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5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，姚尘风则在笔记本上快速记录着什么，眼神专注。
蒋雨宏看向身旁的卞金麟：“金麟，你补充下技术底座和前瞻布局。”
卞金麟，这位哈工大博士出身的车控专家，气质更为内敛，但开口便是硬核技术：“好的，雨宏。我补充三点核心底座能力建设。”
“第一，感知架构升级。我们坚定推进‘bev（鸟瞰图）感知’作为下一代主航道。”
卞金麟的ppt切换到复杂的神经网络结构图。
“传统‘前融合’或‘后融合’在处理多传感器（摄像头、毫米波雷达、未来激光雷达）异构数据时存在信息损失或延迟问题。
bev感知将不同视角、不同模态的原始数据，通过transforr等网络结构，统一转换到车辆上方的鸟瞰视角坐标系下，生成统一的、稠密的环境表征。
这更符合自动驾驶的决策需求。”
他展示了仿真环境下的bev感知效果，车辆、车道线、可行驶区域等元素清晰直观。
“目前，我们的bev感知原型在nuses数据集上的目标检测ap值已提升至52.7%，接近行业头部开源方案水平，但距离量产落地还有距离，主要在实时性和车规级芯片的部署优化上。
投入占比约25%。”