今天小编分享的汽车经验：智能驾驶的前沿热点，进展到哪一步了，欢迎阅读。
撰文 / 玖 零
编辑 / 刘宝华
设计 / 青 青
2023年的智能驾驶市场热闹非凡，前有上海车展的百家争鸣，后有各路玩家你追我赶、相互DISS。
可以看到，智能驾驶已经成为各大主机厂占领市场的必争之地，也是多家供应商纷纷发力的热点。传统主机厂、造车新势力、传统Tier、科技公司、互联网企业、甚至消费电子企业，都在大力布局智能驾驶业务，力争在激烈的汽车智能化赛道上，拥有一席之地。
那么，从去年到今年，智能驾驶行业的热点有哪些？趋势在哪里？什么是全行业在共同推进和探索的？优势和难点是什么？市场现状如何？
本文带着这些问题，逐一盘点并解读智能驾驶的几大热点：城市NOA、去高精地图、去激光雷达、大模型上车、舱驾融合，并从技术和市场层面，给出解读。
城市NOA，进展不及预期
智能驾驶发展至今，城市NOA作为当前量产智能驾驶的最强功能，已经成为行业内的热点，也是各路玩家纷纷布局的重点。
2021年起，在特斯拉、小鹏等头部造车新势力的影响下，各主机厂陆续推出适用于高速公路和城市快速路场景的高速NOA功能；从2022年起，NOA的应用场景从高速推广到城区，得益于"BEV+Transformer"的普及，2023年是城市NOA群雄逐鹿的一年，多家车企发布城市NOA"开城计划"。
目前城市NOA已经成为市场关注的热点，并且陆续搭载在新车型上。根据佐思汽研的数据统计，2023年1-9月，国内乘用车高速NOA的渗透率为6.7%，同比增加2.5个百分点；城市NOA的渗透率为4.8%，同比增加2个百分点。
2021-2023国内乘用车NOA渗透率（数据来源：佐思汽研）
截至2024年1月，已经量产搭载城市NOA的车企主要有小鹏、华为系（极狐、阿维塔、问界）、理想、智己等4家，另外特斯拉在北美推送了城市NOA，而蔚来和魏牌（毫末方案）的城市NOA已经公布正在路测中。根据表1的汇总结果，整体来看，城市NOA的落地进展，距离宣传发布的目标，存在一定差距，没有达到预期，尤其是部分车企曾经号称在2023年底全国可用，实际上目前只落地了有限的几个城市。不过，各家也正在努力推进城市NOA的全面落地，力争在2024年占据更多的市场份额，也值得我们期待。
小鹏将城市导航辅助驾驶命名为城市NGP（Navigation Guide Pilot），在P5、G9、G6、P7i等车型上均有搭载。这4款车型都是搭载激光雷达的车型，并且从G9开始，小鹏的车型都采用前视800万像素双目摄像头，并通过2颗高算力的NVIDIA Orin-X SoC芯片，提供508TOPS的超高AI算力，满足城市NGP的感知和算力要求。
小鹏于2022年9月在广州率先推送城市NGP，是国内最早让城市导航辅助驾驶上车的车企。截至2024年1月，小鹏的城市NGP已经覆盖国内52个城市，包括广州、深圳、上海、苏州、南京、杭州、宁波、北京、天津、成都、西安、武汉、长沙等，也是国内可用范围最广的城市导航辅助驾驶。
小鹏城市NGP的覆盖范围
华为的城市导航辅助驾驶功能称为城市NCA（Navigation Cruise Assist），已经搭载在华为深度参与的极狐、阿维塔和问界系列车型上。极狐、阿维塔车型配置了3颗激光雷达和具备400TOPS算力的华为MDC810计算平台，问界系列车型配置了1颗激光雷达和200TOPS算力的华为MDC610计算平台。截至2024年1月，华为的城市NCA开放了国内6个城市：上海、深圳、广州、杭州、重庆、北京。
华为城市NCA的覆盖范围
理想的城市NOA在其L7、L8、L9三款车型上实现。这三款车型都配置了1颗激光雷达和2颗NVIDIA Orin-X芯片，并且前视双目摄像头和侧视摄像头的像素都高达800万，足以满足L2级智能驾驶的硬體性能要求。截至2024年1月，理想城市NOA已经在北京、上海、广州、深圳、杭州、成都等国内10个城市开通。
理想城市NOA的覆盖范围
智己会在其现有车型L7、LS6、LS7中，全面搭载城市NOA功能，并通过1颗激光雷达和1颗254TOPS算力的NVIDIA Orin-X芯片来实现。不过，智己的城市NOA推送时间较晚（2024年1月），目前只开通了上海1个城市。
特斯拉的城市NOA目前只在北美地区推送，还未进入中国，虽然一直宣称即将在国内推送，但至今还未见身影。蔚来和毫末则还在道路测试阶段，还没有真正开始推送给用户。
去高精地图，目前去不掉
在2023年上海车展，国内多家主机厂与智能驾驶解决方案提供商，纷纷喊出了"去高精地图"的口号：小鹏宣称"城区NGP，2023年6月起不需要高精地图"；理想宣传"AD Max 3.0系统逐步摆脱高精地图"；智己提出"数据驱动道路环境感知模型替代高精地图"；华为直言"ADS 2.0系统不需要高精地图，有图无图都能开"；百度作为高精地图提供商，也提出了"轻地图"的智能驾驶方案；毫末则发出"重感知、轻地图"的声音。
高精地图
业内玩家为何纷纷发声"去高精地图"？主要有以下3点原因：
第一，高精地图的存在，让主机厂和智能驾驶开发者们，严重受限于图商，地图鲜度难以提高。
智能驾驶对高精地图的数据实时性要求很高，也就是需要地图"保鲜"，甚至每日更新一次。而图商的平均更新周期以月或者季度为部門，行业内的平均更新周期是3个月左右，这就导致图商提供的高精地图，难以满足智能驾驶开发的需求。
第二，高精地图的测绘成本高、周期长，提高了整套智能驾驶系统的开发和使用成本。
高精地图由于对精度要求高、信息丰富，因此需要采集的数据量很大，导致相比于普通导航地图，会产生更高的成本，并花费更长的周期。高成本与长周期，与当前智能驾驶行业的降本和快速迭代的趋势，严重不符，所以去高精地图逐渐成为一种趋势。
调研结果显示，分米级高精地图的测绘成本在每公里十元左右的水平，每台车每天可以采集500公里左右的道路数据；厘米级高精地图的测绘成本大约为每公里千元，每台车每天能采集约100公司的道路数据。可见精度提高十倍，产生的测绘成本与周期，会成倍增加甚至指数级增加。
第三，得益于感知算法的进步，传感器的环境感知结果，可以替代高精地图。
正是由于BEV+Transformer的广泛应用，让传感器，尤其是摄像头检测到的环境数据，能够用于构建实时的局部地图，逐渐替代基于先验数据的高精地图。
BEV+Transformer原理
如今已经进入2024年，去高精地图的进展如何？行业内实现完全"去高精地图"了吗？答案似乎是否定的。根据对以上几家公司无图方案的调研，以及行业内其他公司的解决方案，我们发现目前主要通过3种方式，来替代传统的高精地图：
一是实时局部建图，基于传感器信息，通过BEV+Transformer，构建实时的局部地图。这种方法理论上可以完全去掉高精地图，但根据大部分感知算法专家的意见，现阶段的环境感知效果，还达不到传感器与高精地图融合的水平，只能说正在逐步提升，向完全无图靠近。
二是众包地图，即通过已售出车辆收集道路信息，整合来自普通用户的数据，绘制地图。这种方式在前几年就已经有人提出并且正在采用，本质上还是在构建地图，只是不再依赖图商，而是让用户帮助主机厂采集地图数据。
三是轻量化高精地图，是一种精简版的高精地图，精度和信息量介于导航地图与高精地图之间。这种方案可以理解为是一种过渡状态，是综合平衡整体感知定位效果与地图成本之后的结果，实际上仍然需要地图。
通过以上分析，不难看出，去高精地图虽然是主机厂和智能驾驶开发者所推崇的趋势，但目前还没有完全实现。去高精地图，更多的是在摆脱对图商的依赖；而当前的环境感知效果，还不能达到完全无图的水平；现阶段高阶智能驾驶还离不开高精地图，只是绘图的方式在改变，对精度的要求在降低。
去激光雷达，技术路线之争
激光雷达，曾被称为"自动驾驶之眼"，但高昂的成本让大多数车企望而生畏。近几年来，去激光雷达的声音一直存在，而纯视觉感知方案与视觉+激光雷达融合感知方案的技术路线之争，也一直没有停止过。
激光雷达的点云效果
激光雷达一度是国内的高阶智能驾驶，尤其是城市NOA的必备项，国内的头部智驾厂商，也普遍采用摄像头与激光雷达数据融合的方案，实现高阶智能驾驶所要求的精准感知。小鹏、蔚来、理想、阿维塔、问界……都搭载了激光雷达。
与此同时，以特斯拉为代表，也出现了另一种声音：只用摄像头的纯视觉感知方案。
马斯克曾不止一次提出："人类驾驶只用眼睛观察环境，所以根据第一性原理，纯视觉方案才是正确的路线。"而特斯拉作为智能驾驶的先驱者，本身也证实纯视觉方案的可行性。
从目前高阶智驾的搭载情况来看，大部分车型仍然配置了数量不等的激光雷达，只有特斯拉和极越，选择纯视觉方案。
众做周知，特斯拉的视觉感知算法，始终处于行业的领头羊地位，而极越作为百度重点打造的车型，纯视觉的底气自然来源于百度在智能驾驶领網域多年的积淀；其他主机厂和方案商，我们大胆猜测，有没有这样一种可能：采用融合方案不仅是因为融合方案的感知效果更好，更因为对自家的纯视觉感知算法不够自信，以及激光雷达有利于放大车企对智能化的营销效果，所以配置了高成本的激光雷达。
虽然国内大多数高阶智驾车型都搭载了激光雷达，但车载激光雷达作为技术壁垒高、需求前景不明朗的领網域，尤其是近几年成本才逐渐降到万元以下，导致目前存在的供应商非常有限，产品型号也有限，与摄像头、毫米波雷达等传感器相差很大。
目前车载激光雷达供应商主要有速腾聚创、图达通、禾赛科技、Luminar、览沃、Velodyne、Ouster、亮道智能、探维科技、北醒等，以及少数宣称自研的方案商如华为。目前量产上车的激光雷达是半固态激光雷达，从国内的出货量看，速腾聚创、图达通、禾赛三家的激光雷达应用最广。
速腾聚创（Robosense）的激光雷达产品以RS-LIDAR M系列为主，包括M1/M1 Plus/M3等，M1就是在小鹏的车型上配置的激光雷达，M3则是超长距激光雷达，最远能够探测300m距离外的目标物。此外，速腾聚创还有补盲激光雷达产品E1，以及Ruby Plus/Helios/Bpearl等机械旋转式激光雷达。
图达通（Seyond，原Innovusion）将激光雷达产品分为猎鹰系列和云雀系统，猎鹰系列在蔚来的车型上已经搭载，包括猎鹰K和猎鹰Q两款超远距激光雷达；云雀系列则包括远距离激光雷达云雀E和补盲雷达云雀W。
禾赛科技的激光雷达产品包括已经在理想车型上搭载的AT128、最远探测距离400m的超远距激光雷达AT512、机身高度仅25mm的超薄激光雷达ET25，以及补盲雷达FT120和若干机械旋转式雷达产品如Pandar / QT / XT等系列。
大模型上车，行业共识
自从ChatGPT火爆问世，AI大模型就成为不可逆转的潮流，并且被广泛应用于各行各业，当然也包括智能驾驶。大模型让端到端的智能驾驶成为可能，吸引了全行业多个领網域的玩家，并且已经取得了一定的成果。
AI大模型上车已经成为智能驾驶行业的共识，众多玩家都纷纷布局参与其中，其中主机厂、Tier 1、科技公司、芯片公司等不同类型的厂商，分别在不同的方向发力，形成自己在大模型时代的竞争优势，同时也形成了分工明确的合作关系。
主机厂可以直接To C，能够利用自己大量量产车的优势，在真实道路上采集大量数据，用于不断优化自己的AI大模型。同时，主机厂能够利用自己在产业链中的优势和主导地位，充分整合上下游资源。不过，智能驾驶的大模型开发成本高且周期长，对主机厂的资源投入和技术实力有较高的要求，目前传统主机厂通常寻求外部合作，共同开发，而头部的造车新势力则偏向整体自研。蔚来、小鹏、理想、阿维塔、吉利、比亚迪、长城、广汽等企业，目前都有AI大模型的相关布局及应用。
Tier 1作为智能驾驶解决方案的提供者，在大模型上车方面，主要从軟體算法层面做文章。Tier 1通过軟體和算法层面切入，开发智能驾驶的垂網域大模型，为主机厂提供智能驾驶大模型服务，同时打造自己的数据闭环系统，形成一整套完整的大模型生态，例如，BEV+Transformer就是各家Tier 1普遍在开发并推广的大模型解决方案。现阶段，毫末智行与商汤科技，就是提供智能驾驶大模型的典型代表。
毫末智行在2023年4月发布了行业内首个智能驾驶生成式大模型Drive GPT：雪湖·海若。
毫末采用RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习）技术，并引入真实用户数据，从而持续优化认知决策模型。雪湖·海若能够按概率生成多个场景序列，从而将用户最关注的自车行为轨迹量化，输出清晰的决策逻辑链，并通过Drive Language实现场景的Token化表达。雪湖·海若搭载于魏牌新摩卡DHT-PHEV车型，将通过Hpilot 3.0系统实现城市NOH（Navigation on Highway Pilot，导航辅助驾驶）。
毫末智行发布雪湖·海若大模型
商汤科技的AI大模型名为Uni AD，能够将检测、跟踪、建图、预测、规划等不同的算法模块，整合到Transformer的端到端框架中，从而融合不同的计算任务，实现端到端的处理。商汤还构建了面向决策规划算法的数据闭环体系，并建立数据驱动的决策规划算法库，将大数据与决策规划算法融合，通过大模型的处理，让智能驾驶拟人化。
商汤科技Uni AD的优势
科技公司的优势在于丰富的AI技术储备，以及云端资源。早期，国内各大科技公司，已经在通用AI领網域积累了一定的技术沉淀，这些技术积累可以直接转化到智能驾驶方向，从通用大模型，逐步渗透到垂直领網域。科技公司还会利用自身的云端资源，自建云伺服器，提供大量云端资源与配套裝务，供客户调用、开发和布署自己的AI大模型。华为、腾讯、百度阿波罗，是这方面的佼佼者。
芯片公司在大模型时代，仍然聚焦于芯片。通过提供适合布署AI大模型的芯片硬體，芯片公司仍能在大模型的竞争中占有重要地位，例如英伟达、高通、地平线等；同时，芯片公司通常还会提供与芯片配套的、完善的开发工具链，供开发者使用。
舱驾融合，现阶段落地慢
从行泊一体到舱驾融合，集成化已经成为智能汽车的必然趋势，当然也是智能驾驶的必然趋势。舱驾融合已经成为近两年来行业内的热门话题和技术发展的方向，但目前的落地情况，似乎远不如行泊一体来的那么快。
舱驾融合也称为舱驾一体，包括軟體层面的融合和硬體层面的融合：軟體层面的融合主要是在軟體和功能层面，融合智驾与座舱的軟體、数据等，包括更新軟體架构、开发面向服务的架构（SOA）、跨網域打通信息与数据互動、实现智驾与座舱功能联动等；硬體层面的融合主要是硬體形态的融合，是一种直观可见的集成化，将从本质上改变底层軟體与通讯方式，并且具有明显的BOM成本优势。
不同程度的硬體层面舱驾融合方案
可见，軟體层面的舱驾融合，更多融合的是功能与应用，相对容易实现，而硬體层面的融合，则形成了完全一体化的新硬體，开发的工作量与难度较大。目前，硬體层面的融合，存在One-Box、One-Board、One-Chip等不同融合程度的方案。
One-Box方案是将智驾網域的核心板与座舱網域的核心板，集成在同一个網域控制器中，但核心板原本的软、硬體架构都不改变，板间通信方案也不变。One-Box方案有点为了融合而融合的味道，集成度最低，融合的难度也最低。
One-Board方案是将智驾的SoC芯片与座舱的SoC芯片，集成在同一块核心板上，但两块SoC仍然分别处理智驾網域和座舱網域的数据，只是在一块板子上，共用MCU、存储、接口等外围硬體。One-Board方案能够一定程度上提高集成度，减小通讯时延，提升舱驾的整体性能表现；并且，One-Board方案能够有效减少SoC以外的硬體，从而降低系统的BOM成本。
One-Chip方案是在同一块SoC芯片上，同时处理智驾網域和座舱網域的数据，通过在SoC上运行虚拟机，实现智驾和座舱的不同功能模块。One-Chip方案是真正意义上的舱驾融合，集成度最高，能够最大程度地集成智驾網域和座舱網域的硬體，提升舱驾性能表现，并实现最大程度地降本。不过，One-Chip方案的融合难度也最大，目前还少有应用案例。
虽然舱驾融合已经成为行业的共识和智能汽车发展的必然趋势，但现阶段实现的难度较大，短期内，很难有集成度高的舱驾一体方案落地。
从技术维度，对于One-Chip方案，目前已有的SoC芯片，还不能满足舱驾融合的要求，尤其是难以支持舱驾融合所需的综合算力要求（NPU+GPU）；并且One-Chip方案的作業系統布置难度大，智能驾驶軟體通常基于Linux系统或C++实现，而智能座舱軟體则基于QNX系统或Andriod系统，两者难以很好地兼容并存。
而对于One-Box或One-Board方案，由于控制器整体体积变大，对控制器的安装布置，也提出了新的要求；更重要的是，同一控制器内的计算任务成倍增加，造成功耗明显提升，发热量增大，对控制器的散热也是一个挑战。
从市场维度，目前无论是C端还是B端，对舱驾融合的变革意愿都不强，Nice to Have，not Must Have。C端的用户对舱驾融合带来的性能提升和体验改善，难以有直观的感受，区别不大；B端的主机厂则对舱驾融合还没有迫切的要求，并且舱驾融合也涉及到原有的智驾开发部门与座舱开发部门的融合，合二为一会产生一定阻力。
从成本维度，虽然长期来看，舱驾融合能够有效降低系统的成本，尤其是硬體BOM成本，但短期内会产生大量的开发费用，何时能够看到降本的效果，也是一个问题。另外，One-Chip方案中的SoC芯片，一定是高性能的芯片，其成本必然不会低，也会增加开发者的投入。
由于上述存在的这些难点，目前舱驾融合的进展还比较缓慢。One-Box方案由于集成度低、难度低，有少数玩家率先实现，例如特斯拉、小鹏等，但并不普及；One-Board方案对核心板的设计能力要求高，目前实现的案例非常少；One-Chip方案依赖满足要求的高性能SoC芯片，还需要等待芯片厂商的进展，目前更多的是在单颗SoC上实现舱泊一体等简化的融合效果。
现阶段，市场上已经出现的舱驾融合案例主要是特斯拉、小鹏、零束、极越、德赛西威、中科创达等玩家提供的方案。
特斯拉从整车电子电气架构层面规划了One-Box的舱驾融合方案，将分别负责智能驾驶、智能座舱和车内外通讯的3块核心板，集成到1个控制器中，形成中央计算单元。
小鹏提出了与特斯拉相似的One-Box方案，将智驾系统的XPU、中控系统的DCU和仪表系统的ICM整合到同一个網域控制器中，形成舱驾一体網域控制器，打造其"三合一座舱"的概念，并应用在小鹏G9车型上。
零束是国内早期提出舱驾融合概念的方案商之一。零束全力打造的银河全栈3.0架构，在硬體层面由2个高性能计算单元（HPC，High Performance Computing）和4个区網域控制器ZONE组成，其中的1个HPC集成了智能驾驶与座舱功能，但也是One-Box方案；在軟體层面，零束整合了中间件与SOA原子服务层，提供统一的标准化API（Application Programming Interface）接口，便于不同智驾和座舱模块算法的调度与复用。
极越率先提出了智能驾驶"真冗余"的概念：当智能驾驶網域控失效时，座舱網域控可以提供简单的ACC等功能以接管，实现跨網域的冗余策略。某种意义上说，极越算是实现了基于座舱SoC芯片（Qualcomm SA8295）的One-Chip方案，只是智能驾驶的功能过于简单。另外，极越也实现了应用层级（軟體层面）的舱驾融合，即3D人机共驾地图：通过智驾網域和座舱網域的跨網域资源调度，直接可视化显示感知目标结果，提供还原显示的虚拟化驾驶体验。
德赛西威在2022年4月发布了车载智能计算平台Aurora，当时号称行业内首款可量产的车载智能计算平台。在硬體层面，Aurora集成了NIVIDA Orin、Qualcomm SA8295和黑芝麻的华山A1000芯片，属于One-Box的方案；在軟體层面，Aurora能够同时提供智能驾驶、智能座舱与智能网联服务，实现一定程度的"中央计算"。此外，Aurora采用了插拔式的结构形式，可以根据需求伸缩和裁剪算力，满足多样化的计算需求。
中科创达提出了基于高通系列芯片的舱驾融合方案，属于One-Chip方案。中科创达的方案有2套，一是基于Qualcomm SA8295芯片，实现舱泊融合，即智能座舱与智能泊车功能融合，该方案仍然需要另一颗SoC实现智能行车功能，因此不是完全的舱驾融合；二是基于Qualcomm SA8795芯片，实现完全的舱驾融合，但该方案至今还未量产，还处于研发阶段。
从以上的解读内容来看，在过去的2023年，智能驾驶的前沿热点话题不断，但实际进展整体不如宣传的预期：城市NOA开城数量有限，去高精地图没能完全去掉，去激光雷达存在争议，AI大模型有待持续深入，舱驾融合难度大进展慢。
我们也看到，在智能驾驶赛道竞争越来越激烈的当下，2024年，行业内的玩家必然会在这些热点方向，继续发力，通过突破技术难点、降低成本，努力占据更多的市场份额，将前沿热点，最终落地为平民化的应用。
点击阅读原文
▼
