十八線小城市配不上自動駕駛？

　　在中國，智能電動車的競爭經常表現為一場造詞比賽。

　　2020年，比亞迪刀片電池出鞘，而后麒麟電池、彈匣電池、魔方電池、神盾電池紛紛來襲。

　　同樣，在NoA(Navigate on Pilot)導航輔助駕駛的名字被特斯拉首發后，蔚來起名NoP，小鵬造詞NGP，沿用NoA名字的理想，還喜提過馬斯克的揶揄。

　　而在NoA從高速場景向城市滲透的2023年，新一輪智能駕駛造詞運動初現端倪：

　　理想集中訓練從北京望京到順義的城市通勤智駕，這一將擴展到其他地區的功能被稱為通勤模式;

　　小鵬則隨G6上市發布了AI代駕，計劃今年推送給50座城市的車主;

　　預計在9月上市的五菱云朵靈犀版，類似的功能則名為記憶領航(記憶行車);

　　智己即將上市的新車LS6，也會在明年搭載通勤模式。

　　不過，激烈的造詞競爭其實也意味著大批企業注意力與資源的集中投入。電池起名大戰后，中國新能源汽車突飛猛進，從少數一二線城市加速滲透至全國各地。

　　同樣，圍繞通勤模式的智駕造詞比賽，也預示著一場高階智駕走出北上廣深的智駕平權運動正在開啟。

　　01 脫圖中轉站

　　從某種程度上來說，通勤模式是車企追逐無高精地圖高階智駕的折中選擇。

　　今年，在智駕進城的競賽中，車企紛紛立下激進目標：華為的計劃是年底前在45城開通城市NoA功能，小鵬的目標是50城，理想則加碼到100城。但立Flag時豪情萬丈，功能落地卻略顯緩慢。離今年結束不到4個半月，但開通了城市NoA功能的城市還不到10座。

　　之所以開城進度緩慢，原因在于國內已量產的城市NoA，都要依托于高精地圖基建先行。但高精地圖采集成本高、周期長、監管嚴，在眾多非一線城市，高精地圖要么繪制困難，要么過審緩慢。

　　一個尷尬的局面由此產生：

　　眾多車企與供應商投入重金開發的城市高階智駕，明明正處亟需跨越鴻溝的階段，但卻僅是少數發達城市用戶的專屬功能。用戶規模不足，不僅會導致研發成本難以收回，也很難獲取海量數據促進算法迭代。

　　正是因為看到這樣的問題，特斯拉的FSD在規劃之初就拋開高精地圖，選擇不斷推高單車智能的上限。由于對基礎設施的依賴更少，這一技術方案的能力理論上更容易泛化，通俗一點解釋就是不挑城市，從北上廣深下沉到二三線城市的阻力更小。

　　然而理論歸理論，現實是FSD入華尚在籌備，而國內玩家即使用上了高精地圖這根拐杖，市面上已有的城市高階智駕，在北上廣深的表現還時不時踉踉蹌蹌。丟開高精地圖直接在二三線全面落地城市NoA，目標過于宏大，后果也難以想象。

　　在僵局中，產品經理們由移動互聯網錘煉出的場景思維，最終帶來了一個青春版的高階智駕產品：

　　如果餅畫得太大導致團隊做不了、用戶吃不下，那就先把餅畫小一點——既然在非核心城市不靠高精地圖很難做好完整版的城市NoA，那就先做一個城市NoA mini版，只在用戶最高頻的通勤場景做好智駕——通勤模式應運而生。

　　在通勤模式的功能設計中，車主將有機會化身AI駕校教練，解鎖“教車開車”的獨特體驗：用戶先沿著通勤路線開幾遍，車輛對路線一遍遍記憶、學習后，逐漸輕車熟路，最終無需高精地圖也能在固定路線上開啟高階智駕。

　　形式上，這與早年間各種無人車演示有些類似。選定一條路線后，工程師會讓無人車在固定路線上日復一日地行駛，收集數據、微調算法，最終產生無人車在特定路線上超常發揮的效果，有點像驢拉磨，但行業稱之“過擬合”，即算法高度適配特定數據與場景。

　　可量產高階智駕最忌諱的又正是過擬合 。通勤模式面向海量用戶，車主選出來的路線可能有數萬至數十萬條，沒有企業有足夠的工程師和算力對每條線路都訓練一套特定算法。

　　要實現低線城市與北上廣深的智駕平權，光會造詞顯然遠遠不夠。

　　02 丟開“拐杖”

　　車企與智駕供應商眼下追捧的通勤模式，實質上是將原本已經做過切分的智駕場景(高速、城區、泊車)再一次進行切分，讓有限的技術與工程資源能夠針對性投入。

　　然而，雖然通勤模式是更輕量級的城市NoA，但其技術難度可能相較于使用高精地圖的城市高階智駕不減反增，原因也正是拋開了高精地圖這根拐杖。

　　以人類作參考，駕駛員在熟悉的城市道路中， 不用導航也能開得順暢，就是因為在多次駕駛后會將道路及周圍特征記下來，形成了先驗信息。而到了陌生城市，即使開著導航也容易出錯，問題就出在先驗信息不夠多、不夠細。

　　高精地圖的作用正是打開上帝視野，超視距、高密度地提供智駕所需的先驗信息。在其輔助下，智駕系統即使在場景復雜、物體遮擋、路口錯位的情況下，也能夠以更大概率選對正路，少走彎路。

　　因為這些優點，即使是在去高精地圖進程中*的小鵬、華為，目前也仍遵循“有(高精地)圖用圖”的原則。

　　顯然，先驗信息越豐富，智駕的體驗上限就越高。通勤模式要甩開高精地圖，必須要解決的關鍵問題是：如何補上失去的先驗信息?

　　目前來看，行業至少已經有三種不同的技術方案：

　　按圖索驥派，大疆;高維特征派，理想;硬懟感知派，小鵬。

　　在為車企提供的“成行“平臺智駕方案中，大疆車載會提供記憶行車(云朵靈犀版稱記憶領航)功能。

　　根據大疆車載官網的信息，記憶行車功能首先需要“路線記憶”，用戶主動記錄下一段路程的行車軌跡(軌跡中包含定位，橫縱向加速度等信息)。在使用功能時，定位到了駛入記憶路線之內就可以開啟“記憶行車”。

　　不過這一過程并沒有那么死板，而是會參考記憶的路線和實時感知，選擇更優的車道，需要時作出過路口、避讓、繞行等動作。而這些新的行駛記錄也會不斷覆蓋之前的記憶路線，幫助車“越開越好”。

　　理想向早鳥用戶提供的測試版通勤模式，則選擇了NPN神經先驗網絡解決先驗信息。

　　在車主進行路線訓練時，理想的智駕系統會將采集到的道路信息(尤其是路口等復雜場景)通過NPN網絡輸出為人類看不懂的高維特征，多次上傳、刷新后在云端聚合出特定道路的完整特征。

　　通勤模式啟用時，理想的智駕系統會從云端下載既定路線的高維特征數據，作為感知系統的重要參考，輔助輸出更穩定可靠的感知結果。比如在過路口時，因為遮擋、光線問題智駕系統可能會看不全、看不清車道線、停止線，但引入了NPN網絡提供的先驗信息后，感知結果會更精確(雖然仍比不上高精地圖)。

　　相比大疆、理想，小鵬展示的則是一種大力出奇跡的方案：將車輛的感知能力做得更強、更遠，減少對先驗信息的依賴。

　　上周在北京進行的無圖城市NoA演示中，小鵬表示其XNet的感知范圍提升了2倍，達到1.8個標準足球場大小，此外小鵬的算法也擁有更強的“腦補”能力。這讓車輛能夠在百米距離就看到并記住紅綠燈、標志線，提高做出正確駕駛決策的概率。

　　這種方式選擇武裝自身，受約束較少，但可能最耗費腦細胞：XNet采用的BEV+Transformer感知技術框架雖然上限高，但提升BEV感知消耗的算力會隨距離增加成倍增長。

　　行業提出的應對方案是對BEV算法進行稀疏化改造，即通過設計讓算法去算那些更該被感知的物體，比如地平線的Sparse4D、圖森的稀疏BEV。不過，落地到高階智駕量產中的稀疏化BEV尚不多。

　　如何在芯片算力、內存不變的條件下，讓感知距離成倍提升而不損失感知精度，是對智駕團隊技術與工程實力的重大考驗。

　　03 規劃擬人

　　要批量落地通勤模式，解決先驗信息問題只是*個重大問題，如何做好無高精地圖狀態下的智駕決策規劃，則是第二個。

　　小鵬自動駕駛副總裁吳新宙此前在接受采訪時認為，智能駕駛后續的主要技術挑戰來自決策規劃。在他離職后，其職責由小鵬智駕規控負責人李力耘接手，多少能說明主要矛盾的變化。

　　在去高精地圖后，智駕車輛對靜態物體(包括紅綠燈、車道線、停止線、路沿等)的感知精準度與穩定性都會下降，此時規控算法需要更加靈活、更能應對不確定性，為系統兜底。

　　典型的例子是，在不依賴高精地圖的智駕中，算法不像此前那樣將車道線作為不可動搖的參照物，而是會更多地結合對周圍環境和其他交通參與者的感知輸出一個“可行駛區域”，并在預測其他物體運動軌跡的基礎上，計算并執行*行駛路線。

　　在復雜交通流下，能支持越多的目標軌跡預測、越高頻的路徑搜索，決策規劃的效果通常就越好，但同樣也會大量消耗算力與內存資源。

　　而在真實的交通場景下，車輛的決策規劃可能還需要考慮到視野之外。

　　在被山體遮擋的山路彎道，老司機會習慣性地鳴笛提醒對向車道來車;在有盲區的路口，有經驗的司機常常會減速防止鬼探頭。智駕要平安落地到更多城市，也需要學習這些“直覺”。

　　有高階智駕量產經驗的企業，已經著手在決策規劃算法中模擬人類的經驗。

　　即將搭載于云朵靈犀版的大疆車載“成行”平臺智駕方案，其決策規控采用的是 OSP(Open Space Planning，開放空間規劃)技術，減少對道路環境的假設，采用搜索+優化的方式，達成防御性駕駛的效果。

　　小鵬的無圖智駕在規劃上已經摒棄了“嚴格居車道線中心”行駛的策略，會根據交通流適當地左右偏移，這既符合人類習慣，也有助于降低潛在風險。

　　特斯拉則在今年的CVPR上展示了能夠賦予智駕車輛“常識”的世界模型，如果它搭載于FSD入華，可能會又一次改變智能駕駛潮水的方向——當然，特斯拉在自動駕駛上吹的牛，通常都會跳票一段時間。

　　04 平權之路

　　盡管不同智駕團隊在技術上的各種嘗試，為各級城市智駕平權創造了可能，但通勤模式要落地到更多二三線城市，需要的不僅僅是技術的努力。

　　將高階智駕能力移植到低線城市， 實質上是一個多目標聯合優化問題：合規要求、開城速度、用戶體驗、使用成本，這些本是此消彼長的訴求，必須同時滿足。

　　典型如合規問題。高精地圖之所以被頭部智駕企業“嫌棄”，一個主要原因就在于高精地圖的合規需要高門檻的測繪資質與審核時間成本。

　　而在邁向無圖智駕的道路上，合規問題依然需要解決，車企有一些曲線救國的方法。

　　比如理想的NPN神經先驗網絡，選擇將道路信息由神經網絡加密成高維特征，其表達形式與傳統意義上的地圖測繪有明顯區別，理論上不能被其他企業使用，可以保護數據安全。不過，NPN網絡在運行時會較多與云端交互，上傳下發數據，在監管政策上仍會面臨一些不確定性。

　　即使要大費周章地用各種方法曲線推進，也阻擋不了行業參與者帶著鐐銬狂奔。

　　在今年，由于激烈的市場競爭，以及特斯拉FSD入華消息的刺激，華為、小鵬、理想都制定了各自的無圖城市高階智駕開城計劃，目標激進：從45城、50城、100城。

　　但“開城”這個詞本身就意味著，即使是輕量級的通勤智駕，落地時也依然會有大量臟活、累活。各個智駕團隊需要派駐人手進駐不同的城市，額外采集先驗信息，一個接一個地攻堅克難。

　　小鵬自動駕駛產品總監劉毅林在微博上解釋，只有這樣才能既快速擴展到不同城市，也保障用戶體驗。

　　隨著通勤模式、無圖智駕向更多城市滲透，車企智能駕駛部門的運營職能將明顯加重，智駕運維團隊也將迎來新一輪擴張并駐守在各個城市——至少在眼下的技術范疇中，智駕落地沒有輕模式的捷徑可走。

　　高階智駕的落地之重，也將更考驗企業的成本控制能力。

　　今年，有企業的3萬元城市NoA功能訂閱數寥寥，最近都被迫降價，而標配XNGP的小鵬G6 Max版賣成爆款，充分說明人民群眾并不是不想用高階智駕，而是不想用太貴的高階智駕。

　　但目前，國內能夠實現城市高階智駕的車型，清一色搭載英偉達Orin芯片或華為MDC計算平臺+激光雷達，成本居高不下，整車售價30萬+是常態，20萬+已是驚喜。

　　大疆車載是其中例外。在大疆車載的測算中，車企愿意為智能駕駛付出的成本集中在5000-15000元。而由于立足雙目立體視覺方案，大疆*限度地避開了昂貴的大算力AI芯片與激光雷達，走出了一條用低成本硬件實現高階智駕的路徑。

　　在云朵靈犀版上，大疆車載配置7枚攝像頭，和32T算力的德儀TDA4 VH。這些精簡的硬件選擇，將會使云朵靈犀版在今年上市后成為*在20萬以下搭載通勤模式功能的產品，如果定價合理，它有希望激活20萬以下高階智駕市場。

　　在國內新能源汽車市場中，20萬以下車型銷量占比超過50%，且占比將進一步提高。在20萬以下車型實現高階智駕，將收獲一個巨量市場，也是智駕平權的必經之路，這決定了必然會有更多企業涌入。前兩天剛發布了財報的小鵬表示，到明年將實現自動駕駛硬件成本50%降本，后續將在15萬級市場推出自動駕駛車型。

　　何小鵬兩年前曾有觀點，15萬的車型做不好智能化。但如今20萬以下車型市場，正加速靠向高階智駕的主戰場。

　　在頭部玩家的帶動效應下，智駕的降本戰火會愈演愈烈，并將影響進一步傳導至供應鏈：4D毫米波雷達向激光雷達發起挑戰，中等算力的智駕芯片在蓄勢待發，高集成化的硬件受到更多的青睞···

　　眼下，當智能電動汽車從電動化上半場轉入智能化下半場，一些經驗可能是相通的。

　　新能源汽車從高端市場走向中低端市場，見證了國產新能源汽車品牌和中國三電供應鏈的崛起。智能駕駛的平權，大概率也會帶來另一場汽車品牌與供應鏈的權力更迭。