去年11月，四部委聯(lián)合發(fā)布《關(guān)于開展智能網(wǎng)聯(lián)汽車準(zhǔn)入和上路通行試點工作的通知》，對L3/L4自動駕駛的準(zhǔn)入規(guī)范進行了具體要求，并完善了相關(guān)規(guī)則。這意味著，我國的高階自動駕駛上路有了明確的政策支撐和責(zé)任界定。

比亞迪、賽力斯、長安、智己、寶馬、奔馳等在內(nèi)的多家車企，此前相繼獲得L3路測牌照。國內(nèi)之前的測試車是增加了額外傳感器的改裝車，此次開放測試的是具備L3/L4能力的量產(chǎn)車。

不難預(yù)見，伴隨著更多的車企加入L3級自動駕駛研發(fā)，高階智駕有望真正迎來“質(zhì)變”。當(dāng)然，距離L3級別自動駕駛車輛的真正量產(chǎn)落地，還有一段路程。當(dāng)下，車企主要以城市NOA作為核心發(fā)力點。

城市NOA的加速落地則被視為L3級別自動駕駛時代來臨的先聲。過去一年，城市NOA的發(fā)展是智駕賽道的絕對焦點。

根據(jù)蓋世汽車智能駕駛配置數(shù)據(jù)庫數(shù)據(jù)，2023年國內(nèi)NOA功能搭載量達94.5萬輛，其中大部分集中在高速NOA，城市NOA搭載量為23.8萬輛。

顯然，這一輪城市NOA的競爭還未到最高點，圍繞城市NOA的市場追擊戰(zhàn)將持續(xù)進行，車企是其中主要的推動力量，他們選擇的路線方式也不一致。

當(dāng)下，車企對城市NOA的競爭焦點，主要在于用更少的成本實現(xiàn)更大規(guī)模的上車，以快速實現(xiàn)數(shù)據(jù)收集進行算法優(yōu)化和模型迭代。

價格戰(zhàn)的影響不容忽視，對車企的成本控制提出了更高的要求。“重感知，輕地圖”方案的盛行很大程度也是基于車企在成本方面的考量，當(dāng)前高精地圖采集成本、新鮮度等問題拖慢了城市領(lǐng)航輔助的落地速度，企業(yè)紛紛轉(zhuǎn)向輕地圖方案，逐步降低對高精地圖的依賴，以此加快城市領(lǐng)航輔助的落地。

這其中又包含激光雷達感知融合和純視覺方案的爭議，兩種技術(shù)路線選擇的競爭核心同樣在于成本。

號稱“全國都能開”的華為NCA，算是最激進的頭部力量之一，近日，部分AITO問界M5 / M7車主已獲推V3.3.8智駕版本，帶來了延期已久的“無圖 NCA”功能。

蓋世汽車研究院認(rèn)為，車企智駕功能演進路線相似，當(dāng)前實現(xiàn)全國范圍內(nèi)的城市領(lǐng)航需要解決諸多的長尾場景，通過增強版LCC、通勤模式等過渡功能覆蓋消費者日常行駛路線，能夠帶來更好的用車體驗。

目前30萬以上價格區(qū)間車型是提升NOA搭載量的主力軍，不過已經(jīng)能看到小鵬P5、寶駿云朵等中低端車型的出現(xiàn)，隨著搭載NOA功能車型逐漸下探到15萬左右的價格區(qū)間，2025年，國內(nèi)NOA功能配套車型預(yù)計將突破300萬輛，2030年將超850萬輛。

未來智駕行業(yè)的幾點展望

智能駕駛的發(fā)展是一個多因素共同作用的結(jié)果，面向未來，我們可以看到幾個趨勢。

一是高階智能駕駛發(fā)展需要高算力芯片的支持，經(jīng)過過去數(shù)年的發(fā)展，已經(jīng)能很明顯的看到中高算力芯片開始推出市場。

不過值得注意的是，大算力并非唯一的選擇，高性價比單SOC中低算力平臺也有望在未來市場中率先爆發(fā)。

隨著人工智能算法和芯片設(shè)計能力的提升，即使是中低算力的SOC平臺也能夠提供足夠的性能來支持智能駕駛的基本功能。這意味著在不追求更高級別自動駕駛的情況下，中低算力平臺已經(jīng)能夠滿足大部分駕駛輔助和部分自動駕駛的需求。

高性價比的解決方案能夠更好地滿足大眾市場的需求，尤其是對于中低端車型，低成本是其普及的關(guān)鍵因素。目前上車的中低算力行泊一體方案大多采用多SOC方案，在新一代平臺上均采用單SOC方案，高性價比單SOC中低算力平臺有望率先爆發(fā)。

另一個無法忽視的影響要素是AI大模型的發(fā)展，正在驅(qū)動自動駕駛的迭代創(chuàng)新。

從感知算法層面來看，傳統(tǒng)的L2輔助駕駛主要是依托2D視覺+CNN實現(xiàn)，2021年9月，特斯拉發(fā)布了BEV+Transformer架構(gòu)，大模型開始上車。目前頭部車企都選擇跟進特斯拉的算法的迭代方式，當(dāng)前頭部車企在BEV+Transformer+ Occupancy基礎(chǔ)上不斷優(yōu)化體驗，特斯拉2024年初將實現(xiàn)端到端技術(shù)的落地。

此外，大模型在云端的應(yīng)用為自動駕駛帶來了諸多便利，包括采用預(yù)訓(xùn)練的方式實現(xiàn)自動標(biāo)注、對長尾數(shù)據(jù)進行挖掘以及場景仿真和數(shù)據(jù)生成等。不過這也伴隨著一系列挑戰(zhàn)和問題。

在多模態(tài)數(shù)據(jù)融合方面，自動駕駛系統(tǒng)需要處理來自不同傳感器的多種數(shù)據(jù)，如攝像頭、毫米波雷達、激光雷達等。這些數(shù)據(jù)類型差異較大，如何有效地融合這些多模態(tài)數(shù)據(jù)以獲得更好的環(huán)境感知能力是一個重要課題。

大模型通常需要較大的計算資源，尤其是在進行復(fù)雜的任務(wù)如自動標(biāo)注、數(shù)據(jù)挖掘和仿真時。這增加了云端服務(wù)器的負(fù)載，也可能導(dǎo)致延遲問題，對于需要實時響應(yīng)的應(yīng)用來說，是一個不小的挑戰(zhàn)。此外，即使大模型在云端運行良好，如何將其部署到車端設(shè)備上也是一大挑戰(zhàn)，還存在安全性和一致性等問題。

目前，行業(yè)已采取一些手段來逐步解決這些問題，包括開發(fā)更高效的模型架構(gòu)、利用邊緣計算減少云端負(fù)載、采用模型蒸餾等技術(shù)進行模型壓縮，以及設(shè)計更安全的模型更新機制等。

更為重要的一點，除了算力和大模型等方面的驅(qū)動，數(shù)據(jù)閉環(huán)能力將真正決定企業(yè)的智能駕駛水平。

就拿城市NOA來說，城市場景的復(fù)雜性決定了城市NOA方案必然是一個數(shù)據(jù)驅(qū)動的系統(tǒng)。來自量產(chǎn)車型的大數(shù)據(jù)庫和自動、高效的海量數(shù)據(jù)處理能力將是城市NOA落地的基石。

企業(yè)采用數(shù)據(jù)驅(qū)動的開發(fā)模式，通過建立數(shù)據(jù)閉環(huán)來加速自動駕駛迭代，同時效果也更加可靠，有利于在城市運營中去處理各種各樣的長尾問題。

目前，自動駕駛行業(yè)走到了一個拐點，國內(nèi)外自動駕駛的差異化競爭及利潤增長點，逐步向L3、L4高等級自動駕駛相關(guān)功能的開發(fā)及落地轉(zhuǎn)移。

隨著降本的壓力和軟件算法的逐漸成熟，智駕方案開始回歸用戶價值，追求成本、性能、體驗的平衡，能夠在這些方面取得良好平衡的企業(yè)有望在未來激烈的市場競爭中長期生存下去。

返回第一電動網(wǎng)首頁 >