汽车研发专业术语

汽车研发扫盲以下专业术语，你知道几个

AVP(Automated Valet Parking)

自动代客泊车，基于泊车场景的无人驾驶系统，可以实现停车场内及最后一公里自动驾驶和自动寻位，将汽车驱动至停车位附近并自主停车入位。

HPP(Home Zone Parking Pilot)

记忆式泊车系统，是通过车辆自身传感器，学习、记录并储存用户常用的下车位置、停车地点及泊车行进路径，当用户驾车再次到达记录的下车位置时，系统提示"HPP无人泊车功能"可以使用，此时驾驶员只需下车，通过手机APP操作，车辆就可以精准地自动驶入停车位，适用于家庭园区和办公场地等常用场所。

BSM(Blind Spot Monitoring)

盲点监测系统，又称并线辅助系统。当机动车辆行驶速度超过每小时10公里时，系统会自动启动，监测车辆左后方和右后方3米到8米盲区范围内的车辆或交通参与者，车辆的后视镜会显示相应信息。

BSD(Blind Spot Detection)

盲区监测，是基于短距微波雷达探测技术的设备，用于监测处于内外后视镜视觉盲区侧后方移动物体(如汽车、摩托车、自行车、行人),探测相邻车道后方有没有车子在靠近，以及后视镜盲区里有没有车子。

DMS(Driver Monitoring System)

驾驶员状监测系统，使用摄像头获取图像及其它车身传感器输入数据，通过视觉跟踪、动作识别等技术监测驾驶员的驾驶行为和生理状态，当判断驾驶员不在场或处于非正常驾驶状态时(疲劳、分心等),系统向驾驶员发出报警或执行其它安全策略，以确保车辆运行安全。

CCS(Cruise Control System)

定速巡航系统，开启功能后，车辆可以根据设定的速度行驶，不再需要驾驶员控制油门踏板。多用于高速公路这种简单工况下。

ACC(Adaptive Cruise Control)

限速自适应巡航控制，通过雷达或摄像头监测前方车辆并自动调整车速以维持安全距离，一般只能在较低速度下工作(通常50mph以下)。与CCS相比增加了跟车功能。除了高速公路，还多用于城市拥堵路况。

FSRA(Full Speed Range ACC))

全速自适应巡航控制，是一种更高级的ACC系统。它可以在全速范围内自动调整车速，使驾驶更加安全和舒适，包括城市道路、高速公路和乡村道路等。

EBA(Emergency Braking Assist)

紧急制动辅助系统，实时监测车辆前方行驶环境，在可能发生碰撞危险时提前采取措施以减少制动响应时间并在驾驶员采取制动操作时辅助增加制动压力。与AEB不同的是，EBA仅可辅助驾驶员制动，无法自动制动。

AEB(Automatic Emergency Braking)

自动紧急刹车，检测到可能碰撞时会自动刹车。AEB采用雷达和摄像头测出与前车或者其他障碍物的距离，系统控制模块将测出的距离与警报距离、安全距离进行比较，小于警报距离时就进行警报提示，而小于安全距离时，AEB制动会启动，使汽车刹停。

FCW(Forward Collision Warning)

前方碰撞警告系统，车辆接近前方物体时发出警告。

LDW(Lane Departure Warning)

车道偏离警告系统，提醒驾驶员车辆可能无意识地离开车道。

APA(Automated Parking Assist)

自动泊车辅助，通过控制车辆的加减速度和转向角度自动停放车辆，需要驾驶员在车内实时监控，以保证泊车顺利完成，属于SAE Level 2级别的辅助驾驶技术。

LKA(Lane Keeping Assist)

车道保持辅助系统，通过控制方向帮助车辆留在车道内。在驾驶员注意力不集中或疲劳驾驶出现车辆偏转、压车道线时，系统进行报警、主动修正、转向干预，当检测到驾驶员操作转向信号灯时，系统进入关闭模式。

HWA(High Way Assist)

高速公路辅助，指那些可以在高速公路上提供有限辅助功能的系统。

HWP(High Way Pilot)

高速公路领航，是一种更为高级的系统，能够在高速公路上提供更全面的自动驾驶能力。

TJP(Traffic Jam Pilot)

交通拥堵自动驾驶，一种有限的自动驾驶功能，实现低速时车辆的自主跟车启停功能，并可保持车辆在道路中间行驶，旨在为驾驶员在交通拥堵情况下提供便利和安全。

ISA(Intelligent Speed Assist)

智能限速辅助系统，提醒驾驶员超速或控制车辆在一定限速值以下行驶。

HUD(Head-Up Display)

抬头显示系统，简单点说就是利用光学反射原理，将需要查看的行车数据投射到前挡玻璃上，让驾驶员不用频繁低头去看行驶参数，从而将更多的注意力放在观察路面上。

NVS(Night Vision System)

夜视系统，利用红外线技术能将黑暗变得如同白昼，使驾驶员在黑夜里看得更远更清楚。夜视系统的结构由2部分组成：一部分是红外线摄像机，另一部分是挡风玻璃上的光显示系统。

AVM(Around View Monitor)

全车监视系统，通过多个超大广角鱼眼镜头拍摄图像，然后经过数据处理对拍摄图像进行畸变矫正以及拼接，形成周围影像，可为驾驶员提供车身四周的俯视鸟瞰图，消除驾驶员的视野盲区，提供泊车视觉辅助。

TSR(Traffic Signal Recognition)

交通标志识别，是利用车载前置摄像头结合模式，识别如限速、停车、掉头等常见的交通标志，并显示在驾驶仪表上提醒驾驶员注意的功能。需要灵活的软件平台来增强探测算法，根据不同地区交通标志来进行调整。

TLR(Traffic Light Recognition)

交通信号灯识别，是一种识别交通信号灯的智能高科技，并提前通知驾驶者前方信号灯状况。

列队跟驰(truck Platooning)

列队跟驰，又称编队驾驶、卡车列车等，是将单一车道内相邻2辆或以上车辆进行编队，根据相邻车辆信息自动调整该车辆的纵向运动状态，最终达到一致的行驶速度和期望的几何构型，主要应用在高速公路场景。自动驾驶编队行驶技术要求要远高于单车自动驾驶。

AI(Artificial Intelligence)

人工智能，是研究使用计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。

AGI(Artificial General Intelligence)

通用人工智能，指具备与人类同等智慧、或超越人类的人工智能，能表现正常人类所具有的所有智能行为，它是人工智能研究的主要目标之一，也是科幻小说和未来学家所讨论的主要议题。

AIGC(Artificial Intelligence Generated Content)

生成式人工智能，是一种人工智能系统，能够产生文字、图像、视频等媒体以回应提示工程，比如包括文本、图像、视频和3D模型。最广泛使用的AIGC模型之一是由OpenAI开发的用于文本生成的Chat-GPT。Embodied AI具身智能，是人工智能发展的重要分支，指有物理身体的智能体通过与物理环境进行交互，能在复杂环境中执行任务的智能系统。核心概念是智能不仅来源于信息处理，还来自于身体与环境的动态互动。一般认为，具身智能具有四大核心要素：物理本体、智能体、数据、学习和进化架构，包括自动驾驶汽车、工业机器人等。

LM(Large Model)

大模型，也称基础模型Foundation Model。指具有大量参数和复杂结构的机器学习模型，能够处理海量数据、完成各种复杂的任务，如自然语言处理、计算机视觉、语音识别等。这些模型通常由深度神经网络构建而成，拥有数十亿甚至数千亿个参数，与小模型对应。GPT和ChatGPT都是基于Transformer架构的大语言模型。

LLM(Large Language Model)

大语言模型，通常是具有大规模参数和计算能力的自然语言处理模型，例如OpenAI的GPT-3模型。这些模型可以通过大量的数据和参数进行训练，以生成人类类似的文本或回答自然语言的问题。

NLP(Natural Language Processing)

自然语言处理，探讨的是让计算机处理自然语言的问题。其基于大数据、知识图谱、机器学习、语言学等技术和资源，以此实现计算机对自然语言的交互过程。分为两个技术领域：计算机输入自然语言对应于自然语言理解、计算机输出自然语言对应于自然语言生成。

PLM(Pre-trained Language Model)

大规模预训练语言模型，是当前NLP领域的重要研究方向，其工作原理分为预训练、微调两个阶段。互联网海量的文本数据为训练大语言模型提供了丰富资源，PLM利用这些数据进行预训练，从而实现对语言知识的提取和理解，为后续的各项NLP任务提供了强大的支持。

World Models或World Simulators

世界模型或世界模拟器，2018年谷歌的定义是：即根据世界运行的规律可以预测未来的“梦境”。人类的思考和行为会参考大脑中的“世界模型”,甚至人的感知亦是对外部世界的抽象和预测，而最简单的世界模型构成即为感知+记忆模块，将外部环境的信息压缩并理解进而预测未来。OpenAI的宣称文生视频模型Sora是World Models。目前已经有诸多玩家如特斯拉、英伟达、Wayve等玩家开始构建自己的世界模型。

ML(Machine Learning)

机器学习有不同的范式，这些范式描述了学习算法如何从数据中提取模式和知识。机器学习主要分为三类：有监督学习、无监督学习和强化学习。

Supervised Learning

监督学习，是机器学习的一种方法，其中算法通过学习从输入到输出的映射关系来进行训练。训练数据包含有标签的样本，即每个输入都与相应的输出相关联。

Unsupervised Learning

无监督学习，是机器学习的一种方法，与监督学习相对应。其核心思想是通过对数据的统计特性和相似性进行分析，来发现数据中的潜在结构和模式。与监督学习不同，无监督学习不需要事先标记好的训练数据，而是通过对数据的自动处理和聚类来进行学习。RL(Reinforcement Learning)

强化学习，是机器学习的重要分支，其本质是解决Decision Making问题，即实现自动决策且可做连续决策。强化学习主要包含四个元素：Agent、环境状态、行为、奖励，其目标是获得最多的累计奖励。AlphaGo是一个著名的强化学习应用，通过与自己下围棋的对局进行训练，最终成为世界冠军。

DL(Deep Learning)

深度学习，是一种人工智能方法，用于教计算机用受人脑启发的方式处理数据。深度学习模型可以识别图片、文本、声音和其他数据中的复杂模式，从而生成准确的见解和预测。深度学习算法模仿了人脑的神经网络。

DRL(Deep Reinforcement Learning)

深度强化学习，被视为基本的机器学习范例之一，与监督学习和无监督学习并列。在监督学习中，我们依赖于已知结果的数据集，而RL基于“学习通过做”。

例如，当我们第一次看到一个电脑游戏时，我们开始玩，即使不知道规则，很快我们就能通过玩游戏和调整行为来提高技能。

RLHF(Reinforcement Learning from HumanFeedback)

人类反馈强化学习，是一种训练AI系统的先进方法，它将强化学习与人类反馈相结合。这是一种通过将人类培训师的智慧和经验融入模型训练过程来创建更强大的学习过程的方法。该技术使用人类反馈来创建奖励信号，然后通过强化学习来改善模型。

RLAIF (Reinforcement Learning from AI Feedback)

基于AI反馈的强化学习，是一种混合学习方法，它将经典强化学习(RL)算法与其他AI模型生成的反馈集成在一起。这种方法使学习代理不仅可以根据环境的奖励，还可以根据从其他人工智能系统获得的见解来完善其行为，从而丰富学习过程。

E2E(End-to-End)

“端到端”是深度学习中的概念，指的是一个AI模型，只要输入原始数据就可以输出最终结果。对于“端到端”,业内还有一种说法叫做“感知决策一体化”,也就是将“感知”和“决策”融合到一个模型中。目前已量产的智能驾驶，绝大多数采用的是模块化架构。2024年3月，特斯拉在北美推送FSDV12.3,并引入“端到端神经网络”技术，使用神经网络替代了规则代码。元戎启行宣布，2023年8月已运用端到端模型完成了道路测试，将于2025年采用英伟达的DRIVE Thor芯片适配公司的端到端智能驾驶模型。

BEV(Bird's Eye View)

鸟瞰式的视角或坐标系，可以立体描述感知到的现实世界，相当于在车辆正上方10-20米处向下俯视车辆及周围环境。BEV也是计算机视觉领域内的一种端到端的、由神经网络将图像信息从图像空间转换到BEV空间的技术，以便更好地进行物体检测、路径规划等任务。

CNN(Convolutional Neural Network)

卷积神经网络，是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。其设计灵感来自于生物视觉系统，旨在模拟人类视觉处理的方式。

Transformer

一种新型神经网络架构，是谷歌于2017年提出的一种用于处理序列数据的深度学习模型。相比传统的神经网络(如CNN),Transformer架构引入了自注意力机制(Self-Attention)和位置编码(position encoding),使其在处理序列数据时表现出色，可直接进行2D、3D不同序列之间的转换，并被应用在BEV空间转换、时间序列上，形成了一个端到端的模型。

OCC(Occupancy Networks)

占用网络或栅格网络，特斯拉2022年提出，初衷是从纯视觉方案出发解决各种异形障碍物的检测问题。简单理解，就是将世界划分为多个大小一致的立方体，快速识别每个体素是否被占用，继而判断车辆是否躲避。占用网络可在10ms内完成计算，感知更高效、结果更精准，将BEV空间在高度上进行了进一步扩展。

PnC(Planning and Control)

自动驾驶系统中的规划和控制两个子模块，涵盖导航、预测、决策、规划、控制，以及HMI、环境感知、地图定位等支持模块。在自动驾驶系统中，规划模块就相当于司机的“大脑”,结合上游模块给出的交通环境信息，计算驶向目的地的运动轨迹；“控制”好比司机的“手”和“脚”,负责操作方向盘和油门刹车踏板，让车辆严格执行规划出的运动轨迹。PnC团队主要覆盖规划和控制。

ODD(Operational Design Domain)

设计运行域，指自动驾驶系统被设计运行的环境和条件，包括道路类型、天气条件、速度范围等。ODD将根据安装在自动驾驶汽车中的自动驾驶系统而有所不同。此外，在允许随时随地自动驾驶的5级自动驾驶中，原则上不会设置ODD。

DDT(Dynamic Driving Task)

动态驾驶任务，是在道路交通中操作车辆所需的所有实时操作和策略功能，涵盖驾驶过程中的所有动作和决策，包括车辆控制、监视道路环境、响应交通信号等。

DDT Fallback

动态驾驶任务支援、或动态驾驶任务接管。指在相同情况下，用户对实施DDT或达到最低风险条件的响应在发生DDT性能相关系统故障后，或在ODD退出时，或自动驾驶系统对达到最低风险条件的响应。

OEDR(Object and Event Detection andResponse)

物体和事件探测与响应，指自动驾驶系统识别周边环境中的物体和事件，并据此作出适当反应的能力。MRM(Minimal Risk Condition)最小风险条件，是一种稳定、停止的状态，即当给定的行程不能或不应继续时，用户或自动驾驶系统可在执行DDT接管后驾驶车辆，以降低碰撞风险。