车企智驾布局关键词：从城市NOA到数据闭环

同样是“智驾”，为什么有的车能在城市里自动变道超车，有的却只能上高速？背后是一堆术语在定义能力边界。

感知与地图：城市NOA、高精地图、BEV与Transformer

这是目前车企智驾布局的“标配”卖点。指车辆可以在城市道路实现点到点自动行驶，包括识别红绿灯、无保护转弯、避让行人等。实现城市NOA的核心难题在于城市路况复杂，所以它也是区分智驾水平的分水岭。

早期智驾依赖厘米级高精地图，但更新慢、成本高。2025年后，多家车企转向“轻地图”乃至“无图”方案，依靠实时感知模型（如BEV）来理解道路结构。高精地图仍用于超视距信息，但不再是少有的依靠。

区别于传统的“感知-决策-控制”分模块，端到端模型用一个大型神经网络直接从传感器输入映射到驾驶命令，减少中间信息损失。2026年，多家车企已量产基于大模型的端到端系统，但可解释性和安全验证仍是难点。

智驾系统需要海量驾驶数据来训练模型。数据闭环指从真实路采或仿真中收集corner case（极端场景），筛选、标注后注入训练集，再用OTA更新到车辆，形成“采集-训练-部署-采集”循环。数据闭环的效率直接决定智驾迭代速度。

在车辆正常行驶时，智驾系统在后台“偷偷”运行，但不干预驾驶，而是对比人类驾驶员的操作来判断自己是否正确。一旦发现差异，就记录场景上传云端用于训练。影子模式是低成本收集训练数据的常见手段。

智驾芯片的计算能力用TOPS（万亿次运算/秒）衡量。主流智驾平台算力从数十TOPS到上千TOPS不等。高算力不仅用于运行大模型，还用于传感器数据处理和冗余验证。但算力不是少有的指标，算法效率和内存带宽同样关键。

为应对未来OTA升级后的更高阶功能，车企在硬件上提前部署高性能芯片、多传感器和冗余线控系统。例如2026年的新车可能预埋L4级硬件，待法规和软件成熟后通过OTA解锁。这种方式降低用户换车成本，也考验车企的硬件生命周期规划。

早期智驾采用分布式ECU，各自处理单一功能。现在趋势是整合为中央计算平台：一个高性能芯片统一处理智驾、座舱、车身控制等任务，实现降本增效。域控制器则是按功能域（如智驾域、座舱域）集中，属于中间形态。

为满足功能安全，智驾系统需在制动、转向、供电、通信等关键环节有两套独立备份。例如：双制动踏板传感器、双供电回路。冗余设计是L3级以上智驾的强制性要求，也是车企展示安全理念的核心指标。

早期需要，但2025年后很多车企采用轻地图方案，依靠BEV和实时感知理解道路，高精地图作为补充信息。

BEV是目标鸟瞰视角的表示方法，Transformer是用于融合多传感器特征并生成BEV的常用神经网络结构。

优点：信息传递损失小、上限高；缺点：可解释性差、安全验证难度大，需要海量高质量数据。

因为智驾系统需要持续从真实场景中学习corner case，数据闭环能加速模型迭代，缩小算法与人类驾驶的差距。

取决于软件研发进度和法规完善程度，通常在购车后1-2年内通过OTA推送升级，但实际体验因车企而异。

中央计算平台是更集成化的架构，将多个域融合到一个芯片，成本更低、通信延迟更小；域控制器是过渡方案，目前两者并存。

确保单点故障不导致系统失效，满足L3及以上级别的功能安全要求，是车企证明系统可靠性的关键设计。