当前位置 爱咖号首页 L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?

路咖汽车 33浏览 2023-07-10 IP属地: 北京
L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?

小鹏G6搭载了“AI代驾”,人工智能会学习和存储指定路段的行车路线,实现家到公司点到点的辅助驾驶;理想最近在开发通勤NOA功能,也是把上下班路线存储好,就可以实现自动辅助驾驶;华为的NCA辅助驾驶系统中,也有类似的功能。这种特定场景的NOA辅助驾驶,已经是继城市NOA的大概念后,车企们卷的更细的功能了。

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?


通勤NOA这类功能,是车企们的无奈之举?

在自动驾驶依然无法大规模落地的背景下,车企们给消费者以及整个市场画下的饼,迟迟难以实现,而辅助驾驶这条已经卷到飞起的赛道,一直都被L2级束缚住,短期内可能难以向上再突破,那么如何给市场和消费者们一个还算能说得过去的交代呢?于是这类特定场景的NOA辅助驾驶功能,开始迅速铺开。

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?


可以说在这个阶段推出通勤NOA等功能,就是车企们的无奈之举,如果大家常关注这些新势力们的辅助驾驶系统的动向,会发现大家其实在硬件方面大家已经拉不开什么差距,功能的上限标准也摆在那里,不能达到L3,所以只好在L2+的范畴中,进一步地内卷。

而通勤等固定路线的NOA功能,也是驾驶者最常遇到的场景,同时通勤路段也是让驾驶者们最容易造成疲劳的场景,如何解决这一痛点问题,车企们都给出了不同的解题思路,当然大家也可以把它当作自动泊车功能来看待,自动泊车解决泊车场景痛点,通勤NOA解决通勤的疲劳重复问题。

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?


比如通勤场景的辅助驾驶,是城市全场景辅助驾驶中的细分场景,目前新势力车企们在做这类功能时,往往还会依赖高精地图,虽然高精地图的弊端比如更新慢、鲜度低的问题大家都很清楚,但是架不住它真的好用,初期搭建功能依然离不开高精地图,而后再通过BEV+各种不同命名的空间网络技术,逐渐降低对于高精地图的依赖程度。

通勤NOA功能这么香,可特斯拉为什么不做?

相比全场景的城市辅助驾驶,通勤场景有着高重复性,时间线路都比较固定的特点,所以对于车企来说,会有相当多可以汇总在一起的相同类型数据可以进行分析。

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?


比如理想的通勤NOA功能,前期还需要人类驾驶员来驾驶车辆,实现家到公司的点到点驾驶,与此同时车辆会通过车身上的感知硬件,以及地图数据来感知和记录途经路段的信息,再提供给理想的NPN神经先验网络算法,来进行提取、调用和学习。

小鹏的“AI代驾”可以通过短时间分析用户日常高频场景(比如通勤路段等其他相对固定的线路),学习用户驾驶风格,由此可以实现私人定制路线,达到更高的通勤效率。

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?


这其实就是把人为的驾驶信息,通过系统的自学习,把一些相同类型的数据进行归纳,系统会对于这些路线更为熟悉,基本上只需要一周时间,系统就可以训练好一条常用的路线,复杂路线的训练时间可能达到两周及以上。大家可能会想了,我这可能就只有十几公里的路,车企们那些有着非常高算力,而且还有自动标注等先进技术的加持,为何还要一周时间?

这其实已经是属于定制化的智能驾驶功能了,车企们之前发布的大部分都是一整套方案,可以复刻到每一台车上,但这种个性定制化的功能,就需要额外的算力来服务了,再加上同一时刻可能会有几千种通勤路线在优化,这背后也有着相当可观的数据量。

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?


目前之所以自动驾驶或者全场景的辅助驾驶还难以完全推广开,车企们还在卷特定场景NOA,与目前全场景辅助驾驶所面临的3个关键问题不无关系。目前技术挑战主要有3方面:首先是现有的算法,不足以支撑复杂场景的功能和性能;其次是现有硬件有效算力和设备带宽,不足以支撑最先进的算法和大模型;最后是现有软件架构,不足以支撑高度自动化的快速迭代,使得整个开发成本高,开发周期长。

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?


为什么海外的特斯拉FSD Beta敢开通全场景的功能,甚至于“埃隆模式”都不需要人为干预了,这与特斯拉的算法架构有着很大关系,特斯拉的算法以及感知技术架构,一直是行业的领头羊,它新用到了技术,新势力们也会去快速跟进,但是大家的步伐总是没有特斯拉快,这是不争的事实,特别是特斯拉FSD目前已经用上了端到端架构,和其他车企们已经又错开了一层。

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?


其次,大家会发现如今的绝大部分有高阶辅助驾驶的车企,它们的辅助驾驶核心算力几乎没有低于200Tops的,基本上都在500Tops以上,甚至破千,但是真正的有效算力,也就是能用得到的算力其实并不多,因为其实车企们在开发过程中为了增大算力冗余,所以都把数据做的很好看,但是真当需要高算力冗余来带动新算法模型时,这些算力翻到激活不出来,就像发动机马力很大,但是变速箱拖后腿一样。

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?


而由算力平台的承载力不足,又会带出接下来的问题,也就是新的技术、算法、模型真的来了,很难实现低成本的快速进步迭代。

以上这些就是目前全场景NOA所面临的问题,而去卷特定场景的NOA,会让场景更加聚焦,面对上面所说的那3个问题,特定场景NOA会让车企面临的难度降低很多,而且功能体验优化起来,也会让用户们的感知度更强。

特定场景的辅助驾驶(比如通勤NOA)所带来的体验,会比较接近L3级自动驾驶的体验,因为L3级本来就是有条件的自动驾驶,而车企们把条件限定在了通勤等重复度较高的场景,其实可以说是顶着面前规则的上限,来给用户尽可能多的体验。

L3级依然难突破,特定场景NOA成为变相的“自动驾驶”?


总结:

文中提到的目前城市辅助驾驶所面对的3个大问题,是全行业目前都要面对的,虽然像特定场景辅助驾驶这类功能,可以尽可能地避免这3个问题,但也会带来新的问题。

车企们现在大多做的还是一个一个场景的优化,而后把它们归拢起来形成多场景的辅助驾驶,而城市通勤场景也是其中的一个或者多个组成部分,虽然能够做到对于一个场景的完整优化,但是场景还是一个个割裂开的,短期内无法形成一个完整的链条。而特斯拉FSD的端到端架构,已经把感知决策输出做成了一整套模型,这个我们前面的文章有大篇幅的解读,而蔚小理们现在还在做这些割裂开的场景优化,可能已经又落后了。

文章标签:
新能源 技术解析
 
相关推荐
路咖汽车 33.4万粉丝    1.3万作品 关注 秉承专业态度,创作有趣的汽车内容,为用户提供有价值的参考信息
推荐作者
肆哥车讯 关注
购车无小事,选车无难事。
排气管 关注
排气管是汽车圈车企高层以及从业人士关注度最高的账号。
AM车镜 关注
AM车镜是中国汽车行业具有影响力的资讯提供者。
明白说车 关注
明明白白了解车,轻轻松松驾驭车!明白说车,坚持原创!
Soul车 关注
资讯类自媒体
xuser3801153 关注
蓝鲸车市
二手车大智慧潘 关注
中国二手车自媒体联盟联合发起人,行业深度观察者。
那啥车 关注
每一台车都有自己的灵魂;那啥车?对!我的车。
全部爱咖号