作者｜李安琪

编辑｜李勤

【资料图】

“这个东西不能叫NAD（蔚来自动驾驶）。”

今年7月，蔚来CEO李斌在上海城区道路体验了自家最新的智驾功能，他略显失望。蔚来NAD类似于特斯拉的FSD（Full Self Driving），目标是实现城市和高速道路的点到点辅助驾驶。

年初，蔚来智能驾驶团队集结了一批人力，目标是上半年在上海数千公里城市道路实现领航辅助驾驶功能，但研发没有达到预期。据36氪PowerOn了解，蔚来智驾团队已经立下“军令状”，“每半个月更新一个版本。”

蔚来陷入焦虑，并非没有道理。一场比拼资源、人力、速度与规模的城市NoA（Navigate on Autopilot，领航辅助驾驶）之战，已经硝烟四起。

先是数字竞赛。华为、小鹏将今年城市NoA的开放目标分别定在了45城与50城，理想汽车则直接给出了100城的激进目标。

开城策略也针锋相对。小鹏汽车接连在理想总部所在地北京，推动城市NoA落地，而据PowerOn了解，理想则计划将城市NoA首个落地城市设定为广州——小鹏汽车大本营。

国内的城市NoA开城竞赛，甚至把压力传导给了特斯拉，后者正积极筹备全自动驾驶功能FSD入华落地。一位知情人士向PowerOn透露，这正是由特斯拉中国销售团队发起的申请，“希望美国总部尽快支持”。

汽车行业正从产品空间、价格、供应链等方面开展全面竞赛，但智能化尤其是智能驾驶，是新造车公司们最大的差异化竞争点。

这也迫使城市NoA成为行业为数不多的“一把手”项目。据PowerOn了解，理想100城的开城目标是由李想本人敲定；而小鹏智驾灵魂人物吴新宙离职后，何小鹏也在带领智驾团队开展工作。

但激进的宣传目标，无法掩盖城市NoA开城的艰难。截止目前，小鹏城市NGP的实际落地只推进到北京、上海、广州、深圳、佛山5个城市，华为的落地节奏相当，两者都还依赖高精地图；而理想和蔚来的城市NoA功能，尚未正式交付。

从高速到城市道路，城市NoA的落地仍面临重重困难，尤其在去掉高精地图后，城市NoA正面临一次感知危机，即如何重新认识眼前的世界。

去掉高精地图，智能驾驶的感知危机

有高精地图这把“拐杖”，智能汽车通过十字路口几乎没有困难，因为高精地图会告诉汽车需要的一切静态道路信息，包括该走哪条车道、车道线在哪里、转弯还是直行、红绿灯位置，是不是有待转区、限速多少等等。

但高精地图的缺点也很明显：难以负荷的成本、鲜度不足，以及政策不确定性等。车企要快速推广城市NoA功能，从1个城市开通到100个城市，就不得不舍弃高精地图这把“拐杖”。

拿掉高精地图这套精密的数字工具，汽车将进入一片稀疏的荒漠，只能用自身的感知能力重建一个环境模型。

去掉高精地图的挑战，图源：小鹏汽车

特斯拉还是那个领头羊，其在2021年开始重建感知系统，先后推出了基于Transformer模型的BEV（即Bird"s Eye View，鸟瞰图）和Occupancy network（占据栅格）等技术。

就像人用眼睛看世界一样，BEV能将2D图像转换成3D立体空间，此外，BEV+Transformer还能够识别静态车道线，提供车道线边缘，虚实车道线等信息；而动态层面，Occupancy网络则用以识别异型障碍物，如施工场景中的锥桶等。

“BEV这套方案的上限非常高，能让车辆像人类一样去看这个世界，基本是自动驾驶的终局方案。”有头部车企的高级工程师向PowerOn断言。

换句话说，在去掉高精地图之后，BEV+Transformer+Occupancy，为智驾系统生成了一幅实时地图。

BEV+Transformer的感知世界，图源：理想汽车

PowerOn从接近特斯拉工程团队的人士处获悉，基于新的感知方案，特斯拉FSD功能已经释放给上百万辆汽车，在无需高精地图的情况下，特斯拉FSD的百公里接管率已经低至1.6-1.7，“这是一个强调舒适性的标准。”

由此，特斯拉已经率先验证了BEV+Transformer+Occupancy“去图三件套”的可行性，国内的小鹏、华为、蔚来、理想等公司，也全部跟进。

不过，这套感知方案天花板虽然高，却不好驾驭，尤其是国内公司刚切入这条路线。以简单的车道线信息为例，原本借助高精地图，可以轻易获得，但用BEV+Transformer去实时感知，则是完全不同的境况。

比如，路口排队通行时，车道线经常被前方车辆遮挡，智驾系统如果跟着前车行驶，但走了一会儿发现其实没有车道线，就会出现摇摆。

“这会导致车辆行驶忽左忽右，体验很不好。”有工程师告诉PowerOn，智驾体验最直接的并不是感知，而是规划控制，“起码坐上车不会乱晃。”

同样，也可能因为光线太强，摄像头对车道线的感知不够清晰，又或者是路面施工造成的车道线遮挡……这些都可能让智能汽车在城市道路上“抓瞎”。

而相比识别被遮挡的车道线，识别红绿灯路口的难度更是直线拉升。

此前不管是特斯拉，还是国内的理想、蔚来和小鹏等，高阶智能驾驶都针对高速道路，红绿灯路口难免被忽视。而争相交付城市NoA的过程中，这些车企才发现，如何通过红绿灯路口是个两难问题。

理想汽车智驾副总裁郎咸鹏曾系统分享过：如果借助高精地图通过红绿灯路口，车辆对红绿灯识别和检测需要跟高精地图、高精定位做匹配，如果识别的红绿灯与高精地图匹配不上，就会感知失败；

而如果去掉高精地图，红绿灯类型又千变万化，位置摆放各异，如何只靠摄像头去准确识别，并且跟自车道相对应，同样艰难。

复杂的红绿灯案例，图源：小鹏汽车

一位小鹏汽车工程师向PowerOn直言，红绿灯确实不好做，“去年公司红绿灯团队被骂得很惨。”

识别被遮挡的车道、通过复杂的大型路口、认出形形色色的红绿灯等，都是智能驾驶开城必须攻克的难关。而对于想要加速超车的公司而言，似乎要找到一条快速路。

新技术，口水仗

过往，理想汽车的智能驾驶进展，经常被当作“差班生”。虽然其高速NoA功能落地并不慢，但相较于蔚来和小鹏，理想的智驾投入的确保守，就在2022年，小鹏和蔚来的智驾团队均超过800人，而理想汽车仅维持在500人左右。

但今年开始，理想汽车忽然有了一举赶超的势头，团队快速扩张至800人左右，喊出无图版城市NoA“年内开通100城”的目标。激进转身引发了同行侧目，招致蔚来智驾产品负责人黄鑫的隔空质疑。

是什么让理想汽车有了从队尾大步走向队首的底气？

今年5月家庭科技日上，理想公布了城市NoA方案，除了行业标配的“去图三大件”：BEV+Transformer+Occupancy，理想还有两个“独门”神经网络：NPN（神经先验网络），针对车道线被遮挡和复杂路口等场景；TIN（信号灯通行意图网络），针对红绿灯路口。

不难看出，两个神经网络解决的正是城区智能驾驶遇到的顽疾。比如NPN能够对复杂路口的感知数据进行特征提取和存储，生成道路特征。等车辆下一次行驶到同样路口时，NPN提供的道路特征就可以与车端BEV感知进行融合，得到更准确的感知结果。

人眼无法看懂的道路NPN特征，图源：理想汽车

从功能来看，NPN网络的作用类似于高精地图（可以提供道线，路沿、交通标志等信息），给车辆提供先验性的道路特征信息，但其巧妙之处在于，这些道路特征都被转化成了神经网络的参数值，以一种加密的方式提供给BEV算法，从而规避了地图测绘的监管风险。

有地图从业人士告诉PowerOn，从技术来看，NPN网络的保密性已经远超测绘保密要求，商业方面，NPN也密切耦合理想特定的BEV算法，即便是别家车企拿到了也不知道怎么使用，“NPN给到小鹏的BEV算法，肯定是看不懂的，但如果是高精地图的话，小鹏就能看懂。”

这就相当于装了一个加密的“道路信息外挂”，在遇到复杂路口、雨雪天气和车道线被遮挡的棘手场面时，理想汽车可以调取和查看这个“外挂”，更从容应对。

但从技术逻辑来看，NPN网络的短板也不容忽视，因其主要从车辆的历史行车数据中提取道路特征，也就自然面临着信息的“鲜度”问题：如果某个路口车辆没开过，NPN就无从做道路特征提取；如果路口经常变化，NPN特征提取也可能滞后。

甚至有车企高级工程师向PowerOn直言，“NPN网络本质是解决了高精地图信息的合规性问题，但对于感知技术本身的落地工程化，帮助有限。”

而理想汽车工程团队显然已有筹谋，据该团队人士透露，理想汽车到2025年的规划中，会逐步缩小NPN网络的应用范围，“最后只在很个别场景才去用。”

针对城市道路的另一个挑战——红绿灯路口通行，理想也提出了TIN信号灯通行意图网络方案。不像传统方案那样检测红绿灯的具体状态，TIN主要通过历史图像数据，如路口图像和车辆本身的油门刹车数据，学习红绿灯和车辆行驶意图的对应关系。最终TIN网络就能直接给出左转、右转、直行、停止4个红绿灯状态概率值，比如绿灯概率值最高为75%，那么车辆就会选择直行。

理想的信号灯识别方案，图源：理想汽车

同样有长期攻克红绿灯路口的工程师向PowerOn表达了质疑，有些红绿灯类型整个城市可能就一两个，全国也可能就不到10个，而想用十几个案例就教会神经网络，这对于当下技术而言，几乎难以实现。

虽然理想的两个“外挂”式神经网络引起了不少争议，但针对车道线被遮挡、复杂路口和红绿灯，行业并没有其他的有效方案。大部分都是苦功夫。

有小鹏人士告诉PowerOn，遇到被遮挡的车道线，内部的解题思路是，图像回传后标注团队会把车道线补充完整，让感知模型学习，训练数据多了之后，感知系统自己也能“脑补”出车道线。

不过，系统“脑补”错误的情况也会存在，比如模型无中生有预测出一条车道线来。而在红绿灯检测方面，如果主路红绿灯被遮挡的话，小鹏智驾可能会去看辅路的红绿灯。

要说理想的方案没有引发行业思考是假的。有知情人士告诉PowerOn，小鹏内部也在研发类似理想NPN的方案，通过感知能力和一些轻量化的元素，做复杂路口的结构化信息，“但会更加轻量化。”

驯化新的感知系统是一个长期过程。小鹏智驾内部甚至用“炼丹”来比喻感知模块的训练，团队经常开玩笑说，“如果这是一个感知的问题，那就要把炉子捡起来，开始炼丹了。”

开城，没有银子弹

即便是给出了去图方案的特斯拉，也不是部署一个技术框架，就可以高枕无忧。算法模型的搭建完成，只是智能驾驶大厦的地基，往后则是不断的测试和优化。

甚至越是用到BEV+Transformer这样的端到端模型，越需要大量的参数调整和优化。接近特斯拉工程团队的人士告诉PowerOn，即便是特斯拉，“也需要加一定的restriction （加一些规则逻辑的代码）来进行辅助。”

此外，算法模型的每一次训练和优化，都是一个耗时耗资的大工程。

一位小鹏人士向PowerOn表示，通常为保证模型的效果，研发团队在前期会将模型做的很重，比如将感知精度推得很高。而算法优化，就是在保证感知精度不被降低的前提下，砍掉模型中无用的参数，并将算法塞进算力受限的计算平台，尽可能减少对算力的消耗，“剪枝、量化、软件部署，每一步都要做很多工作。”

而由于数据量庞大，每一次的算法训练都是一笔巨大消耗，从喂养数据到一个可用的模型，“一次训练要好几天，花费几百万元。”

除了一遍遍优化算法，还要在实际道路上进行无数次软件测试，这也是智驾落地过程中的最枯燥的“dirty work”。

有业内人士向PowerOn介绍了智驾落地的大致流程：针对目标城市，测试工程师们往往要拿整体方案进行路测，每天在车内坐上十来个小时，起码十数台车起码跑半个月以上，才能积累特殊路况。

然后通过修改算法解决特殊问题、迭代模型，但新的模型并不一定能顺利解决问题，“可能10个问题只解决了5个，只能不断去测，反复下来，一个城市的问题解决可能要三个月。”

随着落地规模越大，车企需要建立一个更加庞大的数据闭环系统，涵盖数据挖掘、主动学习、自动标注、模型调试、测试验证、模型发布等环节。最重要的是，数据闭环要能够经受数十万甚至百万车回传的数据冲刷，才能真正形成数据驱动，让车辆具备自主进化的能力。

因此，饶是落地经验相对丰富的小鹏汽车，开城速度也没有想象中快。“现在还没有成熟的流水线开城模式，只能是先翻一个山头，再翻一个山头。”一位小鹏汽车智驾人士说道。

有小鹏人士表示，现在内部压力最大的是规划控制环节。例如，小鹏之前的数据大部分是广东的，扩城之后，会遇到很多北京特有的场景。

如果要保证用户的体验一致，只能叠加各种控制规则来修改驾驶策略。小鹏智驾灵魂人物吴新宙，即便在离职前夜，也不得不为了北京的城市NGP落地，“北京广州来回跑。”

显然，即便是有了可行的感知技术路径，城区智驾也没有快速铺开的“银子弹”。不管是模型优化还是规则调整，都是漫长而繁琐的工程化过程。

8月25日的成都车展上，理想汽车副总裁刘杰悄然调整了“城市NoA开通100座”的描述，在其公布的开城明细中，将“城市NoA”改为了“通勤NoA”。

相比城市NoA对全城区域的覆盖，通勤NoA模式轻量很多，用户可以自行设定1到2条通勤路线，车辆自主学习道路NPN特征，学成之后就可以在这些通勤路线开通NoA功能。“相对简单的路线基本1周以内可以激活，较为复杂的路线，2-3周也足以完成训练。”理想表示。

小鹏也推出了类似的“AI代驾”模式，来实现今年50座的开城目标。“成本又低，边际效应很大，都是用户高频使用路线。”一位智驾行业人士表示。

BEV+Transformer几乎提供了去掉高精地图的终局感知方案，也让智能驾驶从高速走进城市，最终通往自动驾驶。但必须承认的是，代码与算法有限，而现实场景无限，这也决定，智能驾驶是一砖一瓦的量产工程。

在激烈的口水仗过后，国内的车企们依然需要回归现实，日拱一卒。

关键词：