6月27日，理想汽车在北京望京地区开展城区通勤NOA功能测试。此次驾驶路线以望京地区为起点，途径京密路、罗马环岛、天北路，随后到达理想汽车顺义研发总部，涵盖城区道路、国道等路段，主要测试其城区点对点通勤辅助驾驶表现。

NOA全称Navigate on Autopilot，即“导航辅助驾驶”，部分厂商称之为“高阶辅助驾驶”。根据使用场景不同，NOA包含高速NOA和城市NOA，此次理想汽车的通勤NOA属于城区场景。

据了解，城市NOA支持车辆在复杂的城市场景中实现点到点的导航辅助驾驶功能。在此次测试中，理想汽车提前设置好路线起点和终点，通过车辆自行“驾驶”实现全程辅助驾驶，并对路途中的交通信号灯、行人、车辆、障碍物以及多种行驶状态作出判断，然后自主抵达目标地点。

此次时代财经试乘的是一辆理想L9 MAX车型。在实际乘坐体验中，该车能够识别绝大部分的行驶场景以及场景内的信号灯、行人、车辆等元素，并及时作出合理判断。同时，车辆在变道、转向、会车时也能稳定行驶，在遇到较窄路段时还能进行与人类司机类似的试探性操作。

值得一提的是，在部分会车或遭遇行人的场景中，理想汽车的NOA系统更倾向作出较为保守的通行策略，如等待其他车辆或行人先行通过、再向前行驶。对此，理想汽车工作人员表示，在功能测试初期，更需要考虑车内和车外人员的安全。

整体而言，理想汽车的通勤NOA能够完成大部分的行驶操作，不过在一些具体场景中仍有待提升。

理想汽车方面表示，理想汽车推出的通勤NOA功能可以让用户设定自己的通勤路线，通过日常通勤时的自动化训练积累NPN（神经先验网络）特征，在1周内完成简单路线的训练，激活通勤路段的NOA功能。在较为复杂的路线，训练预计需2-3周可完成。据理想汽车估测，通勤NOA将覆盖用户95%以上的通勤场景。

值得一提的是，理想汽车此次推出的城市NOA功能无需依赖城市高精地图。

智驾迎发展元年

根据我国《汽车驾驶自动化分级》标准，自动驾驶技术被分为六个等级，其中NOA这类导航辅助驾驶则处于L2与L3级自动驾驶之间，该功能可基于用户设定的导航路线，实现从A点到B点的智能导航辅助驾驶。

目前，不同车企对于智能导航辅助驾驶的命名略有差异，有称其为NOA的，也有命名为NGP、NOP、NCA的。不管如何命名，其技术实现的基本功能和内在逻辑是一致的。

近年来，以NOA为代表的导航辅助驾驶热度越来越高，特别是以特斯拉、小鹏汽车等为代表的造车新势力，基本都将高阶智能驾驶辅助功能作为其产品的主要卖点之一。

值得一提的是，2023年以前，造车新势力所研发的智能导航辅助驾驶主要应用于高速场景，可实现主动变道、自动上下匝道等。公开数据显示，2022年我国搭载辅助自动驾驶系统的智能网联乘用车新车销售量达700万辆，同比增长45.6%，新能源汽车辅助自动驾驶系统搭载比例达48%。这当中，高速NOA装备量达到了13.9万辆。

而进入到2023年，各家车企纷纷不约而同地将NOA的使用场景从高速路段扩展至城市路段。今年4月，华为高阶智能驾驶系统ADS 2.0正式发布，该系统可实现面向高速、城区、泊车场景的连续驾驶体验。新系统由问界M5高阶智能驾驶版首发搭载，后续还将登陆阿维塔11、极狐阿法尔S全新HI版等车型。

6月15日，小鹏汽车在北京正式开放城市NGP，目前主要适用于北京各环线及主要快速路。小鹏汽车算法专家刘德浩表示，目前自动驾驶已是从上半场到下半场的拐点，在现阶段，量产的城市辅助驾驶能力，以及全栈闭环能力是企业进入下半场竞争的“入场券”。

车企竞逐高阶城市辅助驾驶

在多位业内人士看来，由于城市路况多样、道路开放度更高，高阶城市辅助驾驶的复杂程度远高于高速辅助驾驶。不过，由于城市行驶频率更高、驾乘人员体验更为直接，多家车企也在争相布局高阶城市辅助驾驶功能。

理想汽车之外，特斯拉、AITO问界（搭载华为辅助驾驶系统）、小鹏汽车等也都已着手推出高阶城市辅助驾驶功能。AITO问界、小鹏汽车还在近期于上海、广州等地进行城区辅助驾驶体验。

车企竞逐高阶城市辅助驾驶也体现在其落地速度上。当下，理想汽车、小鹏汽车、AITO问界等都在加速推动高阶城市辅助驾驶功能的落地应用。

“本月内，理想汽车就将向部分内测用户交付不依赖高精地图的城市NOA功能，通勤NOA也将在下半年上线。”理想汽车智能驾驶副总裁郎咸朋在6月17日表示。今年年底前，理想汽车还将推动最新版的城市NOA在100个城市的落地。

6月28日，华为常务董事、终端BG CEO、智能汽车解决方案BU CEO余承东也在微博上表示，（AITO问界M5智驾版）将在第三季度率先在15个城市落地不依赖高清地图的城市智驾领航辅助功能。

小鹏汽车董事长、CEO何小鹏也称，在年内会将自动导航辅助驾驶的城市范围从现在几个城市，扩展到数十个城市，明年目标会增加到中国大部分城市。

有观点认为，随着国内智能电动汽车竞争进入白热化，打造差异化优势有利于提高车企产品竞争力。而在多位业内人士看来，以城市高阶辅助驾驶功能为代表的自动驾驶技术或将成为一个突破口。

“通勤模式”成首要关卡

当然，高阶辅助驾驶目前还处在不断打磨的阶段，不过大疆、理想、小鹏却不愿再做等待，并率先推出了“通勤模式”，旨在帮助打工人缓解通勤烦恼。

“通勤模式”的作用，就是让车子在L2+的功能范畴内，帮助车主开车上下班，从而减缓大家在通勤路上的疲劳感。而想要实现“通勤模式”，则需要车主像老师教学生一样，先在固定的上下班路径上开一段时间，让车子逐渐熟悉周边的场景、学习车主的驾驶习惯。

在熟悉与学习完成后，“通勤模式”就能在通勤路上实现诸如智能跟车、智能变道、红绿灯转向等操作，厉害一点的甚至还能在最后帮你停好车。

虽然还不能像自动驾驶一样让你真正脱手操作，但“通勤模式”足够帮你省去不少频繁加减速、保持车距、加塞变道的操作，并且训练得越久，它的操作也会越成熟。

听起来似乎很简单，但“通勤模式”可远不是某些人认为的“记忆行车”那么简单，如果想要让一套“通勤模式”真正好用，就必须要具备高感知及认知能力。

“看得见”的感知

“通勤模式”开启后，车子首先要能“看得见”，这需要感知模型从摄像头、激光雷达处获取数据，并生成能够描述真实场景的BEV网络。

BEV是英语“鸟瞰图”的缩写。对于辅助驾驶和自动驾驶来说，BEV是一种主流的映射真实世界场景的视图形式。在BEV网络下，辅助驾驶和自动驾驶能够获得更直观的周边视角。

这一过程存在一个难点，就是如何把不同种类传感器的特征进行融合，并保证精确。对此，特斯拉、蔚小理等车企普遍使用BEV+Transformer的方式，先通过视觉神经网络的Backbone识别图片特征，再借助Transformer将各个图像的特征进行融合。

Backbone的直译是“主干”，就像一棵大树存在主干和枝干一样，Backbone的作用就是作为数据特征识别的第一步，先确定数据特征的大致种类，再将其分配给对应种类的枝干做更进一步的特征识别，从而一步步细化数据特征，最后完成精准识别。

Transformer是近几年在自动驾驶领域颇为流行的神经网络模型，其能够借助自注意力机制去挖掘不同数据中特征的相关性，从而对多模态数据进行准确融合、映射出更真实的世界。

“看得懂”的感知

这还只是能“看得见”而已，如果想让“通勤模式”正常运行，就得让它能“看得懂”周围的场景，明白什么是红绿灯，什么是车道线，从而判断出可达空间，继而规划路径。

对此，车端又会搭载一系列的感知模型，它们会负责理解感知数据中的语义信息，比如路牌上的限速、左右转车道的指引线等等，帮助后续规控策略的输出。

而在这一过程中，一些特殊的感知数据还会被上传到云端，比如感知系统发现了一种当前车端模型无法准确识别的障碍物，或者驾驶者在正常规划的行驶路径中莫名干预了，这些数据会在到达云端后被人工或自动标注的形式，标注数据特征。

之后，这些具备特征的数据又会被加入数据集，训练对应的感知模型，而新模型在通过验证后，又会以OTA的方式回传到车端，由此让车子的感知能力越来越强。

“拟人化”的认知

如果规控策略太过机械生硬，那么给到驾驶者和乘客的乘坐感受就会非常糟糕。这种时候，就需要“通勤模式”能够学习驾驶者的驾驶方式。

通过重复学习，车端的驾驶数据也会传递至云端，并在特征标注后交由认知模型进行训练，最终再经过仿真验证回传至车端，得到驾驶风格更自然、更接近真人驾驶的效果。

可以看出，“通勤模式”的内核，实际就是将原本的城市域高阶辅助驾驶的实现范围，从全国所有城市道路缩小到了驾驶者的通勤道路。

然而，“通勤模式”并不能等于后者，除使用范围受限之外，驾驶者还需要主动训练“通勤模式”，也就是尽量多的沿着固定路线驾驶，直到“通勤模式”完全训练成熟为止。

“通勤模式”能帮到消费者吗？基础原理大致如此，对于多数消费者，尤其是通勤距离长、时间久的消费者，“通勤模式”虽然存在一些缺点，但整体依旧是非常有使用价值的。

结语

尽管商业化路径曲折且漫长，但行业内似乎并未止步对高等级自动驾驶技术的探索。刘德浩分析，目前业内做自动驾驶普遍分为两个路径，一是自下而上，通过充分的量产和经营低等级的自动驾驶，积累大量数据，实现数据闭环、技术迭代，进而逐渐向更高级别的能力演进；二是自上而下的方式，直接定位到L4甚至L5的级别，高举高打，这种方式的商业化途径主要集中在特定运营场景。

“目前多数主机厂采取的是自下而上的形式，我们要以低成本、高鲁棒性的硬件架构，实现强大的功能。要适应中国本土化路况及驾驶习惯，为消费者交付高可用性、高场景好用的辅助驾驶产品。”刘德浩判断，具备量产的城市辅助驾驶的能力是车企通向更高级别自动驾驶落地的必经之路。

文章来源： 汽车洋葱圈，时代财经，证券时报网