哥們兒們，現在是凌晨1點12分，剛從公司加班回來，躺床上刷到小鵬的Iron機器人和特斯拉FSD V13的新聞，實在忍不住想跟大家聊聊自動駕駛這攤子事。這兩天行業里又炸鍋了，正好趁著還沒困，給大家掰扯掰扯。

先說說這周發生了啥（11月初行業動態）

小鵬剛發布的Iron人形機器人，說實話我一開始以為又是PPT產品，結果看完發布會直播，這玩意兒的運動控制算法和特斯拉Optimus有得一拼了。關鍵是何小鵬說要把機器人的路徑規劃算法反哺到自動駕駛上，這思路其實挺野的。

另一邊，特斯拉的FSD V13據說在美國已經開始小規模推送，端到端神經網絡這條路馬斯克是鐵了心要走到黑。國內呢，華為ADS 3.0也在搞城區NCA（領航輔助駕駛），小米SU7的自動泊車據說比理想還絲滑。

行業現狀就是：大家都在憋大招，誰也不服誰。

自動駕駛技術演進史（不是教科書那套）

咱們不扯SAE分級那套官方話術了，我就說說技術路線是怎么一步步走過來的。

2010年前后，Google的Waymo前身剛開始搞的時候，那會兒激光雷達貴得離譜，一個Velodyne 64線的要7-8萬美刀。當時的思路很簡單粗暴：高精地圖+激光雷達+規則式決策。說白了就是把地圖畫得巨細無比詳細，車按圖索驥開。

2015-2018年，深度學習爆發，大家開始玩視覺感知。Mobileye搞出了EyeQ系列芯片，特斯拉開始all in純視覺方案。這個階段的關鍵詞是多傳感器融合、高精地圖依賴、模塊化架構。

2019-2022年，端到端（End-to-End）架構開始露頭。特斯拉的FSD Beta就是典型代表，一個大模型從攝像頭圖像直接輸出方向盤角度和油門剎車。國內的毫末智行、小鵬也在跟進。

2023年至今，大模型時代來了。Transformer架構、BEV（Bird’s Eye View鳥瞰圖）感知、占用網絡（Occupancy Network）成了新寵。華為的GOD（通用障礙物檢測）網絡就是這個思路。

核心技術拆解（這才是重點）

1. 感知層：視覺vs激光雷達的終極對決

純視覺派（特斯拉為首）：

優勢：成本低，攝像頭便宜量又足

劣勢：對光照、惡劣天氣敏感，測距精度差

核心技術：BEV感知網絡、時序融合、占用網絡預測

說實話，特斯拉的純視覺方案能做到現在這個程度我是服氣的。它的秘密武器是海量數據和影子模式（Shadow Mode）。每天上億英里的真實路況數據喂給神經網絡，這個優勢別家真學不來。

激光雷達派（Waymo、國內新勢力）：

優勢：測距精度高，3D環境建模準

劣勢：貴，激光雷達雖然降價了但還是比攝像頭貴得多

核心技術：點云語義分割、多傳感器時空對齊、動態障礙物軌跡預測

國內現在主流方案是”1-2個激光雷達+多個攝像頭+毫米波雷達”。理想L9、小鵬G9、蔚來ET7都是這個配置。

2. 決策層：從規則到學習

早期的自動駕駛決策是基于規則的有限狀態機（FSM），簡單說就是if-else堆出來的。現在呢？

**行為預測（Behavior Prediction）**變成了關鍵技術。你得預測周圍車輛、行人下一秒要干啥，這需要：

意圖識別網絡：判斷旁邊車是要并線還是直行

軌跡預測算法：預測未來3-5秒內的可能路徑（多模態輸出）

博弈論決策：跟周圍車”互相試探”，誰先讓誰后走

華為搞的**RCR（Road Cognition and Reasoning道路認知推理）**就在干這個事，通過大模型理解復雜交通場景。

3. 控制層：從PID到MPC

傳統的車輛控制用PID控制器（比例-積分-微分），簡單但效果一般。現在高階自動駕駛都在用MPC模型預測控制：

預測未來N步的車輛狀態

建立優化目標函數（舒適性+安全性+效率）

實時求解最優控制序列

小鵬的”絲滑”感就是MPC調得好，加速度三階導數（Jerk）控制得很細膩。

我們的自動駕駛技術水平現狀（實話實說）

我們強在哪？

1. 工程化能力世界一流

國內從傳感器到芯片到整車OTA，全棧迭代速度吊打海外。小鵬一年能OTA幾十次，特斯拉才幾次？華為ADS從1.0到3.0也就兩年時間。

2. 場景適配能力強

中國的路況復雜度全球第一：加塞、鬼探頭、電動車逆行、三輪車橫沖直撞……國內算法在這種”地獄難度”下訓練出來的，泛化能力其實很強。

3. 激光雷達降本能力

禾賽、速騰聚創把激光雷達成本打到了1000美金以下，這是Velodyne時代不敢想的。機械式激光雷達已經快被淘汰了，現在都在玩OPA光學相控陣和FMCW調頻連續波激光雷達。

我們弱在哪？

1. 芯片算力依然受制于人

英偉達的Orin和Thor，地平線的征程5雖然不錯但算力還是差點意思。華為的MDC（移動數據中心）還行，但也就華為系能用。車規級AI芯片這塊，我們跟英偉達還有1-2代的差距。

2. 端到端大模型訓練能力不足

特斯拉的Dojo超算專門為FSD訓練服務，國內誰有這個財力？小鵬、理想都是租阿里云、華為云的GPU集群訓練，成本高還搶不到卡。

3. 高精地圖政策限制

這個是政策問題。國內高精地圖需要測繪資質，數據不能出境。導致國外的Waymo、Cruise進不來，國內企業出海也費勁。不過現在在搞輕地圖+眾包方案，慢慢在擺脫高精地圖依賴。

政策趨勢和產業展望（干貨）

監管態度：從謹慎到支持

今年（2025年）交通運輸部和工信部聯合發文，允許L3級自動駕駛在特定高速路段商業化運營。這是個信號，說明政策層面開始松綁了。

深圳、廣州、北京已經開放了無人駕駛出租車（Robotaxi）運營牌照。百度蘿卜快跑、小馬智行、文遠知行都在跑真金白銀的商業化。

技術路線分化會更明顯

未來3年，我預測會出現這幾條路線：

1. 特斯拉的純視覺端到端路線

優勢：成本低，可大規模推廣

風險：安全冗余不足，事故責任認定難

2. 華為/小鵬的多傳感器融合路線

優勢：感知可靠性高，符合中國路況

風險：成本下不來，普通消費者買不起

3. Waymo的高配Robotaxi路線

優勢：技術最成熟，安全性最高

風險：成本太高，只能做出行服務

商業化落地場景預測

2026年前：

高速NOA（Navigate on Autopilot）成標配

城區領航輔助在一二線城市普及

L3級自動駕駛開始量產（理想、小鵬、華為問界都在憋大招）

2027-2028年：

Robotaxi在北上廣深規?；\營

自動駕駛卡車在港口、礦區、高速物流場景商用

自動代客泊車（AVP）成為購車標配功能

2030年后：

L4級自動駕駛乘用車開始量產（限定區域）

傳統駕校業務量斷崖式下跌

出現首例”自動駕駛原住民”（沒考過駕照的年輕人）

技術壁壘到底在哪？（最核心的部分）

很多人以為自動駕駛就是堆傳感器+跑算法，其實不是。真正的壁壘在這幾個地方：

1. Corner Case（長尾場景）處理能力

99%的場景都好解決，但剩下1%的極端情況要了老命：

塑料袋在路上飛，是剎車還是碾過去？

前車突然急剎，后面大貨車剎不住了，怎么辦？

隧道里突然從強光進入黑暗，攝像頭”失明”2秒怎么辦？

特斯拉的影子模式就是在收集這些Corner Case。國內車企沒這個數據量，只能靠仿真+眾包。

2. 時序信息融合

自動駕駛不是處理單幀圖像，而是要把過去幾秒的信息串起來。時序Transformer、記憶網絡（Memory Network）現在是研究熱點。

華為的GOD 2.0網絡據說用了時空聯合建模，能追蹤5秒前出現過的物體。

3. 泛化能力

在北京訓練的模型，到了深圳可能就翻車。路況、駕駛習慣、交規都不一樣。所以現在都在搞基礎大模型+區域微調的方案。

小鵬的XNGP（全場景智能輔助駕駛）號稱”全國都能用”，背后就是海量城市數據的支撐。

個人看法和碎碎念

寫到這兒已經快2點了，困得不行了，最后說幾句心里話。

自動駕駛這事兒，短期被高估了，長期被低估了。

短期來看，L5級完全自動駕駛（任何場景都不需要人）我覺得10年內看不到。太多技術問題沒解決，政策法規也跟不上。

但長期來看，20-30年后，可能90%的私家車都有L4級自動駕駛能力。那時候”手動駕駛”會變成一種小眾愛好，就像現在玩手動擋車一樣。

中國在這波競爭中，其實是有機會彎道超車的。

不是因為我們技術最強（老實說基礎研究還是美國厲害），而是因為：

市場夠大，數據夠多

政策支持力度大

產業鏈完整，迭代速度快

特斯拉的FSD進不了中國，這給了國內玩家巨大的窗口期。華為、小鵬、理想、蔚來，誰能跑出來就看這兩三年了。

最后說句政治不正確的話：

我不覺得自動駕駛會”完全取代”司機。就像自動化生產沒有完全取代工人一樣，會有新的平衡點?？赡芪磥砜ㄜ囁緳C變成了”車隊監控員”，出租車司機變成了”自動駕駛安全員”。

技術進步不是為了淘汰人，而是讓人干更有價值的事。

寫到這里我也快睡著了，總結一下自己的想法吧

自動駕駛技術原理、無人駕駛汽車發展現狀、L3級自動駕駛政策、端到端神經網絡、BEV感知算法、激光雷達vs純視覺方案、華為ADS技術解析、小鵬XNGP測評、特斯拉FSD國內現狀、自動駕駛商業化落地、Robotaxi運營牌照、高精地圖政策限制、車規級AI芯片、占用網絡預測、時序Transformer、Corner Case處理、自動駕駛安全冗余、城區NOA功能、自動代客泊車AVP、自動駕駛未來趨勢

好了，真的要睡了，眼睛都睜不開了。有啥想討論的咱們評論區見，我明天（今天？）白天有空會回復。

各位晚安，不對，早安？

原創文章，作者：David Tao Fans，如若轉載，請注明出處：https://www.key-iot.com.cn/drive/841.html

審核編輯 黃宇