盖世汽车研究院：NOA搭载量未来将达数百万

智能辅助驾驶行业的发展已经迎来了第九局的后半段。现阶段，征服城市场景成为自动驾驶进化的必经之路。

2022年，NOA这座城市被频繁提及。有许多观点认为2023年将是NOA的元年。

随着新能源市场越来越多的介入，辅助驾驶很难拉开很大的技术差距，越早落地NOA这个城市，越早掌握实现全场景辅助驾驶的技术实力，似乎就越能在未来的市场竞争中占据主动；此外，资本市场的推动加快了NOA在城市的落地步伐.....许多相关企业已做好充分准备，抢占市场先机。

然而，与高速NOA相比，NOA城市面临的交通道路复杂程度成倍增加，这也对软硬件能力提出了更高的要求。那么具体来说，NOA在城市的落地会通过哪些技术路线来实现呢？包括NOA在内，智能辅助驾驶市场的规模有多大？有哪些玩家，国内外市场竞争格局如何？为什么L2和L4通过不同的路径达到相同的目的？智能辅助驾驶未来将走向何方？

为了解决上述问题，在加斯帕汽车研究院近日举办的“迈向新周期:2023年中国汽车市场重构闭门分享会”主题沙龙活动中，加斯帕汽车研究院副院长张志文分享的《智能辅助驾驶趋势展望》报告，从智能辅助驾驶的发展现状、市场分析、趋势展望等维度，对智能辅助驾驶的现状和未来进行了分析和判断。

背景:智能辅助驾驶的发展现状及驱动因素。

技术概述

从功能体系来说，智能辅助驾驶系统包括驾驶和停车两大功能。

目前，驾驶功能正在从纵横自动控制的基础驾驶辅助升级为更高阶的高速/城市导航，主要包括以特斯拉为代表的纯视觉技术感知+实时局部地图，以及大多数企业采用的多传感器融合+高精度地图。

停车功能从APA自动停车逐步升级为AVP停车服务。停车服务方案主要包括车侧智能、场侧智能和车路协同三条技术路线。从技术实现来看，单车智能方案对停车场的依赖性低，对其他自动驾驶场景的迁移性强，落地难度系数低，因此在现阶段更受主机厂的青睐。全场景点对点导航是智能辅助驾驶的发展趋势。从发展历史来看，智能辅助驾驶的发展主要会经历单车道、多车道、点对点导航辅助三个阶段。

单车道驾驶辅助主要通过前视单目摄像头或前向毫米波实现ACC和AEB功能。到了L2阶段，就可以实现单车道ICA和单车道TJA的功能。第一代通用巡航就是这种技术路线的代表。

多车道驾驶辅助需要在车辆周围增加角度毫米波雷达，感知相邻车道，实现变道功能。

相对于基本的驾驶辅助功能，点对点导航辅助对车辆周围的监控和感知要求更高，需要全方位感知车辆周围环境，增加传感器冗余。目前点对点导航辅助正在从高速公路向城市道路探索。

国内导航辅助的开发始于2019年。特斯拉在中国向用户推送了NOA功能，随后韦小立等新势力也入局，推出了高速导航功能。从2022年上半年开始，吉利、荣威等自主品牌也开始在其部分传统燃油车上推出高速导航功能。

针对复杂城市道路的导航辅助，搭载城市NCA智能驾驶导航辅助功能的极狐Alpha S HI版于2022年9月正式落地深圳，这也是国内城市导航功能的首次落地。

此外，许多汽车公司准备开启城市的NOA功能。今年3月，Aouita将实现城市驾驶员辅助驾驶功能的推送；无独有偶，百度Apollo ANP 3.0也将推出城市试点计划。

综合来看，现阶段高速驾驶辅助驾驶逐渐普及，城市驾驶辅助驾驶也在加速发展。无论是行业观点还是目前的市场情况都透露出一个迹象:基于“城市NOA元年”，2023年将迎来城市驾驶员辅助驾驶功能的密集落地。

三轮驱动、飞行员辅助驾驶和着陆加速

盖世汽车研究院认为，飞行员辅助场景的开放性逐渐增强，落地步伐加快的背后，是用户、政策、供应链三大因素的驱动。

从用户的角度来看，消费者对自动驾驶功能的需求很高。《麦肯锡中国汽车消费者洞察》报告显示，目前消费者对高速公路等特定场景下的自动驾驶功能需求较高。

当然，对于交通状况更加复杂、存在一定潜在风险的城市区域，消费者目前对城市导航的需求低于停车和高速场景。

目前大部分消费者对于导航功能还处于观望状态。NOA在各城市发布之前，需要继续建立用户的认知度，增加潜在用户的购买信心，从而促进市场规模。

政策方面，密集出台的政策不仅推动了城市驾驶员辅助驾驶的落地，也影响了相关企业对技术路线的选择。

高速导航辅助主要依靠车辆的传感硬件、高精度地图和高精度定位。目前，高精地图已基本实现全国约30万公里高架、高速公路全覆盖。

但对于城市导航辅助来说，除了感知硬件的升级，城市导航功能的落地也在一定程度上依赖于城市内高精地图的开放。

2022年8月，自然资源部办公厅《关于做好高精度地图智能网联汽车试点应用工作的通知》支持北京、上海、广州、深圳、杭州、重庆等6个城市首批开展高精度地图智能网联汽车试点应用。此后，广州、深圳、上海相继发放城市高级辅助驾驶地图牌照，百度地图、腾讯地图也获得了相应的测绘资质。

总体来看，我国城市高精度地图的推广遵循“地方试点-经验复制-大面积推广”的模式。随着广州、深圳、上海相继发放高精地图城市牌照，未来有望进一步推广到其他城市。

当然，高精城市地图的推广并非畅通无阻。近年来，高精地图测绘资质逐步收紧。自2021年下半年起，自然资源部开展测绘资质复审换证工作。截至目前，通过评审的企业数量仅为19家，比之前拥有甲级测绘资质的企业数量少了12家。

由于资质趋严，叠加成本高，新鲜感低，很多辅助驾驶赛道的企业开始把目光投向“重感知，轻地图”的路线。

在供应链层面，国内供应链的逐步完善也加快了国内飞行员辅助驾驶的落地节奏。目前，国内驾驶员辅助驾驶供应链已覆盖芯片、域控制器、软件算法、地图等领域，部分供应商和主机厂具备提供系统解决方案的能力。

什么时候会真正落地？

具体来说，国内车企的NOA落地情况如何？

目前，极狐Alpha S和P5已经分别实现了城市导航功能在部分城市的全面推广，长城旗下威牌摩卡DHT-lidar与Mimo智行联合推出的城市NOH系统也在测试阶段，但该型号尚未交付。

其中，2022年9月中旬，搭载华为解决方案的极狐Alpha S HI版率先实现城市导航落地，并在深圳、上海两地推送。盖世汽车研究所……认为华为在智能驾驶芯片、传感算法、高性能传感器等全栈能力的布局，以及高精地图资质，是其城市导航功能领先的重要原因。

在高速导航辅助方面，针对高速场景下通过ETC和换电的场景，百度Apollo ANP 3.0和蔚来NOP+推出了导航辅助功能的创新——自动通过ETC和自动导航换电，保证了高速场景下点对点的安全高效通行。

比如蔚来第三代电站，搭载了两个NVIDIA Orion-X芯片和两个激光雷达，让蔚来车辆在高速驾驶辅助驾驶的状态下，自动进入高速服务区和进入电站，自动变道和驶离，实现了高速场景下点对点的高效换电和通行。

百度Apollo从自动泊车开始，逐步实现全场景自动驾驶。作为首个实现停车、高速、城市场景一体化的领航辅助驾驶方案，ANP 3.0预计将于今年6月在杜畿车辆投入量产，进一步提升用户的点对点体验。

市场分析:在预装量产时代，众多玩家的沉浮是谁说了算？

其中一个市场分析:L2重型产能，NOA未来承载能力将达到百万。

随着智能辅助驾驶功能的不断成熟、价格的降低以及消费者接受度的提高，L2已经成为目前主要的驾驶辅助方案，车型主要集中在10-12万的价格区间。未来，该价格区间车辆销量的增加也将促进L2组装量的进一步增加。

此外，L2也成为市场竞争的重要指标。从L2渗透率的角度来看，Top20品牌被分为三个梯队:

在装配量上，丰田处于第一梯队，其L2装配量超过140万台，渗透率接近80%。特斯拉、比亚迪、本田位于第二梯队；大众乘用车销量虽高，但L2渗透率只有10%左右，与宝马、日产、福特同属于第三梯队。

可以看出，合资品牌在L2组装量上两极分化明显。

再来看渗透率。相对来说，新势力品牌的普及率L2普遍较高，特斯拉、理想、极氪基本做到了全系标配。

在功能层面，基础辅助驾驶的渗透率持续提升，向更高层次的导航辅助功能发展。

具体功能方面，2022年AEB功能渗透率接近50%。作为一项基本且实用的安全功能，AEB已作为商用车辆的标准配置。在乘用车方面，盖世汽车研究院认为，AEB将率先在中高端车型上实现标准。

从核心智能辅助驾驶功能在不同价格区间的渗透表现来看，中低端车型智能辅助驾驶功能渗透率持续提升。全速ACC、LKA、TJA/HWA等功能已经下探到10-20万的价格区间，而APA功能主要集中在30-40万的价格区间，也有配置下探的趋势。

2022年上市的L2级新车中，具有L2功能的新车传感器方案主要是5-6V+5R方案。具有导航功能的新车增加了激光雷达传感器作为增强车辆感知的方案。

对于更高级的智能辅助驾驶功能，由于目前高级自动驾驶相关法律制度有待完善，技术难度较高，L2+ ADAS仍多搭载在高端车型上，总量较少。以L2+ ADAS的典型功能为例。目前，具有NOA导航功能的车型，近九成集中在30万以上的价格区间。

当然，NOA也有倾向于低端模式。目前高速导航辅助功能已逐步下调至小鹏P5、吉利约伯L、荣威RX5 NGP智能驾驶版等20万以下车型。盖世汽车研究院根据乘用车中相关车型的销售占比预测，随着具有试点功能的车型逐渐下降到15万左右的价格区间，2025年承载量将超过400万辆。

第二个市场分析:本地供应商的崛起，多方撬动NOA市场。

在供应链结构中，博世、电装、ZF、Mainland China和法雷奥等外资Tier1仍然占据ADAS和parking的主要市场份额。

近两年，本土供应商开始从自主品牌进入市场。随着自主品牌销量的增加，本土供应商的份额也在增加，尤其是在停车领域，呈现出从15%到27%的大幅增长。随着自主品牌的崛起，未来本土供应商的市场份额有望进一步提升。

目前，领航辅助市场的竞争格局分为四类:OEM全栈自研、OEM与供应商深度合作、ADAS供应商向上拓展、L4供应商技术降维。

汽车企业方面，除了特斯拉、小鹏、蔚来、Ideality、长城旗下Millicent、SAIC樊菲等部分主机厂外，大部分主机厂选择采用第三方供应商方案或与供应商合作开发。

比如长安奥威塔、北汽极狐、广汽选择通过HI模式与华为ADS智能驾驶辅助系统深度绑定。

由SAIC智基和Momenta打造的iAd智能驾驶系统iAd NOA安装在智基L7上。iAd NOA高速高架导航辅助功能正式版预计将于2023年第一季度推出，城市导航辅助功能也将在后期通过安装激光雷达实现。

今年1月，氪和Mobileye联合推出的NZP高速自主导航辅助系统也开始了全面测试。智能辅助驾驶行业的发展已经迎来了第九局的后半段。现阶段，征服城市场景成为自动驾驶进化的必经之路。

2022年，NOA这座城市被频繁提及。有很多观点认为2023年将是第一年……NOA的城市。

随着新能源市场越来越多的介入，辅助驾驶很难拉开很大的技术差距，越早落地NOA这个城市，越早掌握实现全场景辅助驾驶的技术实力，似乎就越能在未来的市场竞争中占据主动；此外，资本市场的推动加快了NOA在城市的落地步伐.....许多相关企业已做好充分准备，抢占市场先机。

然而，与高速NOA相比，NOA城市面临的交通道路复杂程度成倍增加，这也对软硬件能力提出了更高的要求。那么具体来说，NOA在城市的落地会通过哪些技术路线来实现呢？包括NOA在内，智能辅助驾驶市场的规模有多大？有哪些玩家，国内外市场竞争格局如何？为什么L2和L4通过不同的路径达到相同的目的？智能辅助驾驶未来将走向何方？

为了解决上述问题，在加斯帕汽车研究院近日举办的“迈向新周期:2023年中国汽车市场重构闭门分享会”主题沙龙活动中，加斯帕汽车研究院副院长张志文分享的《智能辅助驾驶趋势展望》报告，从智能辅助驾驶的发展现状、市场分析、趋势展望等维度，对智能辅助驾驶的现状和未来进行了分析和判断。

背景:智能辅助驾驶的发展现状及驱动因素。

技术概述

从功能体系来说，智能辅助驾驶系统包括驾驶和停车两大功能。

目前，驾驶功能正在从纵横自动控制的基础驾驶辅助升级为更高阶的高速/城市导航，主要包括以特斯拉为代表的纯视觉技术感知+实时局部地图，以及大多数企业采用的多传感器融合+高精度地图。

停车功能从APA自动停车逐步升级为AVP停车服务。停车服务方案主要包括车侧智能、场侧智能和车路协调三条技术路线。从技术实现来看，单车智能方案对停车场的依赖性低，对其他自动驾驶场景的迁移性强，落地难度系数低，因此在现阶段更受主机厂的青睐。全场景点对点导航是智能辅助驾驶的发展趋势。从发展历史来看，智能辅助驾驶的发展主要会经历单车道、多车道、点对点导航辅助三个阶段。

单车道驾驶辅助主要通过前视单目摄像头或前向毫米波实现ACC和AEB功能。到了L2阶段，就可以实现单车道ICA和单车道TJA的功能。第一代通用巡航就是这种技术路线的代表。

多车道驾驶辅助需要在车辆周围增加角度毫米波雷达，感知相邻车道，实现变道功能。

相对于基本的驾驶辅助功能，点对点导航辅助对车辆周围的监控和感知要求更高，需要全方位感知车辆周围环境，增加传感器冗余。目前点对点导航辅助正在从高速公路向城市道路探索。

国内导航辅助的开发始于2019年。特斯拉在中国向用户推送了NOA功能，随后韦小立等新势力也入局，推出了高速导航功能。从2022年上半年开始，吉利、荣威等自主品牌也开始在其部分传统燃油车上推出高速导航功能。

针对复杂城市道路的导航辅助，搭载城市NCA智能驾驶导航辅助功能的极狐Alpha S HI版于2022年9月正式落地深圳，这也是国内城市导航功能的首次落地。

此外，许多汽车公司准备开启城市的NOA功能。今年3月，Aouita将实现城市驾驶员辅助驾驶功能的推送；无独有偶，百度Apollo ANP 3.0也将推出城市试点计划。

综合来看，现阶段高速驾驶辅助驾驶逐渐普及，城市驾驶辅助驾驶也在加速发展。无论是行业观点还是目前的市场情况都透露出一个迹象:基于“城市NOA元年”，2023年将迎来城市驾驶员辅助驾驶功能的密集落地。

三轮驱动、飞行员辅助驾驶和着陆加速

盖世汽车研究院认为，飞行员辅助场景的开放性逐渐增强，落地步伐加快的背后，是用户、政策、供应链三大因素的驱动。

从用户的角度来看，消费者对自动驾驶功能的需求很高。《麦肯锡中国汽车消费者洞察》报告显示，目前消费者对高速公路等特定场景下的自动驾驶功能需求较高。

当然，对于交通状况更加复杂、存在一定潜在风险的城市区域，消费者目前对城市导航的需求低于停车和高速场景。

目前大部分消费者对于导航功能还处于观望状态。NOA在各城市发布之前，需要继续建立用户的认知度，增加潜在用户的购买信心，从而促进市场规模。

政策方面，密集出台的政策不仅推动了城市驾驶员辅助驾驶的落地，也影响了相关企业对技术路线的选择。

高速导航辅助主要依靠车辆的传感硬件、高精度地图和高精度定位。目前，高精地图已基本实现全国约30万公里高架、高速公路全覆盖。

但对于城市导航辅助来说，除了感知硬件的升级，城市导航功能的落地也在一定程度上依赖于城市内高精地图的开放。

2022年8月，自然资源部办公厅《关于做好高精度地图智能网联汽车试点应用工作的通知》支持北京、上海、广州、深圳、杭州、重庆等6个城市首批开展高精度地图智能网联汽车试点应用。此后，广州、深圳、上海相继发放城市高级辅助驾驶地图牌照，百度地图、腾讯地图也获得了相应的测绘资质。

总体来看，我国城市高精度地图的推广遵循“地方试点-经验复制-大面积推广”的模式。随着广州、深圳、上海相继发放高精地图城市牌照，未来有望进一步推广到其他城市。

当然，高精城市地图的推广并非畅通无阻。近年来，高精地图测绘资质逐步收紧。自2021年下半年起，自然资源部开展测绘资质复审换证工作。截至目前，通过评审的企业数量仅为19家，比之前拥有甲级测绘资质的企业数量少了12家。

由于资质趋严，叠加成本高，新鲜感低，很多辅助驾驶赛道的企业开始把目光投向“重感知，轻地图”的路线。

在供应链层面，国内供应链的逐步完善也加快了国内飞行员辅助驾驶的落地节奏。目前，国内驾驶员辅助驾驶供应链已覆盖芯片、域控制器、软件算法、地图等领域，部分供应商和主机厂具备提供系统解决方案的能力。

什么时候会真正落地？

具体来说，国内车企的NOA落地情况如何？

目前，极狐Alpha S和P5已经分别实现了城市导航功能在部分城市的全面推广，长城旗下威牌摩卡DHT-lidar与Mimo智行联合推出的城市NOH系统也在测试阶段，但该型号尚未交付。

其中，2022年9月中旬，搭载华为解决方案的极狐Alpha S HI版率先实现城市导航落地，并在深圳、上海两地推送。盖世汽车研究所……认为华为在智能驾驶芯片、传感算法、高性能传感器等全栈能力的布局，以及高精地图资质，是其城市导航功能领先的重要原因。

在高速导航辅助方面，针对高速场景下通过ETC和换电的场景，百度Apollo ANP 3.0和蔚来NOP+推出了导航辅助功能的创新——自动通过ETC和自动导航换电，保证了高速场景下点对点的安全高效通行。

比如蔚来第三代电站，搭载了两个NVIDIA Orion-X芯片和两个激光雷达，让蔚来车辆在高速驾驶辅助驾驶的状态下，自动进入高速服务区和进入电站，自动变道和驶离，实现了高速场景下点对点的高效换电和通行。

百度Apollo从自动泊车开始，逐步实现全场景自动驾驶。作为首个实现停车、高速、城市场景一体化的领航辅助驾驶方案，ANP 3.0预计将于今年6月在杜畿车辆投入量产，进一步提升用户的点对点体验。

市场分析:在预装量产时代，众多玩家的沉浮是谁说了算？

其中一个市场分析:L2重型产能，NOA未来承载能力将达到百万。

随着智能辅助驾驶功能的不断成熟、价格的降低以及消费者接受度的提高，L2已经成为目前主要的驾驶辅助方案，车型主要集中在10-12万的价格区间。未来，该价格区间车辆销量的增加也将促进L2组装量的进一步增加。

此外，L2也成为市场竞争的重要指标。从L2渗透率的角度来看，Top20品牌被分为三个梯队:

在装配量上，丰田处于第一梯队，其L2装配量超过140万台，渗透率接近80%。特斯拉、比亚迪、本田位于第二梯队；大众乘用车销量虽高，但L2渗透率只有10%左右，与宝马、日产、福特同属于第三梯队。

可以看出，合资品牌在L2组装量上两极分化明显。

再来看渗透率。相对来说，新势力品牌的普及率L2普遍较高，特斯拉、理想、极氪基本做到了全系标配。

在功能层面，基础辅助驾驶的渗透率持续提升，向更高层次的导航辅助功能发展。

具体功能方面，2022年AEB功能渗透率接近50%。作为一项基本且实用的安全功能，AEB已作为商用车辆的标准配置。在乘用车方面，盖世汽车研究院认为，AEB将率先在中高端车型上实现标准。

从核心智能辅助驾驶功能在不同价格区间的渗透表现来看，中低端车型智能辅助驾驶功能渗透率持续提升。全速ACC、LKA、TJA/HWA等功能已经下探到10-20万的价格区间，而APA功能主要集中在30-40万的价格区间，也有配置下探的趋势。

2022年上市的L2级新车中，具有L2功能的新车传感器方案主要是5-6V+5R方案。具有导航功能的新车增加了激光雷达传感器作为增强车辆感知的方案。

对于更高级的智能辅助驾驶功能，由于目前高级自动驾驶相关法律制度有待完善，技术难度较高，L2+ ADAS仍多搭载在高端车型上，总量较少。以L2+ ADAS的典型功能为例。目前，具有NOA导航功能的车型，近九成集中在30万以上的价格区间。

当然，NOA也有倾向于低端模式。目前高速导航辅助功能已逐步下调至小鹏P5、吉利约伯L、荣威RX5 NGP智能驾驶版等20万以下车型。盖世汽车研究院根据乘用车中相关车型的销售占比预测，随着具有试点功能的车型逐渐下降到15万左右的价格区间，2025年承载量将超过400万辆。

第二个市场分析:本地供应商的崛起，多方撬动NOA市场。

在供应链结构中，博世、电装、ZF、Mainland China和法雷奥等外资Tier1仍然占据ADAS和parking的主要市场份额。

近两年，本土供应商开始从自主品牌进入市场。随着自主品牌销量的增加，本土供应商的份额也在增加，尤其是在停车领域，呈现出从15%到27%的大幅增长。随着自主品牌的崛起，未来本土供应商的市场份额有望进一步提升。

目前，领航辅助市场的竞争格局分为四类:OEM全栈自研、OEM与供应商深度合作、ADAS供应商向上拓展、L4供应商技术降维。

汽车企业方面，除了特斯拉、小鹏、蔚来、Ideality、长城旗下Millicent、SAIC樊菲等部分主机厂外，大部分主机厂选择采用第三方供应商方案或与供应商合作开发。

比如长安奥威塔、北汽极狐、广汽选择通过HI模式与华为ADS智能驾驶辅助系统深度绑定。

由SAIC智基和Momenta打造的iAd智能驾驶系统iAd NOA安装在智基L7上。iAd NOA高速高架导航辅助功能正式版预计将于2023年第一季度推出，城市导航辅助功能也将在后期通过安装激光雷达实现。

今年1月，氪和Mobileye联合推出的NZP高速自主导航辅助系统也开始了全面测试。在供应链方面，主要有两条技术路线:向上和向下。

ADAS供应商如禾多科技、鸿景智家、智家科技MAXIEYE、亿航智能、福瑞泰克等。选择了向上扩张的路线，目前正在向高级辅助驾驶乐趣冲刺……离子如NOA。例如，Fretek正在开发的核心域控制器产品ADC28计划支持NOA；今年第三季度。去年，MAXIEYE还宣布新一代L2++智能驾驶系统产品MAXIPILOT成功部署了飞行员辅助驾驶功能。

从L4转战L2+市场的玩家方面，百度Apollo ANP 3.0和轻舟智航的“乘风”都是针对城市场景，宣布相关城市的NOA解决方案将在今年量产，马骁智行也宣布将在今年内上市城市区域的整体NOA解决方案。

在众多玩家的鼓动下，NOA将进入一个新的登陆阶段。

第三个市场分析:争飞行员辅助，渐进路线更好。

自动驾驶产业的发展现状相对复杂，但技术路线的选择可以归纳为“渐进式”和“跨越式”两大类。

2022年，Robotaxi融资遭遇寒冬。受限于技术和政策等因素，L4的商业化仍然缓慢。面对资本谨慎、输血不足的现状，L4降维投入L2预装量产是趋势。

由于辅助驾驶和L4自动驾驶之间场景复用程度较高，L4供应商将技术简化为L2辅助驾驶，可以通过L2乘用车采集的数据流反馈给L4，从而不断迭代算法。

两种技术路线相比，跨越式发展主要面临商业化难度大、数据覆盖少的问题，只能从特定场景实施，不断迭代；逐步发展利用乘用车的规模优势收集低成本数据，形成正向循环，最终实现技术进化。

正因如此，渐进路线开始被广泛认可。轻舟智航联合创始人兼CTO侯聪曾对媒体表示:“我们坚信L4一定会实现，但作为一家创业公司，我们可以逐步把城市NOA先做起来，在此基础上不断获得数据闭环和现金流闭环，从而不断迭代技术，最终实现L4产品。”

盖世汽车研究院认为，渐进式发展路线平衡了商业化和技术储备，相对更有优势。

市场分析四:软硬配置迭代赋能NOA进阶

从高速驾驶辅助驾驶到高级城市驾驶，对硬件配置和软件算法也提出了更高的要求。

对于高速驾驶辅助驾驶，主机厂的基础硬件主要采用1V5R方案，车道线识别和物体识别由前视摄像头进行，障碍物检测和纵横向移动由毫米波雷达(前向+角向)实现。同时，由于高精地图和定位的加持，对AI计算能力的要求较低。

然而，城市场景中的导航辅助需要更多的传感器来感知环境，因为道路环境更加复杂。传感器的数量和摄像头像素的提高，对AI计算能力提出了更高的要求。具有相关功能的车辆往往需要数百甚至数千TOPS的计算能力，所以在芯片选择上会有一些冗余备份的考虑。

在人机交互界面方面，SR界面的显示细节也更加丰富。以前SR界面的信息显示比较单一，只能显示单向车道和少量交通参与者。随着建模精度的提高，当前的SR接口已经发展到了外部环境中的逼真状态。以小鹏NGP的界面为例，其显示内容包括办公楼、高架、红绿灯状态、下一辆车的转向灯、车辆行驶区域的引导面、转弯点提示等。

在人机共驾的现阶段，驾驶员对系统决策的信任度有待提高。盖世汽车研究院指出，完整的SR模拟显示系统可以直观地让用户了解车辆的感知边界，在复杂的城市工况下一定程度上降低驾驶员的紧张感，结合语音提醒和广播增加人机共驾的信任感。

在软件算法层面，目前大部分车企选择跟随特斯拉迭代感知算法。

过去传统的单任务模型往往是单个模型负责一个任务，负责不同传感器的多个模型是独立的，本质上还是依靠人工监督学习。

随着大模型时代的到来，越来越多的车企选择从单任务处理模型迭代到大模型，在一个骨干网下分担多个任务，避免大量重复计算。

随着高阶智能辅助驾驶功能的出现，相关算法也迭代到BEV算法和Occupancy Networks网络占用算法。

BEV算法融合多帧摄像机形成鸟瞰图，可以使感知、预测等模块在鸟瞰空间完成。但是BEV检测需要依靠人工标注来训练分割任务检测，对于一些不规则障碍物的识别比较困难。

对此，Tesla提出了Occupancy Networks占领网络算法，通过堆叠正方形来表示物体被占领的体积，将BEV算法从2D平面升级到3D空间，可以有效降低不规则障碍物的漏检和误检风险。

无论是BEV还是Occupancy Networks占用网络，其目的都是为了弥补特斯拉由于缺少激光雷达而无法准确还原车辆周围的3D场景。目前，降低激光雷达的成本比较困难，而占位网络是多传感器融合路线下的一种新思路。

趋势展望:智能辅助驾驶将何去何从？

趋势之一……ts:行走和停车一体化已经成为智能驾驶领域的主流解决方案。

盖世汽车研究院认为，点对点的飞行员辅助驾驶有赖于集成停车技术的发展。

目前，整车电子电气架构正经历着从传统的分布式向集中式域的转变，并继续向集中式架构演进。

在领域整合的趋势中，有两种整合路径:一种是旅游的，一种是靠泊的。盖世汽车研究院认为，出行与停车一体化将成为智能驾驶领域的主流解决方案。

目前，客舱和停车一体化仍有一些局限性:

在组织内部，驾驶舱和停车场通常由两个独立的团队负责，由不同的供应商开发，这导致跨部门和组织的沟通成本很高。

此外，驾驶舱和停车场对芯片的功能安全性有不同的要求。相比停车，驾驶舱芯片的功能安全级别更低。目前驾驶舱域控制芯片的功能安全级别只能支持一些相对初级的泊车功能(如360度环视、自动泊车辅助APA等。)，但未来更高级别的停车功能必然涉及更高的功能安全要求，进而一体化的客舱和停车架构将面临一定的瓶颈。

相对来说，航泊一体化可以很好的解决这些问题。

通过行驶功能和停车功能的整合，出行停车一体化技术可以实现传感器的深度复用和计算资源的共享，帮助主机厂降本增效，提高开发效率，从而促进点对点的驾驶员辅助驾驶的实现。

趋势展望二:“更多感知，更少地图”或重新定义城市助航设施。

目前，高精度地图的发展减缓了城市导航辅助的落地速度，企业纷纷转向轻地图方案，以减少对高精度地图的依赖，从而加快城市NOA的落地。

2022年，华为副总裁、智能汽车解决方案BU CEO余承东表示，将逐步减少对高精地图的依赖。

小鹏也改变了技术策略。今年1月，Xpeng Motors董事长兼CEO何在Xpeng Motors的全体员工会议上明确表示，2023年的X-NGP辅助驾驶将扔掉高精地图。

如前所述，路线变更的背后，主要原因是地图资质收紧、城市驾驶员辅助驾驶落地节奏加快、高精地图成本高、新鲜度低。

目前地图采集车的成本比较高。收集30万公里左右的国道，每季度更新一次，可以接受。但如果应用城市导航，所需地图信息的采集和更新需要覆盖1000万公里左右，达到更新的水平，这与高速导航的成本和工作量是不同的。

当然，光线地图并不意味着你不需要地图。随着自行车系统感知能力的增强，高精地图中的一些要素可以通过感知系统获取，但无法感知的部分，比如车道拓扑，仍然需要用高精地图来表达。

其实“轻地图”更多的意思是提升整个系统的能力，减少对地图的依赖。盖世汽车研究院认为，高精地图作为传感器的冗余，对于感知和定位可以起到重要的逆向验证作用。

趋势展望3:打造数据闭环，引入Transformer。

从硬件驱动到软件驱动时代，基于CNN卷积神经网络的深度学习被引入自动驾驶领域，并在大规模应用中推动软件算法走向成熟。

今天，硬件驱动和软件驱动的时代已经接近尾声，自动驾驶的发展进入了数据驱动的新阶段。在数据驱动的3.0时代，自动驾驶需要高效率、低成本地处理海量数据，并将其转化为有价值的数据。如何收集数据和处理长角案件的问题……ail场景成为现阶段的发展重点。

要解决长尾场景的问题，需要大量的数据收集、标注、训练和部署。这时候就难免过去依靠CNN卷积神经网络训练自动驾驶的方式有些低效。

在此背景下，“大模型+大数据”的数据驱动模式成为自动驾驶技术进化的关键。利用大数据训练神经网络，提高自动驾驶的迭代速度，已经成为业界共识。

2018年以来，在特斯拉的推动下，可以提高训练效率的变形金刚训练模式开始流行。特斯拉量产车配备的“影子模式”可以在行驶过程中采集大量行驶数据，生成数据集用于训练算法模型，从而形成数据闭环，增强自动驾驶能力。随后，小鹏和米莉森也相继推出了自动驾驶数据闭环系统。

具体来说，这种数据闭环首先通过量产车采集用户的真实驾驶数据，并对其中的高值数据进行标注，通过Transformer对算法模型进行预训练。最后结合真实数据和仿真数据，逐步实现各种拐角情况场景的拟合。

趋势展望4:超算中心将成为自动驾驶的入门级配置。

随着自动驾驶车辆的增多，需要处理的数据呈指数级增长，对计算能力和功耗的需求大大增加。计算能力正在成为汽车行业的一个关键竞争因素。目前，超级计算中心将是解决这一挑战的有效途径。毫米之星董事长张凯直言:“超算中心将成为自动驾驶企业的入门配置。”

如今，越来越多的车企已经意识到，高阶自动驾驶要实现数据的快速迭代，不仅需要里程的积累，还需要高效、低成本的数据处理能力。因此，在自动驾驶领域有长期规划的新势力、传统品牌和技术供应商，为了掌握稳定的计算资源，缩短开发周期，加快自动驾驶产品的上市速度，开始建设自己的超级计算中心。

2021年，特斯拉发布了自主研发的云智能计算中心Dojo，主要用于自动驾驶AI数据的训练和标注，拥有1.8EFLOPS的计算能力。

2022年8月，Xpeng Motors联合阿里云发布了Xpeng Motors智能计算中心，命名为“Boom”，计算能力可达600PFLOPS(每秒60亿次浮点运算)，将Xpeng Motors自动驾驶核心模型的训练速度提升了近170倍。

此外，蔚来、Millicent、华为、阿里云和大陆也宣布了智能计算中心的布局。

当然，作为云计算基础设施，建设超级计算中心需要巨大的前期投入。据盖世汽车研究院统计，28%主机厂和传统Tier1建设人工智能计算中心的投资金额高达1-1.5亿元。

不过，盖世汽车研究院指出，虽然超算中心前期建设成本较高，但随着自动驾驶规模的扩大，边际成本会有所收敛。相对而言，其他方式的门槛在初期投入时略低，但后期边际成本会逐渐发展到不可控的状态。

第五种趋势展望:L2和L4逐渐从对立走向融合互补。

以往乘用车的L2功能是针对高速场景设计的(如ACC、LKA、ALC等。)，而L4 Robotaxi主要是为城市场景设计的。两者在感知硬件和软件算法上有很大差异。

随着乘用车向城市导航功能的过渡，两者逐渐从对立走向融合。

0

目前有企业选择了一步到位的硬件嵌入方案，L2和L4并行发展。日前，Xpeng汽车官方宣布，小鹏G9成功获得广州自动驾驶路测牌照，获得中国自动驾驶路测资格。小鹏G9，获得……上述牌照，完全采用了在售的量产车为载体，仅升级了软件层面，意味着小鹏G9在自动驾驶硬件方面已经达到了L4的水平。

在软件算法层面，不同于以往使用单一软件服务单一功能的开发模式，很多企业倾向于基于相同的L4架构进行全场景软件开发。

所有的路都通向同一个目标。最终形成一个数据闭环:底层L4架构整合了L2乘用车的感知方案，在大计算平台的驱动下，L2乘用车大规模采集的数据将反馈给Robotaxi进行算法迭代，迭代的L4技术也将助力L2城市辅助驾驶的落地，最终形成技术共生的良性循环。在供应链方面，主要有两条技术路线:向上和向下。

ADAS供应商如禾多科技、鸿景智家、智家科技MAXIEYE、亿航智能、福瑞泰克等。选择了向上扩张的路线，目前正在向NOA等高级辅助驾驶功能冲刺。例如，Fretek正在开发的核心域控制器产品ADC28计划支持NOA；今年第三季度。去年，MAXIEYE还宣布新一代L2++智能驾驶系统产品MAXIPILOT成功部署了飞行员辅助驾驶功能。

从L4转战L2+市场的玩家方面，百度Apollo ANP 3.0和轻舟智航的“乘风”都是针对城市场景，宣布相关城市的NOA解决方案将在今年量产，马骁智行也宣布将在今年内上市城市区域的整体NOA解决方案。

在众多玩家的鼓动下，NOA将进入一个新的登陆阶段。

第三个市场分析:争飞行员辅助，渐进路线更好。

自动驾驶产业的发展现状相对复杂，但技术路线的选择可以归纳为“渐进式”和“跨越式”两大类。

2022年，Robotaxi融资遭遇寒冬。受限于技术和政策等因素，L4的商业化仍然缓慢。面对资本谨慎、输血不足的现状，L4降维投入L2预装量产是趋势。

由于辅助驾驶和L4自动驾驶之间场景复用程度较高，L4供应商将技术简化为L2辅助驾驶，可以通过L2乘用车采集的数据流反馈给L4，从而不断迭代算法。

两种技术路线相比，跨越式发展主要面临商业化难度大、数据覆盖少的问题，只能从特定场景实施，不断迭代；逐步发展利用乘用车的规模优势收集低成本数据，形成正向循环，最终实现技术进化。

正因如此，渐进路线开始被广泛认可。轻舟智航联合创始人兼CTO侯聪曾对媒体表示:“我们坚信L4一定会实现，但作为一家创业公司，我们可以逐步把城市NOA先做起来，在此基础上不断获得数据闭环和现金流闭环，从而不断迭代技术，最终实现L4产品。”

盖世汽车研究院认为，渐进式发展路线平衡了商业化和技术储备，相对更有优势。

市场分析四:软硬配置迭代赋能NOA进阶

从高速驾驶辅助驾驶到高级城市驾驶，对硬件配置和软件算法也提出了更高的要求。

对于高速驾驶辅助驾驶，主机厂的基础硬件主要采用1V5R方案，车道线识别和物体识别由前视摄像头进行，障碍物检测和纵横向移动由毫米波雷达(前向+角向)实现。同时，由于高精地图和定位的加持，对AI计算能力的要求较低。

然而，城市场景中的导航辅助需要更多的传感器来感知环境，因为道路环境更加复杂。传感器的数量和摄像头像素的提高，对AI计算能力提出了更高的要求。具有相关功能的车辆往往需要数百甚至数千TOPS的计算能力，所以在芯片选择上会有一些冗余备份的考虑。

在人机交互界面方面，SR界面的显示细节也更加丰富。以前SR界面的信息显示比较单一，只能显示单向车道和少量交通参与者。随着建模精度的提高，当前的SR接口已经发展到了外部环境中的逼真状态。以小鹏NGP的界面为例，其显示内容包括办公楼、高架、红绿灯状态、下一辆车的转向灯、车辆行驶区域的引导面、转弯点提示等。

在人机共驾的现阶段，驾驶员对系统决策的信任度有待提高。盖世汽车研究院指出，完整的SR模拟显示系统可以直观地让用户了解车辆的感知边界，在复杂的城市工况下一定程度上降低驾驶员的紧张感，结合语音提醒和广播增加人机共驾的信任感。

在软件算法层面，目前大部分车企选择跟随特斯拉迭代感知算法。

过去传统的单任务模型往往是单个模型负责一个任务，负责不同传感器的多个模型是独立的，本质上还是依靠人工监督学习。

随着大模型时代的到来，越来越多的车企选择从单任务处理模型迭代到大模型，在一个骨干网下分担多个任务，避免大量重复计算。

随着高阶智能辅助驾驶功能的出现，相关算法也迭代到BEV算法和Occupancy Networks网络占用算法。

BEV算法融合多帧摄像机形成鸟瞰图，可以使感知、预测等模块在鸟瞰空间完成。但是BEV检测需要依靠人工标注来训练分割任务检测，对于一些不规则障碍物的识别比较困难。

对此，Tesla提出了Occupancy Networks占领网络算法，通过堆叠正方形来表示物体被占领的体积，将BEV算法从2D平面升级到3D空间，可以有效降低不规则障碍物的漏检和误检风险。

无论是BEV还是Occupancy Networks占用网络，其目的都是为了弥补特斯拉由于缺少激光雷达而无法准确还原车辆周围的3D场景。目前，降低激光雷达的成本比较困难，而占位网络是多传感器融合路线下的一种新思路。

趋势展望:智能辅助驾驶将何去何从？

趋势之一……ts:行走和停车一体化已经成为智能驾驶领域的主流解决方案。

盖世汽车研究院认为，点对点的飞行员辅助驾驶有赖于集成停车技术的发展。

目前，整车电子电气架构正经历着从传统的分布式向集中式域的转变，并继续向集中式架构演进。

在领域整合的趋势中，有两种整合路径:一种是旅游的，一种是靠泊的。盖世汽车研究院认为，出行与停车一体化将成为智能驾驶领域的主流解决方案。

目前，客舱和停车一体化仍有一些局限性:

在组织内部，驾驶舱和停车场通常由两个独立的团队负责，由不同的供应商开发，这导致跨部门和组织的沟通成本很高。

此外，驾驶舱和停车场对芯片的功能安全性有不同的要求。相比停车，驾驶舱芯片的功能安全级别更低。目前驾驶舱域控制芯片的功能安全级别只能支持一些相对初级的泊车功能(如360度环视、自动泊车辅助APA等。)，但未来更高级别的停车功能必然涉及更高的功能安全要求，进而一体化的客舱和停车架构将面临一定的瓶颈。

相对来说，航泊一体化可以很好的解决这些问题。

通过行驶功能和停车功能的整合，出行停车一体化技术可以实现传感器的深度复用和计算资源的共享，帮助主机厂降本增效，提高开发效率，从而促进点对点的驾驶员辅助驾驶的实现。

趋势展望二:“更多感知，更少地图”或重新定义城市助航设施。

目前，高精度地图的发展减缓了城市导航辅助的落地速度，企业纷纷转向轻地图方案，以减少对高精度地图的依赖，从而加快城市NOA的落地。

2022年，华为副总裁、智能汽车解决方案BU CEO余承东表示，将逐步减少对高精地图的依赖。

小鹏也改变了技术策略。今年1月，Xpeng Motors董事长兼CEO何在Xpeng Motors的全体员工会议上明确表示，2023年的X-NGP辅助驾驶将扔掉高精地图。

如前所述，路线变更的背后，主要原因是地图资质收紧、城市驾驶员辅助驾驶落地节奏加快、高精地图成本高、新鲜度低。

目前地图采集车的成本比较高。收集30万公里左右的国道，每季度更新一次，可以接受。但如果应用城市导航，所需地图信息的采集和更新需要覆盖1000万公里左右，达到更新的水平，这与高速导航的成本和工作量是不同的。

当然，光线地图并不意味着你不需要地图。随着自行车系统感知能力的增强，高精地图中的一些要素可以通过感知系统获取，但无法感知的部分，比如车道拓扑，仍然需要用高精地图来表达。

其实“轻地图”更多的意思是提升整个系统的能力，减少对地图的依赖。盖世汽车研究院认为，高精地图作为传感器的冗余，对于感知和定位可以起到重要的逆向验证作用。

趋势展望3:打造数据闭环，引入Transformer。

从硬件驱动到软件驱动时代，基于CNN卷积神经网络的深度学习被引入自动驾驶领域，并在大规模应用中推动软件算法走向成熟。

今天，硬件驱动和软件驱动的时代已经接近尾声，自动驾驶的发展进入了数据驱动的新阶段。在数据驱动的3.0时代，自动驾驶需要高效率、低成本地处理海量数据，并将其转化为有价值的数据。如何收集数据和处理长角案件的问题……ail场景成为现阶段的发展重点。

要解决长尾场景的问题，需要大量的数据收集、标注、训练和部署。这时候就难免过去依靠CNN卷积神经网络训练自动驾驶的方式有些低效。

在此背景下，“大模型+大数据”的数据驱动模式成为自动驾驶技术进化的关键。利用大数据训练神经网络，提高自动驾驶的迭代速度，已经成为业界共识。

2018年以来，在特斯拉的推动下，可以提高训练效率的变形金刚训练模式开始流行。特斯拉量产车配备的“影子模式”可以在行驶过程中采集大量行驶数据，生成数据集用于训练算法模型，从而形成数据闭环，增强自动驾驶能力。随后，小鹏和米莉森也相继推出了自动驾驶数据闭环系统。

具体来说，这种数据闭环首先通过量产车采集用户的真实驾驶数据，并对其中的高值数据进行标注，通过Transformer对算法模型进行预训练。最后结合真实数据和仿真数据，逐步实现各种拐角情况场景的拟合。

趋势展望4:超算中心将成为自动驾驶的入门级配置。

随着自动驾驶车辆的增多，需要处理的数据呈指数级增长，对计算能力和功耗的需求大大增加。计算能力正在成为汽车行业的一个关键竞争因素。目前，超级计算中心将是解决这一挑战的有效途径。毫米之星董事长张凯直言:“超算中心将成为自动驾驶企业的入门配置。”

如今，越来越多的车企已经意识到，高阶自动驾驶要实现数据的快速迭代，不仅需要里程的积累，还需要高效、低成本的数据处理能力。因此，在自动驾驶领域有长期规划的新势力、传统品牌和技术供应商，为了掌握稳定的计算资源，缩短开发周期，加快自动驾驶产品的上市速度，开始建设自己的超级计算中心。

2021年，特斯拉发布了自主研发的云智能计算中心Dojo，主要用于自动驾驶AI数据的训练和标注，拥有1.8EFLOPS的计算能力。

2022年8月，Xpeng Motors联合阿里云发布了Xpeng Motors智能计算中心，命名为“Boom”，计算能力可达600PFLOPS(每秒60亿次浮点运算)，将Xpeng Motors自动驾驶核心模型的训练速度提升了近170倍。

此外，蔚来、Millicent、华为、阿里云和大陆也宣布了智能计算中心的布局。

当然，作为云计算基础设施，建设超级计算中心需要巨大的前期投入。据盖世汽车研究院统计，28%主机厂和传统Tier1建设人工智能计算中心的投资金额高达1-1.5亿元。

不过，盖世汽车研究院指出，虽然超算中心前期建设成本较高，但随着自动驾驶规模的扩大，边际成本会有所收敛。相对而言，其他方式的门槛在初期投入时略低，但后期边际成本会逐渐发展到不可控的状态。

第五种趋势展望:L2和L4逐渐从对立走向融合互补。

以往乘用车的L2功能是针对高速场景设计的(如ACC、LKA、ALC等。)，而L4 Robotaxi主要是为城市场景设计的。两者在感知硬件和软件算法上有很大差异。

随着乘用车向城市导航功能的过渡，两者逐渐从对立走向融合。

0

目前有企业选择了一步到位的硬件嵌入方案，L2和L4并行发展。日前，Xpeng汽车官方宣布，小鹏G9成功获得广州自动驾驶路测牌照，获得中国自动驾驶路测资格。小鹏G9，获得……上述牌照，完全采用了在售的量产车为载体，仅升级了软件层面，意味着小鹏G9在自动驾驶硬件方面已经达到了L4的水平。

在软件算法层面，不同于以往使用单一软件服务单一功能的开发模式，很多企业倾向于基于相同的L4架构进行全场景软件开发。

所有的路都通向同一个目标。最终形成一个数据闭环:底层L4架构整合了L2乘用车的感知方案，在大计算平台的驱动下，L2乘用车大规模采集的数据将反馈给Robotaxi进行算法迭代，迭代的L4技术也将助力L2城市辅助驾驶的落地，最终形成技术共生的良性循环。

标签：小鹏特斯拉蔚来小鹏G9阿维塔

汽车资讯热门资讯