今天小編分享的汽車經驗：智能駕駛的前沿熱點，進展到哪一步了，歡迎閲讀。
撰文 / 玖 零
編輯 / 劉寶華
設計 / 青 青
2023年的智能駕駛市場熱鬧非凡，前有上海車展的百家争鳴，後有各路玩家你追我趕、相互DISS。
可以看到，智能駕駛已經成為各大主機廠占領市場的必争之地，也是多家供應商紛紛發力的熱點。傳統主機廠、造車新勢力、傳統Tier、科技公司、互聯網企業、甚至消費電子企業，都在大力布局智能駕駛業務，力争在激烈的汽車智能化賽道上，擁有一席之地。
那麼，從去年到今年，智能駕駛行業的熱點有哪些？趨勢在哪裏？什麼是全行業在共同推進和探索的？優勢和難點是什麼？市場現狀如何？
本文帶着這些問題，逐一盤點并解讀智能駕駛的幾大熱點：城市NOA、去高精地圖、去激光雷達、大模型上車、艙駕融合，并從技術和市場層面，給出解讀。
城市NOA，進展不及預期
智能駕駛發展至今，城市NOA作為當前量產智能駕駛的最強功能，已經成為行業内的熱點，也是各路玩家紛紛布局的重點。
2021年起，在特斯拉、小鵬等頭部造車新勢力的影響下，各主機廠陸續推出适用于高速公路和城市快速路場景的高速NOA功能；從2022年起，NOA的應用場景從高速推廣到城區，得益于"BEV+Transformer"的普及，2023年是城市NOA群雄逐鹿的一年，多家車企發布城市NOA"開城計劃"。
目前城市NOA已經成為市場關注的熱點，并且陸續搭載在新車型上。根據佐思汽研的數據統計，2023年1-9月，國内乘用車高速NOA的滲透率為6.7%，同比增加2.5個百分點；城市NOA的滲透率為4.8%，同比增加2個百分點。
2021-2023國内乘用車NOA滲透率（數據來源：佐思汽研）
截至2024年1月，已經量產搭載城市NOA的車企主要有小鵬、華為系（極狐、阿維塔、問界）、理想、智己等4家，另外特斯拉在北美推送了城市NOA，而蔚來和魏牌（毫末方案）的城市NOA已經公布正在路測中。根據表1的匯總結果，整體來看，城市NOA的落地進展，距離宣傳發布的目标，存在一定差距，沒有達到預期，尤其是部分車企曾經号稱在2023年底全國可用，實際上目前只落地了有限的幾個城市。不過，各家也正在努力推進城市NOA的全面落地，力争在2024年占據更多的市場份額，也值得我們期待。
小鵬将城市導航輔助駕駛命名為城市NGP（Navigation Guide Pilot），在P5、G9、G6、P7i等車型上均有搭載。這4款車型都是搭載激光雷達的車型，并且從G9開始，小鵬的車型都采用前視800萬像素雙目攝像頭，并通過2顆高算力的NVIDIA Orin-X SoC芯片，提供508TOPS的超高AI算力，滿足城市NGP的感知和算力要求。
小鵬于2022年9月在廣州率先推送城市NGP，是國内最早讓城市導航輔助駕駛上車的車企。截至2024年1月，小鵬的城市NGP已經覆蓋國内52個城市，包括廣州、深圳、上海、蘇州、南京、杭州、寧波、北京、天津、成都、西安、武漢、長沙等，也是國内可用範圍最廣的城市導航輔助駕駛。
小鵬城市NGP的覆蓋範圍
華為的城市導航輔助駕駛功能稱為城市NCA（Navigation Cruise Assist），已經搭載在華為深度參與的極狐、阿維塔和問界系列車型上。極狐、阿維塔車型配置了3顆激光雷達和具備400TOPS算力的華為MDC810計算平台，問界系列車型配置了1顆激光雷達和200TOPS算力的華為MDC610計算平台。截至2024年1月，華為的城市NCA開放了國内6個城市：上海、深圳、廣州、杭州、重慶、北京。
華為城市NCA的覆蓋範圍
理想的城市NOA在其L7、L8、L9三款車型上實現。這三款車型都配置了1顆激光雷達和2顆NVIDIA Orin-X芯片，并且前視雙目攝像頭和側視攝像頭的像素都高達800萬，足以滿足L2級智能駕駛的硬體性能要求。截至2024年1月，理想城市NOA已經在北京、上海、廣州、深圳、杭州、成都等國内10個城市開通。
理想城市NOA的覆蓋範圍
智己會在其現有車型L7、LS6、LS7中，全面搭載城市NOA功能，并通過1顆激光雷達和1顆254TOPS算力的NVIDIA Orin-X芯片來實現。不過，智己的城市NOA推送時間較晚（2024年1月），目前只開通了上海1個城市。
特斯拉的城市NOA目前只在北美地區推送，還未進入中國，雖然一直宣稱即将在國内推送，但至今還未見身影。蔚來和毫末則還在道路測試階段，還沒有真正開始推送給用户。
去高精地圖，目前去不掉
在2023年上海車展，國内多家主機廠與智能駕駛解決方案提供商，紛紛喊出了"去高精地圖"的口号：小鵬宣稱"城區NGP，2023年6月起不需要高精地圖"；理想宣傳"AD Max 3.0系統逐步擺脱高精地圖"；智己提出"數據驅動道路環境感知模型替代高精地圖"；華為直言"ADS 2.0系統不需要高精地圖，有圖無圖都能開"；百度作為高精地圖提供商，也提出了"輕地圖"的智能駕駛方案；毫末則發出"重感知、輕地圖"的聲音。
高精地圖
業内玩家為何紛紛發聲"去高精地圖"？主要有以下3點原因：
第一，高精地圖的存在，讓主機廠和智能駕駛開發者們，嚴重受限于圖商，地圖鮮度難以提高。
智能駕駛對高精地圖的數據實時性要求很高，也就是需要地圖"保鮮"，甚至每日更新一次。而圖商的平均更新周期以月或者季度為部門，行業内的平均更新周期是3個月左右，這就導致圖商提供的高精地圖，難以滿足智能駕駛開發的需求。
第二，高精地圖的測繪成本高、周期長，提高了整套智能駕駛系統的開發和使用成本。
高精地圖由于對精度要求高、信息豐富，因此需要采集的數據量很大，導致相比于普通導航地圖，會產生更高的成本，并花費更長的周期。高成本與長周期，與當前智能駕駛行業的降本和快速迭代的趨勢，嚴重不符，所以去高精地圖逐漸成為一種趨勢。
調研結果顯示，分米級高精地圖的測繪成本在每公裏十元左右的水平，每台車每天可以采集500公裏左右的道路數據；厘米級高精地圖的測繪成本大約為每公裏千元，每台車每天能采集約100公司的道路數據。可見精度提高十倍，產生的測繪成本與周期，會成倍增加甚至指數級增加。
第三，得益于感知算法的進步，傳感器的環境感知結果，可以替代高精地圖。
正是由于BEV+Transformer的廣泛應用，讓傳感器，尤其是攝像頭檢測到的環境數據，能夠用于構建實時的局部地圖，逐漸替代基于先驗數據的高精地圖。
BEV+Transformer原理
如今已經進入2024年，去高精地圖的進展如何？行業内實現完全"去高精地圖"了嗎？答案似乎是否定的。根據對以上幾家公司無圖方案的調研，以及行業内其他公司的解決方案，我們發現目前主要通過3種方式，來替代傳統的高精地圖：
一是實時局部建圖，基于傳感器信息，通過BEV+Transformer，構建實時的局部地圖。這種方法理論上可以完全去掉高精地圖，但根據大部分感知算法專家的意見，現階段的環境感知效果，還達不到傳感器與高精地圖融合的水平，只能説正在逐步提升，向完全無圖靠近。
二是眾包地圖，即通過已售出車輛收集道路信息，整合來自普通用户的數據，繪制地圖。這種方式在前幾年就已經有人提出并且正在采用，本質上還是在構建地圖，只是不再依賴圖商，而是讓用户幫助主機廠采集地圖數據。
三是輕量化高精地圖，是一種精簡版的高精地圖，精度和信息量介于導航地圖與高精地圖之間。這種方案可以理解為是一種過渡狀态，是綜合平衡整體感知定位效果與地圖成本之後的結果，實際上仍然需要地圖。
通過以上分析，不難看出，去高精地圖雖然是主機廠和智能駕駛開發者所推崇的趨勢，但目前還沒有完全實現。去高精地圖，更多的是在擺脱對圖商的依賴；而當前的環境感知效果，還不能達到完全無圖的水平；現階段高階智能駕駛還離不開高精地圖，只是繪圖的方式在改變，對精度的要求在降低。
去激光雷達，技術路線之争
激光雷達，曾被稱為"自動駕駛之眼"，但高昂的成本讓大多數車企望而生畏。近幾年來，去激光雷達的聲音一直存在，而純視覺感知方案與視覺+激光雷達融合感知方案的技術路線之争，也一直沒有停止過。
激光雷達的點雲效果
激光雷達一度是國内的高階智能駕駛，尤其是城市NOA的必備項，國内的頭部智駕廠商，也普遍采用攝像頭與激光雷達數據融合的方案，實現高階智能駕駛所要求的精準感知。小鵬、蔚來、理想、阿維塔、問界……都搭載了激光雷達。
與此同時，以特斯拉為代表，也出現了另一種聲音：只用攝像頭的純視覺感知方案。
馬斯克曾不止一次提出："人類駕駛只用眼睛觀察環境，所以根據第一性原理，純視覺方案才是正确的路線。"而特斯拉作為智能駕駛的先驅者，本身也證實純視覺方案的可行性。
從目前高階智駕的搭載情況來看，大部分車型仍然配置了數量不等的激光雷達，只有特斯拉和極越，選擇純視覺方案。
眾做周知，特斯拉的視覺感知算法，始終處于行業的領頭羊地位，而極越作為百度重點打造的車型，純視覺的底氣自然來源于百度在智能駕駛領網域多年的積澱；其他主機廠和方案商，我們大膽猜測，有沒有這樣一種可能：采用融合方案不僅是因為融合方案的感知效果更好，更因為對自家的純視覺感知算法不夠自信，以及激光雷達有利于放大車企對智能化的營銷效果，所以配置了高成本的激光雷達。
雖然國内大多數高階智駕車型都搭載了激光雷達，但車載激光雷達作為技術壁壘高、需求前景不明朗的領網域，尤其是近幾年成本才逐漸降到萬元以下，導致目前存在的供應商非常有限，產品型号也有限，與攝像頭、毫米波雷達等傳感器相差很大。
目前車載激光雷達供應商主要有速騰聚創、圖達通、禾賽科技、Luminar、覽沃、Velodyne、Ouster、亮道智能、探維科技、北醒等，以及少數宣稱自研的方案商如華為。目前量產上車的激光雷達是半固态激光雷達，從國内的出貨量看，速騰聚創、圖達通、禾賽三家的激光雷達應用最廣。
速騰聚創（Robosense）的激光雷達產品以RS-LIDAR M系列為主，包括M1/M1 Plus/M3等，M1就是在小鵬的車型上配置的激光雷達，M3則是超長距激光雷達，最遠能夠探測300m距離外的目标物。此外，速騰聚創還有補盲激光雷達產品E1，以及Ruby Plus/Helios/Bpearl等機械旋轉式激光雷達。
圖達通（Seyond，原Innovusion）将激光雷達產品分為獵鷹系列和雲雀系統，獵鷹系列在蔚來的車型上已經搭載，包括獵鷹K和獵鷹Q兩款超遠距激光雷達；雲雀系列則包括遠距離激光雷達雲雀E和補盲雷達雲雀W。
禾賽科技的激光雷達產品包括已經在理想車型上搭載的AT128、最遠探測距離400m的超遠距激光雷達AT512、機身高度僅25mm的超薄激光雷達ET25，以及補盲雷達FT120和若幹機械旋轉式雷達產品如Pandar / QT / XT等系列。
大模型上車，行業共識
自從ChatGPT火爆問世，AI大模型就成為不可逆轉的潮流，并且被廣泛應用于各行各業，當然也包括智能駕駛。大模型讓端到端的智能駕駛成為可能，吸引了全行業多個領網域的玩家，并且已經取得了一定的成果。
AI大模型上車已經成為智能駕駛行業的共識，眾多玩家都紛紛布局參與其中，其中主機廠、Tier 1、科技公司、芯片公司等不同類型的廠商，分别在不同的方向發力，形成自己在大模型時代的競争優勢，同時也形成了分工明确的合作關系。
主機廠可以直接To C，能夠利用自己大量量產車的優勢，在真實道路上采集大量數據，用于不斷優化自己的AI大模型。同時，主機廠能夠利用自己在產業鏈中的優勢和主導地位，充分整合上下遊資源。不過，智能駕駛的大模型開發成本高且周期長，對主機廠的資源投入和技術實力有較高的要求，目前傳統主機廠通常尋求外部合作，共同開發，而頭部的造車新勢力則偏向整體自研。蔚來、小鵬、理想、阿維塔、吉利、比亞迪、長城、廣汽等企業，目前都有AI大模型的相關布局及應用。
Tier 1作為智能駕駛解決方案的提供者，在大模型上車方面，主要從軟體算法層面做文章。Tier 1通過軟體和算法層面切入，開發智能駕駛的垂網域大模型，為主機廠提供智能駕駛大模型服務，同時打造自己的數據閉環系統，形成一整套完整的大模型生态，例如，BEV+Transformer就是各家Tier 1普遍在開發并推廣的大模型解決方案。現階段，毫末智行與商湯科技，就是提供智能駕駛大模型的典型代表。
毫末智行在2023年4月發布了行業内首個智能駕駛生成式大模型Drive GPT：雪湖·海若。
毫末采用RLHF（Reinforcement Learning from Human Feedback，人類反饋強化學習）技術，并引入真實用户數據，從而持續優化認知決策模型。雪湖·海若能夠按概率生成多個場景序列，從而将用户最關注的自車行為軌迹量化，輸出清晰的決策邏輯鏈，并通過Drive Language實現場景的Token化表達。雪湖·海若搭載于魏牌新摩卡DHT-PHEV車型，将通過Hpilot 3.0系統實現城市NOH（Navigation on Highway Pilot，導航輔助駕駛）。
毫末智行發布雪湖·海若大模型
商湯科技的AI大模型名為Uni AD，能夠将檢測、跟蹤、建圖、預測、規劃等不同的算法模塊，整合到Transformer的端到端框架中，從而融合不同的計算任務，實現端到端的處理。商湯還構建了面向決策規劃算法的數據閉環體系，并建立數據驅動的決策規劃算法庫，将大數據與決策規劃算法融合，通過大模型的處理，讓智能駕駛拟人化。
商湯科技Uni AD的優勢
科技公司的優勢在于豐富的AI技術儲備，以及雲端資源。早期，國内各大科技公司，已經在通用AI領網域積累了一定的技術沉澱，這些技術積累可以直接轉化到智能駕駛方向，從通用大模型，逐步滲透到垂直領網域。科技公司還會利用自身的雲端資源，自建雲伺服器，提供大量雲端資源與配套裝務，供客户調用、開發和布署自己的AI大模型。華為、騰訊、百度阿波羅，是這方面的佼佼者。
芯片公司在大模型時代，仍然聚焦于芯片。通過提供适合布署AI大模型的芯片硬體，芯片公司仍能在大模型的競争中占有重要地位，例如英偉達、高通、地平線等；同時，芯片公司通常還會提供與芯片配套的、完善的開發工具鏈，供開發者使用。
艙駕融合，現階段落地慢
從行泊一體到艙駕融合，集成化已經成為智能汽車的必然趨勢，當然也是智能駕駛的必然趨勢。艙駕融合已經成為近兩年來行業内的熱門話題和技術發展的方向，但目前的落地情況，似乎遠不如行泊一體來的那麼快。
艙駕融合也稱為艙駕一體，包括軟體層面的融合和硬體層面的融合：軟體層面的融合主要是在軟體和功能層面，融合智駕與座艙的軟體、數據等，包括更新軟體架構、開發面向服務的架構（SOA）、跨網域打通信息與數據互動、實現智駕與座艙功能聯動等；硬體層面的融合主要是硬體形态的融合，是一種直觀可見的集成化，将從本質上改變底層軟體與通訊方式，并且具有明顯的BOM成本優勢。
不同程度的硬體層面艙駕融合方案
可見，軟體層面的艙駕融合，更多融合的是功能與應用，相對容易實現，而硬體層面的融合，則形成了完全一體化的新硬體，開發的工作量與難度較大。目前，硬體層面的融合，存在One-Box、One-Board、One-Chip等不同融合程度的方案。
One-Box方案是将智駕網域的核心板與座艙網域的核心板，集成在同一個網域控制器中，但核心板原本的軟、硬體架構都不改變，板間通信方案也不變。One-Box方案有點為了融合而融合的味道，集成度最低，融合的難度也最低。
One-Board方案是将智駕的SoC芯片與座艙的SoC芯片，集成在同一塊核心板上，但兩塊SoC仍然分别處理智駕網域和座艙網域的數據，只是在一塊板子上，共用MCU、存儲、接口等外圍硬體。One-Board方案能夠一定程度上提高集成度，減小通訊時延，提升艙駕的整體性能表現；并且，One-Board方案能夠有效減少SoC以外的硬體，從而降低系統的BOM成本。
One-Chip方案是在同一塊SoC芯片上，同時處理智駕網域和座艙網域的數據，通過在SoC上運行虛拟機，實現智駕和座艙的不同功能模塊。One-Chip方案是真正意義上的艙駕融合，集成度最高，能夠最大程度地集成智駕網域和座艙網域的硬體，提升艙駕性能表現，并實現最大程度地降本。不過，One-Chip方案的融合難度也最大，目前還少有應用案例。
雖然艙駕融合已經成為行業的共識和智能汽車發展的必然趨勢，但現階段實現的難度較大，短期内，很難有集成度高的艙駕一體方案落地。
從技術維度，對于One-Chip方案，目前已有的SoC芯片，還不能滿足艙駕融合的要求，尤其是難以支持艙駕融合所需的綜合算力要求（NPU+GPU）；并且One-Chip方案的作業系統布置難度大，智能駕駛軟體通常基于Linux系統或C++實現，而智能座艙軟體則基于QNX系統或Andriod系統，兩者難以很好地兼容并存。
而對于One-Box或One-Board方案，由于控制器整體體積變大，對控制器的安裝布置，也提出了新的要求；更重要的是，同一控制器内的計算任務成倍增加，造成功耗明顯提升，發熱量增大，對控制器的散熱也是一個挑戰。
從市場維度，目前無論是C端還是B端，對艙駕融合的變革意願都不強，Nice to Have，not Must Have。C端的用户對艙駕融合帶來的性能提升和體驗改善，難以有直觀的感受，區别不大；B端的主機廠則對艙駕融合還沒有迫切的要求，并且艙駕融合也涉及到原有的智駕開發部門與座艙開發部門的融合，合二為一會產生一定阻力。
從成本維度，雖然長期來看，艙駕融合能夠有效降低系統的成本，尤其是硬體BOM成本，但短期内會產生大量的開發費用，何時能夠看到降本的效果，也是一個問題。另外，One-Chip方案中的SoC芯片，一定是高性能的芯片，其成本必然不會低，也會增加開發者的投入。
由于上述存在的這些難點，目前艙駕融合的進展還比較緩慢。One-Box方案由于集成度低、難度低，有少數玩家率先實現，例如特斯拉、小鵬等，但并不普及；One-Board方案對核心板的設計能力要求高，目前實現的案例非常少；One-Chip方案依賴滿足要求的高性能SoC芯片，還需要等待芯片廠商的進展，目前更多的是在單顆SoC上實現艙泊一體等簡化的融合效果。
現階段，市場上已經出現的艙駕融合案例主要是特斯拉、小鵬、零束、極越、德賽西威、中科創達等玩家提供的方案。
特斯拉從整車電子電氣架構層面規劃了One-Box的艙駕融合方案，将分别負責智能駕駛、智能座艙和車内外通訊的3塊核心板，集成到1個控制器中，形成中央計算單元。
小鵬提出了與特斯拉相似的One-Box方案，将智駕系統的XPU、中控系統的DCU和儀表系統的ICM整合到同一個網域控制器中，形成艙駕一體網域控制器，打造其"三合一座艙"的概念，并應用在小鵬G9車型上。
零束是國内早期提出艙駕融合概念的方案商之一。零束全力打造的銀河全棧3.0架構，在硬體層面由2個高性能計算單元（HPC，High Performance Computing）和4個區網域控制器ZONE組成，其中的1個HPC集成了智能駕駛與座艙功能，但也是One-Box方案；在軟體層面，零束整合了中間件與SOA原子服務層，提供統一的标準化API（Application Programming Interface）接口，便于不同智駕和座艙模塊算法的調度與復用。
極越率先提出了智能駕駛"真冗餘"的概念：當智能駕駛網域控失效時，座艙網域控可以提供簡單的ACC等功能以接管，實現跨網域的冗餘策略。某種意義上説，極越算是實現了基于座艙SoC芯片（Qualcomm SA8295）的One-Chip方案，只是智能駕駛的功能過于簡單。另外，極越也實現了應用層級（軟體層面）的艙駕融合，即3D人機共駕地圖：通過智駕網域和座艙網域的跨網域資源調度，直接可視化顯示感知目标結果，提供還原顯示的虛拟化駕駛體驗。
德賽西威在2022年4月發布了車載智能計算平台Aurora，當時号稱行業内首款可量產的車載智能計算平台。在硬體層面，Aurora集成了NIVIDA Orin、Qualcomm SA8295和黑芝麻的華山A1000芯片，屬于One-Box的方案；在軟體層面，Aurora能夠同時提供智能駕駛、智能座艙與智能網聯服務，實現一定程度的"中央計算"。此外，Aurora采用了插拔式的結構形式，可以根據需求伸縮和裁剪算力，滿足多樣化的計算需求。
中科創達提出了基于高通系列芯片的艙駕融合方案，屬于One-Chip方案。中科創達的方案有2套，一是基于Qualcomm SA8295芯片，實現艙泊融合，即智能座艙與智能泊車功能融合，該方案仍然需要另一顆SoC實現智能行車功能，因此不是完全的艙駕融合；二是基于Qualcomm SA8795芯片，實現完全的艙駕融合，但該方案至今還未量產，還處于研發階段。
從以上的解讀内容來看，在過去的2023年，智能駕駛的前沿熱點話題不斷，但實際進展整體不如宣傳的預期：城市NOA開城數量有限，去高精地圖沒能完全去掉，去激光雷達存在争議，AI大模型有待持續深入，艙駕融合難度大進展慢。
我們也看到，在智能駕駛賽道競争越來越激烈的當下，2024年，行業内的玩家必然會在這些熱點方向，繼續發力，通過突破技術難點、降低成本，努力占據更多的市場份額，将前沿熱點，最終落地為平民化的應用。
點擊閲讀原文
▼
