專業智能汽車咨詢機構“睿思齊”曾做過一次調研，結果顯示親自體驗過智能駕駛的消費者，認為“自己身邊喜歡使用輔助駕駛的人”占比要遠高于尚未接觸過智能駕駛的消費者，對智駕功能的發展趨勢也更為樂觀。

這說明使用過智駕功能的用戶，多數都能感受到這項功能帶來的價值感，而沒有體驗過智能駕駛功能的用戶對智駕的不信任感會更強一些。

此外，睿思齊的調研報告中還有一項數據，具備領航輔助駕駛功能車型的車主，對智駕功能的滿意度要高于僅有基礎L2輔助駕駛功能車型車主對智駕的滿意度。

換句話來說，現階段影響智能駕駛，特別是高階智能駕駛發展最重要的問題，其實是如何讓更多的人能日常體驗上這項新技術。

這幾年智駕行業已經實現了從“卷功能”到“卷體驗”的升級，下一步就得是“卷成本” 了，只有把成本打下去，才能讓更多的消費者體驗到高階智駕功能帶來的出行體驗升級。

所以在前不久的上海車展上，我格外留意那些“卷成本”的選手，感覺其中最卷的就是輕舟智航，直接開發了“6V1R視覺方案”的高速NOA，以及基于單顆地平線征程5+單顆激光雷達的城市NOA兩套方案的實車體驗。

6V1R意味著只有6顆攝像頭，前視慣用的三目、雙目也變成了單目。最關鍵的還是取消了側前側后的四顆中長焦攝像頭，而之前只能用來泊車的魚眼攝像頭則擔起了大梁，為高速NOA提供側前側后的視野。

實際體驗下來，輕舟智航的這套6V1R方案變道時對側后車輛的感知非常及時，變道時機的選擇恰到好處，很符合心理預期，基本上我人判斷該變道了，而且系統符合變道條件的情況下，車輛也會很及時地執行并完成變道。

在車展前夕，我也實車體驗了基于單顆地平線征程5和單激光雷達的城市NOA方案，這套方案已經能夠打通城市、高速/高架、泊車三大場景，連很難解決的高速ETC也能自動通過，真正做到了無縫連接的全場景NOA體驗。

在算力和感知硬件上，輕舟這套單激光雷達版本的城市NOA方案無需多個激光雷達的堆疊，但功能完整性上絲毫不輸市面上其他已經量產交付的城市NOA功能，能夠保障保障城市NOA復雜場景體驗 （多目標博弈，復雜路口通行，一般障礙物檢測繞行），能夠及時理解當前環境，并做出符合駕駛員心理預期的響應。

特別是繞行場景，輕舟智航的這套城市NOA方案繞行非常果斷，即便是跟車時，前車突然減速停車，系統也能及時地提前找機會變道，避免跟著前車停車后再緩慢向相鄰車道挪動帶來安全風險。

總體來說，輕舟智航這兩套高階智駕解決方案都已經用比較極致的成本，實現不輸現階段那些“堆料”方案的體驗。這就有點像半導體產業的發展，降低成本并不是靠犧牲性能來實現的，反而是在有限的硬件上壓榨出更高的利用率，從而實現了性能的提升。

輕舟，是想駛過萬重山的

“降本”基本上已經成為高速NOA功能現階段的主要課題了，除了輕舟的6V1R方案，車展上見到占比最高的還有各家推出的5V5R方案。

5V5R就是依靠前視單目挑大梁，而側前側后的感知主要交給角毫米波雷達，這樣的好處在于整體算法模型的規模也小一些，對芯片算力的需求較低，基本在10TOPS左右。

輕舟智航的6V1R方案的智駕計算芯片使用地平線的征程5，算力128TOPS，相對于5V5R的方案，域控的成本會更高一些，但省去了4顆角毫米波雷達的成本，所以綜合來看，成本上差異并不大。

輕舟智航的CTO侯聰描述這套6V1R方案是：“更低的邊際成本，獲得極高的邊際收益”。

這句話很清晰地解釋清楚了輕舟6V1R方案和5V5R方案的差異，雖然都是實現高速NOA的極致性價比方案，但兩者實際上是兩條截然不同的路。6V1R選擇了現階段成本較高，但更容易隨規模效應而大幅降本的芯片，5V5R則是選擇當下供應較為穩定，但降本空間已經比較有限的角毫米波雷達。

6V1R的重點在于視覺感知算法，把魚眼攝像頭也納入到行車的感知結果中，做到傳感器和計算芯片都能復用的行泊一體，同時通過正后方的攝像頭實現對后方中遠距目標的感知，用最優的成本實現無盲區的360°感知。

輕舟智航基于這套硬件能夠部署BEV框架，為智能駕駛決策提供更豐富的輸出，也讓這套方案擁有極高的能力體驗上限，這也是侯聰所說“極高的邊際收益”。

魚眼攝像頭雖然天生就具備BEV拼接的優勢，很早就在泊車場景下，為駕駛員提供一個便于掌握車輛與環境相對位置關系的可視化界面，但由于畸變的畫面，較近的感知距離，很少被用到行車中。

魚眼攝像頭就像是螃蟹，乍看起來不會是好的食材，但只要挖掘出它的優勢，以及適合的處理方案，第一個吃螃蟹的人就一定能開啟一個新的美食風潮。

所以雖然都是性價比方案，但6V1R通過傳感器復用，和搭上BEV的快車，相較5V5R方案擁有更高的體驗上限，更長的生命周期。

極致的降本，背后是極強的軟件能力

6V1R是輕舟智航對“傳感器復用”的思考，單激光雷達和單征程5芯片的城市NOA方案則展示出輕舟智航對降本的第二層理解：通過軟件能力，提高硬件利用率。

首先是激光雷達，輕舟智航通過自研的OmniNet在內的感知算法，能夠充分壓榨激光雷達的感知能力，通過逐層遞進的噪聲過濾方案，能夠最大限度地排除雨霧、泛光等噪聲對感知的干擾，提高對車輛、行人、小動物、異形障礙物等目標的識別精度。

簡單來說就是利用時序融合，把一顆激光雷達不同時序的感知結果做融合，一幀畫面可能有偶然性，可能被干擾，多幀融合可以消除這些偶然性，從而提升感知結果的感知精度。這在手機拍照上已經非常成熟，各個廠家都在通過多幀融合提升成像質量，從而發揮出硬件的最大價值。

OmniNet是輕舟智航提出的國內首個量產計算平臺實現視覺、激光雷達和毫米波雷達特征和時序融合的大模型，能夠通過多傳感器融合，多時序融合來提升感知精度，節省算力資源。

為了更高效地利用算力，輕舟智航很早就和地平線團隊建立合作，圍繞征程5芯片做適配開發，優化模型來提高算力的利用率，從而依靠單顆征程5芯片也能良好完成復雜場景下的感知和決策規劃，實現極致性價比的城市NOA功能。

輕舟智航對激光雷達的壓榨還不止于此。

輕舟智航作為L4級自動駕駛的明星公司，比多數智能駕駛公司更早接觸激光雷達，對激光雷達的理解也非常深刻，特別是在模型訓練上充分發揮了激光雷達自帶環境深度信息的“真值”，用同一視角下的激光雷達點云和視覺攝像頭做自監督訓練，提升了模型訓練的效率。

簡單來說就像是，老師帶了一個班的同學，大家各有所長，有人擅長數學，有人擅長畫畫，老師就讓擅長數學的伙伴，輔導擅長畫畫的同學的數學作業，讓擅長畫畫的同學，輔導擅長數學的同學做美術作業，整個班級的學習效率就變高了，老師也更省事了。

除了“壓榨硬件”，輕舟智航還通過共用規控算法來實現降本，雖然輕舟智航有6V1R、11V5R等多個不同傳感器配置的方案，但在架構上都是相通的，能夠共用輕舟自研的感知和規控算法，降低成本的同時，最大化發揮數據的規模化效應。

在感知上，輕舟智航有能融合視覺、激光雷達、毫米波雷達特征和時序的大模型OmniNet，規控上輕舟也有首創的“時空聯合規劃算法”，直接在空間和時間中求解最優軌跡，同時控制車輛方向和速度，在面對復雜場景時應對更加靈活。

寫在最后

NOA是一個用過就很難再回去的功能，這個功能也在購車決策中起到越來越重要的比重，NOA的價值已經被證明，成本則是制約這項功能提升滲透率的最大包袱。

輕舟智航通過多套方案的展示，打響了高階智駕普及的槍聲，期待這樣的方案能夠大規模普及，讓我們能有更豐富的智能汽車選擇。

返回第一電動網首頁 >