（如果你不喜欢阅读长文，请看图1的知识图谱）
限速80的国道，只能跑66？这是Banyan3.3.0/Cedar（s） 1.4推送后，很多车主反馈的问题，我们通常称之为模型‘不达速’现象，而在春节前蔚来AD团队推出这一版，就是为了解决模型不达速的问题。

过去为什么没有“不达速”？

因为过去大部分方案的纵向控制是由规则写的，本质上它就是一个速度“执行器”，你设置多少，它就开多少，除非前面有车，有障碍物。而横纵一体全模型化后，纵向也全由模型来控制，模型是在“模仿人类在这个场景下会开多快”，而不是“执行指令”。

模型的不达速往往是由于以下原因：

1、 “平均化陷阱”与模仿学习的局限

目前的端到端或混合驱动模型，大多基于人类驾驶数据进行模仿学习（IL）。并不是所有人类司机都会顶着限速80开。

我相信如果你生活在国内的大城市，你应该能理解这个现象，马路的“龟速”车很多。所以在数据集里，有的司机开80，有的开70，有的开60，甚至还有开50的。

模型在训练时，为了降低“Loss”，往往会取一个中间值或平均值。如果大量训练数据在该路段的平均车速只有65-70（可能因为历史时段拥堵或司机习惯），模型就会学着开66，而不是顶着限速跑。这就是模型拟合了人类的平均值。

2、舒适性与横向控制的“木桶效应”

车辆的速度不仅取决于“限速”，还取决于曲率、弯道的舒适性。人类司机过弯时，可能习惯承受0.4g甚至更高的离心力来维持速度。但辅助驾驶系统为了保证绝对舒适，通常会将过弯的侧向加速度严格限制在较低水平，比如0.2-0.3g。

3、置信度不足

如果感知系统对前方的路况判断不是100%确信，比如有阴影、有光线变化、或路边有不规则物体，系统往往会降速来留出更多时间观察。

不过这一次Banyan3.3.0的不达速，我觉得大概率还是因为平均化陷阱导致的。

那该如何解决呢？

似乎写规则的方式最简单，但会带来副作用。

所以最好的办法，还是通过微调模型，通过RL强化学习的方式来解决，但它需要时间。

据我了解，蔚来这一版的修正，并不是通过简单的if else来做的，他们采用了工程上的针对性优化，至于体验如何，升级到新版本的同学可以深度体感受一下。