共计 1555 个字符，预计需要花费 4 分钟才能阅读完成。
在中国，智能电动车领域竞争常似一场造词竞赛。2020 年比亚迪刀片电池亮相后，麒麟电池、弹匣电池等纷纷涌现。在导航辅助驾驶方面，特斯拉首发 NoA 后，蔚来的 NoP、小鹏的 NGP 等相继出现。2023 年，NoA 向城市渗透，新一轮智能驾驶造词运动初现，理想的通勤模式、小鹏的 AI 代驾、五菱云朵灵犀版的记忆领航等纷纷登场。这预示着高阶智驾走出北上广深的智驾平权运动正在开启。
脱图中转站
通勤模式是车企追求无高精地图高阶智驾的折中办法。今年车企在智驾进城竞赛中目标激进，华为计划年底前在 45 城开通城市 NoA 功能，小鹏目标是 50 城，理想则加码到 100 城。然而功能落地缓慢，开通城市 NoA 功能的城市不到 10 座。原因是国内量产的城市 NoA 依赖高精地图基建先行，而高精地图采集成本高、周期长、监管严，在非一线城市绘制困难或过审缓慢。这导致城市高阶智驾成了少数发达城市用户的专属，用户规模不足影响研发成本回收和算法迭代。特斯拉 FSD 规划之初抛开高精地图，提升单车智能上限，理论上更易泛化，但现实是 FSD 入华尚在筹备，国内城市高阶智驾在北上广深表现也不稳定。在此僵局下，通勤模式应运而生，车主可化身 AI 驾校教练，车辆通过记忆学习特定通勤路线，最终无需高精地图开启高阶智驾。但通勤模式要实现低线城市与北上广深的智驾平权，仅靠造词远远不够。
丢开“拐杖”
通勤模式是对智驾场景的再次细分，让技术与工程资源能针对性投入。但其技术难度相较于使用高精地图的城市高阶智驾不减反增，因为抛开了高精地图这一重要辅助。人类驾驶员在熟悉城市道路不用导航也能顺畅行驶，是因为积累了先验信息，而高精地图能提供丰富先验信息，辅助智驾系统在复杂场景选对路线。目前行业有三种解决先验信息问题的技术方案。大疆车载的记忆行车功能，需用户主动记录行车轨迹，行驶中参考记忆路线和实时感知，新记录不断覆盖旧路线。理想的通勤模式利用 NPN 神经先验网络，将采集的道路信息转化为高维特征，云端聚合后供智驾系统参考。小鹏则大力提升车辆感知能力，减少对先验信息的依赖，其 XNet 感知范围提升 2 倍，但提升 BEV 感知消耗算力大，行业正探索对 BEV 算法进行稀疏化改造。
规划拟人
批量落地通勤模式，解决先验信息问题后，还要解决无高精地图状态下的智驾决策规划问题。小鹏自动驾驶副总裁吴新宙曾表示智能驾驶后续主要技术挑战来自决策规划。去高精地图后，智驾车辆对静态物体感知精准度和稳定性下降，规控算法需更灵活应对不确定性。比如不再将车道线作为绝对参照物，而是结合周围环境和其他交通参与者感知输出“可行驶区域”，并计算最优行驶路线。在复杂交通流下，决策规划要支持更多目标轨迹预测和高频路径搜索，但会消耗大量算力与内存资源。有高阶智驾量产经验的企业已着手在决策规划算法中模拟人类经验，如大疆车载的 OSP 技术、小鹏摒弃“严格居车道线中心”策略、特斯拉展示的世界模型等。
平权之路
尽管各智驾团队在技术上努力，为各级城市智驾平权创造可能，但通勤模式落地到更多二三线城市，不仅需要技术，还面临多目标联合优化问题，如合规要求、开城速度、用户体验、使用成本等。高精地图因合规门槛高被头部智驾企业“嫌弃”，迈向无图智驾仍需解决合规问题，车企有一些曲线救国方法，如理想的 NPN 网络，但仍面临监管不确定性。今年华为、小鹏、理想制定了激进的无图城市高阶智驾开城计划，“开城”意味着有大量工作要做，智驾团队需派驻人手采集先验信息。高阶智驾落地考验企业成本控制能力，目前国内能实现城市高阶智驾的车型成本居高不下，大疆车载走出低成本实现高阶智驾路径，云朵灵犀版可能激活 20 万以下高阶智驾市场。小鹏表示将降本并在 15 万级市场推出自动驾驶车型，头部玩家带动下，智驾降本战火会愈演愈烈，影响供应链，智能驾驶平权可能带来汽车品牌与供应链的权力更迭。
