• 亿邦公众号
    • APP下载

百万装车之后 千里智驾开始比拼安全底座

作者:魏帅 文章来源:子弹财经

2026-11-17 16:52

作者:魏帅 文章来源:子弹财经

2026-11-17 16:52

邦小白快读

EN
全文速览

总:智驾进入下半场,普通用户最该关注安全底线和实操使用要点。

1. 选车看安全不看花活:百万辆规模下,评价逻辑从“它还会什么”变成“我敢不敢经常用”,安全底座决定能否长期信任。

2. 关键数据参考:千里浩瀚G-ASD装车18个月突破100万台,激活率93.9%,累计主动避险超890万次,AEB紧急制动超240万次。

3. 防御性驾驶思路:经过盲区窄路减速,无信号灯路口提前降速,看到滚出的球预判后面可能有孩子,对轨迹不稳的三轮车提前拉开车距。

4. 实操提醒:辅助驾驶仍是辅助驾驶,驾驶员必须保持注意、随时准备接管,不存在绝对不出错的系统。

总:智驾品牌竞争从功能声量转向安全信任,价格带与用户结构同步变化。

1. 渠道与价格带:千里浩瀚覆盖极氪、领克、银河、smart多品牌多车型,价格带从高端旗舰延伸至主流家用车市场。

2. 消费趋势:用户从科技尝鲜者变为普通家庭,关心日常通勤接送是否敢用;功能领先只让产品进入选择范围,安全领先才能赢得持续使用。

3. 用户行为:93.9%激活率说明用户愿意打开系统,是检验体验与信任度的关键维度。

4. 产品研发:以含模量衡量智能化水平,联合阶跃星辰打造智驾原生基座模型,采取量产一代、研发一代、预研一代梯次布局。

5. 营销话术:把安全讲成由事前预判、事中规避到极限兜底的完整链路,而非单次刹停。

总:智驾下沉主流家用车带来增长机会,同时伴随明确的风险提示。

1. 增长市场:18个月装车突破100万台,价格带延伸至主流家用车市场,覆盖多品牌多车型,规模化需求正在释放。

2. 消费需求变化:用户关注敢不敢经常用,安全底线成为规模化竞争入场券,主动安全从加分项变为必需项。

3. 机会提示:890万次主动避险、240万次AEB等真实道路数据可成为信任背书;AEB、AES高车速覆盖与720度主动安全预警是卖点。

4. 风险提示:累计避险次数不等于事故减少数量,激活率不等于可替代驾驶员,辅助驾驶仍需驾驶员保持注意、随时接管。

5. 可学习点:规模换数据、数据换算法、算法换体验的闭环,以及与吉利、阶跃星辰联合开发的合作方式。

总:百万辆级装车对产品设计、适配标定和工程交付提出更高要求。

1. 生产适配需求:多品牌多车型的传感器配置、底盘性能、制动距离、转向特性各不相同,每进入一款新车都要经历开发、标定、测试和验证,百万装车本身就是工程能力的压力测试。

2. 产品设计需求:主动安全设两道防线,AEB、AES做极限兜底,感知、预测、规划、控制前移风险关口;H3方案部分车型支持最高120公里每小时AEB、最高130公里每小时AES,并有720度主动安全预警系统。

3. 数字化启示:搭建覆盖数据回流、模型训练、仿真测试、效果评估、量产交付的数据飞轮工程底座,以可控成本、稳定质量、持续迭代的方式交付技术。

总:智驾行业从功能比拼转向安全底座竞争,带来新需求与新解法。

1. 行业趋势:18个月装车突破100万台,智驾从功能可用走向规模验证,上半场看上限、下半场看底线,安全成为入场券。

2. 客户痛点:真实道路长尾场景难以穷举,儿童从车缝冲出、三轮车横穿、乡村小狗窜上车道等靠规则集合难以覆盖,光照、天气、遮挡稍有变化规则就可能失效。

3. 新技术:以大模型和含模量提升全链路覆盖,联合阶跃星辰从预训练阶段融合真实驾驶数据,探索世界模型、VLA等前沿方向。

4. 解决方案:构建连接感知、预测、规划、控制的主动安全链路,用防御性驾驶提前降速避让,并以数据飞轮和L2与L4共享平台实现能力反哺。

总:百万辆级智驾平台的核心是稳定安全底线与可持续运营的工程体系。

1. 平台需求与问题:规模从几百辆测试车扩展到百万用户、数十亿公里里程,不同车型制动、转向、底盘特性差异大,平台必须保证按时上车、稳定交付。

2. 最新做法:搭建数据回流、模型训练、仿真测试、效果评估、量产交付的数据飞轮,采取量产一代、研发一代、预研一代的梯次机制,三条线共享底层工程能力。

3. 运营管理:L2与L4共享数据和工程平台,L2规模化积累场景支持L4训练,L4能力反哺L2量产,形成闭环。

4. 风向规避:不把全部风险押在单一版本,对安全数据保持边界意识,明确辅助驾驶定位,不模糊驾驶员责任。

总:智驾产业进入规模化阶段,竞争逻辑、技术路线与责任边界均出现新议题。

1. 产业新动向:千里浩瀚18个月装车突破100万台,覆盖多品牌多价格带,行业从上半场峰值能力比拼转向下半场安全底线竞争。

2. 新问题:规则集合式系统在真实道路长尾场景中易失效,如何用模型理解风险而非仅识别目标,如何让通用大模型与智驾实时控车协同而非彼此替代。

3. 政策法规启示:辅助驾驶责任不可模糊,驾驶员须保持注意、随时接管,仿真测试与监管要求是技术上车前提;避险次数、激活率等数据需保持边界意识解读。

4. 商业模式:L2与L4共享数据和工程平台相互反哺,规模换数据、数据换算法、算法换体验,规模本身不天然构成壁垒,高效闭环才是壁垒。

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

Summary: Smart driving is entering its second half; ordinary users should focus most on the safety baseline and practical usage points.

1. Choose cars by safety, not gimmicks: At the million-unit scale, the evaluation logic shifts from 'what else can it do' to 'would I dare use it regularly'; the safety foundation determines long-term trust.

2. Key data: Qianli Haohan G-ASD surpassed 1 million units installed within 18 months, with a 93.9% activation rate, more than 8.9 million cumulative proactive risk-avoidance events, and over 2.4 million AEB emergency braking events.

3. Defensive-driving mindset: Slow down on narrow roads with blind spots; reduce speed early at intersections without signals; when a ball rolls out, anticipate that a child may follow; and increase following distance early around unstable three-wheelers.

4. Practical reminder: Driver assistance is still driver assistance; drivers must stay attentive and be ready to take over at any time. No system is absolutely error-free.

Summary: Competition among smart-driving brands is shifting from feature visibility to safety trust, while price bands and user structure change in tandem.

1. Channels and price bands: Qianli Haohan covers multiple brands and models, including Zeekr, Lynk & Co, Galaxy, and smart, extending from high-end flagships to the mainstream family-car market.

2. Consumer trend: Users are moving from tech early adopters to ordinary families, who care whether they dare use the system for daily commuting and school runs; feature leadership only gets a product into consideration, while safety leadership can win sustained use.

3. User behavior: A 93.9% activation rate shows users are willing to turn on the system, a key dimension for testing experience and trust.

4. Product R&D: Use model content to measure intelligence level; co-build a smart-driving native foundation model with StepFun; adopt a tiered layout of mass-producing one generation, developing the next, and pre-researching the one after.

5. Marketing narrative: Present safety as a complete chain from advance prediction and in-process avoidance to extreme-case fallback, rather than a single braking event.

Summary: Smart driving moving down into mainstream family cars brings growth opportunities, along with clear risk warnings.

1. Growth market: More than 1 million units installed in 18 months, with price bands extending into the mainstream family-car market and coverage across multiple brands and models; scaled demand is being released.

2. Changes in consumer demand: Users care whether they dare use it regularly; the safety baseline has become the entry ticket for scaled competition, and active safety has moved from a bonus to a necessity.

3. Opportunity signals: Real-world road data such as 8.9 million proactive risk-avoidance events and 2.4 million AEB events can serve as trust endorsements; high-speed AEB and AES coverage and 720-degree active safety warnings are selling points.

4. Risk warnings: Cumulative risk-avoidance counts do not equal the number of accidents reduced; activation rate does not mean the system can replace the driver; driver assistance still requires the driver to stay attentive and take over at any time.

5. Learnings: The closed loop of scale for data, data for algorithms, and algorithms for experience, plus the collaboration approach with Geely and StepFun.

Summary: Million-unit-scale installation raises higher requirements for product design, adaptation calibration, and engineering delivery.

1. Production adaptation needs: Sensor configurations, chassis performance, braking distance, and steering characteristics differ across multiple brands and models. Every new model requires development, calibration, testing, and validation; million-unit installation is itself a stress test of engineering capability.

2. Product design needs: Active safety sets up two lines of defense: AEB and AES provide extreme-case fallback, while perception, prediction, planning, and control move risk intervention earlier. Some H3-equipped models support AEB at up to 120 km/h and AES at up to 130 km/h, and include a 720-degree active safety warning system.

3. Digitalization implications: Build a data-flywheel engineering foundation covering data feedback, model training, simulation testing, performance evaluation, and mass-production delivery, delivering technology with controllable cost, stable quality, and continuous iteration.

Summary: The smart-driving industry is shifting from feature competition to safety-foundation competition, creating new needs and new solutions.

1. Industry trend: More than 1 million units installed in 18 months; smart driving is moving from feature availability to scale validation. The first half was about upper limits; the second half is about the baseline, and safety has become the entry ticket.

2. Customer pain points: Long-tail real-world scenarios are hard to enumerate. Children rushing out between parked cars, three-wheelers crossing, and rural dogs darting into the lane are difficult to cover with rule sets; slight changes in lighting, weather, or occlusion can make rules fail.

3. New technology: Use large models and model content to improve full-chain coverage; work with StepFun to integrate real driving data from the pretraining stage and explore frontier directions such as world models and VLA.

4. Solution: Build an active-safety chain connecting perception, prediction, planning, and control; use defensive driving to slow down and avoid risks in advance; and enable capability feedback through a data flywheel and a shared L2/L4 platform.

Summary: The core of a million-unit-scale smart-driving platform is a stable safety baseline and a sustainably operable engineering system.

1. Platform needs and problems: Scale expands from hundreds of test vehicles to millions of users and tens of billions of kilometers. Braking, steering, and chassis characteristics vary greatly across models, and the platform must ensure on-time vehicle integration and stable delivery.

2. Latest approach: Build a data flywheel spanning data feedback, model training, simulation testing, performance evaluation, and mass-production delivery; adopt a tiered mechanism of mass-producing one generation, developing the next, and pre-researching the one after; and share underlying engineering capabilities across the three lines.

3. Operational management: L2 and L4 share data and engineering platforms; L2's scaled scenario accumulation supports L4 training, while L4 capabilities feed back into L2 mass production, forming a closed loop.

4. Risk avoidance: Do not concentrate all risk on a single version; maintain boundary awareness when interpreting safety data; clarify the positioning of driver assistance and do not blur driver responsibility.

Summary: As the smart-driving industry enters the scaling stage, new issues have emerged in competition logic, technology routes, and responsibility boundaries.

1. New industry developments: Qianli Haohan surpassed 1 million units installed in 18 months, covering multiple brands and price bands; the industry is shifting from first-half competition over peak capability to second-half competition over the safety baseline.

2. New questions: Rule-set-based systems tend to fail in long-tail real-world scenarios. How can models understand risk rather than merely identify targets? How can general large models and real-time smart-driving vehicle control collaborate rather than replace each other?

3. Policy and regulatory implications: Driver-assistance responsibility cannot be blurred; drivers must stay attentive and take over at any time. Simulation testing and regulatory requirements are preconditions for technology deployment. Data such as risk-avoidance counts and activation rates must be interpreted with boundary awareness.

4. Business model: L2 and L4 share data and engineering platforms and reinforce each other; scale trades for data, data trades for algorithms, and algorithms trade for experience. Scale itself is not automatically a moat; an efficient closed loop is the moat.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

小朋友突然从停放车辆之间跑出来、快递三轮车毫无预兆地横穿路口、乡村窄路旁小狗冷不丁窜上车道。

这些看似稀松平常的道路场景,对于驾驶员来说,都是需要瞬间反应的危险环节。对于如今广泛使用的智能辅助驾驶系统来说,更是对感知、预判、决策和制动能力的一次综合考试。

这些没有提前写进剧本的真实场景,正在成为千里智驾规模化落地后必须面对的日常。

过去18个月,千里智驾与吉利联合推出的千里浩瀚辅助驾驶系统累计装车突破100万台,产品价格带也从原来的高端旗舰延伸至主流家车市场。

从功能上车到百万辆级应用,千里智驾的发展轨迹,正折射出如今汽车智驾行业竞争逻辑的变化。

当辅助驾驶从少数科技爱好者的尝鲜功能,进入普通家庭的日常出行,峰值能力决定一款产品能否被看见,安全底座则决定它能否被长期使用、赢得广泛信任,并最终成为主流选择。

智驾的上半场,比拼的是“能不能开”:能否上高速、能否进城区、能否自动变道、能否实现从车位到车位。进入下半场,问题则变成了“能不能放心交给它开”。

对千里智驾而言,既是百万辆之后的规模突破,更是一次更严格的安全考试——安全不再是一项锦上添花的功能,而是规模化竞争真正的入场券。

01 智驾进入规模化时代,行业竞争开始“换题”

过去几年,智能驾驶行业一直在尝试做加法。

高速领航、城市NOA、自动泊车、记忆泊车、车位到车位,每增加一个功能,系统的能力边界就向前推进一步。

功能从无到有,覆盖范围从少数城市扩展到全国,消费者越来越能够直观地感受到“车可以自己开”。

这是智驾必须经历的上半场,也是如今智能驾驶能够快速在市场端推进的关键技术普及期。

但随着智驾技术向主流车型下沉,游戏规则正在改变。

彼时,辅助驾驶主要搭载在高端旗舰车型上,用户往往具有较高的科技接受度,也愿意为新功能承担一定的学习成本。如今,辅助驾驶开始全面走向规模更大、需求更多元的普通家庭。对于他们来说,智驾不是用来展示技术先进性的玩具,而是一项每天上下班、接送孩子、长途出行时可能使用的功能。

此时,用户最关心的问题不再是“它还会什么”,而是“我敢不敢经常用”。

这背后是一套完全不同的评价逻辑。

小规模阶段,企业可以依靠某个极限场景、某项峰值能力制造话题;百万辆级阶段,则必须依靠稳定的安全底线建立信任。

换句话说,功能领先可以帮助一套智驾方案进入消费者的选择范围,安全领先才可能让用户真正打开它、持续使用它。

千里智驾的发展轨迹,提供了一个观察这一变化的现实样本。

公开数据显示,千里智驾与吉利联合推出的千里浩瀚G-ASD辅助驾驶系统,在18个月内实现累计装车突破100万台,覆盖极氪、领克、银河、smart等品牌的多款车型,产品价格带也从高端旗舰车型延伸至主流家用车市场。辅助驾驶激活率达到93.9%,累计主动避险超过890万次,其中AEB紧急制动超过240万次。

百万装车不是一个简单的商业规模数字,其背后对应多品牌、多车型、多价位段的适配与交付,不同车型的传感器配置、底盘性能、制动距离、转向特性并不相同,每进入一款新车,都要经历开发、标定、测试和验证。

在「子弹财经」看来,百万装车,本身就是对工程能力的一次高强度压力测试。

其次,93.9%的激活率说明,辅助驾驶不再只是配置表上的一个名词。用户是否愿意打开系统,是检验智驾体验和信任度的重要维度,用户愿意用,才是产品价值真正成立的开始。

更值得关注的是890万次主动避险和240万次AEB紧急制动。这些数字不是封闭测试场中的实验结果,而是车辆在通勤、出游、城区穿行和长途驾驶中不断积累而来。前装规模可以依靠车型合作迅速扩大,但一次次真实避险,只能来自道路上的实际运行。

当然,累计避险次数不能简单等同于事故减少数量,激活率也不等于系统可以替代驾驶员。千里浩瀚G-ASD仍属于辅助驾驶系统,驾驶员必须保持注意并随时准备接管。对安全数据保持边界意识,恰恰是讨论智驾安全时最不可缺少的前提。

在足够强的安全边界之下,这些数据仍然揭示了一个行业趋势:智驾正在从“功能可用”走向“规模验证”。当一套系统面对的不再是几百辆测试车,而是百万用户、数十亿公里道路里程时,真正决定竞争力的,不再只是能力能达到多高,更是能力能否在不同场景中稳定复现。

智驾竞争的题目已经改弦更张:上半场看上限,下半场既要看上限,更要看底线。

02 真正的主动安全,不只是关键时刻“刹得住”

传统语境中的主动安全,常常以AEB能否及时刹停作为主要评判标准。

这当然重要。

譬如文章开头出现的场景——当儿童从车缝中突然冲出、三轮车快速横穿路口、前车因事故突然停下时,车辆必须在极短时间内完成目标识别、风险判断和制动控制。任何一个环节慢了半拍,都可能失去最后的避险窗口。

但对大多数用户来说,更高频的安全体验并不是面对前方车辆变道车辆的紧急制动,而是系统在日常驾驶中是否足够有预见性。

事实上,真正有经验的司机,不会等危险完全暴露后再猛踩刹车。经过城中村窄路时,他会观察路边停放车辆形成的盲区;进入没有信号灯的路口前,他会主动降低车速;看到一颗球滚上道路,他会意识到后面可能追出一个孩子;面对行驶轨迹不稳定的三轮车,他会提前拉开距离。

这些动作未必会被车内乘客注意到,却构成了驾驶安全最重要的部分——防御性驾驶。

成熟的防御性驾驶,需要系统先理解场景,再选择与风险程度相匹配的动作:风险较低时适度减速、扩大安全距离;风险继续上升时调整轨迹、准备避让;只有当碰撞风险迫近时,才启动紧急制动或转向。

因此,在千里智驾的底层逻辑中,一套成熟的主动安全系统,至少应当具备两道防线。

第一道是极限情况下的兜底。当危险已经迫近,系统必须尽快制动或避让,把碰撞风险降到最低。这是车辆配备的AEB、AES等功能承担的任务。

第二道则是把安全关口前移。系统需要根据道路结构、遮挡关系、目标动作以及历史轨迹,判断危险是否可能发生,并提前调整速度、轨迹和安全距离。其目标不是每次都完成一次漂亮的紧急制动,而是尽量不让局面发展到必须急刹的程度。

千里智驾ASD的主动安全更像是一条逐级升级的链路:先发现风险线索,再预测风险走向,随后通过防御性驾驶降低风险;如果危险仍无法解除,最后再由AEB、AES等功能完成极限兜底。

AEB和AES是主动安全体系中的最后执行手段,ASD则负责将感知、预测、规划和控制连接起来,让安全能力贯穿整个驾驶过程。

这也是千里智驾主动安全叙事真正需要建立的认知——安全不是一次制动动作,而是一条从事前预判、事中规避到极限兜底的完整链路。千里智驾ASD要做的,不只是让车在关键时刻“刹得住”,更是让它在日常驾驶中知道什么时候该慢一点、让一点、等一下。

在具体量产车型上,这套安全体系已经体现出更广的干预范围。例如,搭载千里浩瀚H3方案的部分车型可支持最高120公里/小时的AEB紧急制动和最高130公里/小时的AES紧急避让。相关车型此前推出的“720度主动安全预警系统”,也将防护范围从车辆正前方扩展至车内外多个方向。

数字或许不是安全的全部,但它们说明,主动安全的覆盖范围正在从低速、正前方、单一障碍物,逐步扩展到更高车速、更多方向和更复杂的连续风险。

03 系统安全背后是“模型+工程”的战略托举

千里智驾层层安全护航的背后,是智驾技术路线的一次深层变化。

传统智驾系统更像一个高度复杂的规则集合。工程师将道路场景拆分成大量问题,再为不同问题设置对应规则。这套方法在场景有限、功能边界清晰时有效,但真实道路几乎不存在绝对重复的情况。光照、天气、车速、遮挡关系和交通参与者的行为稍有变化,原有规则就可能失效。

主动安全尤其如此。系统不只要识别“前方出现了一颗球”,还要结合常识判断“球后面可能跑出一个孩子”;不只要识别“路口停着一辆车”,还要判断它是否遮挡了横穿道路的行人。

这种未知性和变化感,正对应大模型的价值:将通用常识、语义理解、因果推理和专业驾驶数据结合,让系统从识别目标进一步走向理解风险。

千里智驾将“含模量”作为衡量智驾智能化水平的指标,本质上并不是追求模型数量,而是关注模型在系统全链路中的覆盖程度,以及模型本身的质量。含模量越高,意味着更多驾驶环节由模型驱动,系统也越有可能突破有限规则的边界。

但模型能力并不意味着简单地把通用大模型装进汽车。

通用大模型可以负责理解、推理和泛化;智驾模型则要把这些认知转化为实时决策和精准控车。两者需要协同,而不是彼此替代。

千里智驾与阶跃星辰联合打造智驾原生基座模型,试图从预训练阶段便将真实驾驶数据与通用多模态、常识及推理数据结合,目标是让模型既懂开放世界,也懂驾驶规则和车辆控制,从而提升系统面对陌生风险时的判断能力。

但智驾也不是一门速成的手艺。技术上车,离不开背后的仿真、测试和监管要求。

对一家智驾企业而言,真正困难的从来不是做出一次实验效果,而是把技术突破以可控成本、稳定质量和持续迭代的方式交付出去。

这正是工程体系的重要性。

围绕数据飞轮,千里搭建了覆盖数据回流、模型训练、仿真测试、效果评估和量产交付的工程底座,并采取“量产一代、研发一代、预研一代”的梯次机制:量产版本保障当前体验稳定,研发版本跑通下一阶段技术链路,预研版本探索世界模型、VLA等更前沿的方向。三条线共享底层工程能力,既避免把全部风险押在单一版本上,也为技术持续迭代保留空间。

L2与L4共享数据和工程平台,则构成另一层闭环。L2辅助驾驶通过规模化量产积累广泛场景,L4在限定运营区域内集中攻克高难度问题;L2的数据支持L4训练,L4沉淀的能力再反哺L2量产系统。两条路线不再各自发展,而是在同一套技术底座上相互促进。

从这个角度看,百万装车不仅是一个销量或市场份额数字,更是一套安全系统持续进化的基础设施。

陈奇将其高度概括为“规模换数据、数据换算法、算法换体验”。不过,更准确地说,规模本身并不天然构成壁垒。真正的壁垒,是让规模、数据、模型和工程形成高效闭环。

这也是千里智驾从“功能领先”走向“安全领先”的关键所在。它不仅需要模型团队提升认知与决策上限,也需要整车工程团队理解不同车型的制动、转向与底盘特性,更需要一套能够支撑百万辆车持续升级的组织和工程体系。

对于车企而言,这套能力决定智驾方案能否按时上车、稳定交付;对于用户而言,它最终体现为每一次提前减速、每一次自然避让,以及关键时刻的一次及时刹停。

04 写在最后

智驾的上半场,行业努力证明车辆可以自己开得更远、覆盖更多场景。进入下半场,更重要的是证明系统能够长期、稳定、让人放心地开。

“会开”是一种能力,“让用户敢用、常用”才是一种信任。

从百万装车、93.9%的激活率,到超过890万次主动避险和240万次AEB紧急制动,千里智驾正在用规模效应和真实道路表现,建立从功能能力到安全信任的连接。

当然,辅助驾驶依然是辅助驾驶。任何技术都不应模糊驾驶员的责任,也不存在绝对不会出错的系统。恰恰因为如此,智驾行业更需要把竞争从炫目的峰值能力,拉回稳定、可验证、可持续进化的安全底座。

当智驾进入规模量产时代,安全不再是加分项,而是真正的入场券。

注:文/魏帅,文章来源:子弹财经,本文为作者独立观点,不代表亿邦动力立场。

【版权提示】亿邦动力倡导尊重与保护知识产权。未经许可,任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题,烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至run@ebrun.com,我们将及时沟通与处理。

已点赞

+1

{{ praise_text }}

好文章,值得被更多人看到

FAQ回顾

千里智驾是什么,千里浩瀚辅助驾驶系统覆盖哪些品牌?

千里智驾是智能辅助驾驶技术提供方,与吉利联合推出千里浩瀚G-ASD辅助驾驶系统,覆盖极氪、领克、银河、smart等品牌多款车型,产品价格带从高端旗舰延伸至主流家用车市场。

千里浩瀚G-ASD的装车规模和用户使用数据如何?

千里浩瀚G-ASD在18个月内累计装车突破100万台,辅助驾驶激活率达到93.9%,累计主动避险超过890万次,其中AEB紧急制动超过240万次,覆盖多品牌、多车型和多价位段。

智能驾驶行业为什么从比拼功能转向比拼安全底座?

辅助驾驶正从高端旗舰的尝鲜功能下沉到普通家庭日常出行,用户更关心敢不敢经常用。到了百万辆级规模,功能领先帮助产品被看见,稳定安全底线才能建立信任,让用户真正打开、持续使用并形成主流选择。

千里智驾ASD的主动安全体系与单一AEB有何不同?

单一AEB主要解决危险迫近时的紧急制动;千里智驾ASD强调两道防线,先根据道路结构、遮挡关系、目标动作和历史轨迹预测风险,通过防御性驾驶提前减速、调整轨迹和安全距离,危险仍无法解除时再由AEB、AES完成极限兜底。

千里浩瀚H3方案支持哪些主动安全能力?

搭载千里浩瀚H3方案的部分车型支持最高120公里/小时的AEB紧急制动和最高130公里/小时的AES紧急避让;相关车型还推出720度主动安全预警系统,将防护范围从车辆正前方扩展至车内外多个方向。

广告

下一篇

征集报名《品牌数字化服务商资源手册》

《品牌数字化服务商资源手册》展示数字化服务商风采,亿邦全年零售大会通发,触达更多资源,马上加入!

马上入驻

AI这道必答题 头部跨境企业是如何下笔的?

在各家跨境企业陆续发布的三季度财报中,“AI赋能”成了一种普遍话术。

跨境电商 电商竞争情报

2026-11-17 16:21:59