今年的上海車展就一個字：卷。

1000余家品牌，人均兩萬步起，隨處可見的CEO、CMO、CDO，層出不窮的技術名詞......顯然，在“擁抱汽車產業新時代”的路上，大家“卷”力十足。

今年1-3月, 中國新能源乘用車的市場滲透率超過26%，完成了從“初期市場”向“早期大眾市場”的跨越，市場競爭的焦點從電動化延伸到智能化。

【資料圖】

“2026年，當智能化完成市場‘跨溝’后，沒有智能駕駛能力的汽車將難以進入用戶的購車清單。”百度集團資深副總裁、智能駕駛事業群組總裁李震宇表示。

既然智能化這么重要，那么在智能化上大家又在卷什么呢？答案是：城市NOA。

這次上海車展上，從車企以及供應商車企和供應商接連發布的產品上不難看出來：理想宣布本季度城市NOA將開啟內測推送，年底覆蓋100座城市；百度Apollo推出旗艦產品城市智駕Apollo City Driving Max；騰訊推出了HD Air輕量級高精數據產品；四維圖新發布了服務于智能駕駛的“場景地圖”產品；地平線宣布與哪吒汽車合作高階NOA智能輔助駕駛系統......

西部證券在之前的一份研報中甚至提到，2023年或許是“城市NOA元年”，足以見今年城市NOA的熱度有多高。鈦媒體App整理匯總了一份部分車企及供應商城區NOA進展。

部分車企及供應商城區NOA進展

城市NOA，顧名思義，指的就是在復雜的城市場景中實現點到點的“導航輔助駕駛”功能。在自動駕駛領域，城市道路場景一直是技術開發的難點之一，也是自動駕駛遲遲無法真正落地的原因之一。但城市NOA讓人們看到了一種通往自動駕駛的路徑，因此也被許多人看作是實現高級別自動駕駛的必經之路。

高精地圖之爭

NOA全稱Navigate on Autopilot，通常譯作“導航輔助駕駛”，最早是由特斯拉推出的。

2019年6月，特斯拉官方正式向中國市場內全部選配了FSD完全自動駕駛的車型，推送最新版本NOA，能夠令車輛自動駛入和駛出高速公路匝道或立交橋岔路口，并超過行駛緩慢的車輛。

與傳統的自適應巡航功能相比，NOA功能的優點在于可以自主辨別駛入或者是自主辨認超車的時機，從而實現自動變道超車的操作。

根據使用場景不同，NOA有兩個細分方向：高速NOA和城市NOA。2022年，高速NOA快速發展并向城市場景延伸。小鵬汽車自動駕駛副總裁吳新宙就曾表示，城市場景的落地標志著“智能輔助駕駛下半場的開局”。

只是，相較高速道路來說，城市道路的交通環境更為混亂，涵蓋了行人、自行車、電瓶車等更多類型的交通參與者。因此，高精度、精細化定義的地圖成為自動駕駛重要的感知基礎技術之一。

但這里也出現一個問題：高精度地圖雖然有高精度、高鮮度、高豐富度的特點，但它高昂的成本真的適合城市NOA嗎？

根據《智能網聯汽車高精地圖白皮書》顯示，采用傳統測繪車方式，分米級地圖的測繪效率約為每天每車500公里道路，成本為每公里10元左右，而厘米級地圖的測繪效率約為每天每車100公里道路，成本可能達每公里千元，一天就是十萬級的費用。

成本高也就算了，更要緊的問題是高精地圖的更新速度太慢，已經跟不上自動駕駛發展所需要的速度。

就像上海車展前夕，余承東在 HUAWEI ADS 2.0發布會上所說的那樣， “高精地圖覆蓋全國的難度太大，中國道路幾乎實時在變動。依賴高精度地圖的話，根本沒辦法普及。”

更何況，去年8月份，自然資源部明確收緊高精地圖測繪資質（即甲級測繪資質），要求企業需依法取得相應測繪資質，或委托具有相應測繪資質的單位開展測繪活動。

除此之外，從技術的發展角度來看，騰訊智慧出行副總裁劉澍泉認為，感知和高精地圖是一個此消彼漲的過程，感知越來越強，所依賴的地圖就可以越來越輕，“這是一個趨勢。”

緊接著，他進一步解釋說，高精地圖在最開始提出來的時候實際上是導航+定位，解決的是在自動駕駛里面定位不準的問題，更多地是在單車算力有限、感知能力有限、規控有限的時候，通過更精確的地圖能夠完成自車的定位、自車的導航。但現在，感知技術已經越來越強了，甚至有一些可以實時地通過3D的環境還原就能夠知道相對的定位。在這個過程里面會發現并不需要那么多的feature（特征），并不需要那么多高精度的地圖，因此原來可能高精地圖要做到100分才行，但今天60分或者50分就能滿足應用了。

騰訊HD Air

路徑選擇

成本高昂、更新速度跟不上、甲級測繪資質稀缺、感知技術的發展，種種因素將高精地圖從城市NOA的路線上推開，行業內出現了一條“重感知、輕地圖”的技術路線。

這條路線又繼續細分了兩種：一種是類似特斯拉的模式，完全拋開高精度地圖百分百依靠在線學習。

不過，一位自動駕駛從業者也向鈦媒體App分享說，“這種方式確實是感覺很輕量，特斯拉能這么做也有它自己的天賦，首先它是有百萬輛的車隊數據回傳，另外它多年積累了成熟高效的數據標注的工具鏈。還有很讓人羨慕的是，它自己駐廠招了上千個工人來幫助做數據標注，而且都是正式的員工，這些顯然不是任何一個自動駕駛公司能夠容易去復制成功的。”

同時，他也認為說，“除非你的學習能力是這個百分之百的正確，不然只要發生問題，比如像道路結構這么重要的元素，一錯就是勸退類。”

所以，我們能夠看到另外一條更為務實、更加平衡的細分路線就是：不完全拋開，但減輕對高精度地圖的依賴。

上海車展前夕，百度Apollo推出旗艦產品城市智駕Apollo City Driving Max。據官方介紹，目前首發車的產品定義就包括激光雷達，以實現“純視覺+激光雷達”的感知冗余。

同時，百度Apollo表示，該產品使用的“輕量級高精地圖”比起行業通用的傳統高精地圖要“輕”近80%。

輕地圖的“輕”，一是在地圖數據采集階段的減負，降低采集成本，每條路線僅需要采集1次即可制圖；二是定位圖層的降維，降低對點云和特征點的依賴，僅依靠Landmark定位圖層即可支撐，提升效率；三是地圖元素標注需求的瘦身，僅需要標注一個框，僅需要和停止線建立一條綁定關系，大大降低了人工標注出錯的概率和成本。

對于行業內的地圖路線之爭，圖商們也并非坐以待斃，而是在積極將標準地圖與高精地圖融合。

今年上海車展期間，四維圖新發布了服務于智能駕駛的“場景地圖”產品。在此之前，四維圖新還發布過基于傳統導航地圖、輔助駕駛地圖、高精度地圖、停車場地圖“四圖合一”的OneMap產品。

根據介紹，這次發布的場景地圖則是在此基礎上，更加動態智能自適應智駕場景，靈活高效地支持汽車艙駕智能化的各種功能的實現，并通過差異化的場景地圖服務提升功能的可用性及用戶體驗。

算力共識

地圖之外，隨著智能駕駛功能需求越來越多，需要更高的算力來支撐，而大算力芯片更是成為了行業共識，并且愈演愈烈。

根據公開資料，目前主機廠的城市NOA都選擇了大算力方案，不管是昂貴的NVIDIA Drive Orin芯片或是其它國產大算力芯片。其中，特斯拉NOA系統的算力為144 Tops；極狐阿爾法S HI版擁有400 Tops算力，小鵬G9、理想L9的算力達到508 Tops，蔚來ES7的算力更是高達1016 Tops。

不過，在地平線創始人兼CEO余凱看來，“自動駕駛的硬件配置，算力從幾十Tops 到 1000 Tops ，其實用戶體驗并沒有那么大區別。真正要做的是不斷地在給定算力上去優化軟件算法，去用更多的數據不斷地去逼近用戶體驗的上限。”

換句話說，“算力”是一個基礎，但僅有算力不行，還要關注的是算力的有效性。比如對數據處理的效率，每秒處理多少幀的數據等。因為最終消費者能夠體驗到的算力帶給他的價值，并不是簡單等同于絕對算力本身。

地平線總裁陳黎明對鈦媒體App表示，多少Tops算力只是一個峰值算力，這個峰值算力并不一定真正都能用到。

另外，從車企的角度來說，盲目堆砌算力意味著成本的提高。 黑芝麻智能首席市場營銷官楊宇欣曾說過，“2023年以前大家講自動駕駛講的是高性能，需要多少T的算力。原因在于車企向新能源、向智能化轉型需要在品牌之上加諸科技屬性，讓用戶真正接受這些高附加值的應用。但是同樣面臨著整車成本的壓力。”

下一階段的關鍵是接管次數降低

雖然自動駕駛企業紛紛卷向“城市NOA”，不過理性來看，真正實現好用的城市NOA仍需要時間。

余凱就曾預測說，“去年是 L2 +（高速 NOA）量產元年，相信今年一些領先車企都會推出面向城區的NOA。但我認為在技術這方面還有挑戰，起碼要研發至少三年才會有一個比較大的進步。”

同時他表示，“現在到2025年真正要做的是在合理性價比上，把高速、環線等封閉道路的領航功能做到絲般順滑，同時投注相當的時間和精力將城區NOA做到真正可用”。

現在NOA的功能覆蓋的接管里程數還是不夠高，廠商普遍追求的目標是高速場景一千公里的MPI，城市場景一百公里的MPI，實際上這個還是相對比較低一些，它核心體現的是長尾場景的覆蓋度不夠。

在陳黎明看來，“自動駕駛是一個比較漫長的演進的過程，是一個ODD（Operational Design Domain，即運行設計域，指自動駕駛系統被設計起作用的條件及適用范圍）拓展的階段，再到了下一個階段，追求的是接管次數的不斷降低，能更好適應周邊環境。”

根據《2022年汽車行業報告：城市NOA重新定義智能汽車》預測，2023年搭載NOA的汽車總量或將為70萬輛，2024年有望達到169萬輛，2025年這一數字很可能將達到348萬輛。其中，支持城市NOA功能的車型占比將從2023年的17％迅速上升到70％。

這樣的發展速度也就意味著，“城市NOA是一個在過渡到自動駕駛前，最好且成本最低，甚至還能賺錢的數據收集方式，給車企的自動駕駛技術提供反哺。”一位自動駕駛行業人士說道。

自動駕駛前進的道路仍然荊棘叢生，但對于相關企業來說，城市NOA或許是一個不得不抓住的機會。

（本文首發鈦媒體App，作者｜韓敬嫻，編輯｜張敏）

關鍵詞：