抓手。”
蒋雨宏的汇报条理清晰，数据扎实，既展现了进展，也不回避挑战。
他最后总结道：
“L2.5功能包是我们在启界M5上实现‘全系标配高速NOA’承诺的基石，是必保项。
当前资源投入占比约60%，预计在Q3完成全部功能冻结和车规级验证。”
徐平听得频频点头，姚尘风则在
本章未完，请点击下一页继续阅读！