掀开 NOA 开城大战的底牌

「很多 AEB五星测试结果，实际是在用场景识别的方式作弊。」

「测试假人万年不变的黑衣服蓝裤子。」

前不久，智驾科技的创始人、CEO 周圣砚在自家的活动上说了一这番话。眼看着前段时间轰轰烈烈的 AEB 大战刚偃旗息鼓，又被掀了「老底」。

就在周圣砚「开炮」的同时，理想与小鹏也在同一天官宣了城市智驾开城：

这就是如今智能驾驶的乱象：有庞大基础和工程经验的 L2 供应商，多数缺乏升维度能力；高阶智驾玩家，往往又在 AEB 这些基础功能的工程化开发上存在短板；眼看着今年各家逐渐摆脱高精地图束缚，立下 30 城、50 城、100 城的 flag，但开城的实际速度并没有想象中那么迅速……

（图片来源：佐思汽研究）

眼看着各家开启了 NOA 开城大战，究竟怎么战？

「今年开始，有一些自动驾驶驾驶供应商用传统 CNN 包装所谓『无图方案』忽悠车企。」

虽然周圣砚没有点名道姓，不过不少业内人士表示：这种「骗局」并不是意外，甚至可能是「双向奔赴」。

没办法，「无图方案」的确太让如今的汽车圈「上头」了。

自从年初小鹏喊出了「轻地图、重感知」路线开始，高精地图曾经智驾的掌上明珠，因为成本高、速度慢、政策限制等一系列原因逐渐「失宠」，轻地图化、去高精地图成了各家的重点，伴随着「无图方案」一起的就是 BEV 技术路线。

2020 年，特斯拉推出 FSD beta、重写了 AutoPilot 底层代码，用的就是全新的 BEV 感知算法，从那时开始，蔚来、小鹏、包括前边提到的 MAXIEYE 智驾科技先后加入 BEV 阵营。

之所以在 2023 年，BEV 路线被发扬光大、成为主流趋势，是因为城市高阶辅助驾驶的路况远比高速场景复杂得多，对感知的需求也高得多。

前任小鹏汽车自动驾驶副总裁吴新宙曾披露，小鹏城市 NGP 的代码量是高速 NGP 的 6 倍、感知模型数量是 4 倍，预测、规划、控制相关代码量是 88 倍。在传统 CNN 卷积神经网络框架下，各传感器算出自己的结果，再不同场景下按照不同权重投票得到结果。这个权重来自于人的判断，要想精确度高，就需要人尽可能穷举真实场景。在城市场景庞大的需求下，CNN 显然不够用了。

BEV（Bird’s Eye-View，鸟瞰图）把原本摄像头 2D 的视角通过算法校正和改变，把不同传感器的数据映射到统一坐标下，可以获得最佳特征表达，让车辆可以判断自己和空间的关系。

BEV+Transformer，则能给不同传感器时间序列的特征和信息赋予权重。概括来说，不仅能提升感知精度，同时能增加系统的跟踪和推断能力，准确地预测目标轨迹；同时端到端的优化，让模块更简洁，任务的可扩展性更强。

最关键的是，BEV 路线拥有构建语义地图的能力，可以摆脱高精地图。利用 BEV 算法和已有信息，能提供道路线、车道类型、速度限制等一系列信息，构建语义地图，虽然没有高精地图那么多细节，但是在高精地图受限等情况下够用了。

以 MAXIEYE 推出的青云 Hyperspace 架构为例，这套技术体系相当于用 BEV+Transformer 重构了一遍，从城市 L2 增强、高速 NOA、城区 NOA、行泊合一、记忆行泊车全场景应用，都可以在一套系统中覆盖。由于融合了道路拓扑、目标轨迹、占用空间三大网络，横向拓扑精度 5 公分，纵向拓扑精度误差 1‰，稳定性趋近于真值；在轨迹预测方面可以准确地预测 3 秒后的目标轨迹。

这就是今年以来，各家城区 NOA 计划开始提速的原因，而且各家不仅开始试图摆脱高精地图，还开始试图摆脱激光雷达的束缚。

上个月，极越 01 上市，去掉了原本计划搭载的激光雷达，直接采用 BEV+Transformer+OCC 占用网格技术的纯视觉方案。

以往，系统识别障碍物时要么通过激光雷达点云判断障碍物，要么在视觉方案中要对障碍物识别、标注，遇到白名单中不存在的物体就不认识了。利用 OCC 占用网格技术，能把空间网格化区分，被占用的网格是 1，没占用的是 0，这样障碍物的形态就能显示出来了。

在特斯拉 FSD 姗姗来迟的情况下，目前极越 01 是第一家主动抛弃激光雷达、纯视觉 NOA 上路的车企。不过，据行业内相关人士透露，小鹏、华为等关于 BEV+Transformer+OCC 的研发也在推进当中，抛弃激光雷达、或者只把激光雷达作为一种感知冗余，只是时间问题。

过去几年里，以特斯拉 FSD 为首的各家智驾功能主打一个望梅止渴、画饼充饥，要么迟迟不能落地，要么只能在有限的几个城市路段、让少数用户在少数场景下体验。

根据高工智能汽车的数据，今年上半年，国内乘用车销量 959.08 万辆，其中前装标配 NOA 车辆 20.94 万辆，仅占 2.18%，这其中城市 NOA 占比更低；就算是目前已经开通城市 NOA 的区域，也以北京、上海、广州、深圳等城市为主。

俗话说不能给用户带来方便的功能都是耍流氓，各家车企针对高频率的场景推出了新功能：

这样，城市 NOA 的开通就不是以「城市」为单位，一辆车走过同一段路几次，就可以实现通勤智驾。这不仅能提高智能驾驶系统的感知精度，也能摆脱对硬件和高精地图的束缚，在降低智驾系统成本的情况下，让一部分人先用上城市 NOA。

以智驾科技的青云 BEV 架构为例，这套架构可以覆盖从单 V（牧童 Monotogo™解决方案）到多 V（5V、6V、9V、11V-跨越低中高算力的行泊合一域控方案）的 MAXIPILOT®全系智驾解决方案矩阵；可以利用大量的 L2 车型对道路信息的获取，打通行车记忆共享的数据通路，在城区驾驶是最高频的用户出行场景下，用共享数据来优化体验。

不过，当越来越多人加入到通勤模式、记忆共享中，大量的道路数据「共享」之下，数据合规监管也会成为不可避免的新问题。

随着小鹏、理想、华为这样的车企逐渐落地城市 NOA，以及 MAXIEYE 这样的智能驾驶公司推出标准化的工具链，城市 NOA 终于驶上快车道，似乎距离自动驾驶越来越近了。

不过，「能用」与「好用」之间依然有着很远的距离，影响高阶智驾和 BEV+transformer 路线的关键就是数据。

在前段时间的财报会上，马斯克曾说： 「只用一百万个训练样本时，它（模型）几乎无法工作；两百万个，它才稍微有些效果；三百万个时，我们会惊叹，好像看到了一些东西。到了一千万个时，它就变得令人难以置信。」毫末智行 CEO 顾维灏也曾预测, 仅标注一项，BEV 的模型大概需要标注 1 亿公里的数据。

训练数据越多，结果就越好，是行业内的共识，也是城市 NOA 上车后需要借助数据闭环不断完善的功课。

根据特斯拉 2022 年公布的信息，使用 BEV + Transformer 的特斯拉 FSD 模型有 10 亿个参数，大概是上一版模型的 10 倍。这建立在特斯拉巨大的销量和在北美不断实践的测试基础上。对于国内玩家来说，从推出城市 NOA，到进一步通过数据闭环优化体验，还有一段距离要走。

最近，FSD 进入中国的消息一直在推进中，看来留给国内玩家们提升体验的时间不多了。