加速高阶智驾平权油电同智，大卓智能无图高速NOA杀入13万级车型

高阶智驾，究竟“高”在哪？是用户眼中的高昂价格，是车企宣传的高级配置，还是智驾系统实现的高端功能？

乘联会的数据显示，2024年1-6月L2+级辅助驾驶功能在24-40万元以上的新能源乘用车中的装车率已达20%-29%，而24万元以下车型和燃油乘用车的装车率近乎触底。

然而，高阶智驾的供需关系尚未达到平衡点。

2023年10-20万元车型销量占全国乘用车零售量的51%，大规模的市场增长潜力和用户对于高阶智驾技术下放的需求已浮出水面。

在车圈价格战激战正酣的背景下，高阶智驾“高”不可攀的固有印象正在被打破。智驾行业发展路线从人无我有的技术创新转向打造更具性价比的产品，智驾平权、油电同智或将迎来规模化普及的拐点。

对于用户而言，智驾系统兼顾「成本可控」和「功能好用」，才是真正值得拥有的高阶智驾。智驾技术公司要实现用户期待，其难点在于如何达成高阶智驾软硬件的降本增效，并且通过大规模量产来搭建智驾数据闭环，不断优化迭代智驾体验。

作为奇瑞汽车旗下的自动驾驶科技公司，大卓智能在推动智驾平权中给出的「解题之法」，即是通过技术创新来优化高阶智驾的软硬件方案，为用户带来极具智价比的高阶智驾系统，同时，通过搭建数据闭环平台驱动持续OTA，不断提升用户体验。

极具智价比的大卓高阶智驾方案

相较于基础的L2级辅助驾驶功能而言，领航辅助驾驶（NOA）的应用场景更复杂，需要搭载更多的传感器和更高算力的芯片，上车成本更高。高端车型在卷智能化的同时，常常标榜其拥有的冗余算力和超前堆叠的传感器，往往导致成本飙升，形成对普通用户的价格壁垒。

基于对安全首位的追求，大卓智能的智驾方案坚持多传感器融合路线，兼具摄像头、激光雷达和毫米波雷达等多种类型传感器的优点来实现安全、高效的感知。

同时，根据用户驾驶场景的实际需求和车型，大卓智能提供更趋于理性的硬件配置方案，采用精炼的单车传感器数量搭配适用的车侧算力，通过精简模型结构、提高BEV检测距离等算法层面的优化，实现整体性能的提升。

大卓智能基于车云一体开发平台“卓行平台”研发了无图/轻图的高速领航辅助智驾解决方案（大卓高速NOA），基于地平线征程芯片，提供5V5R和7V3R两种传感器搭载方案。

通过传感器融合方案和自研感知算法，大卓高速NOA实现L2+级别的高速NOA、城市记忆领航、自动泊车APA/RPA和记忆泊车HPA等功能，让用户在20万元内的车型中依然能够体验到丝滑流畅的高阶智驾体验，实现极致智价比。

科技平权的背后，离不开大卓对技术方案的探索、迭代和升级

大卓高速NOA采用无图/轻地图、重感知路线，以端到端的方式优化BEV视觉感知大模型。通过精简感知模型结构，可以从原始传感器输入到BEV特征的生成，同时进行感知任务的学习和强化，提高整个系统的效率和性能。

考虑到高精地图成本昂贵、更新效率低下等特点，智驾行业逐渐走向无图化，正向推动智驾平权的实现。

大卓高速NOA采用无图/轻图方案，更加注重提升车辆自身的感知和决策能力，通过视觉感知算法完成通用障碍物检测、异形障碍物识别、车道线识别、可行驶路径规划等功能，实现NOA在高速高架场景的落地。在更多非高精地图覆盖的区域，大卓高速NOA也能启用，进一步提升城市泛化速度和迅速更新能力。

高阶智驾功能好用才是王道

遇到高精地图不覆盖或者临时施工的高速路段，视觉感知能力弱的高阶智驾方案往往不得不降级或接管，让用户的使用连续性体验大打折扣，也增加接管不及时的危险性。

经过大里程的实车测试后，大卓高速NOA通过强大且持续迭代的BEV视觉感知能力，来提升车辆通过道路的连续性。

面对匝道汇入路口中交叉纵横的混乱车道线，大卓高速NOA的BEV成功感知到最新的车道线边线，完成了一次老司机般娴熟的通行表现，顺利汇入主路。

面对不同难度的智能驾驶场景，大卓高速NOA采用灵活的处理策略来给予用户安全和高效的高阶智驾体验：

在车辆加塞、自动变道等高频场景中，智驾系统表现得丝滑流畅，兼具通行效率和舒适感；

在自动上下匝道、混乱车道线等较高难度场景中，则表现得更加拟人，注重安全；

在应对车辆加塞时，大卓高速NOA能够预判周围车辆的压线动作，及时流畅地加减速，避免了急刹车和猛打方向盘等动作，保障行车安全和车内人员的舒适感。

大规模数据闭环持续优化智驾体验

随着自动驾驶从规则驱动转向数据驱动，如何构建高效的数据闭环平台，合理控制在后续功能迭代上的开发效率及成本，成为实现高阶智驾技术平权、油电同智的重要一环。

依托于奇瑞的近1500万用户，大卓智能建立了全球共享的数据平台，持续在智驾数据采集、数据挖掘和模型训练等方面充分利用奇瑞的数据优势，将百万量级智驾数据回环形成全球一朵云的云数平台。预计2024年智驾里程达到8亿公里，2025年达39亿公里。

大卓智能在今年进行了云端AI大模型数据闭环工具的搭建，迭代周期按周更新；通过采集海量的场景数据，不断驱动算法训练，真正推动用户层面的智驾体验优化；同时，通过收集更多的corner case，更好地解决阻碍高阶智驾落地的1%长尾问题，推动智驾平权、油电同智的实现。