NOA的蛋糕，分得怎麼樣了
撰文/ 玖 零
編輯/ 黃大路
設計/ 師 超
近年來，隨着NOA（Navigate On Autopilot，點到點的導航輔助駕駛）從高速到城區的落地，市場和用戶已經開始認可並期待NOA的表現。同時，作爲高階智能駕駛的典型功能，NOA代表着現階段量產智能駕駛的最高水平，是當前各路智駕玩家紛紛佈局的重點。
車企和方案商在優化NOA功能體驗的同時，也在爭取擴大NOA的覆蓋範圍，努力掌握並實現全場景輔助駕駛的技術實力，從而在未來的智駕市場競爭中佔據主動權。可以說，NOA已經成爲智能駕駛的新蛋糕，正在被業內玩家重點關注。
那麼，NOA當前的市場現狀如何？有哪些代表性的車型產品？正在走什麼樣的技術路線？發展趨勢會是怎麼樣的？本文將針對以上問題，分析NOA的現狀與未來。
市場格局
近兩年來，國內的高階智能駕駛功能搭載率開始顯著提升。
2023年，高速NOA的滲透率爲4%，城區NOA的滲透率爲0.1%，預計到2024年底，以NOA爲代表的高階智能駕駛滲透率將達到8.5%。
另外，根據預測，2024年後，作爲量產最強功能的城市NOA，將迎來飛速發展，預計到2030年，滲透率將達到25%。
在市場規模不斷擴大的同時，NOA的市場格局也在發生變化，出現了新的競爭與合作形態，掀起了一場NOA角逐的浪潮。
NOA功能的落地，讓激光雷達廠商、圖商、數據標註與仿真服務商，逐漸成爲主機廠提升功能安全的關鍵生態夥伴。如禾賽科技、速騰聚創等，都是NOA功能落地的受益者。
NOA功能在城區的應用，帶來了複雜的用戶場景，對感知效果提出了更高的要求。對於原本提供配套感知算法的硬件供應商（如芯片公司地平線等）來說，需要更加註重感知算法的業務佈局。
作爲直接接觸C端用戶的主機廠，其開發模式也出現分歧。
一方面，頭部主機廠傾向於NOA功能全棧自研，不僅在技術上擁有更高的自主性和靈活性，而且能夠更好地整合和優化系統性能，同時也是自身品牌實力的展示。
典型代表是特斯拉，獨立自研FSD系統，覆蓋芯片、底軟和算法；小鵬、蔚來、理想等頭部新勢力，將軟件與算法牢牢地掌握在自己手裡，智駕的芯片也正在自研的路上。
另一方面，部分主機廠選擇與NOA解決方案商合作開發NOA功能，有利於縮短研發週期，利用供應商已有的技術，集中資源搶佔市場。同時，方案則可以通過與主機廠的多元化合作，在實現盈利的同時，不斷打造行業口碑，實現可持續的業務增長，實現雙贏。
例如賽力斯、北汽、奇瑞、江淮等，都與華爲合作開發，快速實現NOA的量產上車；智己也與Momenta深度合作，在NOA的爭奪戰中佔有了一席之地。
目前，國內的NOA解決方案商主要有4類：科技型公司、專注L2的Tier 1、從L4下探的出行公司以及芯片公司。
科技型公司以華爲、大疆、商湯科技等爲典型代表，能夠充分依託AI能力和技術實力，提供符合國內場景的智能駕駛解決方案。並且，科技型公司往往都有多元化的業務佈局，能夠快速構建完善的智能駕駛生態體系，賦能產業鏈上下游的合作伙伴。
專注L2的Tier 1主要有Mobileye、Bosch等傳統國際化巨頭，以及Momenta、魔視智能、Maxieye、Minieye等國內早期入局的供應商，具有豐富的智能汽車行業經驗，並且能基於穩定的客戶關係和深厚的技術積澱，快速與主機廠建立合作，甚至形成深度綁定關係。
L4下探的出行公司以元戎啓行、Apollo、輕舟智航等爲代表，其優勢在於具有L4高階智駕的技術實力，能夠拓展到NOA功能，並具有較強的技術應用能力和軟硬件一體化的服務能力。尤其是在複雜場景的處理上，具有明顯優勢，能夠將L4的數據和算法，有效遷移到NOA功能開發中。
芯片公司的典型代表是英偉達、高通、地平線、黑芝麻等，以大算力的芯片硬件爲載體，建立智能駕駛能力，實現軟硬件協同，提升計算效率。同時，芯片公司還可以基於技術創新和開放式平臺，通過技術與資源的共享，形成自己的生態化服務。
需要說明的是，以上四類公司的邊界並不是絕對的，會存在跨界和多元發展的現象。例如Momenta既是L2的Tier 1，同時也有L4的高階智駕算法，Mobileye既提供軟件方案，也提供芯片硬件。
可以看出，不同類型的NOA解決方案商，其底層技術能力和服務模式都存在差異。不過，從行業整體來看，方案上都呈現出爲主機廠提供定製化、個性化服務的能力，並希望能通過差異化的合作模式，進一步擴大市場份額。從目前的NOA落地情況來看，華爲、大疆、Momenta、地平線處於相對領先的位置。
車型產品
進入2024年，高速NOA功能已經規模化上車，幾乎成爲新車型的“標配”，而城市NOA也進入快速普及階段，主機廠紛紛將其作爲智駕能力的展示，爭取在智能駕駛的下半場搶佔先機。
目前行業內實現NOA落地的玩家，從技術成熟度和功能實現程度，可分爲兩個梯隊，第一梯隊包括特斯拉、小鵬、理想、華爲等，已在2023年落地城市NOA；第二梯隊包括蔚來、比亞迪、魏牌、零跑等，已經或計劃在2024年內落地城市NOA。
下面以第一梯隊的幾家公司爲例，介紹當前市場主流NOA玩家的產品方案及進展情況。
特斯拉走的是純視覺、無圖路線，其首創的BEV+Transformer算法，把不同攝像頭和傳感器收集到的道路信息變成一個360度的鳥瞰圖，可以生成一個實時的活地圖，不光能擺脫高精地圖的依賴，端到端還能直接用神經網絡做出駕駛決策，已經在北美地區實現了無圖城市NOA，不過目前還未進入中國。
小鵬將導航輔助駕駛命名爲NGP（Navigation Guide Pilot），在P5、G9、G6、P7i、X9等車型上均有搭載。這幾款車型都是配置激光雷達的車型，並且近年來小鵬的車型都採用前視800萬像素雙目攝像頭，並通過2顆高算力的NVIDIA Orin-X SoC芯片，提供508TOPS的超高AI算力，滿足城市NGP的感知和算力要求。另外，值得注意的是，小鵬最新發布的P7+車型，在實現城市NOA功能的同時，取消了激光雷達，似乎預示小鵬技術路線的新方向。
2024年1月，小鵬宣佈全國243城開通城市NGP，2024年5月，小鵬汽車XNGP掌舵人李力耘宣稱，當前行業城市NOA存在“白名單”和“黑名單”兩種技術方案，前者指城市NOA只對城市部分名單道路開放，或只招募部分滿足一定門檻條件的用戶開放，後者指除保密區域以外的全國所有道路都能開，且對全量用戶開放，並表示小鵬XNGP在7月份5.2 OS更新中全量推送“黑名單”式的城市NOA，全國都能開。
小鵬城市NGP功能示意圖▼
理想的城市NOA在其所有車型上搭載，都配置了1顆激光雷達和2顆NVIDIA Orin-X芯片，並且前視雙目攝像頭和側視攝像頭的像素都高達800萬，足以滿足L2級智能駕駛的硬件性能要求。
理想是通過神經網絡替代高精地圖爲主，輔以無圖的方案，已經在7月開始推送“全國都能開”的無圖城市NOA功能。
理想城市NOA功能示意圖▼
華爲的導航輔助駕駛功能稱爲NCA（Navigation Cruise Assist），已經搭載在華爲深度參與的多款車型上。例如，極狐、阿維塔車型配置了3顆激光雷達和具備400TOPS算力的華爲MDC810計算平臺，問界系列車型配置了1顆激光雷達和200TOPS算力的華爲MDC610計算平臺。
2024年4月，華爲發佈了乾崑智駕ADS3.0，直接去掉了BEV系統，引入GOD和PDP網絡，基於GOD大網，實現了從簡單的“識別障礙物”到深度的“理解駕駛場景”的跨越式進步，不僅提升了智能駕駛的安全性，還改善了駕乘體驗。
Momenta的NOA功能已經在智己的車型上量產。Momenta算法發力的點是道路中的車道線等靜態約束的識別和構建，類似於特斯拉BEV+Transformer，但Momenta算法的發力更像是Mobileye的車道線識別，通過識別車道線以及道路標識構建車輛實時行駛地圖，實現無圖智能駕駛。
2025年，奔馳純電CLA車型將搭載Momenta提供的無圖高階智駕方案，該車型也將成爲奔馳首款落地城市NOA功能的車型。
根據上述的典型品牌及車型分析，以及市場上其他搭載NOA功能的車型情況，可以發現NOA功能在快速落地的過程中，高速NOA與城市NOA呈現出不同的特點。
高速NOA功能正在由技術驅動向成本驅動發展。
作爲智能汽車的“標準化”配置，高速NOA的複雜度不高，技術也相對成熟，已經逐漸由曾經的技術驅動向成本驅動發展。廠商在優化功能體驗的同時，也在嘗試降低對硬件配置和高精地圖的依賴，以實現最大程度地降本。
截止2024年上半年，國內已經有超過57款車型搭載了高速NOA功能，寶駿雲朵更是憑藉大疆的純視覺方案，將高速NOA車型的價格打到了15萬元以內。相比於2020年58.6萬的蔚來ES8，可以說是天壤之別。
成本驅動導致的直接結果就是減配，以更低的配置，實現相同的功能效果。由於高速NOA的場景相對單一，對算法複雜度的要求也不高，因此隨着數據的積累和算法的進步，對芯片算力的要求也在逐步降低。
目前僅實現高速NOA的車型，通常芯片算力都不超過150TOPS，比如國產的地平線J5、黑芝麻A1000，國外的NVIDIA Xavier、TI TDA4、Mobileye EQ5等。
另外傳感器的配置也在降低，目前高速NOA已經基本不需要激光雷達，普遍採用10～11V+1～5R的方案，甚至大疆通過7V5R結合算法優勢，也能實現高速NOA功能。
由於硬件配置的不斷降低，目前高速NOA的系統整體成本，已經可以控制在萬元之內，甚至有望突破到5千元以內，有利於推動高速NOA的全行業普及。
城市NOA成爲企業競爭的高地。
城市NOA的競爭越發激烈，主要表現在兩個方面，一是入局者越來越多，二是功能覆蓋的範圍迅速擴大。
在玩家數量方面，在2023年，僅有不超過5家的企業（主機廠+方案商），有能力落地城市NOA功能。進入2024年，國內推出城市NOA的廠商已經超過10家，並且正在迅速擴大。幾乎每款新車型的發佈，都會伴隨城市NOA的身影。
在覆蓋範圍方面，2023年下半年，智能汽車的頭部企業，完成了城市NOA的少數城市“開城”，而截止2024年上半年，已經有多個廠商實現100+城市的開城，甚至號稱全國範圍可用。
另外，在城市NOA的競爭中，各家對算力平臺的選擇，趨於相同。目前，國內的城市NOA方案首選的是NVIDIA Orin芯片平臺（華爲系車型除外），一方面能夠滿足多傳感器融合以及激光雷達點雲數據所需的算力要求，另一方面也能達到一定的營銷目的，因爲Orin平臺已經經過量產實踐的驗證，是相對穩定可靠的。
不過，隨着國產芯片的發展，以地平線爲代表的產品（基於J6芯片打造HSD方案），將逐漸改變這一局面。
技術路線
目前，各廠商實現NOA，尤其是城市NOA的技術路線還存在一些差異，主要是由於對實現路徑的理解不同，或者技術實力的差異導致選擇的技術路線不同。
NOA的技術路線差異，主要體現在小模型與大模型、有圖與無圖、純視覺與多傳感器融合等。
01
小模型VS大模型
小模型與大模型的區別主要在於參數量的多少，以及模型的複雜程度。目前智能駕駛正在從以往的傳統小模型方案，向端到端的大模型方案過渡。
小模型是指參數較少、架構相對簡單的AI計算模型，其優勢在於資源需求少、實時性高、低功耗等。傳統的智能駕駛算法架構包括感知、決策、規控等模塊，每個模塊有獨立的任務，各自負責輸出對應的結果，形成多個獨立計算的小模型。
傳統的小模型方法能夠讓每個模塊的計算結果都能有足夠好的可解釋性，在開發過程中能夠獨立優化，但由於小模型的參數有限，計算能力難以滿足高階智駕的要求，因此需要提升模型的計算能力，保證高階智駕的性能。
另外，基於多個獨立小模型的智駕系統，模塊與模塊之間的數據傳輸會存在損耗，產生侷限性。
由於小模型在計算能力和數據傳輸方面的限制，端到端大模型成爲NOA等高階智駕的計算解決方案。端到端大模型是指從輸入到輸出的整體過程都由一個統一的、參數量多、計算能力極強的AI模型處理，中間沒有顯示的分模塊步驟。
與傳統的智能駕駛算法架構不同，端到端大模型取代了此前用於感知、決策、規控的多個獨立模塊，輸入的環境數據（攝像頭、雷達數據等）直接送入模型，模型計算後，直接輸出最終的控制指令（加速度、轉角等）。
端到端大模型不僅突破了傳統小模型的算力限制和數據傳輸限制，更重要的是，能夠通過大量的數據驅動來不斷優化和改進系統的性能，而不需要過多依賴傳統的規則代碼。端到端去掉了規則主導的架構，完全交給神經網絡主導，神經網絡通過觀察大量的數據，自我學習如何做出像人一樣的駕駛決策。簡單來說，傳統小模型是讓系統根據規則計算，而端到端大模型是讓系統模擬人。
小模型與大模型的對比▼
特斯拉的端到端大模型示例▼
不過，端到端大模型雖然優勢明顯，但也存在弊端，主要體現在系統的可解釋性弱，以及對訓練數據需求量極大。
端到端大模型的內部架構複雜，其計算過程難以直觀地理解，導致其計算結果難以解釋，對於問題的復現、調試和解決，產生了挑戰。
由於大模型的計算處理過程，是通過大量數據訓練得來的，因此對用於訓練的數據的質量和數量都有較高的要求，包括多樣化的道路環境、不同天氣下各種工況的表現、各種類型的交通標誌等。海量數據的獲取、處理和應用，需要巨大的資源投入，研發成本很高。
02
有圖VS無圖
高精地圖曾經一度是高階智能駕駛的必備，但最近兩年，行業內“去高精地圖”的聲音越來越響，小鵬、華爲等多家主機廠與智駕方案商，紛紛朝着“重感知，輕地圖”的無圖技術路線發展。
所謂有圖，也就是以往搭載高精地圖的方案，高精地圖作爲一種先驗信息，可以爲智能駕駛提供準確的位置和環境信息，幫助系統更好地感知周圍環境並實現精準定位。
雖然高精地圖可以明顯提升感知定位的精度，但也存在明顯的不足，主要表現在以下三方面：
第一，高精地圖測繪的成本高、週期長，與主機廠降本增效的理念相悖。由於精度要求高、信息量豐富，高精地圖廠商在製作高精地圖時需配備各類傳感器，相比普通導航會產生更高的成本和更長的週期，與當前行業內，尤其是智能駕駛領域的降本增效趨勢嚴重不符。
第二，高精地圖的更新週期長，地圖鮮度難以保障，甚至產生安全問題。智能駕駛對高精地圖的數據實時性要求很高，也就是需要地圖“保鮮”，最好能每日更新一次。而圖商的平均更新週期以月或者季度爲單位，行業內的平均更新週期3個月左右，這就導致圖商提供的高精地圖，難以滿足智能駕駛開發的需求，甚至存在安全隱患，比如某路段新增了施工區域，而高精地圖未及時更新，就可能會導致事故。
第三，高精地圖缺乏統一的行業標準。高精地圖的內容、數據格式、發佈傳輸、更新管理等尚未在行業內形成統一共識，缺乏統一標準，如果在開發過程更換了另一家高精地圖供應商，會帶來很多二次開發工作，嚴重影響項目進度，並且額外增加大量成本。
正是由於高精地圖的以上不足之處，目前行業內“去高精地圖”成爲一種趨勢，甚至愈演愈烈。
去高精地圖就是所謂的“無圖”，完全依賴傳感器實現感知與定位。無圖方案的優勢顯而易見，不僅能夠避免因地圖鮮度不夠導致的感知與定位錯誤，還能大幅降低開發成本和週期，尤其對於城市NOA來說，無圖方案更容易快速實現大範圍多區域的落地，“全國都能開”，而不會因地圖的限制而進展緩慢。
不過，由於感知能力的限制，如今行業內雖然“去高精地圖”的聲音很響，但其實國內的城市NOA方案中，要麼還不能完全無圖，要麼無圖的效果比有圖差很遠。目前，主要通過以下三種方式，來取代傳統的高精地圖：
一是衆包地圖，即通過已售出車輛收集道路信息，整合來自廣大普通用戶的數據，繪製地圖。衆包地圖具有較高的數據豐富度與實時性，並且成本低、覆蓋範圍廣，但地圖原始數據的質量參差不齊，精度和穩定性有待提升，並且存在數據合規和隱私保護等問題。
二是實時局部建圖，基於傳感器信息，通過BEV+Transformer，構建實時的局部地圖。這種方法理論上可以完全去掉高精地圖，但根據大部分感知算法專家的意見，現階段的環境感知效果，還達不到完全代替高精地圖的水平，只能說正在逐步提升，向完全無圖靠近。
三是輕量化高精地圖，是一種精簡版的高精地圖，精度和信息量介於導航地圖與高精地圖之間。這種方案可以理解爲是一種過渡狀態，是綜合平衡整體感知定位效果與地圖成本之後的結果，實際上仍然不是無圖。
03
純視覺 VS 多傳感器融合
純視覺路線和多傳感器融合路線，核心在於是否配置激光雷達，是否需要激光雷達的高精度點雲信息，這也是行業內爭論的焦點。純視覺路線以特斯拉爲代表，僅通過攝像頭的視覺感知，實現對環境的精準識別；視覺+激光雷達以國內的多數廠商爲代表，均採用帶有激光雷達的配置方案。
純視覺方案主要依賴攝像頭和計算機視覺算法，實現環境感知，與人眼觀察環境相似。純視覺方案由於不需要激光雷達，因此係統成本較低，但單一傳感器的信息量和精度有限，且攝像頭容易受天氣和環境條件的影響，所以搭載激光雷達作爲冗餘和補充，是國內大部分廠商的選擇。
特斯拉是純視覺方案的倡導者，其率先應用的BEV+Transformer純視覺感知架構，能夠將傳統自動駕駛2D圖像視角加測距的感知方式，轉換爲在鳥瞰圖視角下的3D感知，有效提升智駕系統的感知精確度。另外，極越也採用了無激光雷達的純視覺感知方案。
多傳感器融合方案將攝像頭的圖像數據與激光雷達的點雲數據充分融合，能夠有效提升環境感知的精度和抗干擾能力，提高系統的魯棒性和可靠性。激光雷達不僅一度被稱爲“自動駕駛之眼”，而且也一直是國內大部分廠商實現NOA等高階智駕的必備，但其成本過高，並且存在技術壁壘，因爲目前僅主要搭載於城市NOA的車型上。
純視覺與多傳感器融合的技術路線之爭，本質上是視覺感知算法與激光雷達成本的進步速度之爭，行業玩家理所當然地會平衡性能與成本，選擇最佳性價比的方案。
未來趨勢
NOA的發展堪稱量產智駕的一場狂歡，而基於當前的市場、產品和技術現狀，行業內對NOA的未來發展趨勢，也在一定程度上達成了一致。
1、端到端大模型將逐漸取代傳統的規則化方案
根據前文的分析，端到端的大模型方案是實現複雜場景中智能駕駛的更優選擇，能夠滿足安全性、實時性和高可靠性的要求。目前來看，端到端已經從感知端到端和決策規劃模型化演進到了模塊化端到端，相信未來將會逐步發展成真正意義上的One Model端到端模型。
2、高端車型與中低端車型的方案分極
對於NOA來說，無論是考慮安全性，還是考慮功能體驗，激光雷達都是第一選擇，並且由於激光雷達成本正在下降，因此近幾年來搭載激光雷達的高端車型明顯增多。
不過，目前單顆激光雷達仍然需要千元以上的成本，所以對於不搭載城市NOA功能的中低端車型，仍然不會使用激光雷達，而是選擇純視覺方案。
從2024年下半年的幾款新車型來看，高端車型（＞25w）依然選擇含有激光雷達的多傳感器方案；而中低端車型（＜25w）則多采用純視覺的智駕技術方案。在未來幾年內，如果激光雷達的成本沒有進一步下探，高端車型選擇多傳感器方案、中低端車型選用純視覺方案的趨勢應該不會改變。
另外，對於感知算法實力極強的玩家，隨着算法的升級和數據的積累，純視覺方案會變得越來越安全，也可能會在高端車型上大膽地把激光雷達去掉。
3、高速+城市場景融合，推出全域NOA功能
目前大部分廠商，仍然按照高速場景和城區場景，將NOA分爲高速NOA和城市NOA兩個不同的功能。隨着智能駕駛的發展，對功能場景邊界的定義也會越來越模糊。
未來NOA將不再區分城市與高速場景，而是實現全場景融合，無縫銜接，發展成爲真正點到點的全域NOA功能。實際上，小鵬已經率先提出了這一概念，並且正在推進，宣稱2025年可以實現。