NOA規模邁向千億級，“三域融通”將成智駕分水嶺

自從“智駕”火了之后，整個智駕市場便掀起了新一輪的血腥拼殺，隨后這股殺氣逐漸蔓延到了高階智能駕駛市場。

從去年下半年以來，不管是造車新勢力還是傳統車企都心照不宣地“卷”向了NOA。今年，城市NOA逐漸從“開城”數量競爭演變為“全國都能開”的比拼。據不完全統計，目前包括“蔚小理”、智己、問界、極氪等在內的20多個汽車品牌均已推出城市NOA高階智駕。

與此同時，搭載城市NOA的車型正形成市場下沉趨勢，這在以往25萬元級別及以上才會搭載的技術，如今在20萬元以內車型上已不鮮見。根據預測，2025年城市NOA市場規模有望接近550億元，2026年成為量產增速提高的拐點，2027年破千億元，年復合增長率達到37%。

白熱化的NOA之爭

“城市NOA，有路就能開?！彪S著城市NOA成為各車企提及的高頻詞匯，車企之間的城市NOA之爭，已經開始。

NOA全稱為“Navigate On Autopilot”，是一種車輛駕駛輔助系統，旨在幫助駕駛員在特定條件下更輕松地駕駛和導航車輛。通過NOA，用戶可在特定道路范圍內實現點到點的導航輔助駕駛功能，車輛可在沒人接管的情況下實現等紅綠燈、變道、讓道，最終到達目的地。

近年來，NOA從基礎輔助駕駛（自適應巡航、車道保持）、增強輔助駕駛（自動變道、自主超車）向高階智能駕駛（點到點）跨越。“三域融通”正在成為考驗車企綜合智駕水平的重要方向，即高速域、城市域、泊車域的全場景貫通。

從技術發展看，自動駕駛從當下的L2級向L3、L4級發展，高速和低速融合、跨域的場景融通是必然趨勢。“三域融通”有兩層含義。首先，NOA最終要發展成為不只實現一個或者兩個場景，而是完全覆蓋三個場景的高階自動駕駛；其次，“融通”意味著三個場景并不割裂，要能做到三個域點到點的高階自動駕駛，將三個場景的系統整合為一套，能夠給用戶帶來多個不同場景之間無縫銜接、絲滑的智能駕駛體驗。

在傳統的分布式架構中，由于不同供應商提供軟硬件方案，各子系統之間相互獨立、涇渭分明，只能調用各自的傳感器、控制器及算法，各類傳感器在行車、泊車等環境中將各自感知的數據分別傳給不同的域控制器，不僅制約了感知和計算資源的利用率，同時也限制了復雜功能的實現。

面對高階智能駕駛功能落地的發展趨勢和要求，傳統架構無論是功能上還是成本上都已無法滿足實際需求。

隨著汽車電子電氣架構由分布式向集中式演進，一體化域控制器方案應運而生。不同于傳統分布式架構，一體化域控制器將行車、泊車等功能集成在一個域控制系統中，其優勢是可以實現原來各自傳感器等硬件的深度復用，節約硬件成本的同時極大提升性能，滿足主機廠降本增效的需求。此外，功能迭代開發效率也得到有效提高，為打破智能駕駛通往高階的壁壘創造了條件。

2025、2026年將是整個市場洗牌的關鍵時期，而細節處理的能力和數據閉環的能力將成為智駕企業能否立足市場的重要標準，畢竟10萬車主和100萬、1000萬車主形成的數據閉環完全不一樣。除此之外，隨著車輛產生的數據量的不斷增多、AI技術的引入等，算力在未來智能駕駛方面將發揮越來越大的作用，而目前國內廠商的算力和特斯拉相比還存在較大差距。

從市場端而言，用戶消費習慣的改變也在推動城市NOA的快速發展。根據《2024麥肯錫中國汽車消費者洞察》，消費者購買新能源汽車時，選擇中國高端新能源汽車品牌而非外資傳統高端品牌的首要原因是，前者擁有更先進的自動駕駛功能。而這個因素在2023年的報告中僅位列第二，位列第一的原因是前者配置和性價比高。

智駕技術路線不斷進化

從技術路線來看，不同的企業針對NOA未來發展有著自己的看法。

部分企業如華為、比亞迪、理想、蔚來、智己的城市NOA所應用的BEV+Transformer技術架構，其建模精度較高，是國內智駕使用的主流方案。該技術可以將環境信息整合為全局視野，圖像鮮有遮擋部分，預測更可靠、感知更穩定。同時，數據處理更直接，信息損耗更小，能夠更好地處理一些復雜情況，在感知復雜道路、應對惡劣天氣和動態交通方面有著更出色的表現。

部分圖商們也在配合提供輕量智駕方案。簡化不必要的地圖元素，表達方式更簡潔，不僅可以降低制作和部署成本，也能夠做到高頻率的云端實時更新。

這一路線主要依賴于車企的數據處理和泛化能力，以及在研發過程中進行的物體分類和標注，可能出現無法識別靜態物體，以及出現幽靈剎車的情況。

而特斯拉FSD選擇純視覺路線。不依賴高精地圖，而是采用“眾包”的形式，即通過已售車輛收集道路信息，完成地圖繪制，屬于輕量化地圖的一種。算法方面，應用Occupancy Network（占用網絡）技術，將行駛路徑上的物體在3D空間中用塊狀物展現，幫助感知算法判斷物體的大致輪廓與形狀，能夠更出色地回避車輛、行人與障礙物，避免碰撞。純視覺路線簡化了多傳感器融合的部分，降低了誤檢測概率，成本更低，但對于深度估計的準確性弱于雷達。

另外依舊有觀點認為，高精地圖提供了車輛感知范圍外的道路信息，對于預測、決策和規劃更有幫助。此外，更高級別的自動駕駛技術（L4、L5）無法離開高精地圖的支撐，感知系統解決實時路況問題，高精地圖解決行駛路線問題。兩者相輔相成，缺一不可。然而，這一路線的問題在于成本高昂、地圖采集費用昂貴且更新速度較慢，商業化難度大。

目前，更多車企正在轉向去高精地圖技術路線以適應市場需求。在這一技術路線下，城市NOA在感知環節主要涵蓋三個關鍵技術，即BEV技術、Transformer技術以及占用網絡。

BEV技術允許攝像頭采集的場景信息以360°的鳥瞰方式呈現，包括距離和時間等關鍵要素，提供全景式的感知能力。Transformer技術則通過將圖片感知方式轉變為視頻感知方式，實現更接近人類視覺感知的實時效果，從而提高感知的準確性。而占用網絡的創新則將感知提升到一個新的層次，使車輛能夠更好地應對未知物體并進行智能避讓，而不僅僅依賴于已知物體的識別。

數據融合及數據處理是決策規控的關鍵技術，這一環節目前涵蓋兩種主要技術路線，規則制和模型化，其中模型化被認為是未來的主流模式。數據量在決定選擇技術路線時起著至關重要的作用，但目前尚未明確數據量需要達到的臨界值，以實現模型化技術路線的優勢。因此，多數車企目前采用規則制技術路線，同時進行模型化技術路線的研發實踐。

在城市NOA中，模型化技術路線被認為是未來的主流，其基本原理類似于GPT模型，通過大規模數據的喂養和自我訓練，模型化技術將帶來決策規控效果的爆發性增長。

目前，大部分的端到端方案采用的都是更易落地的“兩段式”方案，即由感知和決策兩個模型組成。第一段感知的部分本身就已經在應用神經網絡了，因此變化不大。最大的變化在第二段的規劃控制部分，原來這部分是靠寫規則實現，現在則是同樣應用神經網絡去做。

“兩段式”的方案就是把兩個小模型接在一起，端到端聯合優化一下。在“兩段式”方案里，信息經過感知模型過濾后，損失較多，只剩下一些人、車、物之類的標簽，因此第二段模型事實上只是一個小模型。

在“一段式”方案中，感知、決策、規劃等模塊都被整合到一個全棧Transformer端到端模型中，實現感知決策一體化的“一段式”方案。也就是由傳感器輸入，直接輸出行為的軌跡。

在這個過程中，機器會像人腦一樣綜合信息并思考判斷。就像讀一篇推理小說，小說中有各種不同的人物和情節，有密室、有謎團，當你在讀推理小說的過程中完全不清楚接下來會發生什么。通過小說不同的人物和情節，可以預測兇手有幾種可能性，機器大腦所做的內容就像一本推理小說一樣。

不過，一段式方案和兩段式方案雖然僅有一字之差，但是難度卻相差懸殊。采用一段式路線，前端的視頻信息量是非常巨大的，但輸出的信號又需要非常精準，這對整個網絡的訓練、數據和Pipeline的要求更高。雖然一段式方案很難，但模型只要經過大規模訓練，其決策、規劃和控制能力將更加擬人化，這才是業界所追求的自動駕駛ChatGPT時刻。

讓NOA不掉鏈子的三個原則

要想讓NOA不掉鏈子，根據《國家車聯網產業標準體系建設指南（智能網聯汽車）（2023版）》，需要遵循三大原則。

首先，要具備良好的感知能力，能夠準確識別周圍環境，跟蹤目標物體。比如激光雷達作為感知硬件，相比毫米波雷達、攝像頭等擁有無可比擬的分辨能力。通常激光雷達的角分辨率不低于0.1mard，也就是說可以分辨3km距離上相距0.3米的兩個目標，并可同時跟蹤多個目標；距離分辨率可達0.1米；速度分辨率能達到10米/秒以內。距離和速度分辨率高，意味著可以獲得更為清晰的圖像。

其次，要有高效的決策能力，可以根據不同場景和任務，靈活調整自動駕駛策略和行為。比如自動駕駛算法、自動駕駛芯片就和它直接相關。就拿英偉達的自動駕駛芯片來說，從2015年開始，英偉達開始進入車載SoC和車載計算平臺領域，為自動駕駛提供基礎計算能力，此后英偉達幾乎每隔兩年發布一款車規級SoC芯片，且不斷拉升算力水平。

第三，要具備強大的執行能力，能“強悍”地執行既定計劃。關于怎么確保既定計劃的執行，國家隊也在積極下場。國家標準GB/T41798-2022《智能網聯汽車 自動駕駛功能場地試驗方法及要求》專門設計了測試項目。就拿“準確識別周圍環境，跟蹤目標物體”來說，標準就明確提到了針對交通信號的識別、周圍車輛的識別等；關于“根據不同場景和任務，靈活調整自動駕駛策略和行為”，標準甚至設計了一項“最小風險策略”測試，要求汽車能獨立完成苛刻的路障躲避。

另外，這里面的每一項測試還都制定了詳細的速度和時間要求，必須能實現安全輔助駕駛。比如?？空九_項目中，除車輛的擺放角度外，還明確了擺放的精確位置，甚至都考慮到了主動開啟車門的服務。

在NOA市場競爭中，車企的競爭基礎主要體現在技術路線選擇、感知決策規控能力、硬件和算力競爭，以及用戶需求與產品優化的協同能力。這些關鍵因素將決定NOA技術的成功落地以及車企在市場中的競爭地位。

雖然NOA技術路徑大致相同，但真正執行起來的難度非常高，因為這幾乎將“2D直視圖+CNN”時代累積起來的研發成果化為烏有，需要從頭再來。所以這幾年，各廠家的燒錢速度是一家比一家快，新勢力只能靠不斷融資，傳統車企只能靠傳統燃油車產品進行補血。

另一方面，各家的策略也會根據定位和產品調整。比如純視覺方案的代表特斯拉，優點是降低了激光雷達的投入，用強算法暴力解決難題。又或者華為系車型，在軟硬件方面有著無可比擬的配置優勢，這也是為何眾多車企都爭先恐后與之合作的緣由。

高階智駕是一個充滿機會與不確定的賽道，未來技術路線還會不會發生翻天覆地的改變尚未可知。不過，可以肯定的是，無論是城市NOA、高速NOA，還是去高精地圖和端到端模型，它們的不斷嘗試與進化，都為自動駕駛技術的持續發展積累了經驗。只要乾坤未定，你我皆是黑馬。