聚光燈持續掃射着智能電動車産業，難免留有 " 盲區 "，它可能很快就到來，但未被發覺，可能長久未變，但依然主導規則，我們稱之爲 " 未來之見 "" 未知之見 "，這就是我們 "PowerOn 未見 " 欄目的由來，緻力于呈現汽車産業的關鍵 " 盲區 "。
作者｜李安琪
編輯｜李勤
" 這個東西不能叫 NAD（蔚來自動駕駛）。"
今年 7 月，蔚來 CEO 李斌在上海城區道路體驗了自家最新的智駕功能，他略顯失望。蔚來 NAD 類似于特斯拉的 FSD（Full Self Driving），目标是實現城市和高速道路的點到點輔助駕駛。
年初，蔚來智能駕駛團隊集結了一批人力，目标是上半年在上海數千公裏城市道路實現領航輔助駕駛功能，但研發沒有達到預期。據 36 氪 PowerOn 了解，蔚來智駕團隊已經立下 " 軍令狀 "，" 每半個月更新一個版本。"
蔚來陷入焦慮，并非沒有道理。一場比拼資源、人力、速度與規模的城市 NoA（Navigate on Autopilot，領航輔助駕駛）之戰，已經硝煙四起。
先是數字競賽。華爲、小鵬将今年城市 NoA 的開放目标分别定在了 45 城與 50 城，理想汽車則直接給出了 100 城的激進目标。
開城策略也針鋒相對。小鵬汽車接連在理想總部所在地北京，推動城市 NoA 落地，而據 PowerOn 了解，理想則計劃将城市 NoA 首個落地城市設定爲廣州——小鵬汽車大本營。
國内的城市 NoA 開城競賽，甚至把壓力傳導給了特斯拉，後者正積極籌備全自動駕駛功能 FSD 入華落地。一位知情人士向 PowerOn 透露，這正是由特斯拉中國銷售團隊發起的申請，" 希望美國總部盡快支持 "。
汽車行業正從産品空間、價格、供應鏈等方面開展全面競賽，但智能化尤其是智能駕駛，是新造車公司們最大的差異化競争點。
這也迫使城市 NoA 成爲行業爲數不多的 " 一把手 " 項目。據 PowerOn 了解，理想 100 城的開城目标是由李想本人敲定；而小鵬智駕靈魂人物吳新宙離職後，何小鵬也在帶領智駕團隊開展工作。
但激進的宣傳目标，無法掩蓋城市 NoA 開城的艱難。截止目前，小鵬城市 NGP 的實際落地隻推進到北京、上海、廣州、深圳、佛山 5 個城市，華爲的落地節奏相當，兩者都還依賴高精地圖；而理想和蔚來的城市 NoA 功能，尚未正式交付。
從高速到城市道路，城市 NoA 的落地仍面臨重重困難，尤其在去掉高精地圖後，城市 NoA 正面臨一次感知危機，即如何重新認識眼前的世界。
去掉高精地圖，智能駕駛的感知危機
有高精地圖這把 " 拐杖 "，智能汽車通過十字路口幾乎沒有困難，因爲高精地圖會告訴汽車需要的一切靜态道路信息，包括該走哪條車道、車道線在哪裏、轉彎還是直行、紅綠燈位置，是不是有待轉區、限速多少等等。
但高精地圖的缺點也很明顯：難以負荷的成本、鮮度不足，以及政策不确定性等。車企要快速推廣城市 NoA 功能，從 1 個城市開通到 100 個城市，就不得不舍棄高精地圖這把 " 拐杖 "。
拿掉高精地圖這套精密的數字工具，汽車将進入一片稀疏的荒漠，隻能用自身的感知能力重建一個環境模型。
去掉高精地圖的挑戰，圖源：小鵬汽車
特斯拉還是那個領頭羊，其在 2021 年開始重建感知系統，先後推出了基于 Transformer 模型的 BEV（即 Bird's Eye View，鳥瞰圖）和 Occupancy network（占據栅格）等技術。
就像人用眼睛看世界一樣，BEV 能将 2D 圖像轉換成 3D 立體空間，此外，BEV+Transformer 還能夠識别靜态車道線，提供車道線邊緣，虛實車道線等信息；而動态層面，Occupancy 網絡則用以識别異型障礙物，如施工場景中的錐桶等。
"BEV 這套方案的上限非常高，能讓車輛像人類一樣去看這個世界，基本是自動駕駛的終局方案。" 有頭部車企的高級工程師向 PowerOn 斷言。
換句話說，在去掉高精地圖之後，BEV+Transformer+Occupancy，爲智駕系統生成了一幅實時地圖。
BEV+Transformer 的感知世界，圖源：理想汽車
PowerOn 從接近特斯拉工程團隊的人士處獲悉，基于新的感知方案，特斯拉 FSD 功能已經釋放給上百萬輛汽車，在無需高精地圖的情況下，特斯拉 FSD 的百公裏接管率已經低至 1.6-1.7，" 這是一個強調舒适性的标準。"
由此，特斯拉已經率先驗證了 BEV+Transformer+Occupancy" 去圖三件套 " 的可行性，國内的小鵬、華爲、蔚來、理想等公司，也全部跟進。
不過，這套感知方案天花闆雖然高，卻不好駕馭，尤其是國内公司剛切入這條路線。以簡單的車道線信息爲例，原本借助高精地圖，可以輕易獲得，但用 BEV+Transformer 去實時感知，則是完全不同的境況。
比如，路口排隊通行時，車道線經常被前方車輛遮擋，智駕系統如果跟着前車行駛，但走了一會兒發現其實沒有車道線，就會出現搖擺。
" 這會導緻車輛行駛忽左忽右，體驗很不好。" 有工程師告訴 PowerOn，智駕體驗最直接的并不是感知，而是規劃控制，" 起碼坐上車不會亂晃。"
同樣，也可能因爲光線太強，攝像頭對車道線的感知不夠清晰，又或者是路面施工造成的車道線遮擋……這些都可能讓智能汽車在城市道路上 " 抓瞎 "。
而相比識别被遮擋的車道線，識别紅綠燈路口的難度更是直線拉升。
此前不管是特斯拉，還是國内的理想、蔚來和小鵬等，高階智能駕駛都針對高速道路，紅綠燈路口難免被忽視。而争相交付城市 NoA 的過程中，這些車企才發現，如何通過紅綠燈路口是個兩難問題。
理想汽車智駕副總裁郎鹹鵬曾系統分享過：如果借助高精地圖通過紅綠燈路口，車輛對紅綠燈識别和檢測需要跟高精地圖、高精定位做匹配，如果識别的紅綠燈與高精地圖匹配不上，就會感知失敗；
而如果去掉高精地圖，紅綠燈類型又千變萬化，位置擺放各異，如何隻靠攝像頭去準确識别，并且跟自車道相對應，同樣艱難。
複雜的紅綠燈案例，圖源：小鵬汽車
一位小鵬汽車工程師向 PowerOn 直言，紅綠燈确實不好做，" 去年公司紅綠燈團隊被罵得很慘。"
識别被遮擋的車道、通過複雜的大型路口、認出形形色色的紅綠燈等，都是智能駕駛開城必須攻克的難關。而對于想要加速超車的公司而言，似乎要找到一條快速路。
新技術，口水仗
過往，理想汽車的智能駕駛進展，經常被當作 " 差班生 "。雖然其高速 NoA 功能落地并不慢，但相較于蔚來和小鵬，理想的智駕投入的确保守，就在 2022 年，小鵬和蔚來的智駕團隊均超過 800 人，而理想汽車僅維持在 500 人左右。
但今年開始，理想汽車忽然有了一舉趕超的勢頭，團隊快速擴張至 800 人左右，喊出無圖版城市 NoA" 年内開通 100 城 " 的目标。激進轉身引發了同行側目，招緻蔚來智駕産品負責人黃鑫的隔空質疑。
是什麽讓理想汽車有了從隊尾大步走向隊首的底氣？
今年 5 月家庭科技日上，理想公布了城市 NoA 方案，除了行業标配的 " 去圖三大件 "：BEV+Transformer+Occupancy，理想還有兩個 " 獨門 " 神經網絡：NPN（神經先驗網絡），針對車道線被遮擋和複雜路口等場景；TIN（信号燈通行意圖網絡），針對紅綠燈路口。
不難看出，兩個神經網絡解決的正是城區智能駕駛遇到的頑疾。比如 NPN 能夠對複雜路口的感知數據進行特征提取和存儲，生成道路特征。等車輛下一次行駛到同樣路口時，NPN 提供的道路特征就可以與車端 BEV 感知進行融合，得到更準确的感知結果。
人眼無法看懂的道路 NPN 特征，圖源：理想汽車
從功能來看，NPN 網絡的作用類似于高精地圖（可以提供道線，路沿、交通标志等信息），給車輛提供先驗性的道路特征信息，但其巧妙之處在于，這些道路特征都被轉化成了神經網絡的參數值，以一種加密的方式提供給 BEV 算法，從而規避了地圖測繪的監管風險。
有地圖從業人士告訴 PowerOn，從技術來看，NPN 網絡的保密性已經遠超測繪保密要求，商業方面，NPN 也密切耦合理想特定的 BEV 算法，即便是别家車企拿到了也不知道怎麽使用，"NPN 給到小鵬的 BEV 算法，肯定是看不懂的，但如果是高精地圖的話，小鵬就能看懂。"
這就相當于裝了一個加密的 " 道路信息外挂 "，在遇到複雜路口、雨雪天氣和車道線被遮擋的棘手場面時，理想汽車可以調取和查看這個 " 外挂 "，更從容應對。
但從技術邏輯來看，NPN 網絡的短闆也不容忽視，因其主要從車輛的曆史行車數據中提取道路特征，也就自然面臨着信息的 " 鮮度 " 問題：如果某個路口車輛沒開過，NPN 就無從做道路特征提取；如果路口經常變化，NPN 特征提取也可能滞後。
甚至有車企高級工程師向 PowerOn 直言，"NPN 網絡本質是解決了高精地圖信息的合規性問題，但對于感知技術本身的落地工程化，幫助有限。"
而理想汽車工程團隊顯然已有籌謀，據該團隊人士透露，理想汽車到 2025 年的規劃中，會逐步縮小 NPN 網絡的應用範圍，" 最後隻在很個别場景才去用。"
針對城市道路的另一個挑戰——紅綠燈路口通行，理想也提出了 TIN 信号燈通行意圖網絡方案。不像傳統方案那樣檢測紅綠燈的具體狀态，TIN 主要通過曆史圖像數據，如路口圖像和車輛本身的油門刹車數據，學習紅綠燈和車輛行駛意圖的對應關系。最終 TIN 網絡就能直接給出左轉、右轉、直行、停止 4 個紅綠燈狀态概率值，比如綠燈概率值最高爲 75%，那麽車輛就會選擇直行。
理想的信号燈識别方案，圖源：理想汽車
同樣有長期攻克紅綠燈路口的工程師向 PowerOn 表達了質疑，有些紅綠燈類型整個城市可能就一兩個，全國也可能就不到 10 個，而想用十幾個案例就教會神經網絡，這對于當下技術而言，幾乎難以實現。
雖然理想的兩個 " 外挂 " 式神經網絡引起了不少争議，但針對車道線被遮擋、複雜路口和紅綠燈，行業并沒有其他的有效方案。大部分都是苦功夫。
有小鵬人士告訴 PowerOn，遇到被遮擋的車道線，内部的解題思路是，圖像回傳後标注團隊會把車道線補充完整，讓感知模型學習，訓練數據多了之後，感知系統自己也能 " 腦補 " 出車道線。
不過，系統 " 腦補 " 錯誤的情況也會存在，比如模型無中生有預測出一條車道線來。而在紅綠燈檢測方面，如果主路紅綠燈被遮擋的話，小鵬智駕可能會去看輔路的紅綠燈。
要說理想的方案沒有引發行業思考是假的。有知情人士告訴 PowerOn，小鵬内部也在研發類似理想 NPN 的方案，通過感知能力和一些輕量化的元素，做複雜路口的結構化信息，" 但會更加輕量化。"
馴化新的感知系統是一個長期過程。小鵬智駕内部甚至用 " 煉丹 " 來比喻感知模塊的訓練，團隊經常開玩笑說，" 如果這是一個感知的問題，那就要把爐子撿起來，開始煉丹了。"
開城，沒有銀子彈
即便是給出了去圖方案的特斯拉，也不是部署一個技術框架，就可以高枕無憂。算法模型的搭建完成，隻是智能駕駛大廈的地基，往後則是不斷的測試和優化。
甚至越是用到 BEV+Transformer 這樣的端到端模型，越需要大量的參數調整和優化。接近特斯拉工程團隊的人士告訴 PowerOn，即便是特斯拉，" 也需要加一定的 restriction （加一些規則邏輯的代碼）來進行輔助。"
此外，算法模型的每一次訓練和優化，都是一個耗時耗資的大工程。
一位小鵬人士向 PowerOn 表示，通常爲保證模型的效果，研發團隊在前期會将模型做的很重，比如将感知精度推得很高。而算法優化，就是在保證感知精度不被降低的前提下，砍掉模型中無用的參數，并将算法塞進算力受限的計算平台，盡可能減少對算力的消耗，" 剪枝、量化、軟件部署，每一步都要做很多工作。"
而由于數據量龐大，每一次的算法訓練都是一筆巨大消耗，從喂養數據到一個可用的模型，" 一次訓練要好幾天，花費幾百萬元。"
除了一遍遍優化算法，還要在實際道路上進行無數次軟件測試，這也是智駕落地過程中的最枯燥的 "dirty work"。
有業内人士向 PowerOn 介紹了智駕落地的大緻流程：針對目标城市，測試工程師們往往要拿整體方案進行路測，每天在車内坐上十來個小時，起碼十數台車起碼跑半個月以上，才能積累特殊路況。
然後通過修改算法解決特殊問題、叠代模型，但新的模型并不一定能順利解決問題，" 可能 10 個問題隻解決了 5 個，隻能不斷去測，反複下來，一個城市的問題解決可能要三個月。"
随着落地規模越大，車企需要建立一個更加龐大的數據閉環系統，涵蓋數據挖掘、主動學習、自動标注、模型調試、測試驗證、模型發布等環節。最重要的是，數據閉環要能夠經受數十萬甚至百萬車回傳的數據沖刷，才能真正形成數據驅動，讓車輛具備自主進化的能力。
因此，饒是落地經驗相對豐富的小鵬汽車，開城速度也沒有想象中快。" 現在還沒有成熟的流水線開城模式，隻能是先翻一個山頭，再翻一個山頭。" 一位小鵬汽車智駕人士說道。
有小鵬人士表示，現在内部壓力最大的是規劃控制環節。例如，小鵬之前的數據大部分是廣東的，擴城之後，會遇到很多北京特有的場景。
如果要保證用戶的體驗一緻，隻能疊加各種控制規則來修改駕駛策略。小鵬智駕靈魂人物吳新宙，即便在離職前夜，也不得不爲了北京的城市 NGP 落地，" 北京廣州來回跑。"
顯然，即便是有了可行的感知技術路徑，城區智駕也沒有快速鋪開的 " 銀子彈 "。不管是模型優化還是規則調整，都是漫長而繁瑣的工程化過程。
8 月 25 日的成都車展上，理想汽車副總裁劉傑悄然調整了 " 城市 NoA 開通 100 座 " 的描述，在其公布的開城明細中，将 " 城市 NoA" 改爲了 " 通勤 NoA"。
相比城市 NoA 對全城區域的覆蓋，通勤 NoA 模式輕量很多，用戶可以自行設定 1 到 2 條通勤路線，車輛自主學習道路 NPN 特征，學成之後就可以在這些通勤路線開通 NoA 功能。" 相對簡單的路線基本 1 周以内可以激活，較爲複雜的路線，2-3 周也足以完成訓練。" 理想表示。
小鵬也推出了類似的 "AI 代駕 " 模式，來實現今年 50 座的開城目标。" 成本又低，邊際效應很大，都是用戶高頻使用路線。" 一位智駕行業人士表示。
BEV+Transformer 幾乎提供了去掉高精地圖的終局感知方案，也讓智能駕駛從高速走進城市，最終通往自動駕駛。但必須承認的是，代碼與算法有限，而現實場景無限，這也決定，智能駕駛是一磚一瓦的量産工程。
在激烈的口水仗過後，國内的車企們依然需要回歸現實，日拱一卒。
