乐道官方公布 AEB 自动紧急制动避险统计数据,乐道 AEB 累计避险总量接近 70 万次,其中采用端到端智驾技术之后的 7 个月时间里,新增避险次数达到 32 万次,数据体现端到端 AEB 识别能力、触发响应效率相比之前版本有明显提升。端到端 AEB 把感知、预测、决策、制动控制整合在一套模型链路里,减少传统多模块拆分带来的信息损耗,对非机动车、行人、异形障碍物、横穿目标识别更稳,在城市复杂路口、鬼探头这类场景发挥作用更多,所以短期内避险次数上涨明显。数据统计包含车辆识别风险、触发 AEB 介入成功规避碰撞的场景,低速城市道路是避险高发场景,高速、快速路避险占比相对更少。

AEB 避险统计核心清单
- 乐道 AEB 累计避险总次数:近 70 万次
- 端到端技术上线后 7 个月新增避险:32 万次
- 核心优势:端到端链路减少模块传递延迟,复杂障碍物识别更强
- 高频场景:城市道路、路口鬼探头、非机动车横穿、行人横穿
- 统计口径:成功触发 AEB、规避碰撞的记录,不含预警未制动、制动后仍发生碰撞案例
传统 AEB 与乐道端到端 AEB 对比表
| 方案类型 | 链路逻辑 | 优势 | 短板 |
|---|---|---|---|
| 传统模块化 AEB | 感知→检测→预测→决策→控制,多模块分步传递 | 技术成熟,调试简单 | 模块之间信息损耗,异形障碍物识别偏弱 |
| 乐道端到端 AEB | 单模型直接输出制动控制指令 | 链路短、响应更快,对不规则目标识别更好 | 对模型训练数据、算力要求更高 |
数据解读步骤
- 确认统计口径:乐道 AEB 避险次数统计的是成功避险,不是单纯预警次数,发生碰撞的案例不计入。
- 拆分时间维度:32 万次是端到端上线之后 7 个月新增,对比上线前,避险频次提升幅度直观。
- 区分场景差异:大部分避险发生在城市低速路段,高速场景 AEB 更多用来减轻损伤,很难完全规避。
- 理解技术逻辑:端到端不是绝对不会出错,只是对复杂、非常规目标识别能力提升。
- 理性看待数据:避险次数和车辆保有量、用户行驶里程强相关,不能单独拿次数直接横向对比其他品牌。
重点解读要点
- 避险次数是车辆后台上报统计数据,是大量车辆在路上持续运行累积出来的结果。
- AEB 属于辅助安全功能,不是自动驾驶,驾驶员依然需要全程负责观察路况。
- 端到端版本的增长,一方面是识别能力变强,另一方面乐道车辆保有量也在同步增长,两个因素共同推高避险数量。
- 雨雪、逆光、遮挡严重的恶劣环境,AEB 识别能力会下降,不能完全依赖。
【相关 FAQ】
问题 1:乐道 AEB 累计避险多少次,端到端阶段新增多少?
回答 1:乐道 AEB 累计避险接近 70 万次,端到端技术落地后的 7 个月内,新增避险 32 万次。
问题 2:乐道端到端 AEB 和传统 AEB 主要差别在哪?
回答 2:乐道端到端 AEB 把感知、预测、决策、制动控制整合为一条模型链路,减少信息传递损耗,对鬼探头、非机动车、异形障碍物识别表现更好,传统 AEB 是分模块分步处理。
问题 3:乐道 AEB 避险数据是不是代表遇到危险都能刹住?
回答 3:乐道 AEB 属于辅助安全功能,受车速、路况、天气影响,不是所有危险场景都能避险,驾驶员必须保持注意力,不能依赖 AEB。
问题 4:乐道 AEB 避险次数可以直接拿来和别的品牌对比吗?
回答 4:不建议直接对比,乐道 AEB 避险统计口径、品牌车辆保有量、用户行驶里程都不一样,单纯对比避险次数并不公平。
【参考资料】
[2026-11-04](乐道公布 AEB 避险数据:累计避险近 70 万次)汽车之家
[2026-11-04](乐道端到端 AEB 7 个月新增避险 32 万次)懂车帝
[2026-11-04](乐道智驾 AEB 数据解读)36 氪
【免责声明】
数据为乐道官方后台统计,统计口径为 AEB 成功避险记录;AEB 仅为辅助安全配置,无法覆盖全部危险场景,实际行车安全仍由驾驶员主导,该数据仅用于技术趋势参考,不代表绝对安全能力承诺。
