AiDD研发数字峰会

智能座舱+自动驾驶

本论坛本论坛旨在探讨人工智能技术在新能源汽车领域的应用和发展，为推动新能源汽车产业的智能化升级提供思路和方向。汇集学术界、工业界等各领域相关专家，共同探讨如何利用人工智能技术提高新能源汽车的性能、安全性和智能化水平，以及如何解决当前新能源汽车领域面临的挑战和问题。

出品人：杨超

西北工业大学计算机专业硕士，12年工业界AI研发经验，曾任微软CortanaAl团队核心成员，思必驰企业服务AI技术负责人，出门问问 AI研发总监，地平线智能座舱AI研发经理。 Wenet语音开源社区创始团队成员，目前在彼格镁隆（红西瓜半导体）负责车载语音交互产品研发。

彼格镁隆大模型研发负责人

Agent在智能座舱交互系统中的实践

田川

红西瓜半导体 Agent研发负责人

内容简介：
重点介绍Agent在智能座舱的落地细节，包括落地方案、性能，和发展方向。

演讲提纲：
1.现状痛点与机会
1.1 传统级联方案的局限与LLM带来的机会
1.2 推动变革的关键技术累积
2.技术演进路线和趋势
2.1 传统方案下的语义理解
2.2 基于 LLM 的增强语义理解方案
2.3 从级联方案到 Agent 的演进路线
3.座舱 Agent 引擎核心方案拆解
3.1 以 Agent 为核心引擎的交互系统架构
3.2 上下文管理方案
3.3 记忆管理方案
3.4 面向座舱的 Tools 方案
3.5 技能管理方案
3.6 安全方案设计
4.总结与展望
4.1 当前局限性和未来潜力
4.2 座舱 Agent 的实践建议

听众收益：
1. 了解座舱语音交互系统的发展现状和趋势
2. 详细了解Agent智能体在智能座舱落地的实际实践细节

北京航空航天大学计算机硕士，7年AI开发经验。原地平线机器人智能座舱NLP研发负责人，目前在红西瓜半导体担任智能座舱Agent研发负责人，主导完成了智能座舱交互从传统级联方案到Agent架构的升级。

舱驾一体下的下一代智能座舱人机交互

杨聪

苏州大学地平线智能驾驶生态创新中心主任

内容简介：
传统智能座舱人机交互以多模感知技术为核心，涵盖图像识别（疲劳监测、打电话 / 抽烟行为识别、手势控制）、噪音环境下语音命令词识别及唇语交互、无麦K歌等多模融合应用，实现了基础驾驶场景的人机协同。随着大模型技术的渗透及舱驾一体架构的不断成熟，下一代智能座舱人机交互范式迎来革新，呈现三大核心特征：隐私保护层面，以通感一体为代表的“非视觉”交互降低隐私泄露风险；人机共情层面，GUI-Agent等“高情商”交互载体实现情绪感知与个性化响应；具身智能层面，具身座舱等技术构建“可触摸”的物理交互链路。大模型通过重构交互逻辑，推动智能座舱从功能型交互向安全、共情、具象化的智能协同体验演进。

演讲提纲：
1. 传统智能座舱人机交互及痛点分析
2. 下一代智能座舱人机交互特点及最新成果
3. 舱内外重建及感知最新成果分析
4. 智驾算法的多领域拓展

听众收益：
1. 了解智能驾驶与智能座舱最新技术前沿
2. 对于下一代智能座舱的技术前景分析
3. 国产芯片在智能驾驶中的崛起

苏州大学副教授，苏州大学-地平线智能驾驶生态创新中心主任。博士毕业于德国锡根大学（University of Siegen），研究方向为计算机视觉与模式识别。后在法国国家信息与自动化研究所（INRIA）进行博士后研究，方向集中于计算机视觉并涉及多个学科的交叉。2017年回国，担任地平线高级研究员，带领团队深度参与了地平线征程2-5代芯片在智能驾驶领域的落地与量产，也使得长安UNI-T成为首款搭载国产人工智能芯片的智能汽车。杨聪博士先后在PAMI，IJCV，TVCG, TIP，TITS等国内外知名期刊或会议发表学术论文近80篇，专著2本，主编教材5部，专利近40个（含美国专利4个）。

AI Agent 协作体系：模型驱动智驾软件研发新范式

周小莉

某OEM高级经理

内容简介：
智能驾驶软件的复杂度正呈指数级上升，传统研发模式在需求迭代、仿真测试和团队协作方面遭遇瓶颈。本次分享将深入剖析汽车如何引入多AI Agent协作体系，重塑从需求分析到代码交付的研发生命周期。内容将重点介绍基于大模型的Agent角色定义（如需求分析师Agent、算法工程师Agent、测试工程师Agent）、协作设计，以及其在自动化代码生成、智能仿真场景构建、缺陷自动归因分析等场景的实战案例。通过一线数据与经验，揭示模型驱动研发新范式带来的效率跃迁与质量革新。

演讲提纲：
1. 破局：当智驾软件研发遇见“复杂性墙”
- 智驾算法的演进挑战：智驾算法历经从规则驱动到数据驱动，再至模型驱动的发展阶段。复杂软件研发的本质是多角色、多阶段的协同过程，已超出单一大语言模型（LLM）的认知与执行范畴。
- 单一AI工具的局限性（Why Multi-Agent?）：
- 上下文窗口瓶颈：单次会话无法持有完整研发状态，跨任务上下文容易中断。
- 角色单一性：无法同时承担需求分析、架构设计、编码、测试等多项复杂任务。
- 编排依赖人工：跨系统任务的编排与结果整合需人工干预，产生大量“集成摩擦”。
- 知识难以持久沉淀：每次会话结束后，专业知识无法留存，无法实现跨任务积累。
- 多智能体（Multi - Agent）协作是应对复杂研发的必然趋势：智能体团队（Agent Team）本质上是“软件研发组织结构”的AI数字映射，通过重塑人类研发团队的协作模式，实现多智能体、多任务的高效协同，突破传统研发协作模式在人员效率、迭代周期、质量保障等方面的瓶颈。
2. 重构：多智能体协作体系的设计与构建（SaaM方法论）
- 核心理念：将研发流程拆解为 Agent 的 “技能” 与 “角色”，实现专业化角色分工与自主编排路由。
- 架构设计：AI Agent三层架构模型（从抽象到具体）
- 会话层：实现意图理解、任务路由与多模态接入（IM Bot/Web/CLI/API）
- 技能层：封装特定领域业务逻辑（需求工程、架构设计等），通过System Prompt与上下文工程实现深度专业化。
- 工具层：基于模型上下文协议（MCP）标准，统一接入外部代码仓库、持续集成/持续部署（CI/CD）流水线等，实现AI推理与业务系统的解耦集成。
- 事件驱动运行时： Webhook触发，异步执行，构建四层解耦的集成设计。
- 关键角色定义：
- V左（构建）：需求解析Agent（语义消歧）、RAG知识图谱Agent（历史检索）、单元设计Agent（接口规格）
- V右（验证）：用例生成Agent（正反向用例）、CI/CD集成Agent（变更验证）、根因分析Agent（日志解析）
3. 实战：模型驱动研发的关键场景落地
- 场景一：需求工程AI化- CTS → SRS 自动化管道
- 五步管道全流程：CTS快速解读 → 澄清议题提取 → SRS初稿生成 → 一致性检查 → 根因辅助分析。
- 场景二：从自然语言需求到可执行测试用例的Agent自动化转换
- 基于软件需求规格说明（SRC）文档自动生成正向和反向测试用例，正向测试用例验证功能正确性，反向测试用例验证系统容错性。
- 进行修正条件/判定覆盖（MC/DC）覆盖率分析，提高用例质量。
- 场景三：基于Agent协作的海量仿真场景生成与智能回归筛选
- 场景四：智驾感知/规划模块代码的辅助生成与知识库闭环优化
- AI Coding Agent：涵盖代码生成、智能重构、静态检查与PR自动审查。
- 配合根因分析Agent形成缺陷回溯闭环。根因分析 Agent 如何通过分析代码缺陷，为 AI Coding Agent 提供反馈，实现知识库的持续优化与缺陷的快速修复。
4. 洞见：从效率工具到协作范式的跃迁
- 量化成果：研发效率、代码质量与团队认知负荷等关键指标的变化。
- 落地挑战：
- Agent行为的不确定性治理与人类专家如何高效介入
- 知识资产化：如何将团队经验转化为可复用的AI能力，而非依赖个人经验。
5. 展望：迈向全流程数智化的下一代软件工厂
- AI Agent协作体系如何赋能汽车行业更广泛的产品创新，从智驾软件研发拓展至如智能座舱设计、远控系统开发等
- 从‘好模型’走向‘好系统’：通过工程化手段保障系统的稳定性、可扩展性与安全性，以及如何实现系统的持续优化与进化
- 深化协作智能的实践：进一步挖掘多智能体协作体系中智能体之间的协作机制与博弈逻辑。
- 强化数据治理：规范智能体的行为，保障数据安全与隐私，建立有效的监控与评估机制。
- 输出可推广的工程化最佳实践：总结在AI智能体协作体系建设中的经验，为行业内其他企业提供借鉴。

听众收益：
1. 获取前沿实践蓝图：了解头部主机厂如何利用AI Agent协作体系解决复杂软件工程难题，获得可借鉴的系统架构与落地方案。
2. 掌握效能提升方法：学习将大模型能力嵌入开发流程的具体路径，了解AI辅助编码、测试生成、需求分析的真实收益与挑战。
3. 启发技术管理思路：为研发管理者提供在智能化时代重塑团队协作模式、提升工程师创新效率的新视角与决策依据。

历任某新势力车企高级算法架构师，长期深耕于智能驾驶软件研发一线，主导了多个核心算法与系统工程化项目。专注智驾软件工程化体系建设，探索并落地前沿大模型与多智能体（Multi-Agent）协作框架在智驾软件开发全流程的融合应用。带领团队构建模型驱动的研发协作新范式，覆盖需求分析、算法仿真、代码生成与测试验证全链路，显著提升复杂智驾系统的迭代速度与质量。

AiDD峰会

K+峰会

联系我们