第28章：新势力与传统车企 - 中国自动驾驶的多元化探索

"在自动驾驶的赛道上，新势力的激进创新与传统车企的稳健转型正在交织出中国特色的技术路径。" - 2024年产业观察

28.1 理想AD Max - 全栈自研的务实路线

28.1.1 从辅助驾驶到AD Max的技术跃迁

理想汽车的自动驾驶发展呈现出明显的"后发制人"特征。2021年发布理想ONE时，仅配备基础的L2级辅助驾驶功能，依赖Mobileye EyeQ4方案。但从2022年L9开始，理想展现出强大的技术追赶能力。

理想自动驾驶技术演进路线：

2021 理想ONE
├─ Mobileye EyeQ4 (2.5 TOPS)
├─ 1前视摄像头 + 4环视 + 12超声波
├─ 基础ACC + LKA功能
└─ 供应商黑盒方案

2022 L9/L8/L7 (AD Max)
├─ 双NVIDIA Orin-X (508 TOPS)
├─ 1激光雷达 + 11摄像头 + 12超声波 + 5毫米波
├─ 全栈自研感知算法
└─ 高速NOA + 城市NOA规划

2023-2024 AD Max 3.0
├─ BEV感知 + Occupancy Network
├─ Transformer架构重构
├─ 无高精地图城市NOA
└─ 端到端规划探索

28.1.2 双Orin架构的算力设计哲学

理想AD Max采用双NVIDIA Orin-X芯片，总算力达508 TOPS，这种设计体现了独特的工程思考：

算力分配策略：

Orin-X #1 (254 TOPS)          Orin-X #2 (254 TOPS)
┌──────────────────┐          ┌──────────────────┐
│  主感知处理       │          │  冗余+增强处理    │
├──────────────────┤          ├──────────────────┤
│ • BEV特征提取     │          │ • 激光雷达处理    │
│ • 多相机融合      │          │ • 时序融合        │
│ • 2D/3D检测       │          │ • 占据网络        │
│ • 车道线识别      │          │ • 安全冗余        │
└──────────────────┘          └──────────────────┘
         ↓                              ↓
    主感知输出                    增强感知输出
         └──────────┬──────────┘
                    ↓
              规划决策模块

这种双芯片架构不仅提供算力冗余，更重要的是实现了任务级别的并行处理，大幅提升了系统实时性。

28.1.3 融合感知的工程实践

理想的传感器配置体现了"实用主义"：

传感器布局与功能映射：

车顶激光雷达 (128线)
├─ 远距离障碍物检测 (150m)
├─ 高精度3D建图
└─ 恶劣天气补充

前向主摄 (800万像素)
├─ 远距离目标检测 (250m)
├─ 车道线识别
└─ 交通标志识别

侧向摄像头 (4个)
├─ 并线场景覆盖
├─ 十字路口感知
└─ 侧方车辆跟踪

环视摄像头 (4个)
├─ 近距离360°覆盖
├─ 泊车场景感知
└─ 低速行人检测

28.1.4 BEV感知落地实践

理想在2023年推出的AD Max 3.0中，全面采用BEV感知架构：

BEV特征提取流程：

多视角图像输入
     ↓
2D特征提取 (ResNet50 backbone)
     ↓
视角转换 (LSS/Lift-Splat-Shoot)
     ↓
BEV特征空间 (200m × 200m, 0.5m分辨率)
     ↓
多任务头输出：
├─ 3D目标检测
├─ 语义分割
├─ 可行驶区域
└─ 动态占据栅格

关键技术指标：

BEV空间范围：200m × 200m
栅格分辨率：0.5m
时序融合帧数：8帧
推理延迟：< 100ms
检测类别：15类动态目标 + 20类静态目标

28.1.5 城市NOA的渐进式落地

理想的城市NOA采用"通勤模式"策略，优先覆盖用户高频使用路线：

城市NOA功能演进：

2023 Q3: 高速NOA
├─ 覆盖全国高速公路
├─ 自动变道超车
└─ 匝道通行

2023 Q4: 城市NOA试点
├─ 北京/上海先行
├─ 依赖轻地图
└─ 简单路口通行

2024 Q2: 全国城市NOA
├─ 无图方案
├─ 复杂路口处理
├─ 通勤模式优化
└─ 端到端规划升级

28.2 蔚来NAD/NOP+ - 多传感器融合的豪华路线

28.2.1 Aquila超感系统架构设计

蔚来的Aquila超感系统代表了当前量产车中最激进的硬件配置：

传感器配置矩阵：

传感器类型        数量    规格                   覆盖范围
─────────────────────────────────────────────────────
激光雷达          1      1550nm, 300m           前向远距
800万像素摄像头   7      120° FOV              360°中远距
300万像素摄像头   4      180° FOV              360°环视
毫米波雷达        5      79GHz, 250m          360°盲区
超声波雷达        12     5m                    近距泊车
V2X通信单元       1      C-V2X                 500m通信
─────────────────────────────────────────────────────
总计             33个传感器

28.2.2 四Orin芯片的算力冗余设计

蔚来采用4颗NVIDIA Orin-X芯片，总算力达1016 TOPS，这是目前量产车中的最高配置：

四芯片任务分配架构：

┌─────────────────────────────────────────────┐
│            ADAM 超算平台                      │
├─────────────────────────────────────────────┤
│ Orin-X #1: 主感知处理 (254 TOPS)             │
│ ├─ 多摄像头图像处理                           │
│ └─ BEV特征生成                               │
│                                              │
│ Orin-X #2: 激光雷达与融合 (254 TOPS)         │
│ ├─ 点云处理与分割                             │
│ └─ 多传感器融合                              │
│                                              │
│ Orin-X #3: 规划决策 (254 TOPS)               │
│ ├─ 轨迹规划                                  │
│ └─ 行为决策                                  │
│                                              │
│ Orin-X #4: 安全冗余 (254 TOPS)               │
│ ├─ 影子模式验证                              │
│ └─ 故障切换备份                              │
└─────────────────────────────────────────────┘

这种设计不仅是算力的简单堆叠，更重要的是实现了：

功能安全冗余：任意芯片故障不影响基础功能
算法并行化：不同任务独立运行，降低延迟
未来扩展性：预留算力支持OTA升级新功能

28.2.3 NOP+的技术实现

NOP+ (Navigate on Pilot Plus) 是蔚来当前的主力辅助驾驶系统：

NOP+核心能力：

高速领航
├─ 自动进出匝道
├─ 智能变道超车
├─ 拥堵跟车
└─ 施工区域通行

城区领航
├─ 红绿灯识别通行
├─ 环岛处理
├─ 无保护左转
└─ 行人/非机动车避让

增强感知
├─ 恶劣天气适应
├─ 夜间场景优化
├─ 施工改道识别
└─ 异形车辆识别

28.2.4 NAD的完全自动驾驶愿景

NAD (NIO Autonomous Driving) 代表蔚来的L4级自动驾驶目标：

NAD技术路线图：

2024-2025: NAD城市领航
├─ 点到点自动驾驶
├─ 复杂城市场景
└─ 用户接管率 < 0.5次/100km

2025-2026: NAD增强
├─ 零接管体验
├─ 全天候能力
└─ 跨城长途自动驾驶

2026+: NAD L4
├─ 特定场景无人驾驶
├─ 自动召唤
└─ 共享Robotaxi试点

28.2.5 欧洲市场的本土化挑战

蔚来在欧洲市场面临独特的技术适配挑战：

欧洲适配关键问题：

交通规则差异：环岛规则、优先权规则差异
道路标识系统：路牌样式、车道标线规范不同
法规要求：GDPR数据合规、ECE R79转向法规
地图数据：HERE地图适配、本地化POI

28.3 毫末智行DriveGPT - 数据智能驱动

28.3.1 从长城孵化到独立发展

毫末智行的发展路径展现了中国自动驾驶公司的典型成长模式：

毫末智行发展历程：

2019.11 成立
└─ 长城汽车内部孵化

2021.2 独立运营
├─ A轮融资10亿元
└─ 保留长城核心客户

2022.9 DriveGPT发布
├─ 业内首个生成式大模型
└─ MANA数据智能体系

2023-2024 规模化落地
├─ 搭载车型超15款
├─ 辅助驾驶里程超3000万公里
└─ 末端物流车量产

28.3.2 DriveGPT雪湖·海若架构

DriveGPT代表了毫末在生成式AI方向的探索：

DriveGPT模型架构：

┌──────────────────────────────────┐
│     DriveGPT 雪湖·海若            │
├──────────────────────────────────┤
│  感知大模型 (70亿参数)            │
│  ├─ 视觉Transformer backbone     │
│  ├─ 多模态特征融合               │
│  └─ 自监督预训练                 │
│                                  │
│  认知大模型 (120亿参数)           │
│  ├─ 场景理解与推理               │
│  ├─ 交互预测                     │
│  └─ 决策规划                     │
│                                  │
│  数据引擎                         │
│  ├─ 4000万公里数据               │
│  ├─ 自动标注系统                 │
│  └─ 场景挖掘与生成               │
└──────────────────────────────────┘

28.3.3 MANA数据智能体系

MANA (毫末AI Native Architecture) 是毫末的核心技术体系：

MANA五大能力：

1. 数据采集与标注
   ├─ 影子模式数据收集
   ├─ 自动标注准确率>95%
   └─ 困难场景主动挖掘

2. 模型训练优化
   ├─ 分布式训练框架
   ├─ 模型压缩与量化
   └─ 边缘端部署优化

3. 仿真验证
   ├─ 数据驱动仿真
   ├─ 对抗场景生成
   └─ 闭环验证系统

4. 算力基础设施
   ├─ 智算中心MANA OASIS
   ├─ 670 PFLOPS训练算力
   └─ 云边协同架构

5. 持续迭代
   ├─ OTA快速迭代
   ├─ A/B测试框架
   └─ 用户反馈闭环

28.3.4 成本优化的极致追求

毫末在成本控制方面的创新值得关注：

三代HPilot成本演进：

HPilot 1.0 (2021)
├─ 成本：~5000元
├─ 1个前视摄像头
└─ EyeQ4芯片

HPilot 2.0 (2022)
├─ 成本：~8000元
├─ 5个摄像头
└─ 地平线J3芯片

HPilot 3.0 (2023)
├─ 成本：<3000元
├─ 纯视觉方案
├─ 高通8155芯片
└─ 极致算法优化

通过算法优化，毫末实现了在消费级芯片上运行高级辅助驾驶功能。

28.3.5 末端物流的自动驾驶布局

毫末在末端物流领域的探索代表了另一条商业化路径：

小魔驼产品矩阵：

小魔驼2.0
├─ L4级自动驾驶
├─ 载重100kg
├─ 续航100km
├─ 成本<10万元
└─ 美团/京东合作

小魔驼3.0
├─ 载重提升至150kg
├─ 多温区设计
├─ 群体协同能力
└─ 规模化运营

28.4 传统车企的智驾转型 - 比亚迪/吉利/长城

28.4.1 比亚迪：从DiPilot到天神之眼

比亚迪的自动驾驶发展展现了垂直整合的优势：

比亚迪智驾技术演进：

2020-2022: DiPilot
├─ 基础L2功能
├─ 依赖供应商方案
└─ 成本优先策略

2023: DiPilot 100/300
├─ 引入地平线芯片
├─ 高速NOA功能
└─ 10万级车型普及

2024: 天神之眼
├─ 自研视觉架构
├─ 激光雷达上车(高端)
├─ 城市NOA布局
└─ 端到端探索

技术特点：
• 垂直整合：从芯片到整车
• 规模优势：年销300万辆数据
• 成本控制：L2功能下探至10万级

28.4.2 吉利：SEA浩瀚架构的智驾布局

吉利通过SEA架构实现了智驾能力的平台化：

SEA浩瀚智驾能力：

硬件预埋
├─ 支持34个传感器
├─ 预留1000+ TOPS算力
├─ 千兆以太网骨干
└─ 域控制器架构

软件能力
├─ GEEA 2.0电子架构
├─ OTA全域升级
├─ 多品牌共享(极氪/领克/smart)
└─ 生态开放平台

合作策略
├─ Mobileye: 基础ADAS
├─ Waymo: L4技术合作
├─ 英伟达: 高端方案
└─ 自研: 核心算法

28.4.3 长城：从咖啡智驾到全栈自研

长城汽车展现了从外购到自研的转型决心：

长城智驾发展路径：

阶段一：供应商集成 (2018-2020)
└─ Mobileye/博世方案

阶段二：联合开发 (2021-2022)
├─ 与毫末深度合作
└─ 咖啡智驾平台

阶段三：全栈自研 (2023-)
├─ 自研感知算法
├─ 自建数据中心
├─ 魏牌/坦克高端突破
└─ 哈弗大众普及

28.4.4 传统车企的共同挑战与机遇

挑战矩阵：

技术挑战
├─ 软件能力积累不足
├─ 组织转型阻力大
├─ 人才争夺激烈
└─ 研发投入压力

机遇空间
├─ 庞大用户基础
├─ 完整供应链掌控
├─ 品牌信任优势
└─ 全球化布局能力

转型策略
├─ 自研+合作并行
├─ 高端突破+大众普及
├─ 数据驱动迭代
└─ 生态开放合作

28.5 技术对比与产业启示

28.5.1 新势力vs传统车企技术路线对比

| 维度 | 新势力 | 传统车企 |

维度	新势力	传统车企
研发模式	全栈自研为主	供应商合作为主
迭代速度	月度OTA	季度/年度更新
成本策略	高配置高溢价	成本优化规模化
用户定位	科技尝鲜者	大众市场
数据规模	10-50万辆	100-300万辆
算力配置	500-1000 TOPS	100-300 TOPS

28.5.2 关键成功因素分析

成功要素权重分析：

算法能力 (30%)
├─ 感知精度
├─ 规划智能
└─ 端到端能力

工程能力 (25%)
├─ 系统集成
├─ 软硬协同
└─ 量产落地

数据闭环 (20%)
├─ 数据规模
├─ 标注效率
└─ 场景覆盖

成本控制 (15%)
├─ BOM成本
├─ 研发效率
└─ 规模效应

用户体验 (10%)
├─ 功能可用性
├─ 交互设计
└─ OTA升级

28.5.3 未来发展趋势预判

2025-2026年关键趋势：

技术趋同：头部玩家技术差距缩小，体验趋同
成本下探：L2+功能下探至15万级别车型
端到端普及：模块化向端到端全面转型
数据为王：数据规模和质量成为核心竞争力
生态整合：独立算法公司被整合或转型

28.6 本章小结

新势力与传统车企在自动驾驶领域的竞争与合作，正在塑造中国智能汽车产业的独特格局。理想展现了后发追赶的可能性，蔚来坚持高端豪华路线，毫末探索数据智能驱动，而传统车企则在规模化和成本控制上展现优势。

这种多元化的技术探索，不仅推动了技术快速迭代，也为全球自动驾驶发展贡献了"中国方案"。未来，随着技术成熟和成本下降，自动驾驶将从少数人的"尝鲜"变成多数人的"日常"。

下一章：第29章 L4公司转型之路