高階智駕，究竟「高」在哪？是使用者眼中的高昂價格，是車企宣傳的高級配置，還是智駕系統實作的高端功能？
乘聯會的數據顯示，2024年1-6月L2+級輔助駕駛功能在24-40萬元以上的新能源乘用車中的裝車率已達20%-29%，而24萬元以下車型和燃油乘用車的裝車率近乎觸底。
然而，高階智駕的供需關系尚未達到平衡點。
2023年10-20萬元車型銷量占全國乘用車零售量的51%，大規模的市場增長潛力和使用者對於高階智駕技術下放的需求已浮出水面。
在車圈價格戰激戰正酣的背景下，高階智駕「高」不可攀的固有印象正在被打破。智駕行業發展路線從人無我有的技術創新轉向打造更具價效比的產品，智駕平權、油電同智或將迎來規模化普及的拐點。
對於使用者而言，智駕系統兼顧「成本可控」和「功能好用」，才是真正值得擁有的高階智駕。智駕技術公司要實作使用者期待，其難點在於如何達成高階智駕軟硬體的降本增效，並且透過大規模量產來搭建智駕數據閉環，不斷最佳化叠代智駕體驗。
作為奇瑞汽車旗下的自動駕駛科技公司，大卓智慧在推動智駕平權中給出的「解題之法」，即是透過技術創新來最佳化高階智駕的軟硬體方案，為使用者帶來極具智價比的高階智駕系統，同時，透過搭建數據閉環平台驅動持續OTA，不斷提升使用者體驗。
極具智價比的大卓高階智駕方案
相較於基礎的L2級輔助駕駛功能而言，領航輔助駕駛（NOA）的套用場景更復雜，需要搭載更多的傳感器和更高算力的芯片，上車成本更高。高端車型在卷智慧化的同時，常常標榜其擁有的冗余算力和超前堆疊的傳感器，往往導致成本飆升，形成對普通使用者的價格壁壘。
基於對安全首位的追求，大卓智慧的智駕方案堅持多傳感器融合路線，兼具網路攝影機、雷射雷達和公釐波雷達等多種型別傳感器的優點來實作安全、高效的感知。
同時，根據使用者駕駛場景的實際需求和車型，大卓智慧提供更趨於理性的硬體配置方案，采用精煉的單車傳感器數量搭配適用的車側算力，透過精簡模型結構、提高BEV檢測距離等演算法層面的最佳化，實作整體效能的提升。
大卓智慧基於車雲一體開發平台「卓行平台」研發了無圖/輕圖的高速領航輔助智駕解決方案（大卓高速NOA），基於地平線征程芯片，提供5V5R和7V3R兩種傳感器搭載方案。
透過傳感器融合方案和自研感知演算法，大卓高速NOA實作L2+級別的高速NOA、城市記憶領航、自動泊車APA/RPA和記憶泊車HPA等功能，讓使用者在20萬元內的車型中依然能夠體驗到絲滑流暢的高階智駕體驗，實作極致智價比。
科技平權的背後，離不開大卓對技術方案的探索、叠代和升級
大卓高速NOA采用無圖/輕地圖、重感知路線，以端到端的方式最佳化BEV視覺感知大模型。透過精簡感知模型結構，可以從原始傳感器輸入到BEV特征的生成，同時進行感知任務的學習和強化，提高整個系統的效率和效能。
考慮到高精地圖成本昂貴、更新效率低下等特點，智駕行業逐漸走向無圖化，正向推動智駕平權的實作。
大卓高速NOA采用無圖/輕圖方案，更加註重提升車輛自身的感知和決策能力，透過視覺感知演算法完成通用障礙物檢測、異形障礙物辨識、車道線辨識、可行駛路徑規劃等功能，實作NOA在高速高架場景的落地。在更多非高精地圖覆蓋的區域，大卓高速NOA也能啟用，進一步提升城市泛化速度和迅速更新能力。
高階智駕功能好用才是王道
遇到高精地圖不覆蓋或者臨時施工的高速路段，視覺感知能力弱的高階智駕方案往往不得不降級或接管，讓使用者的使用連續性體驗大打折扣，也增加接管不及時的危險性。
經過大裏程的實車測試後，大卓高速NOA透過強大且持續叠代的BEV視覺感知能力，來提升車輛透過道路的連續性。
面對匝道匯入路口中交叉縱橫的混亂車道線，大卓高速NOA的BEV成功感知到最新的車道線邊線，完成了一次老司機般嫻熟的通行表現，順利匯入主路。
面對不同難度的智慧駕駛場景，大卓高速NOA采用靈活的處理策略來給予使用者安全和高效的高階智駕體驗：
在車輛加塞、自動變道等高頻場景中，智駕系統表現得絲滑流暢，兼具通行效率和舒適感；
在自動上下匝道、混亂車道線等較高難度場景中，則表現得更加擬人，註重安全；
在應對車輛加塞時，大卓高速NOA能夠預判周圍車輛的壓線動作，及時流暢地加減速，避免了急剎車和猛打方向盤等動作，保障行車安全和車內人員的舒適感。
大規模數據閉環持續最佳化智駕體驗
隨著自動駕駛從規則驅動轉向數據驅動，如何構建高效的數據閉環平台，合理控制在後續功能叠代上的開發效率及成本，成為實作高階智駕技術平權、油電同智的重要一環。
依托於奇瑞的近1500萬使用者，大卓智慧建立了全球共享的數據平台，持續在智駕數據采集、資料探勘和模型訓練等方面充分利用奇瑞的數據優勢，將百萬量級智駕數據回環形成全球一朵雲的雲數平台。預計2024年智駕裏程達到8億公裏，2025年達39億公裏。
大卓智慧在今年進行了雲端AI大模型數據閉環工具的搭建，叠代周期按周更新；透過采集海量的場景數據，不斷驅動演算法訓練，真正推動使用者層面的智駕體驗最佳化；同時，透過收集更多的corner case，更好地解決阻礙高階智駕落地的1%長尾問題，推動智駕平權、油電同智的實作。
