今年是智能驾驶技术的快速推进阶段，芝能在追踪行业发展的时候，明显看到华为和小鹏两家企业在推动智能驾驶技术的发展。不仅仅是产品的完善，在全国推行的运营范围也在逐步扩大。

　　在小鹏G9的发布会上，展示了XNGP的当前实力 ：在高速路段能实现1000公里只需一次人工接管，而在城区场景下则可以实现150公里接管一次。

　　华为的自动驾驶系统在高速路段每1000公里需接管一次，在城区每200公里接管一次。无论小鹏和华为，都显示了通过技术投入以改变汽车购买者的决策的愿望。

　　自动辅助驾驶技术的进步首要还是人才。不论是华为还是小鹏的自动辅助驾驶团队，都在正确的方向上努力深耕，推动算法、算力、数据三大要素在车载系统中的应用——这被视为自动驾驶技术发展的核心因素。

　　Part 1

　　智能化的下半场

　　——算力是基础设施

　　自动驾驶控制系统算力方面，现在技术路径已经清楚：算力的需求分为两部分，一部分集中在车内，主要负责数据收集和推理；另一部分则位于车外的服务器，负责处理车辆本地无法处理的任务，以进行自动驾驶训练，以便更好地解决问题。

　　在此方面，特斯拉的自动驾驶技术发展是值得学习的方向：

　　◎ 2016年之前: 依赖于Mobileye的技术。

　　◎ 2016-2017年: 英伟达技术的过渡期。

　　◎ 2018年至今: 特斯拉实现了FSD软硬件的全栈自研，包括自主开发的硬件和软件。

　　实际应用方面，特斯拉也投入了大量的工作：

　　◎ 2021年: 引入了自动标注技术，这种技术可以自动为训练模型标注数据，显著提高了数据处理效率。

　　◎ 2021-2022年: 算法持续升级，显示了特斯拉不断改善其自动驾驶系统核心算法的决心。

　　◎ 2023年: 特斯拉计划推出全新的车载芯片和云端超算平台Dojo。

　　综合对比来看，从算力和服务器两个方面，国内车企都在紧跟步伐。目前基本达成一致意见：

　　◎ 高配系统: 两颗Orin X，具备512TOPS的算力。

　　◎ 低配系统: 一颗Orin X，或者采用Orin N和地平线J5作为替代方案。

　　实际上，有意义的入门方案是具备100-200TOPS的算力，否则低配和高配之间的性能差异过大。

　　在云端算力方面，车企选择与云计算服务商合作推进算力推演，比如2022年8月小鹏汽车宣布与阿里云合作投入20亿元建设位于乌兰察布的“扶摇”智算中心并已投入使用。

　　而像华为这样的全栈选手，则围绕华为云正式发布乌兰察布汽车专区，为自动驾驶场景提供安全合规、全栈自主创新、具有澎湃算力的云基础设施。同时，华为云重磅发布自动驾驶开发平台，将华为和伙伴在汽车行业的多年经验积累与盘古大模型等新技术进行深度结合，提供更加敏捷高效的自动驾驶全流程开发平台，加速自动驾驶量产。

　　Part 2

　　智能化的下半场

　　算法和数据

　　●  算法

　　自动驾驶技术的进步不仅仅依赖于硬件和算力，算法的开发至关重要，包括传统的计算机视觉算法，还包括深度学习和神经网络等复杂技术。

　　以特斯拉为例，主要算法包括感知技术（Occupancy Network）、规划技术交互搜索（Interaction Search）、地图构建技术（Lanes Network）、自动标注技术（Autolabeling）和仿真技术（Simulation）。

　　◎ Occupancy Network技术能够精确了解复杂环境中的障碍物，包括不寻常的、异形的，以及未知类别的物体。

　　◎ 规划方面，使用了交互搜索模型，可以帮助车辆预测和评估与其他车辆和行人的交互，从而制定最佳驾驶策略。

　　◎ Lanes Network技术，实现了在线构建车道线矢量地图，生成了带有车道线拓扑结构的稀疏车道线，为轨迹规划提供了关键信息。还采用自动标注技术，通过高精度轨迹估计和多车多旅程的地图重建，对新的旅程进行车道线的自动标注，提高了标注效率。利用视觉仿真技术生成各种测试场景，通过AI化的方法，大幅减少了仿真场景的设计和生成时间。这些技术的整合推动了特斯拉自动驾驶系统的发展。

　　自2023年起，国内开始跟上算法的迭代，引进以视觉为核心的BEV（Bird's Eye View，俯视图）感知技术。该技术依赖于多个视角的图像序列，算法需将这些不同的透视图转换成BEV特征，以实现例如输出物体的3D检测框或在俯视图下的语义分割等功能。在实际应用中，由于众多团队曾在L4自动驾驶领域有过尝试，从基于L4的思路转向新的视角，往往意味着需要彻底的思考和重新构建。

　　国内的自动辅助驾驶技术最初大多依赖高精地图和激光雷达，目的在于弥补环境检测的不足，以提供更优质的服务体验。但随着2023年的到来，业界共识开始倾向于减轻对高精地图的依赖（转向轻量级地图），同时在降低成本的前提下，探讨如何提升激光雷达的应用价值，特别是在城市的NOA（Navigate on Autopilot，城市辅助领航）场景中如何更有效地利用激光雷达。

　　●  数据

　　数据被誉为自动驾驶的“大脑”之一。在这方面，由于技术门槛相对较低，国内已经形成了一套有效的数据迭代模式。这为自动驾驶团队提供了丰富的数据资源，支持了学习和决策的需求，包括传感器数据、地图数据和实时交通数据等。许多车企每天收集的数据量超过千万公里，月数据量更是超过亿公里级别。通过挖掘这些数据中的特殊信息，不断优化数据的数量和质量，为自动驾驶算法的训练和优化提供了强大支持。

　　小结

　　2023年，中国的车企普遍感受到电动汽车市场的竞争愈发激烈。展望未来3至5年，自动辅助驾驶技术成为各大车企争相投资的焦点，被视为能够创造价值的新领域。这也是Apple曾经想要涉足但未能取得显著成功的智能驾驶领域。