NOA进城尚早？华为小鹏毫末等玩家如何破局？
NOA进城，标志着智能辅助驾驶下半场的开赛，华为、小鹏、毫末智行、蔚来、理想等，已经跃跃欲试。
站在商业角度看，城市NOA是通往自动驾驶的最后一块拼图，一旦成熟，用户付费意愿高，车辆都能兼职赚钱了，个人是否拥有私家车或许也并不重要了，人类出行的方式将发生颠覆性的变化，
前段时间，小鹏宣布城市 NGP 开放北京五环内城区环线和城市快速路，随后，蔚来的NOP+也在北京开放。
实际上，今年上半年，小鹏城市NGP 已经落地北上广深四个城市，下半年计划扩大到50个城市，明年增加到200城。
何小鹏在上海车展上甚至喊出了2025年，城市场景每百公里接管次数小于1次的目标。
这个目标激进吗？
另一个重磅玩家，华为的城市NCA开城节奏与小鹏基本一致。去年10月，搭载华为ADS 1.0的极狐αS HI版在深圳落地NCA。
今年4月，华为ADS 2.0正式发布，最大的改变来自ADS 2.0版本中增加了道路拓扑推理网络，从而摆脱了对高精地图的依赖。
搭载华为ADS 2.0的车型目前有问界M5智驾版和阿维塔11单电机版，后续也会包括问界M7/M9智驾版，以及其他几个智选车合作车型。
ADS 2.0城市NCA目前开放了深圳、广州、上海和杭州的部分城区。上海车展上，华为曾高调宣布ADS 2.0年内要覆盖45城。
毫末智行也多次对外宣布了城市NOH的进展，毫末推出的行业首个重感知城市NOH，将首批落地北京、保定、上海等城市，目前毫末城市NOH软件封版，达到交付状态，只待上车。
如果小鹏，华为，毫末是有备而来，理想则杀入的更突然。
6月，理想在其首届家庭科技日上宣布，计划年底前开通100座城市的无图城市NOA方案。按照理想的预期，他们试图一步到位，直接把高精地图拿掉。
甚至，一直以来不太“重视”智驾的比亚迪都开始集结重兵，攻山头了。
现阶段的城市NOA，可以说是一片热土。
只是从宣传到落地，中间的难度只有干过的人才知道。
城市NOA 无图是终局
NOA进城，之前卡在图上。
车企对高精地图可谓是又爱又恨。高精地图的好处不言而喻，上帝视角的感知先验和超视距能力，可以为智驾系统提供一个保姆级的拐棍。
利用这根拐棍，匹配好自车与真实世界的定位，车辆的感知系统只要确保对周身障碍物的精准感知和躲闪即可，系统对规划也会更从容。
但另一面，受限制成本、鲜度、覆盖度和政策等多重因素，高精地图的普及没有预想的快，甚至严重拖累了车企高阶智驾进城的步伐。
相比30万公里的高速路段，中国的城市道路超过1000万公里，采集的道路要素只会更多，再加上经常性施工的现实条件，过度依赖高精地图，会让智驾系统在一致性、安全和稳定性上都会产生影响。
成本层面，高精地图很贵。报告显示，厘米级的测绘效率约为每天每车100公里道路，每公里的陈本在千元左右，规模化的日均测绘成本在十万元水平，对车企来说很难接受。
严格的资质监管也成为高精地图最难翻越的大山。目前尽管北京、上海、广州、深圳、杭州、重庆开放了高精地图应用试点，但高精地图推广速度，远不及智能驾驶技术的发展速度。
多重维度影响下，去高精地图的重感知路线，已经智能驾驶进城的最现实的选择。
重感知轻地图路线下，始于特斯拉的BEV+Transformer成为目前业内首选的解题思路。
特斯拉之前，量产车辅助驾驶的感知算法模块主要来自CNN（卷积神经网络）、 RNN（循环神经网络）为代表的小模型。
虽然CNN通过卷积层、池化层实现了模型训练参数量的降低，但CNN仍然存在一定的缺陷，多池化会丢失一些的有价值信息，忽略局部与整体之间的关联性，这就对车辆理解真实世界困难重重。
因为自动驾驶场景下，跟人类开车一样，车辆的感知需要时序信息来完成目标跟踪和视野盲区的预测。
相比CNN，RNN可以描述时间上连续输出的状态。但也要求硬件需要更大的缓存。因此，RNN难以学到长时间距离的依赖关系，轨迹预测的准确度就会降低。
而Transformer的关键在于引入注意力机制，凭借优秀的长序列处理能力和更高的并行计算效率，大幅提升了BEV 空间中的特征级融合效果，最终通过更强的泛化表现，从多种技术路线中杀了出来。
但是，Transformer对数据规模有硬性要求，如果数据量达不到要求，其性能反而不如CNN。
毫末智行CEO顾维灏认为，数据驱动的自动驾驶3.0时代需要1亿公里以上的数据支撑，这些数据来自智驾功能激活后的高价值数据。
BEV+Transformer后，去年特斯拉AI Day上，特斯拉又对外展示了，能够检测通用障碍物的Occupancy Network占用网络。
至此，理论上，高阶智驾可以彻底不依赖高精地图了。
当然这里有个概念，所谓的轻地图，或者无图，现阶段并非完全不用地图，而是有个逐步取代的过程。
从高精地图切换到无图的过渡方案，多数企业的还会先从图商拿到SD底图，再用测试车去跑ODD测试。
NOA进城的意义，更大在于高阶智能驾驶的使用场景大幅度扩展，对于体量大以及自动驾驶算法正向研发能力强的头部企业来讲，使用场景的扩展意味着数据量更加丰富，算法迭代速度将提升。
城市NOA底座是工程能力
城市NOA真正量产走入寻常百姓家，背后考量的是工程化能力、低成本和高效率的数据闭环。
其中，工程化落地是底座，上层则来自大算力，大模型，大数据。
技术上，推动城市NOA迭代的因素则“相对”简单。数据的获取、标注、训练、迭代和数据的闭环能力建立。
但城市域NOA所面临的类似场景挑战非常多，感知端有大量的corner case需要解决，特别是预测和规划的认知端更是堪比登月。
如何评估感知结果与决策规划结果间的关系，对于业界都是巨大的挑战。
毫末的应对方案是中国首个自动驾驶数据智能体系MANA，以及将MANA感知和认知相关大模型能力统一整合到DriveGPT雪湖·海若。
今年4月，毫末推出自动驾驶生成式大模型DriveGPT，也就是可解释的驾驶常识。
用感知融合后的文本序列输入，以自动驾驶场景文本序列作为输出，将自动驾驶场景Token化，最终完成自车的决策规控、障碍物预测以及决策逻辑链的输出等任务。
让自动驾驶决策更像人类司机的同时，也让决策变得更有可解释性，这一点至关重要。
数据规模上，毫末手里的辅助驾驶量产数据也值得一说，根据7月的数据，毫末的HPilot整体已搭载近20款车型，用户辅助驾驶行驶里程突破6500万公里，HPilot2.0 辅助驾驶日均里程使用率达12.6%。
MANA 学习时长超过84万小时，相当于人类司机11万年。DriveGPT 雪湖·海若，已经完成基于6500万公里量产车驾驶数据训练，预训练模型参数规模达1200亿。
规模化城市NOA覆盖区域和体验感无法一蹴而就，无图的通勤NOA或许是合适的过渡方案。
理想公布的通勤NOA，除了需要人类司机要先进行固定通勤路线，手把手教AI司机开车外，车辆也会通过感知硬件来感知和记录路段信息，让自身的神经先验网络算法先跑起来。
理想官方的消息是，对于相对简单的通勤路线，基本一周内就可以完成训练激活。对于较为复杂的路线，预计需要2-3周时间也可以完成训练。
此前，小鹏的AI代驾，与理想的通勤NOA功能一致，都放弃了对高精地图的依赖，通过融合感知和算法迭代，在高频路段实现高阶辅助驾驶功能。
海量数据训练的大模型，需要大型云计算中心。
上个月，特斯拉的超级计算机Dojo开始投产。马斯克表示，明年将在Dojo上投入10亿美元以上的资金，并在2024年底前，部署30万个英伟达A100GPU，补充Dojo。
此外，小鹏与阿里云在乌兰察布共建了自动驾驶智算中心扶摇， 算力可达600PFLOPS。这也帮助小鹏自动驾驶核心模型的训练时长从7天，缩短至1小时内，大幅提速近170倍。
毫末智行则与字节火山引擎共建了670PFLOPS算力的超算中心MANA OASIS，中文名雪湖·绿洲。超算中心的投入，帮助毫末智行的模型训练效率提升了100倍。
无图的探索，远远不止以上几家。
百度Apollo的City Driving Max，基于高精地图推出了轻HD地图，以纯视觉+激光雷达的方式实现感知冗余，比行业通用的传统高精地图要“轻”近80%。
凭借软硬件一体化的能力，大疆车载把城市NOA的价格卷到了极致，轻舟智行基于单颗地平线征程5芯片，也推出了入门版的城市NOA。
小马智行在Robotaxi的基础上，发布辅助驾驶软件方案小马识途，并计划在今年内量产高速、城区行泊一体辅助驾驶方案。
2023年仅仅过去半年，城市NOA就卷出了新高度，虽然无图城市NOA并不是一件一蹴而就的事。
毫无疑问，高阶辅助驾驶的“科技平权”时代即将呈现。大模型、大算力、大数据的催化下，中国的高阶智能驾驶正在进入ChatGPT时刻，也有人喜欢把它称为iPhone时刻，不管叫什么，在这场人类汽车历史上颠覆性的变革浪潮下，很庆幸我们都是亲历者。
【本文来自易车号作者蒸汽电荷，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】
NOA进城尚早?华为小鹏毫末等玩家如何破局?
答：毫末智行也多次对外宣布了城市NOH的进展,毫末推出的行业首个重感知城市NOH,将首批落地北京、保定、上海等城市,目前毫末城市NOH软件封版,达到交付状态,只待上车。 如果小鹏,华为,毫末是有备而来,理想则杀入的更突然。 6月,理想在其首届家庭科技日上宣布,计划年底前开通100座城市的无图城市NOA方案。按照理想的预期,他...
智驾熟了?尚早,但何小鹏确实成熟了
答：随着华为问界、阿维塔、智己在城市NOA领域的进展，“最强智驾”这一标签不再是小鹏汽车的Flag。此时上市的小鹏G6显然肩负着让小鹏汽车重回聚光灯下的使命。进入2023年，小鹏汽车为人记住的两件事，一是组织架构调整，二是在宣发上一面硬怼特斯拉一面沿着特斯拉开辟的道路前行。这是小鹏汽车新的性格吗？舆...
