自从“智驾”火了之后，整个智驾市场便掀起了新一轮的血腥拼杀，随后这股杀气逐渐蔓延到了高阶智能驾驶市场。
从去年下半年以来，不管是造车新势力还是传统车企都心照不宣地“卷”向了NOA。今年，城市NOA逐渐从“开城”数量竞争演变为“全国都能开”的比拼。据不完全统计，目前包括“蔚小理”、智己、问界、极氪等在内的20多个汽车品牌均已推出城市NOA高阶智驾。
与此同时，搭载城市NOA的车型正形成市场下沉趋势，这在以往25万元级别及以上才会搭载的技术，如今在20万元以内车型上已不鲜见。根据预测，2025年城市NOA市场规模有望接近550亿元，2026年成为量产增速提高的拐点，2027年破千亿元，年复合增长率达到37%。
白热化的NOA之争
“城市NOA，有路就能开。”随着城市NOA成为各车企提及的高频词汇，车企之间的城市NOA之争，已经开始。
NOA全称为“Navigate On Autopilot”，是一种车辆驾驶辅助系统，旨在帮助驾驶员在特定条件下更轻松地驾驶和导航车辆。通过NOA，用户可在特定道路范围内实现点到点的导航辅助驾驶功能，车辆可在没人接管的情况下实现等红绿灯、变道、让道，最终到达目的地。
近年来，NOA从基础辅助驾驶（自适应巡航、车道保持）、增强辅助驾驶（自动变道、自主超车）向高阶智能驾驶（点到点）跨越。“三域融通”正在成为考验车企综合智驾水平的重要方向，即高速域、城市域、泊车域的全场景贯通。
从技术发展看，自动驾驶从当下的L2级向L3、L4级发展，高速和低速融合、跨域的场景融通是必然趋势。“三域融通”有两层含义。首先，NOA最终要发展成为不只实现一个或者两个场景，而是完全覆盖三个场景的高阶自动驾驶；其次，“融通”意味着三个场景并不割裂，要能做到三个域点到点的高阶自动驾驶，将三个场景的系统整合为一套，能够给用户带来多个不同场景之间无缝衔接、丝滑的智能驾驶体验。
在传统的分布式架构中，由于不同供应商提供软硬件方案，各子系统之间相互独立、泾渭分明，只能调用各自的传感器、控制器及算法，各类传感器在行车、泊车等环境中将各自感知的数据分别传给不同的域控制器，不仅制约了感知和计算资源的利用率，同时也限制了复杂功能的实现。
面对高阶智能驾驶功能落地的发展趋势和要求，传统架构无论是功能上还是成本上都已无法满足实际需求。
随着汽车电子电气架构由分布式向集中式演进，一体化域控制器方案应运而生。不同于传统分布式架构，一体化域控制器将行车、泊车等功能集成在一个域控制系统中，其优势是可以实现原来各自传感器等硬件的深度复用，节约硬件成本的同时极大提升性能，满足主机厂降本增效的需求。此外，功能迭代开发效率也得到有效提高，为打破智能驾驶通往高阶的壁垒创造了条件。
2025、2026年将是整个市场洗牌的关键时期，而细节处理的能力和数据闭环的能力将成为智驾企业能否立足市场的重要标准，毕竟10万车主和100万、1000万车主形成的数据闭环完全不一样。除此之外，随着车辆产生的数据量的不断增多、AI技术的引入等，算力在未来智能驾驶方面将发挥越来越大的作用，而目前国内厂商的算力和特斯拉相比还存在较大差距。
从市场端而言，用户消费习惯的改变也在推动城市NOA的快速发展。根据《2024麦肯锡中国汽车消费者洞察》，消费者购买新能源汽车时，选择中国高端新能源汽车品牌而非外资传统高端品牌的首要原因是，前者拥有更先进的自动驾驶功能。而这个因素在2023年的报告中仅位列第二，位列第一的原因是前者配置和性价比高。
智驾技术路线不断进化
从技术路线来看，不同的企业针对NOA未来发展有着自己的看法。
部分企业如华为、比亚迪、理想、蔚来、智己的城市NOA所应用的BEV+Transformer技术架构，其建模精度较高，是国内智驾使用的主流方案。该技术可以将环境信息整合为全局视野，图像鲜有遮挡部分，预测更可靠、感知更稳定。同时，数据处理更直接，信息损耗更小，能够更好地处理一些复杂情况，在感知复杂道路、应对恶劣天气和动态交通方面有着更出色的表现。
部分图商们也在配合提供轻量智驾方案。简化不必要的地图元素，表达方式更简洁，不仅可以降低制作和部署成本，也能够做到高频率的云端实时更新。
这一路线主要依赖于车企的数据处理和泛化能力，以及在研发过程中进行的物体分类和标注，可能出现无法识别静态物体，以及出现幽灵刹车的情况。
而特斯拉FSD选择纯视觉路线。不依赖高精地图，而是采用“众包”的形式，即通过已售车辆收集道路信息，完成地图绘制，属于轻量化地图的一种。算法方面，应用Occupancy Network（占用网络）技术，将行驶路径上的物体在3D空间中用块状物展现，帮助感知算法判断物体的大致轮廓与形状，能够更出色地回避车辆、行人与障碍物，避免碰撞。纯视觉路线简化了多传感器融合的部分，降低了误检测概率，成本更低，但对于深度估计的准确性弱于雷达。
另外依旧有观点认为，高精地图提供了车辆感知范围外的道路信息，对于预测、决策和规划更有帮助。此外，更高级别的自动驾驶技术（L4、L5）无法离开高精地图的支撑，感知系统解决实时路况问题，高精地图解决行驶路线问题。两者相辅相成，缺一不可。然而，这一路线的问题在于成本高昂、地图采集费用昂贵且更新速度较慢，商业化难度大。
目前，更多车企正在转向去高精地图技术路线以适应市场需求。在这一技术路线下，城市NOA在感知环节主要涵盖三个关键技术，即BEV技术、Transformer技术以及占用网络。
BEV技术允许摄像头采集的场景信息以360°的鸟瞰方式呈现，包括距离和时间等关键要素，提供全景式的感知能力。Transformer技术则通过将图片感知方式转变为视频感知方式，实现更接近人类视觉感知的实时效果，从而提高感知的准确性。而占用网络的创新则将感知提升到一个新的层次，使车辆能够更好地应对未知物体并进行智能避让，而不仅仅依赖于已知物体的识别。
数据融合及数据处理是决策规控的关键技术，这一环节目前涵盖两种主要技术路线，规则制和模型化，其中模型化被认为是未来的主流模式。数据量在决定选择技术路线时起着至关重要的作用，但目前尚未明确数据量需要达到的临界值，以实现模型化技术路线的优势。因此，多数车企目前采用规则制技术路线，同时进行模型化技术路线的研发实践。
在城市NOA中，模型化技术路线被认为是未来的主流，其基本原理类似于GPT模型，通过大规模数据的喂养和自我训练，模型化技术将带来决策规控效果的爆发性增长。
目前，大部分的端到端方案采用的都是更易落地的“两段式”方案，即由感知和决策两个模型组成。第一段感知的部分本身就已经在应用神经网络了，因此变化不大。最大的变化在第二段的规划控制部分，原来这部分是靠写规则实现，现在则是同样应用神经网络去做。
“两段式”的方案就是把两个小模型接在一起，端到端联合优化一下。在“两段式”方案里，信息经过感知模型过滤后，损失较多，只剩下一些人、车、物之类的标签，因此第二段模型事实上只是一个小模型。
在“一段式”方案中，感知、决策、规划等模块都被整合到一个全栈Transformer端到端模型中，实现感知决策一体化的“一段式”方案。也就是由传感器输入，直接输出行为的轨迹。
在这个过程中，机器会像人脑一样综合信息并思考判断。就像读一篇推理小说，小说中有各种不同的人物和情节，有密室、有谜团，当你在读推理小说的过程中完全不清楚接下来会发生什么。通过小说不同的人物和情节，可以预测凶手有几种可能性，机器大脑所做的内容就像一本推理小说一样。
不过，一段式方案和两段式方案虽然仅有一字之差，但是难度却相差悬殊。采用一段式路线，前端的视频信息量是非常巨大的，但输出的信号又需要非常精准，这对整个网络的训练、数据和Pipeline的要求更高。虽然一段式方案很难，但模型只要经过大规模训练，其决策、规划和控制能力将更加拟人化，这才是业界所追求的自动驾驶ChatGPT时刻。
让NOA不掉链子的三个原则
要想让NOA不掉链子，根据《国家车联网产业标准体系建设指南（智能网联汽车）（2023版）》，需要遵循三大原则。
首先，要具备良好的感知能力，能够准确识别周围环境，跟踪目标物体。比如激光雷达作为感知硬件，相比毫米波雷达、摄像头等拥有无可比拟的分辨能力。通常激光雷达的角分辨率不低于0.1mard，也就是说可以分辨3km距离上相距0.3米的两个目标，并可同时跟踪多个目标；距离分辨率可达0.1米；速度分辨率能达到10米/秒以内。距离和速度分辨率高，意味着可以获得更为清晰的图像。
其次，要有高效的决策能力，可以根据不同场景和任务，灵活调整自动驾驶策略和行为。比如自动驾驶算法、自动驾驶芯片就和它直接相关。就拿英伟达的自动驾驶芯片来说，从2015年开始，英伟达开始进入车载SoC和车载计算平台领域，为自动驾驶提供基础计算能力，此后英伟达几乎每隔两年发布一款车规级SoC芯片，且不断拉升算力水平。
第三，要具备强大的执行能力，能“强悍”地执行既定计划。关于怎么确保既定计划的执行，国家队也在积极下场。国家标准GB/T41798-2022《智能网联汽车 自动驾驶功能场地试验方法及要求》专门设计了测试项目。就拿“准确识别周围环境，跟踪目标物体”来说，标准就明确提到了针对交通信号的识别、周围车辆的识别等；关于“根据不同场景和任务，灵活调整自动驾驶策略和行为”，标准甚至设计了一项“最小风险策略”测试，要求汽车能独立完成苛刻的路障躲避。
另外，这里面的每一项测试还都制定了详细的速度和时间要求，必须能实现安全辅助驾驶。比如停靠站台项目中，除车辆的摆放角度外，还明确了摆放的精确位置，甚至都考虑到了主动开启车门的服务。
在NOA市场竞争中，车企的竞争基础主要体现在技术路线选择、感知决策规控能力、硬件和算力竞争，以及用户需求与产品优化的协同能力。这些关键因素将决定NOA技术的成功落地以及车企在市场中的竞争地位。
虽然NOA技术路径大致相同，但真正执行起来的难度非常高，因为这几乎将“2D直视图+CNN”时代累积起来的研发成果化为乌有，需要从头再来。所以这几年，各厂家的烧钱速度是一家比一家快，新势力只能靠不断融资，传统车企只能靠传统燃油车产品进行补血。
另一方面，各家的策略也会根据定位和产品调整。比如纯视觉方案的代表特斯拉，优点是降低了激光雷达的投入，用强算法暴力解决难题。又或者华为系车型，在软硬件方面有着无可比拟的配置优势，这也是为何众多车企都争先恐后与之合作的缘由。
高阶智驾是一个充满机会与不确定的赛道，未来技术路线还会不会发生翻天覆地的改变尚未可知。不过，可以肯定的是，无论是城市NOA、高速NOA，还是去高精地图和端到端模型，它们的不断尝试与进化，都为自动驾驶技术的持续发展积累了经验。只要乾坤未定，你我皆是黑马。