傳統觀點認為，高精地圖是實現自動駕駛的關鍵，但隨著技術的發展和實踐的探索，“重感知”作為實現自動駕駛新的一種全新技術理念逐漸嶄露頭角。這種理念的工作原理是什么，而背后到底是何方神圣為車企們提供“去地圖”的底氣？

現在的汽車行業已經逐漸從電動化上半場走向智能化下半場，智能駕駛迎來了高速發展期。輔助駕駛乃至自動駕駛等等成為了技術內卷的熱門話題。如何能尋得最佳性價比的可行方案組合，車企紛紛對智能駕駛技術加大投入，力求讓自己的智駕方案更早落地，從而在激烈的市場競爭之中脫穎而出。

攝像頭下的視覺世界

重感知并不是什么技術新名詞，這個“重”并非物理質量的體現，而是注重、重視的意思。重感知就是更為注重以豐富多樣的傳感器組合感知周圍環境和道路狀況，不過多依賴高精度地圖輔助實現安全自主行駛的智駕解決方案。近年來隨著研發技術的成熟以及工藝制程的進步，傳感器技術得到了巨大提升。車載傳感器也從原來僅負責檢測車輛狀態，延展至對車外環境的感知。自動駕駛汽車搭載了多種類型傳感器，這些傳感器實時掃描和感知車輛周圍環境，獲得高分辨率數據，對物體、行人、道路標識等進行精準識別。

BEV+Transformer助力城市NOA快速落地

重感知理念的崛起意味著高精度地圖在自動駕駛領域占比逐步走弱，甚至走向消亡。對于“輕地圖”的詳細內容后文另有詳述，此處不再贅述。傳感器性能對于整套系統成為了關鍵所在。這其中激光雷達（LiDAR）是必不可少的傳感器之一，它能以高頻率發送激光束并測量其反射時間，從而獲取車輛周圍環境的三維點云數據。提供非常精確的障礙物位置和距離信息。而攝像頭則負責捕獲車輛周圍的圖像和視頻，通過視覺技術令車輛實時識別道路標志、行人、車輛等，并做出相應的決策。毫米波雷達的優勢則在于可以穿透雨霧、塵埃等惡劣天氣條件，提供高分辨率的障礙物檢測。它的工作原理類似于激光雷達，但對于一些特定情況下的感知能力更強。近年來更是出現了4D毫米波成像雷達，進一步提升毫米波雷達能力。至于超聲波雷達通常用于近距離感知，如停車時的障礙物檢測。它可以幫助車輛避免碰撞或者進行精準停車。以上種種傳感器的綜合使用，使得自動駕駛車輛能夠全方位、多維度地感知周圍環境，具備了高度的感知能力和安全性。

NVIDIA DRIVE AGX 自動駕駛平臺

重感知理念的實現路徑十分直白，在不考慮成本的情況下進行“堆料”，以足夠全面并相互冗余補全的傳感器陣列，采集感知范圍內周遭環境數據；交由算力性能足夠高的車載電腦處理分析；通過算法識別和歸類實時建立環境單元地圖模型；然后系統依靠這些信息進行路徑規劃和決策，選擇合適的駕駛路徑和速度，在遵守交通規則的前提下避免障礙物。也就是說但凡無需考慮控本，或者系統成本已經將至可接受范圍內的時候，重感知智駕方案是完全可行的。

高速網絡保障自動駕駛通信

引領智能駕駛潮流，為智能汽車注入強大動力主要來自于多方面助力。從政策層面來看，近年來國家制度加速引領并推進智能駕駛領域發展，地方政府的積極行動也成為智能駕駛加速落地的“引擎”。而在供給端層面，海量的新車型崛起已然形成井噴態勢，同樣為智能化掀起一波新的浪潮。自研、科技公司和車企合作加深加快，數據和算法的進步讓智能駕駛系統在成本和效率上取得突破。各類輔助駕駛系統也從高速NOA到通勤NOA、城市NOA不斷升級迭代。特別是那些處于智能駕駛領域頭部的企業，譬如堅持純視覺路線的特斯拉，其算法早已經歷了HydraNets、BEV+Transformer、占用網絡、端到端四代發展。國內造車新勢力亦不逞多讓，他們更多地在智能駕駛上側重感知、定位、規劃等核心算法研發，技術迭代集中在BEV+Transformer。

元戎啟行的無圖智駕方案

但與雄心壯志的供給端相比，真正為車輛以及功能買單的消費端似乎并未完全跟隨狂歡。消費者對智能駕駛的認知雖然正逐步改善仍略顯不足。目前智能駕駛的體驗者總數相對較小，排斥&不信賴該技術的消費者總量較多，行業普遍面臨消費者對技術認知和接受度的瓶頸，如對安全性和可靠性的疑慮。

主要車企均進入智駕賽道

這種一熱一冷的情況主要源自于于智能駕駛相關法規相對滯后，功能技術與駕駛者之間規則問題不清晰，嚴重影響到高級別自動駕駛量產節奏。同時L3級往上，越高級別的自動駕駛技術，越需要需要產業鏈各方通力配合，開發難度越大、測試周期越長。各類細分場景的特殊限制也影響到自動駕駛的價值體現。加上較高的初始研發成本，多種因素下對涉足其中的企業無疑形成了不小的壓力。為此部分企業動了小心思，刻意放大自身的“重感知”技術能力。甚至不惜在宣傳口徑與實際落地表現上，以模糊的語意夸大或回避問題。最終令“重感知”與“輕地圖”走向對立，甚至宣稱可“無圖”。已發了一波車企與圖商之間的技術熱議與爭論。

采用卷積神經網絡 (CNN) 的自動駕駛汽車

截止至2023年末，本刊記者通過多渠道探訪與調查，獲得了部分“重感知”理念玩家的進展狀況如下:

在智能駕駛領域處于全球領先地位的特斯拉，算法已經完成從HydraNets、BEV+Transformer、占用網絡、端到端四代發展。國內造車新勢力亦不逞多讓，他們更多地在智能駕駛上側重感知、定位、規劃等核心算法研發，技術迭代集中在BEV+Transformer。

但與雄心壯志的供給端相比，真正為車輛以及功能買單的消費端似乎并未完全跟隨狂歡。消費者對智能駕駛的認知雖然正逐步改善仍略顯不足。目前智能駕駛的體驗者總數相對較小，排斥&不信賴該技術的消費者總量較多，行業普遍面臨消費者對技術認知和接受度的瓶頸，如對安全性和可靠性的疑慮。

特斯拉FSD 測試版項目不斷累積測試里程

華為應該算目前在智駕領域發展速度最快的玩家之一。其2022年7月發布ADS1.0，次年4月發布ADS2.0，依靠GOD和RCR兩個不錯的算法和云端儲備，華為目標為實現不依賴高精地圖的城市智能駕駛功能，宣傳口徑為“全國都能開”，但目前實際僅開放了6個城市。在商業化領域，華為主要通過鴻蒙智行（由智選車整合而來）和HI模式（Huawei Inside）實現，如今仍在不斷擴大合作范圍。

華為ADS2.0是無圖派的急先鋒

小鵬汽車作為國內首個量產落地高階城市輔助駕駛（XNGP）功能的車企。最新數據顯示小鵬宣傳XNGP已在國內243座城市落地，可似乎實際落地52城市，其中部分為縣級市。2024年內計劃實現輕地圖、全場景、輕雷達的智駕目標。不過從其在智駕領域的歷史口碑與研發能力來看，全部達成應該只是時間問題。

蔚來汽車Banyan

蔚來汽車于2023年底將Banyan2.3.0版本全量推送，增強領航輔助NOP+正式更名為全域領航輔助NOP+，進而實現覆蓋高速領航換電、高速領航輔助、視覺融合泊車輔助等智能駕駛功能的統一升級，宣傳計劃2024年內落地超230+城市。但有趣的是在對外宣傳口徑中，經常以“總里程”代替實際開城數量。這略微有點匪夷所思。

理想汽車于2023年底向Max用戶推送基于BEV大模型的智能駕駛AD Max3.0版，提供全場景NOA功能，計劃2024年上半年下放至Pro用戶，目前通勤NOA落地10城。算眾多玩家之中相對謹慎穩重的代表。

百度早在于2014年開始部署自動駕駛，擁有豐富的研究經驗和數據積累。旗下極越是Apollo合作車企之一。2023年極越01上市前，發布國內首款BEV+Transformer量產方案。同期純視覺占用網絡OCC技術發布，但目前仍需高精度地圖輔助。

在客觀角度來看，自動駕駛車輛只需要傳感器，而不過多依賴高精度地圖，技術層面是沒有問題的，也將會是未來自動駕駛技術發展的一個選擇方向。傳感器的多樣性和先進性使得車輛能夠全方位感知周圍環境，保證了駕駛的安全性和準確性。相較于結合高精度地圖輔助工作的技術方案， “重感知”的方式更具有靈活性、適應性和成本效益。但任何技術無法一蹴而就，更多需要涉獵其中的玩家腳踏實地地深挖技術。