问题——极限场景如何检验自动驾驶“真本事” 张家界天门山盘山公路全长10.77公里、垂直落差1100米、99道急弯连续交替，兼具陡坡、急弯、隧道明暗变化与易湿滑路面等特征。对自动驾驶系统来说，这类山地赛道并非“单项难题”，而是定位、感知、决策、控制同一时空内的联动极限：山体遮挡易造成卫星定位信号中断，传统依赖定位的方案稳定性下降；弯坡密集要求在毫秒级完成减速、转向、加速的连续决策；光照突变与路面附着变化又对传感器和执行器提出更高鲁棒性要求。能否在高风险、高不确定环境中保持稳定，是衡量技术边界的重要标尺。 原因——从“弯道超车”到“换道超车”的技术选择 不少人习惯以“弯道超车”形容技术突破，但在安全优先的自动驾驶领域，盲目追求激进策略往往伴随不可控风险。清华大学车辆与运载学院、人工智能学院教授李升波认为，更可行的路径是“换道超车”——以更稳健的技术路线穿越约束、积累优势。 这个选择背后，是对国内研发条件与产业规律的清醒判断：一上，高质量实车数据采集成本高、周期长，且极端场景下难以大规模复现；另一上，算法迭代与工程化落地需要可重复、可对比、可验证的训练体系。基于此，自2018年以来，团队前瞻性探索以强化学习为核心的端到端自动驾驶路径，形成“数据不足用仿真补、算力差距用算法超”的思路，确立以仿真数据为主、实车数据为辅，强化学习与模仿学习结合的训练框架，使模型既能从示例中学习基本驾驶，又能通过自主探索持续进化，降低训练成本并提升上限。 影响——极限赛事成为技术与产业的“压力测试” 此次天门山夺冠与刷新纪录的意义，不止于成绩本身。首先，它以可量化的完赛时间与稳定性指标，验证了在超大场景下进行高精位姿估计、复杂道路动态决策与高响应控制的综合能力。备赛过程中，团队曾遭遇“全量加载三维点云地图导致定位频率下降、过弯偏离”的问题，进而提出“跑哪加载哪”的工程化思路，研发局部地图动态加载算法，提升实时定位与运行效率；同时通过车云协同与虚实联合采集数据，把每道弯的切入角度、坡度、摩擦系数等关键要素纳入模型训练，提升小偏差条件下的平顺过弯能力。 其次，这类高阶赛事为行业提供了对标样本：面对定位中断、光照骤变、低附着等典型难点，哪些方法更稳、哪些模块是短板，通过竞赛数据与公开评测更易形成共识，为后续标准化测试与工程改进提供参考。 再次，赛事也把“安全边界”议题推向前台。速度并非唯一指标，更关键的是在不确定环境中保持可预测性与可解释性，避免以“冒险策略”换取短期收益。以稳健方法在极限条件下实现稳定运行，对未来实际道路应用更具启示价值。 对策——以关键技术攻关与育人体系协同破题 面对“复合极限”场景，单点突破难以奏效，需要算法、软件、硬件、测试与人才的系统协同。技术上，团队围绕高精定位、鲁棒感知、实时决策与控制闭环提升，并形成一批核心算法与工具体系，包括具备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、涉及的优化器等，推动全栈神经网络化端到端自动驾驶系统建设，为行业提供可复用的原创方案。 更关键的支撑来自人才培养模式的长期投入。清华大学车辆与运载学院构建“入门体验—能力增强—贯通延伸”的科创培养链条：面向本科新生以沉浸式项目点燃兴趣；依托赛事与科研项目建立分层指导与持续训练机制；再通过方程式车队、电动智能车队等平台提供全栈实战环境，促使学生在真实工程任务中掌握从算法到系统集成、从仿真到实车验证的完整能力。值得关注的是，在国际赛场上出现由校友担任带队教师的多所高校队伍，体现出人才培养与学科生态的外溢效应，形成“校内—校外”的良性循环。 前景——从竞速验证走向安全应用与产业升级 面向未来，极限竞速的经验可为更广泛的交通应用提供技术储备：一是推动“难场景”能力下沉，服务山区道路、隧道群、极端天气等高风险场景的安全出行；二是促进仿真平台、数据闭环与评测体系建设，提升研发效率并降低验证成本；三是带动高可靠传感器、执行器与车云协同基础设施发展，增强系统在信号受限环境中的韧性。 同时也要看到，从赛道到城市道路仍存在差异：开放道路的交通参与者更复杂，法规与伦理要求更严，系统需在安全冗余、失效保护、可解释决策等持续强化。以竞赛为牵引、以安全为底线、以工程化为抓手，才能把技术成果转化为可规模化应用的公共产品。
此次赛事突破不仅是中国自动驾驶技术发展的一个重要里程碑，更是我国高等教育领域科技创新人才培养成果的集中展现；它表明——在关键核心技术领域——坚持自主创新、夯实基础、系统推进的发展路径，同样能够实现从跟跑到并跑再到领跑的跨越。这种以问题为导向、产学研深度融合的创新模式，为我国在新一轮科技革命和产业变革中赢得主动提供了有益借鉴。