S7的正确观看方式重点可都在这呢!
湖南张家界天门山，一条全长10.77公里、垂直落差1100米、拥有99道急弯的盘山公路蜿蜒于群峰之间。
2025年10月，清华大学极限竞速战队的人工智能(AI)赛车以16分10秒838在这条赛道上完赛，夺得HitchOpen世界AI竞速锦标赛总冠军，开创了AI自动驾驶赛车挑战极限山地赛道的世界纪录。
忆及这场AI竞速的“开山之战”，清华大学车辆与运载学院、人工智能学院教授李升波对
作为清华极限竞速战队的核心指导教师，他分析称，天门山赛道构成了一个罕见的“复合极限”测试场：山体遮挡导致卫星定位信号频繁中断，传统方式极易失效；陡坡与急弯密集交替，要求AI在毫秒内完成减速、转向、加速的连续精准决策；加之路面湿滑、隧道明暗急剧变化，对传感器的稳定感知与执行器的快速响应修正提出了苛刻要求。
面对挑战，清华团队进行了一系列关键技术攻关。备赛初期，赛车曾因全量加载三维点云地图导致定位频率骤降，过弯时偏离路线。团队由此提出“跑哪加载哪”的思路，创新开发局部地图动态加载算法，实现超大场景下的实时高精位姿估计。同时，团队通过车云协同、虚实联合的方式采集数据，将每道弯的切入角度、道路坡度、地面摩擦系数等融入模型，使赛车在小偏差范围内平顺过弯。
亮眼成绩的背后，是技术路径的深刻抉择。人们常说“弯道超车”，但李升波对此却持审慎态度。他认为，在安全至上的自动驾驶领域，“弯道超车”往往伴随不可控的高风险，而换一条行驶路径稳扎稳打、快速前进才是更有效的策略。
“我们做出的许多努力，实际上是在探索‘换道超车’的可能。”他说。
自2018年起，清华大学科研团队便前瞻性地探索以强化学习为核心的端到端自动驾驶新路径。为破解国内在数据与算力方面的现实瓶颈，团队提出了“数据不足仿真‘补’，算力落后算法‘超’”的自主思路，正式确立了以仿真数据为主、以实车数据为辅，强化学习与模仿学习相结合的训练路径。
李升波介绍，与当时行业主流依赖海量实车数据的模仿学习方案相比，这条路径利用仿真数据显著降低了训练成本，并借助强化学习使模型具备了通过自主探索持续进化的更高潜力。基于此，清华团队研发出具有低通滤波能力的神经网络模型架构、值分布式强化学习算法、保辛神经网络优化器等系列核心算法与软件工具，最终推出了国内首套全栈神经网络化的端到端自动驾驶系统，为行业提供了原创性的技术突破方案。
支撑“换道超车”的根本力量，在于人才培养模式的系统性革新。
从面向本科新生的“芯动计划”——以“一周造出智能小车”的沉浸式体验完成科创启蒙，到依托“挑战杯”构建的“项目导师+科协小导”进阶式科研训练体系，再到方程式车队、电动智能车队等提供全栈技术实战的平台，清华大学车辆与运载学院以“入门体验-跨越增强-贯通延伸”的完整科创培养链条，打造教育科技人才一体化的育人生态。
令李升波印象深刻的是，在HitchOpen世界AI竞速锦标赛现场，不少参赛队伍的带队教师正是由清华大学车辆与运载学院培养、如今已在其他高校任教的校友。
“那一刻我深切感受到，一种深耕实业、科技报国的匠心与一份自强不息、行胜于言的风骨，正在接力传承。从‘芯动’点燃火种，到‘挑战杯’锤炼能力，再到国际赛场实现突破，我们构建的是一个能够不断自我革新、持续输送人才的‘校内-校外’大循环。”他说。
在这一循环系统中，极限赛事是最高阶的实践课堂。在清华大学车辆与运载学院学子、极限竞速战队核心成员吕尧看来，AI算法必须置于真实甚至极限场景中，才能充分检验其有效性和鲁棒性。
他进一步阐释了“天门山经验”的现实价值：为应对山区复杂环境的信号遮挡，团队开发的感知-定位融合技术可使车辆依靠自身传感器实现高实时、高精度航迹推算；针对极端场景开发的端到端决策控制算法，能够提升车辆在爆胎、路面突然湿滑等危急情况下的稳定控制能力，为智能驾驶安全上限的提升提供了新思路。
然而，自动驾驶技术的快速发展，并未掩盖其在极限行驶能力上与人类之间的差距。
此次AI赛车在天门山跑出16分10秒838的成绩之前，法国FI赛车手RomainDumas已于6年前在同一赛道上跑出7分38秒585的纪录。
“这一对比直观表明，在极限道路工况下，AI的感知、决策、控制能力与人类最高水平仍有显著差距。”李升波指出，这为未来的教学实践、科技创新、人才培养提供了广阔的探索空间。
目光放远，他将“产学研用”看作一条河流——高校的前沿探索与人才孵化如同上游活水，源源不断地为中下游产业输送创新技术和新鲜血液。
“拓展这条‘河流’的长度和宽度是研究型大学的责任。”李升波说，“如果这些涓涓细流最终能汇入浩瀚大海，那便是我们作为教育者最大的幸福与骄傲。”
记者曾玥
来源：
