「ASTROX全球首發，開創未來出行機器人自動駕駛新范式」

近日，星空計劃汽車在硅谷全球發布會上，首次亮相其將采用的自動駕駛技術方案——來自星河問途 ASTROX 的SEWE Advanced Autonomous Brain

作為面向未來出行機器人打造的新一代自動駕駛系統，SEWE Advanced Autonomous Brain 開創性地以高階智能駕駛系統為核心，打通智能座艙與智能底盤，構建起從用戶意圖理解、環境感知決策到車輛動態控制的系統級閉環架構。該方案不僅為汽車從傳統交通工具進化為未來出行機器人提供了關鍵技術支撐，也為自動駕駛能力進一步向具身智能方向泛化預留了廣闊空間。

以未來視角重構自動駕駛新范式

當前，行業主流智能駕駛系統大多仍聚焦于駕駛本身。無論是規則時代、端到端時代，還是當下備受關注的 VLA 與 World Model 技術路線，其核心目標本質上仍是解決車輛如何更好地完成自動駕駛任務。輸入端主要依賴導航、位姿、GPS、視覺等信息，輸出端則集中于軌跡規劃和控制信號。

在 ASTROX 看來，這一技術范式仍主要建立在“汽車是交通工具”的前提之上，關注的是交通工具如何實現“無人化”或“零接管”。但伴隨智能座艙和智能底盤的快速發展，汽車的本質正在發生變化：它不再只是一個移動載具，而是正在向具備感知、理解、決策、執行和交互能力的未來出行機器人演進。

因此，作為未來出行機器人的決策大腦，自動駕駛系統不能只解決“怎么開車”的問題，更應站在全局視角，重新思考智能駕駛與智能座艙、智能底盤之間的協同關系。只有真正打通座艙交互、駕駛決策與底盤執行，汽車作為未來出行智能體的潛力和優勢才有可能被充分釋放。

ASTROX 認為，面向未來的智能駕駛系統，至少需要具備三項核心能力：

第一，是具備“自主思想”的能力。系統不僅能夠推理、決策，還能夠將推理與決策過程以可解釋、可視化的方式呈現出來，從而增強用戶對智能駕駛系統的理解與信任。

第二，是具備“自主學習”的能力。這種學習不應僅停留在模仿人類老司機的層面。單純的模仿學習存在明顯能力上限，理想的智能駕駛系統應能夠像人類一樣舉一反三，在面對從未見過的復雜場景和 Corner Case 時，依然具備有效應對與持續進化的能力。

第三，是具備“協作人類”的能力。智能駕駛的終極目標不是替代人，而是賦能人，讓更多人能夠更輕松地享受駕駛樂趣，或更安心地享受沿途風景?；谶@一理念，智能駕駛系統需要聽懂人類的自然語言，理解駕駛員與其他交通參與者的意圖，并充分調動智能底盤能力，滿足不同場景下的駕駛需求。

這三項能力背后，意味著智能駕駛系統不應只是一個駕駛輔助工具，而更應像一個類似“賈維斯”的智能大腦：一個有思想的大腦，一個會學習的大腦，一個懂協作、會調度資源的大腦。

這個大腦，正是SEWE Advanced Autonomous Brain

SEWE Advanced Autonomous Brain 主要由三大系統構成。

System 1 是面向座艙交互的任務理解系統。

該系統通過大語言模型與 AI 智能體，不僅能夠精準識別用戶語音指令，還能夠將自然語言指令拆解為智能駕駛系統可接收、可處理、可執行的具體任務。同時，System 1 也為未來接入更多 Skill 能力預留了空間，使車輛能夠圍繞人類指令完成更復雜的任務。這標志著智能駕駛系統向真正理解現實世界、聽懂人類駕駛意圖邁出了關鍵一步。

System 2 是以大模型為核心的智能駕駛決策系統。

該系統創新集成了 VLM 模型與端側世界模型，在保障系統高效運行、滿足即時響應需求的同時，實現端側快速預測與決策，讓整體智能駕駛體驗更加流暢、自然、聰明。與此同時，System 2 引入思維鏈（CoT）等技術，顯著提升智能駕駛推理與決策過程的可解釋性，讓用戶能夠更清晰地理解系統如何從感知走向判斷，再走向行動。

System 3 是面向車輛執行的智能控制系統。

該系統創新性率先采用模型預測控制（MPC），將智能底盤多執行器的協同控制納入統一優化框架進行集成控制。它不僅能夠與 System 2 輸出的多模態軌跡和控制指令高度適配，更能在車輛動力學強約束條件下，以最優控制解的方式最大限度釋放智能底盤的極限性能，也為賽道版智能輔助駕駛、人機共駕等創新體驗提供了新的技術可能。

通過三大系統的協同，SEWE Advanced Autonomous Brain 實現了智能座艙、智能駕駛與智能底盤之間的深度融合，為汽車真正進化為未來出行機器人提供了系統級架構支撐。

從第一性原理出發拒絕路線之爭

自動駕駛技術路線經歷了規則時代、二段式端到端、一段式端到端，再到當下的 VLA 與 World Model。近年來，技術快速迭代，也伴隨著大量關于技術路線優劣的爭論。面對這些技術路線，ASTROX 選擇回到智能駕駛的第一性原理，以持續提升自動駕駛能力上限為目標，堅定選擇面向未來的系統級最優解。

在感知層面，從第一性原理出發，系統能夠接觸到的物理世界越多、獲得的信息越全面，最終做出的規劃和決策表現就越好。因此，SEWE Advanced Autonomous Brain 在開發之初便優先采用激光雷達版本方案，而非純視覺方案，從而顯著提升系統在惡劣天氣、復雜光照等條件下的“能見度”。在近日的硅谷全球發布會上，星空計劃汽車與合作伙伴聯合開發的一款旗艦級激光雷達產品DHX1，支持最高4320線全彩4K超高清感知，最遠測距可達600米，10%反射率下測距仍達400米，可清晰識別300米內的水馬、280米內的小動物等細小目標。

在 VLA 與 World Model 的運用和選擇上，ASTROX 認為二者在當前階段并非相互替代關系，而應是相互融合、互為補充的關系。因此，在端側，SEWE Advanced Autonomous Brain 集成VLM/VLA大模型能力，并搭配輕量化端側世界模型，以兼顧實時性、泛化能力與決策效率；在云端，則構建以世界模型為核心的數據閉環體系。基于真實物理世界場景，云端世界模型可進行極端長尾場景下的仿真場景生成、未來場景預測和場景補全，并結合強化學習獎勵模型，對仿真生成的多模態軌跡進行評價，從而大幅提升模型訓練效率與可控性。

這使得 SEWE Advanced Autonomous Brain 不局限于某一單點技術路線，而是通過端側模型能力、云端世界模型、強化學習與數據閉環的協同，持續拓展自動駕駛系統的能力邊界。

為迭代效率引入更多AI Agent

面向自動駕駛系統的持續進化，ASTROX 在云端進一步搭建了SEWE Self-Evolving Flywheel Framework，即自進化飛輪框架。

該框架通過云端世界模型和強化學習模型，使 SEWE Advanced Autonomous Brain 具備持續自我學習和自我進化的能力。系統不僅能夠從真實物理世界中不斷吸收高價值場景數據，也能夠通過云端世界模型進行更復雜、更極端場景的仿真訓練，從而學習真實世界中的物理交互規律，并在持續迭代中提升復雜場景應對能力。

與此同時，ASTROX 在整個數據閉環中量身定制了一整套 AI Agent 引擎，包括高價值數據自動挖掘、自動化數據標注、融合檢索增強生成等能力。通過將多類 AI Agent 接入數據閉環工作流，系統能夠顯著提升從數據發現、數據處理、數據理解到模型訓練的全鏈路效率，大幅加速 SEWE Advanced Autonomous Brain 的自我進化與版本迭代。

對于下一代智能駕駛系統而言，數據閉環效率正在成為決定系統進化速度的關鍵變量。ASTROX 通過世界模型、強化學習與 AI Agent 的深度結合，正在構建一套面向未來的自動駕駛自進化基礎設施。

SEWE Advanced Autonomous Brain 背后的研發團隊

SEWE Advanced Autonomous Brain 的背后，是星河問途 ASTROX 在人工智能與自動駕駛領域的長期技術積累。

星河問途 ASTROX 核心團隊源自國內自動駕駛第一梯隊，擁有從算法、系統到產品的全棧技術能力，以及規?；慨a的實戰經驗。團隊在自動駕駛算法研發、系統解決方案搭建、高階智能駕駛工程化落地等領域具備深厚積累。星河問途總裁孫曉龍長期深耕自動駕駛行業，主導完成了多項從 0 到 1 的突破性工作，包括業內領先的 BEV 感知算法、VLM / VLA 大模型等，成功助力多家主機廠的高階智能輔助駕駛系統進入行業第一梯隊。

從算法到系統，從系統到產品，從產品到未來出行機器人架構，ASTROX 團隊正在以全棧技術能力和工程化落地經驗，推動自動駕駛從單一駕駛功能競爭，邁向多系統協同、智能化決策與持續自我進化的新階段。面向未來，ASTROX 將持續推動 SEWE Advanced Autonomous Brain 在高階智能駕駛領域的技術迭代與場景落地，助力汽車從傳統交通工具進化為真正具備感知、理解、決策、執行與協作能力的未來出行機器人。