自动驾驶如何走出北上广深

　　在中国，智能电动车的竞争经常表现为一场造词比赛。

　　2020年，比亚迪刀片电池出鞘，而后麒麟电池、弹匣电池、魔方电池、神盾电池纷纷来袭。

　　同样，在NoA(Navigate on Pilot)导航辅助驾驶的名字被特斯拉首发后，蔚来起名NoP，小鹏造词NGP，沿用NoA名字的理想，还喜提过马斯克的揶揄。

　　而在NoA从高速场景向城市渗透的2023年，新一轮智能驾驶造词运动初现端倪：

　　理想集中训练从北京望京到顺义的城市通勤智驾，这一将扩展到其他地区的功能被称为通勤模式;

　　小鹏则随G6上市发布了AI代驾，计划今年推送给50座城市的车主;

　　预计在9月上市的五菱云朵灵犀版，类似的功能则名为记忆领航（记忆行车）;

　　智己即将上市的新车LS6，也会在明年搭载通勤模式。

　　不过，激烈的造词竞争其实也意味着大批企业注意力与资源的集中投入。电池起名大战后，中国新能源汽车突飞猛进，从少数一二线城市加速渗透至全国各地。

　　同样，围绕通勤模式的智驾造词比赛，也预示着一场高阶智驾走出北上广深的智驾平权运动正在开启。

　　01

　　脱图中转站

　　从某种程度上来说，通勤模式是车企追逐无高精地图高阶智驾的折中选择。

　　今年，在智驾进城的竞赛中，车企纷纷立下激进目标：华为的计划是年底前在45城开通城市NoA功能，小鹏的目标是50城，理想则加码到100城。但立Flag时豪情万丈，功能落地却略显缓慢。离今年结束不到4个半月，但开通了城市NoA功能的城市还不到10座。

　　之所以开城进度缓慢，原因在于国内已量产的城市NoA，都要依托于高精地图基建先行。但高精地图采集成本高、周期长、监管严，在众多非一线城市，高精地图要么绘制困难，要么过审缓慢。

　　一个尴尬的局面由此产生：

　　众多车企与供应商投入重金开发的城市高阶智驾，明明正处亟需跨越鸿沟的阶段，但却仅是少数发达城市用户的专属功能。用户规模不足，不仅会导致研发成本难以收回，也很难获取海量数据促进算法迭代。

　　正是因为看到这样的问题，特斯拉的FSD在规划之初就抛开高精地图，选择不断推高单车智能的上限。由于对基础设施的依赖更少，这一技术方案的能力理论上更容易泛化，通俗一点解释就是不挑城市，从北上广深下沉到二三线城市的阻力更小。

　　然而理论归理论，现实是FSD入华尚在筹备，而国内玩家即使用上了高精地图这根拐杖，市面上已有的城市高阶智驾，在北上广深的表现还时不时踉踉跄跄。丢开高精地图直接在二三线全面落地城市NoA，目标过于宏大，后果也难以想象。

　　在僵局中，产品经理们由移动互联网锤炼出的场景思维，最终带来了一个青春版的高阶智驾产品：

　　如果饼画得太大导致团队做不了、用户吃不下，那就先把饼画小一点——既然在非核心城市不靠高精地图很难做好完整版的城市NoA，那就先做一个城市NoA mini版，只在用户最高频的通勤场景做好智驾——通勤模式应运而生。

　　多家车企的通勤模式将在年底前集中上线

　　在通勤模式的功能设计中，车主将有机会化身AI驾校教练，解锁“教车开车”的独特体验：用户先沿着通勤路线开几遍，车辆对路线一遍遍记忆、学习后，逐渐轻车熟路，最终无需高精地图也能在固定路线上开启高阶智驾。

　　形式上，这与早年间各种无人车演示有些类似。选定一条路线后，工程师会让无人车在固定路线上日复一日地行驶，收集数据、微调算法，最终产生无人车在特定路线上超常发挥的效果，有点像驴拉磨，但行业称之“过拟合”，即算法高度适配特定数据与场景。

　　可量产高阶智驾最忌讳的又正是过拟合 。通勤模式面向海量用户，车主选出来的路线可能有数万至数十万条，没有企业有足够的工程师和算力对每条线路都训练一套特定算法。

　　要实现低线城市与北上广深的智驾平权，光会造词显然远远不够。

　　02

　　丢开“拐杖”

　　车企与智驾供应商眼下追捧的通勤模式，实质上是将原本已经做过切分的智驾场景(高速、城区、泊车)再一次进行切分，让有限的技术与工程资源能够针对性投入。

　　然而，虽然通勤模式是更轻量级的城市NoA，但其技术难度可能相较于使用高精地图的城市高阶智驾不减反增，原因也正是抛开了高精地图这根拐杖。

　　以人类作参考，驾驶员在熟悉的城市道路中， 不用导航也能开得顺畅，就是因为在多次驾驶后会将道路及周围特征记下来，形成了先验信息。而到了陌生城市，即使开着导航也容易出错，问题就出在先验信息不够多、不够细。

　　高精地图的作用正是打开上帝视野，超视距、高密度地提供智驾所需的先验信息。在其辅助下，智驾系统即使在场景复杂、物体遮挡、路口错位的情况下，也能够以更大概率选对正路，少走弯路。

　　因为这些优点，即使是在去高精地图进程中*的小鹏、华为，目前也仍遵循“有(高精地)图用图”的原则。

　　显然，先验信息越丰富，智驾的体验上限就越高。通勤模式要甩开高精地图，必须要解决的关键问题是：如何补上失去的先验信息？

　　目前来看，行业至少已经有三种不同的技术方案：

　　按图索骥派，大疆;高维特征派，理想;硬怼感知派，小鹏。

　　在为车企提供的“成行“平台智驾方案中，大疆车载会提供记忆行车(云朵灵犀版称记忆领航)功能。

　　根据大疆车载官网的信息，记忆行车功能首先需要“路线记忆”，用户主动记录下一段路程的行车轨迹(轨迹中包含定位，横纵向加速度等信息)。在使用功能时，定位到了驶入记忆路线之内就可以开启“记忆行车”。

　　大疆车载记忆行车功能

　　不过这一过程并没有那么死板，而是会参考记忆的路线和实时感知，选择更优的车道，需要时作出过路口、避让、绕行等动作。而这些新的行驶记录也会不断覆盖之前的记忆路线，帮助车“越开越好”。

　　理想向早鸟用户提供的测试版通勤模式，则选择了NPN神经先验网络解决先验信息。

　　在车主进行路线训练时，理想的智驾系统会将采集到的道路信息(尤其是路口等复杂场景)通过NPN网络输出为人类看不懂的高维特征，多次上传、刷新后在云端聚合出特定道路的完整特征。

　　理想NPN神经网络

　　通勤模式启用时，理想的智驾系统会从云端下载既定路线的高维特征数据，作为感知系统的重要参考，辅助输出更稳定可靠的感知结果。比如在过路口时，因为遮挡、光线问题智驾系统可能会看不全、看不清车道线、停止线，但引入了NPN网络提供的先验信息后，感知结果会更精确(虽然仍比不上高精地图)。

　　相比大疆、理想，小鹏展示的则是一种大力出奇迹的方案：将车辆的感知能力做得更强、更远，减少对先验信息的依赖。

　　上周在北京进行的无图城市NoA演示中，小鹏表示其XNet的感知范围提升了2倍，达到1.8个标准足球场大小，此外小鹏的算法也拥有更强的“脑补”能力。这让车辆能够在百米距离就看到并记住红绿灯、标志线，提高做出正确驾驶决策的概率。

　　这种方式选择武装自身，受约束较少，但可能最耗费脑细胞：XNet采用的BEV+Transformer感知技术框架虽然上限高，但提升BEV感知消耗的算力会随距离增加成倍增长。

　　行业提出的应对方案是对BEV算法进行稀疏化改造，即通过设计让算法去算那些更该被感知的物体，比如地平线的Sparse4D、图森的稀疏BEV。不过，落地到高阶智驾量产中的稀疏化BEV尚不多。

　　如何在芯片算力、内存不变的条件下，让感知距离成倍提升而不损失感知精度，是对智驾团队技术与工程实力的重大考验。

　　03

　　规划拟人

　　要批量落地通勤模式，解决先验信息问题只是*个重大问题，如何做好无高精地图状态下的智驾决策规划，则是第二个。

　　小鹏自动驾驶副总裁吴新宙此前在接受采访时认为，智能驾驶后续的主要技术挑战来自决策规划。在他离职后，其职责由小鹏智驾规控负责人李力耘接手，多少能说明主要矛盾的变化。

　　在去高精地图后，智驾车辆对静态物体(包括红绿灯、车道线、停止线、路沿等)的感知精准度与稳定性都会下降，此时规控算法需要更加灵活、更能应对不确定性，为系统兜底。

　　典型的例子是，在不依赖高精地图的智驾中，算法不像此前那样将车道线作为不可动摇的参照物，而是会更多地结合对周围环境和其他交通参与者的感知输出一个“可行驶区域”，并在预测其他物体运动轨迹的基础上，计算并执行*行驶路线。

　　在复杂交通流下，能支持越多的目标轨迹预测、越高频的路径搜索，决策规划的效果通常就越好，但同样也会大量消耗算力与内存资源。

　　而在真实的交通场景下，车辆的决策规划可能还需要考虑到视野之外。

　　在被山体遮挡的山路弯道，老司机会习惯性地鸣笛提醒对向车道来车;在有盲区的路口，有经验的司机常常会减速防止鬼探头。智驾要平安落地到更多城市，也需要学习这些“直觉”。

　　有高阶智驾量产经验的企业，已经着手在决策规划算法中模拟人类的经验。

　　即将搭载于云朵灵犀版的大疆车载“成行”平台智驾方案，其决策规控采用的是 OSP(Open Space Planning，开放空间规划)技术，减少对道路环境的假设，采用搜索+优化的方式，达成防御性驾驶的效果。

　　小鹏的无图智驾在规划上已经摒弃了“严格居车道线中心”行驶的策略，会根据交通流适当地左右偏移，这既符合人类习惯，也有助于降低潜在风险。

　　特斯拉则在今年的CVPR上展示了能够赋予智驾车辆“常识”的世界模型，如果它搭载于FSD入华，可能会又一次改变智能驾驶潮水的方向——当然，特斯拉在自动驾驶上吹的牛，通常都会跳票一段时间。

　　04

　　平权之路

　　尽管不同智驾团队在技术上的各种尝试，为各级城市智驾平权创造了可能，但通勤模式要落地到更多二三线城市，需要的不仅仅是技术的努力。

　　将高阶智驾能力移植到低线城市， 实质上是一个多目标联合优化问题：合规要求、开城速度、用户体验、使用成本，这些本是此消彼长的诉求，必须同时满足。

　　典型如合规问题。高精地图之所以被头部智驾企业“嫌弃”，一个主要原因就在于高精地图的合规需要高门槛的测绘资质与审核时间成本。

　　而在迈向无图智驾的道路上，合规问题依然需要解决，车企有一些曲线救国的方法。

　　比如理想的NPN神经先验网络，选择将道路信息由神经网络加密成高维特征，其表达形式与传统意义上的地图测绘有明显区别，理论上不能被其他企业使用，可以保护数据安全。不过，NPN网络在运行时会较多与云端交互，上传下发数据，在监管政策上仍会面临一些不确定性。

　　即使要大费周章地用各种方法曲线推进，也阻挡不了行业参与者带着镣铐狂奔。

　　在今年，由于激烈的市场竞争，以及特斯拉FSD入华消息的刺激，华为、小鹏、理想都制定了各自的无图城市高阶智驾开城计划，目标激进：从45城、50城、100城。

　　但“开城”这个词本身就意味着，即使是轻量级的通勤智驾，落地时也依然会有大量脏活、累活。各个智驾团队需要派驻人手进驻不同的城市，额外采集先验信息，一个接一个地攻坚克难。

　　小鹏自动驾驶产品总监刘毅林在微博上解释，只有这样才能既快速扩展到不同城市，也保障用户体验。

　　随着通勤模式、无图智驾向更多城市渗透，车企智能驾驶部门的运营职能将明显加重，智驾运维团队也将迎来新一轮扩张并驻守在各个城市——至少在眼下的技术范畴中，智驾落地没有轻模式的捷径可走。

　　高阶智驾的落地之重，也将更考验企业的成本控制能力。

　　今年，有企业的3万元城市NoA功能订阅数寥寥，最近都被迫降价，而标配XNGP的小鹏G6 Max版卖成爆款，充分说明人民群众并不是不想用高阶智驾，而是不想用太贵的高阶智驾。

　　但目前，国内能够实现城市高阶智驾的车型，清一色搭载英伟达Orin芯片或华为MDC计算平台+激光雷达，成本居高不下，整车售价30万+是常态，20万+已是惊喜。

　　大疆车载是其中例外。在大疆车载的测算中，车企愿意为智能驾驶付出的成本集中在5000-15000元。而由于立足双目立体视觉方案，大疆*限度地避开了昂贵的大算力AI芯片与激光雷达，走出了一条用低成本硬件实现高阶智驾的路径。

　　在云朵灵犀版上，大疆车载配置7枚摄像头，和32T算力的德仪TDA4 VH。这些精简的硬件选择，将会使云朵灵犀版在今年上市后成为*在20万以下搭载通勤模式功能的产品，如果定价合理，它有希望激活20万以下高阶智驾市场。

　　在国内新能源汽车市场中，20万以下车型销量占比超过50%，且占比将进一步提高。在20万以下车型实现高阶智驾，将收获一个巨量市场，也是智驾平权的必经之路，这决定了必然会有更多企业涌入。前两天刚发布了财报的小鹏表示，到明年将实现自动驾驶硬件成本50%降本，后续将在15万级市场推出自动驾驶车型。

　　何小鹏两年前曾有观点，15万的车型做不好智能化。但如今20万以下车型市场，正加速靠向高阶智驾的主战场。

　　在头部玩家的带动效应下，智驾的降本战火会愈演愈烈，并将影响进一步传导至供应链：4D毫米波雷达向激光雷达发起挑战，中等算力的智驾芯片在蓄势待发，高集成化的硬件受到更多的青睐···

　　眼下，当智能电动汽车从电动化上半场转入智能化下半场，一些经验可能是相通的。

　　新能源汽车从高端市场走向中低端市场，见证了国产新能源汽车品牌和中国三电供应链的崛起。智能驾驶的平权，大概率也会带来另一场汽车品牌与供应链的权力更迭。