城市NOA作为L2级智能驾驶的天花板，现阶段代表着量产智能驾驶的最高水平，是业内玩家纷纷布局的重点。2023~2025年，城市NOA将成为智驾厂商的必争之地，换句话说，谁先实现了城市NOA，谁就可以在智能驾驶的下半场抢占先机。
与已经普及的高速NOA相比，城市NOA的场景更复杂，例如城市避障、路口通行、城市导航变道、特殊交通道路等，不但要面临行人、机动车、非机动车等交通参与者，还要考虑各种不规则道路和交通标识。针对复杂的城市场景，想要开发出用户体验好的城市NOA，不仅需要理解城市NOA的典型场景，还需要很强的系统性思维，从全局考虑问题。本文将梳理城市NOA的典型场景，分析不同的技术路线，并介绍一套实际应用的系统方案，最后总结市场案例和未来趋势。希望本文对城市NOA的解读，能够帮助读者更深入地理解城市NOA。
典型场景
与高速公路和高架路相比，城市道路的路况更复杂，不仅存在行人、机动车、非机动车等各种道路参与者，还存在斑马线、导流线、红绿灯、限速牌、不规则车道线等多种交通标识，对智驾系统的能力，尤其是感知能力，要求很高。我们整理出典型的、城市道路特有的交通场景，作为城市NOA功能开发时需关注的重点场景，包括城市避障、路口通行、特殊路段等，并对各类场景制定安全、舒适、高效的行驶策略。
城市避障
城市道路的复杂路况，尤其是无序穿行的行人、非机动车等高度不确定的因素，导致城市NOA需要重点关注避障场景，此时不仅应该能避免碰撞，还应该能通过多种方式兼顾功能的安全性与流畅性（功能体验连续性），而不是仅仅停车等待接管。根据障碍物的移动轨迹，城市避障场景可以分为前方纵向侵占车道的场景和前方横穿场景。
前方纵向侵占车道
该场景是指自车在车道内行驶，前方出现移动或静止障碍物，侵占本车道，导致自车按当前轨迹无法顺利通过的场景。常见的侵占物体包括行人、非机动车、机动车、施工区域锥桶、围墙、栏杆等。根据侵占车道的程度（横向距离），自车可以有不同的应对方案：当侵占程度较低，如仅仅压线或侵占度低于车道宽度的10%时，自车可以选择在本车道小幅横向偏移，绕过障碍物；如果侵占程度较高，甚至超过车道的50%，则通常需要减速跟随，或者在确认相邻车道安全的情况下，借道避障。
图1 车道侵占程度示意图
a）本车道避障
b）借道避障
图2 前方纵向侵占车道
前方横穿由于城市交通要素的高度不确定性，尤其是两轮车与行人的无序混乱移动，前方横穿的场景可能发生在任何路段，包括车道中、路口、环岛等等。横穿物体危险程度很高，且横向持续移动，因此自车应该及时减速避让，必要时考虑停车等待。
图3 前方横穿
路口通行
路口通行场景是城市道路的典型场景，包含丰富的场景要素如交通信号灯（红绿灯）、斑马线、停止线等，都会对车辆的行驶状态和策略产生影响；另外，车辆在路口会存在多种行驶方向和意图，如直行、左转、右转、掉头、停车等，形成更加多样化的路口通行场景。为保证车辆顺利通过路口，系统应能准确地识别到以下要素，以提供精准的交通环境信息，尤其是交通规则的限制性信息。
红绿灯
红绿灯是路口场景的标志性要素，对红绿灯的识别与响应能力，是城市NOA效果的重要评价标准。系统应该能够准确地识别出对应车道（直行、左转、掉头、右转）的红绿灯状态，并控制车辆根据红绿灯的状态及时作出反应，严格按交通规则行驶，并保证安全。常见的红绿灯如图4所示，都是需要系统识别到的。另外，如果路口同时存在交警，则以交警的手势作为通行准则，如果系统有能力识别到交警的手势，则继续让系统控制车辆；如果系统没有能力识别（目前技术水平还不能识别），则驾驶员应注意观察，准备接管车辆。
图4 常见红绿灯
斑马线
斑马线是路口的行人与非机动车专用区域，任何情况下，只要检测到斑马线，自车就应该注意减速让行，随时停车等待。除路口外，在人流密集的路段，也会设有斑马线，同样需要减速让行。
图5 斑马线
停止线
停止线是指示车辆在路口等待红绿灯时的停止参考线，通常与斑马线伴随出现。自车通过路口时，应能提前识别到停止线，如果当前为红灯，则控制车辆在停止线前刹停。可以认为，停止线与斑马线一样，都是让车辆注意减速的标志。
地面箭头
严格来说，地面箭头不是在路口的要素，而是路口前的车道内的地面标识，指示车辆在路口的行驶路线。系统应该控制车辆根据地面箭头行驶，如果自车当前所在车道的箭头指示方向，不满足城市NOA导航路径的要求，则应提前变道至正确的车道。
图6 停止线与地面箭头
根据导航途径和路口交通要素的综合影响，车辆在路口主要包含以下几种行驶状态：
直行不跟车
系统控制车辆以固定的车速直行，通过路口。通常车速应不高于40km/h。直行不跟车的场景主要应考虑两侧车道线的对齐情况，如果路口前与路口后的车道线基本对齐，则车辆可以完全沿直线行驶；如果两侧的车道线存在交错，则系统还应该提前根据对侧的车道线，调整车身姿态，确保车辆顺利进入车道行驶。
a）车道线对齐
b）车道线交错
图7 直行不跟车
直行跟车
系统控制车辆跟随前方的车辆行驶，沿前车的轨迹通过路口。前车可能沿直线行驶，也可能在路口时横向偏移，偏离车道甚至变道，此时自车应综合考虑前车的轨迹与车道线，进入合理的车道。
a）前车直线行驶
b）前车偏移
图8 直行跟车
路口左转
系统控制车辆向左转弯，需要注意的是，左转时的车速应兼顾舒适性和通行效率，通常在15~20km/h范围内。根据交通规则，如无特殊情况，车辆左转后应进入最左侧车道。如果在左转时，缺少左转红绿灯及左转专用道等交通设施的保护或指示，则称为无保护左转，此时对城市NOA的智能化程度和安全性的考验更大。
图9 左转
路口右转
系统控制车辆向右转弯，与左转场景类似，车速同样建议保持在15~20km/h，并在右转后进入最右侧车道。另外，大多数情况下，右转没有专门的红绿灯，因此只要检测不到右转的红色箭头灯，就可以右转。由于右转时需要应对同向非机动车道的非机动车，因此右转对系统的感知能力，尤其是驾驶员盲区的环境感知能力，有较高要求，无保护右转时则难度更大、要求更高。
图10 右转
进入待行区
待行区是指在路口车道前端，延伸入路口内的一段等候区，主要分为“左转弯待转区”和“直行待行区”，其中“左转弯待转区”更为常见。直行待行区的通行规则是：当直行为红灯，且电子屏幕显示可进入待行区时，系统应控制车辆进入待行区，等待直行信号灯变绿。左转弯待转区的通行规则是：当直行信号灯为绿、左转信号灯为红时，系统应控制车辆进入待转区，等待左转信号灯变绿；或按照电子屏幕的指示行驶。
图11 进入待行区
路口掉头
掉头场景对系统的挑战很大，车辆不仅要在路口完成180度转向，还要分析通行区域范围，确保能够顺利完成掉头动作。另外，掉头过程耗时较长，可能会遇到较大的场景变化。大多数情况下，掉头与左转会共用红绿灯和车道，但也存在分开的情况，需要系统能及时识别到红绿灯和地面箭头的信息。另外，左转待转区，也适用于掉头车辆等待。
a）掉头与左转车道分开
b）掉头与左转车道共用
图12 掉头车道
特殊路段
城市交通场景的特殊路段，主要有城市特有的交通拥堵和人流密集路段，以及狭窄难以通行的道路等。
交通拥堵
城市道路特有的交通拥堵场景，主要是由于车流量大、人车混行、红绿灯时间过长等原因造成的拥堵。此时系统在保持低速跟车状态的同时，还应注意行人、非机动车造成的风险，并注意红绿灯的状态。图13是典型的人车混行造成的拥堵场景，由于该路段没有规划非机动车道，导致低速的非机动车与机动车混用车道，形成拥堵路况。
图14 公交站台
园区门口
这里的园区是广义的概念，包括景区、办公园区、工业园区、学校、商场、小区等，园区门口的行人横穿、非机动车穿行等现象普遍，需要车辆能低速慢行，并及时准确地识别到其他交通参与者。
图15 学校门口
狭窄巷道
城市内不仅有宽阔的马路，也有狭窄的巷道、小路等，通常只允许一台车单向通行，并且存在各种障碍物，导致通行困难。狭窄道路非常考验系统的性能，可以说是对城市NOA的极大挑战，需要把识别和避障做到极致。
图16 狭窄巷道
技术路线
目前，各路玩家实现城市NOA的技术方案存在差异，要么是对城市NOA的技术路线理解不同，要么是虽然理解一致，但不同的技术实力导致技术路线实现的程度不同，例如小模型与大模型、有图与无图、纯视觉与多传感器融合等。
小模型 VS 大模型
小模型与大模型的区别主要在于参数量的多少，以及模型的复杂程度。目前智能驾驶正在从以往的传统小模型方案，向端到端的大模型方案过渡。
传统小模型
小模型是指参数较少、架构相对简单的AI计算模型，其优势在于资源需求少、实时性高、低功耗等。传统的智能驾驶算法架构包括感知、决策、规控等模块，每个模块有独立的任务，各自负责输出对应的结果，形成多个独立计算的小模型。传统的小模型方法能够让每个模块的计算结果都能有足够好的可解释性，在开发过程中能够独立优化，但由于小模型的参数有限，计算能力难以满足高阶智驾的要求，尤其是多传感器的大量数据处理、复杂场景中的路径规划等任务，因此需要提升模型的计算能力，保证高阶智驾的性能。另外，基于多个独立小模型的智驾系统，模块与模块之间的数据传输会存在损耗。以感知和决策模块为例，决策模块从感知得到的数据类型，都是基于现有资源提前定义好的，存在局限性；但由于真实交通环境的复杂性以及开发资源的限制，部分数据会得不到传输，比如前车转向灯亮起时，传统的感知小模型通常不会输出该信息，导致系统不能像人一样，“发现转向灯，并提前反应”。
端到端大模型
由于小模型在计算能力和数据传输方面的限制，端到端大模型成为城市NOA等高阶智驾的计算解决方案。端到端大模型是指从输入到输出的整体过程都由一个统一的、参数量多、计算能力极强的AI模型处理，中间没有显示的分模块步骤。与传统的智能驾驶算法架构不同，端到端大模型取代了此前用于感知、决策、规控的多个独立模块，输入的环境数据（摄像头、雷达数据等）直接送入模型，模型计算后，直接输出最终的控制指令（加速度、转角等）。端到端大模型不仅突破了传统小模型的算力限制和数据传输限制，更重要的是，能够通过大量的数据驱动来不断优化和改进系统的性能，而不需要过多依赖传统的规则代码。端到端去掉了规则主导的架构，完全交给神经网络主导，神经网络通过观察大量的数据，自我学习如何做出像人一样的驾驶决策。简单来说，传统小模型是让系统根据规则计算，而端到端大模型是让系统模拟人。
图17 小模型与大模型
以特斯拉的FSD Beta V12为例，作为特斯拉推出的首个搭载端到端智驾系统的版本，V12构建了统一的神经网络架构，在原始传感器数据输入后，经过深度算法处理，一步到位输出对车辆的操控指令，包括转向角度、制动力以及加速力度等，减少了各模块间信息传递的延迟和累计误差，同时简化了系统结构，便于整体的优化和训练。当遇到红灯时，V12不再需要通过代码写好“遇到红灯需要停下”，而是通过输入大量人类驾驶员的驾驶视频，让大模型自己找出成千上万条规律，“遇到红灯减速停车”是大模型自己学会的，而不是人教的。这也是为什么V12版本中，FSD的驾驶表现非常拟人化。正是因为这样的一个转变，原来负责这一块的30万行C++代码，如今变成了3000行。
图18 特斯拉的端到端大模型示例
不过，端到端大模型虽然优势明显，但也存在弊端，主要体现在系统的可解释性弱，以及对训练数据需求量极大。端到端大模型的内部架构复杂，其计算过程难以直观地理解，导致其计算结果难以解释，对于问题的复现、调试和解决，产生了挑战。由于大模型的计算处理过程，是通过大量数据训练得来的，因此对用于训练的数据的质量和数量都有较高的要求，包括多样化的道路环境、不同天气下各种工况的表现、各种类型的交通标志等。海量数据的获取、处理和应用，需要巨大的资源投入，研发成本很高。目前国内的端到端大模型势头正猛，已经成为城市NOA技术路线的必然趋势。不过，当前对于端到端模型的验证主要是开环验证，很少与外部环境产生交互，主要是验证输入和输出链路；想要实现方案的最终落地，需要经过大量真实场景的考验，从这个角度来看，国内端到端方案的实现和推广还有一段路要走。综合考虑小模型与大模型各自的特点以及当前的技术水平，通过组合的方式同时将小模型与大模型应用于城市NOA等高阶智驾，是合理可行的方案。例如，可以通过小模型对环境数据进行初步的处理与过滤，然后由大模型进行后续的进一步计算处理，这样能够充分利用大模型的高精度和计算能力，以及小模型的高效性，提供一套强大又灵活的智驾系统。
有图 VS 无图
高精地图曾经一度是高阶智能驾驶的必备，但最近两年，行业内“去高精地图”的声音越来越响，小鹏、华为、毫末智行等多家主机厂与智驾方案商，纷纷朝着“重感知，轻地图”的无图技术路线发展。
有图方案
所谓有图，也就是以往搭载高精地图的方案，高精地图作为一种先验信息，可以为智能驾驶提供准确的位置和环境信息，帮助系统更好地感知周围环境并实现精准定位。虽然高精地图可以明显提升感知定位的精度，但也存在明显的不足，主要表现在以下三方面：第一，高精地图测绘的成本高、周期长，与主机厂降本增效的理念相悖。由于精度要求高、信息量丰富，高精地图厂商在制作高精地图时需配备各类传感器，相比普通导航会产生更高的成本和更长的周期，与当前行业内，尤其是智能驾驶领域的降本增效趋势严重不符。第二，高精地图的更新周期长，地图鲜度难以保障，甚至产生安全问题。智能驾驶对高精地图的数据实时性要求很高，也就是需要地图“保鲜”，最好能每日更新一次。而图商的平均更新周期以月或者季度为单位，行业内的平均更新周期3个月左右，这就导致图商提供的高精地图，难以满足智能驾驶开发的需求，甚至存在安全隐患，比如某路段新增了施工区域，而高精地图未及时更新，就可能会导致事故。第三，高精地图缺乏统一的行业标准。高精地图的内容、数据格式、发布传输、更新管理等尚未在行业内形成统一共识，缺乏统一标准，如果在开发过程更换了另一家高精地图供应商，会带来很多二次开发工作，严重影响项目进度，并且额外增加大量成本。正是由于高精地图的以上不足之处，目前行业内“去高精地图”成为一种趋势，甚至愈演愈烈。
无图方案
所谓无图，也就是不搭载高精地图的方案，完全依赖传感器实现感知与定位。无图方案的优势显而易见，不仅能够避免因地图鲜度不够导致的感知与定位错误，还能大幅降低开发成本和周期，尤其对于城市NOA来说，无图方案更容易快速实现大范围多区域的落地，“全国都能开”，而不会因地图的限制而进展缓慢。不过，由于感知能力的限制，如今行业内虽然“去高精地图”的声音很响，但其实国内的城市NOA方案中，要么还不能完全无图，要么无图的效果比有图差很远。目前，主要通过以下三种方式，来取代传统的高精地图：一是众包地图，即通过已售出车辆收集道路信息，整合来自广大普通用户的数据，绘制地图。众包地图具有较高的数据丰富度与实时性，并且成本低、覆盖范围广，但地图原始数据的质量参差不齐，精度和稳定性有待提升，并且存在数据合规和隐私保护等问题。二是实时局部建图，基于传感器信息，通过BEV+Transformer，构建实时的局部地图。这种方法理论上可以完全去掉高精地图，但根据大部分感知算法专家的意见，现阶段的环境感知效果，还达不到完全代替高精地图的水平，只能说正在逐步提升，向完全无图靠近。三是轻量化高精地图，是一种精简版的高精地图，精度和信息量介于导航地图与高精地图之间。这种方案可以理解为是一种过渡状态，是综合平衡整体感知定位效果与地图成本之后的结果，实际上仍然不是无图。 不难看出，“去高精地图”虽然是主机厂和智能驾驶开发者所推崇的趋势，但目前还没有完全实现。“去高精地图”，更多的是在摆脱对图商的依赖，而当前的环境感知效果，还不能达到完全无图的水平，即现阶段的城市NOA还不能完全离开高精地图，只是绘图的方式在改变，对精度的要求在降低。不过，随着BEV+Transformer的发展，视觉算法未来会有质的飞跃，而特斯拉FSD入华，也会带来新的“鲇鱼效应”，加快国内智能驾驶向无图方向演进。
纯视觉 VS 多传感器融合
纯视觉路线和多传感器融合路线，核心在于是否配置激光雷达，是否需要激光雷达的高精度点云信息，这也是行业内争论的焦点。纯视觉路线以特斯拉为代表，仅通过摄像头的视觉感知，实现对环境的精准识别；视觉+激光雷达以国内的多数厂商为代表，均采用带有激光雷达的配置方案。
纯视觉方案
纯视觉方案主要依赖摄像头和计算机视觉算法，实现环境感知，与人眼观察环境相似。纯视觉方案由于不需要激光雷达，因此系统成本较低，但单一传感器的信息量和精度有限，且摄像头容易受天气和环境条件的影响，所以搭载激光雷达作为冗余和补充，是国内大部分厂商的选择。特斯拉是纯视觉方案的倡导者，其率先应用的BEV+Transformer纯视觉感知架构，能够将传统自动驾驶2D图像视角加测距的感知方式，转换为在鸟瞰图视角下的3D感知，有效提升智驾系统的感知精确度。另外，极越也采用了无激光雷达的纯视觉感知方案。
多传感器融合方案
多传感器融合方案将摄像头的图像数据与激光雷达的点云数据充分融合，能够有效提升环境感知的精度和抗干扰能力，提高系统的鲁棒性和可靠性。激光雷达不仅一度被称为“自动驾驶之眼”，而且也一直是国内大部分厂商实现城市NOA等高阶智驾的必备，但其高昂的成本（不低于2000元），导致难以大量普及，仅在高端或主打智驾功能的车型上搭载。
表1 高阶智驾车型的激光雷达搭载情况
当前国内激光雷达盛行的主要原因，还是在于视觉感知算法性能不足，纯视觉难以满足高阶智驾所要求的高精度、高实时性和高可靠性。可以认为，随着数据量的积累和计算机视觉的进步，以及BEV+Transformer等大模型的应用升级，纯视觉方案的效果会逐步提升，到时如果激光雷达不能把成本控制在千元以内，最终仍会被纯视觉方案所取代。
所以，纯视觉与多传感器融合的技术路线之争，本质上是视觉感知算法与激光雷达成本的进步速度之争，行业玩家理所当然地会平衡性能与成本，选择最佳性价比的方案。
系统方案
下面，按照无图+多传感器融合的技术路线，介绍一套典型的城市NOA系统方案，包括硬件配置、系统架构、功能模块等内容。由于篇幅原因，在此不过多展开，感兴趣的读者可以添加小编微信，一起探讨。
硬件配置
传感器方案采用7V5R1L的配置，即前视双目摄像头+4颗周视摄像头+1颗后视摄像头+5颗毫米波雷达+1颗激光雷达（此处只考虑城市NOA的配置，泊车的环视+超声波不在范围内）；计算平台采用双Orin-X芯片方案，AI算力为508TOPS。
图19 传感器布置
系统架构
该方案的系统架构采用域集中式架构，与城市NOA相关的控制器主要是智驾域控制器、座舱域控制器和中央域控制器，不同域控制器之间通过以太网连接。智驾域控制器接入摄像头与雷达，负责实现感知、决策、规控等算法；中央域控制器接入毫米波雷达和底盘CAN信号，负责毫米波雷达驱动和底盘信号解析；座舱控制器接入T-BOX、导航地图和HMI，负责传递网络和导航信息，并根据智驾域控制器的请求，显示HMI信息以及响应用户对智驾的设置。
图20 系统架构
图21 软件部署与任务分布
图21所示的是各域控制器上的软件部署与任务分布情况。智驾域控制器的核心算法模块是城市NOA的感知、定位、预测、决策规划、控制等。其中，感知包括视觉感知、激光雷达点云感知以及视觉与点云数据的融合，定位包括基于传感器的相对定位以及与高精定位装置数据融合的定位。此外，摄像头与激光雷达的驱动、传感器的标定等，都包含在智驾域控制器中。
智驾域控制器有两块SoC，即Orin-1与Orin-2，其中Orin-2负责激光雷达的点数数据处理，其他任务则统一由Orin-1完成。决策规划与控制算法则采用冗余方案，正常情况下由Orin-1处理决策规划、控制任务，当Orin-1中的相关模块失效时，Orin-2会接管，无缝运行。
中央域控制器负责处理城市NOA的底层驱动解析，包括毫米波雷达驱动、底盘信号的转换与解析等，并将解析好的信号转发给智驾域控制器，同时响应智驾域控制器发出的控制请求，实现对车辆的控制。
座舱域控制器负责接入导航地图、T-BOX，并实现HMI的显示和设置。其中导航地图向智驾域控制器的定位模块发送导航信息；TBOX负责各个域控之间的网络传输；座舱域控可以及时与智驾域控交互，进行HMI显示，并传递用户的设置信息。
功能模块
城市NOA作为复杂的高阶智驾功能，其实现的效果也包含了多项基本功能，可以认为是在基本功能融合的基础上，针对城市特有的场景增加新的功能。因此，在设计城市NOA的功能模块时，首先应该分析城市NOA包含哪些基本功能如自适应巡航、自动变道等，然后基于城市道路的特有场景，增加新的功能模块；将各功能模块整合后，形成完整的城市NOA功能。
如图23所示，城市NOA应该包含所有的基础行车功能，如自适应巡航ACC、车道居中LCC、智能限速ISA、交通拥堵TJA、指令变道（拨杆变道）CLC、自动变道ALC等。在此基础上，针对路口场景，应该增加路口识别、红绿灯识别、地面标识（指示箭头、斑马线、停止线）识别、交通标志牌（指示箭头、电子显示屏）识别等功能；针对城市避障场景，应该增加偏移避障功能，让车辆不仅能够减速避障，还能转向绕行避障；此外，城市NOA作为点到点的功能，必然需要与导航关联。当然，城市NOA还应该包含其他场景，尤其是corner case对应的功能，在此就不一一展开了。
图22 功能模块
市场案例
目前行业内已经有部分玩家实现了城市NOA的落地，从技术成熟度和功能实现成都，可分为两个梯队，第一梯队包括特斯拉、小鹏、理想、华为等，已在2023年落地城市NOA；第二梯队包括蔚来、智己（Momenta）、比亚迪、魏牌、零跑、极氪等，已经或计划在2024年内落地城市NOA。下面以走在前面的几家厂商为例，介绍目前城市NOA的进展情况。
小鹏
小鹏将城市导航辅助驾驶命名为城市NGP（Navigation Guide Pilot），在P5、G9、G6、P7i等车型上均有搭载。这4款车型都是配置激光雷达的车型，并且从G9开始，小鹏的车型都采用前视800万像素双目摄像头，并通过2颗高算力的NVIDIA Orin-X SoC芯片，提供508TOPS的超高AI算力，满足城市NGP的感知和算力要求。
小鹏无图智驾的核心是端到端架构中XNet的感知能力，聚合了动态XNet、静态XNet和纯视觉2K占用网络的“三网合一深度神经网络”，小鹏描述其为“鹰眼视觉”，称其能让智能驾驶系统如裸眼3D，感知范围提升2倍、面积达到1.8个足球场大小，精准识别50+个目标物。2024年1月，小鹏宣布全国243城开通城市NGP，2024年5月，小鹏汽车XNGP掌舵人李力耘宣称，当前行业城市NOA存在“白名单”和“黑名单”两种技术方案，前者指城市NOA只对城市部分名单道路开放，或只招募部分满足一定门槛条件的用户开放，后者指除保密区域以外的全国所有道路都能开，且对全量用户开放，并表示小鹏XNGP在7月份5.2 OS更新中全量推送“黑名单”式的城市NOA，全国都能开。
华为
华为的城市导航辅助驾驶功能称为城市NCA（Navigation Cruise Assist），已经搭载在华为深度参与的极狐、阿维塔和问界系列车型上。极狐、阿维塔车型配置了3颗激光雷达和具备400TOPS算力的华为MDC810计算平台，问界系列车型配置了1颗激光雷达和200TOPS算力的华为MDC610计算平台。
2024年4月，华为发布了乾崑智驾ADS3.0，直接去掉了BEV系统，引入GOD和PDP网络，基于GOD大网，实现了从简单的“识别障碍物”到深度的“理解驾驶场景”的跨越式进步，不仅提升了智能驾驶的安全性，还改善了驾乘体验。采用PDP网络，实现了预决策和规划一张网，使得决策和规划更加拟人化，行驶轨迹更接近人类驾驶，通行效率更高，复杂路口通过率超过96%。
理想
理想的城市NOA在其L7、L8、L9三款车型上实现。这三款车型都配置了1颗激光雷达和2颗NVIDIA Orin-X芯片，并且前视双目摄像头和侧视摄像头的像素都高达800万，足以满足L2级智能驾驶的硬件性能要求。
理想是通过神经网络替代高精地图为主，辅以无图的方案。理想使用自研的神经先验网络，简称NPN网络，提前进行路口NPN特征的提取，当车辆再次行驶到该路口时，将之前提取好的NPN特征拿出来，与车端感知大模型的BEV特征层相融合，能够实现较好的感知效果。李想在2024中国汽车重庆论坛上宣布，理想汽车计划在2024年第三季度推出无图导航的NOA功能，功能将不依赖于地图数据，而是通过车辆自身的感知和决策系统来实现智能驾驶，并同步向测试用户推出通过300万clips训练出来的端到端+VLM的监督型智能驾驶体系；今年年底到明年年初，将推出超过1000万clips训练的监督型智能驾驶体系。
特斯拉
特斯拉走的是纯视觉、无图路线，其首创的BEV+Transformer算法，把不同摄像头和传感器收集到的道路信息变成一个 360 度的鸟瞰图，可以生成一个实时的活地图，不光能摆脱高精地图的依赖，端到端还能直接用神经网络做出驾驶决策，已经在北美地区实现了无图城市NOA，不过目前还未进入中国。
2024年年初，特斯拉CEO马斯克在社交平台上公开表示，特斯拉方面将积极推进FSD在华落地，2024年4月，马斯克访华进一步激发外界猜测，同时，特斯拉通过数据安全检测的通报发布，国产Model 3/Y均符合汽车数据安全合规要求。同济大学汽车学院教授、汽车安全技术研究所所长朱西产认为：“特斯拉FSD在解决数据安全问题后，入华已是万事俱备。”
Momenta
Momenta是智己的深度合作伙伴，也是智己城市NOA的主要供应商。Momenta的智能驾驶主要依赖于感知、定位和规控三个模块，感知模块通过360°周视摄像头的全覆盖，以及DDLD（Data Driven Landmark Detection）车道线识别算法来感知运动的边界；定位模块通过DDPF（Data Driven Pose Fusion）位置融合算法来计算定位运动时候的位置；规控模式通过DLP（Deep Learning Planning）深度学习算法来规划控制车辆驾驶。
高精地图方案主要是依赖高精地图给的精度±20cm的车道参考线行驶，若没有高精地图就需要车辆本身能够识别车道以及行驶的约束。Momenta算法发力的点是道路中的车道线等静态约束的识别和构建，类似于特斯拉BEV+Transformer，但Momenta算法的发力更像是Mobileye的车道线识别，通过识别车道线以及道路标识构建车辆实时行驶地图，实现无图智能驾驶。2025年，奔驰纯电CLA车型将搭载Momenta提供的无图高阶智驾方案，该车型也将成为奔驰首款落地城市NOA的车型。
未来展望
城市NOA已经进入量产落地期，根据目前的行业现状，可以预测，未来城市NOA将有以下趋势：
第一，高速+城市场景融合，推出全域NOA功能。
传统的智能驾驶，按照功能类型可划分为ACC自巡航、LCC车道居中、ALC自动变道、高速NOA、城市NOA等，每个功能都有自己的激活方式和场景定义。随着智能驾驶的发展，对功能场景边界的定义也越来越模糊，未来智能驾驶将不再区分城市与高速场景，实现全场景融合，无缝衔接，发展成为真正点到点的全域智能驾驶，即全域NOA功能。
第二，更多玩家入局，且覆盖的范围更广。
截止到今天，城市NOA已经是智驾头部厂商重点关注的领域，小鹏宣称会在7月份OTA全量推送全国都能开的城市NOA，理想在第三季度全量推送无图城市NOA，哪吒、零跑计划在2024年底实现城市NOA等。可见，未来将会有越来越多的玩家推出城
市NOA功能，并且覆盖的范围从少数几个城市，拓展为全国范围。
第三，加速智能驾驶商业化落地。
随着城市NOA的推广，端到端大模型、BEV+Transformer、OCC占用网格等新技术也得以快速迭代，同时拉动了芯片、摄像头、数据标注等相关产业的发展，进一步带动整个智能驾驶产业的发展。同时，智能驾驶厂商的不断降价和城市NOA的全面布局，让智能驾驶逐渐融入到消费者的日常生活中，在推动智能驾驶商业化落地的同时，也让智能驾驶未来的发展脉络更加清晰，有助于实现从辅助驾驶向自动驾驶的转变。
发表回复