[首發于智駕最前沿微信公眾號]隨著智能網聯汽車產業的持續推進，高階智能輔助駕駛正迎來全新的技術拐點。從2023年至2025年，行業已基本完成從高速NOA到城市NOA的演進，具備典型場景高階智能輔助駕駛能力的車型不斷量產落地，自動駕駛的可運營場景逐步從限定區域擴展至泛化場景，且真正朝著全場景D2D（Door-to-Door）邁進。

圖自動駕駛發展路徑，源自：億歐智庫

在此過程中，ODD（Operational Design Domain，運行設計域）的拓展成為關鍵一環，從最初的高速封閉路段逐步拓展至城市道路、泊車場景及低速園區等復雜環境，實現對高精度地圖、高通量計算、高可靠傳感等關鍵環節的協同突破。通過多傳感器融合、感知能力提升以及算法結構優化，整車實現了從路徑規劃到行為決策的連續性升級。中國市場在硬件端不斷下探成本的同時，通過軟件架構模塊化重構與OTA頻繁迭代，持續推動普惠型智能駕駛普及，開啟了10萬元級別車型搭載高階輔助駕駛功能的新時代。

在系統架構層面，當前主流方案普遍采用“云端-邊緣-車端”三級算力傳導路徑，通過不同層級算力的協同，實現數據處理與模型訓練的高效閉環。云端主要承擔模型大規模訓練與仿真測試功能，是算法進化的核心算力中心。以特斯拉為例，其自研的Dojo超算平臺可達到88.5 EFLOPS，為其端到端算法提供了強大訓練支持。在國內，百度、華為等企業也加快了EFLOPS級別超算中心的建設步伐，通過數據集聚與仿真迭代提升系統泛化能力。車端算力平臺則聚焦于推理任務與實時響應，當前主流芯片如英偉達Orin（254 TOPS）、地平線征程5（128 TOPS）、華為MDC 810（400+TOPS）等正快速完成從百TOPS向千TOPS的躍遷。邊緣端作為數據的中間處理層，有效緩解車端計算壓力，并通過高頻OTA形成模型迭代的實時反饋通道。整體來看，算力架構正呈現出由中心化訓練向分布式部署過渡的趨勢，為高頻場景適應與規?；涞靥峁┍Ｕ稀?/p>

圖自動駕駛系統架構演進，源自：億歐智庫

數據體系是高階智能輔助駕駛閉環能力的基礎。系統從早期“硬件感知冗余”逐步演進至“數據驅動閉環”階段，通過提升數據質量與構建高效反饋機制，實現從采集、標注、訓練到部署的全流程協同。長尾場景已成為當前智能輔助駕駛算法能力提升的瓶頸，依靠大模型對復雜場景實現泛化能力的前提是海量、高質量的訓練數據。當前主流路徑是通過事件觸發機制采集長尾數據并上傳至云端，結合閉環標注平臺自動完成數據清洗與樣本優化，并基于MLOps平臺實現多模型迭代與蒸餾部署。多模態傳感器融合也已成為提升感知覆蓋率與魯棒性的主流方案。典型高階系統多搭載8V5R1L或11V5R3L組合（即8個或11個攝像頭、5個毫米波雷達、1個或3個激光雷達），在硬件層面實現高冗余感知能力。與此同時，純視覺方案也在成本敏感市場快速推廣，依托Transformer結構與大模型訓練手段提升語義理解與時空推理能力，降低了激光雷達與高精地圖的依賴。

定位能力的提升亦是高階智能輔助駕駛向城市復雜場景滲透的前提。在系統設計中，已從傳統GNSS單點定位發展為基于GNSS+IMU+視覺SLAM+激光雷達融合的高精度定位方案，并通過多模態數據的實時融合實現復雜環境下的魯棒識別。泛在定位架構成為趨勢，即基于車端感知、自主建圖、V2X等能力構建可脫離高精地圖的實時定位網絡。針對城市環境中隧道、高架、地下車庫等信號弱區，通過構建高置信度先驗模型與局部環境重定位算法，系統能夠在無外部信號支持下完成連續路徑估計與精度恢復，保障城市NOA的可靠運行。

算法結構也在經歷深刻的范式轉換。過去以“感知—預測—規控”串行結構為主的模塊化算法，逐步向端到端（E2E）架構轉變。在特斯拉引領下，端到端算法架構已完成從多階段輸出到矢量空間表達、從規則驅動到大模型感知的多輪升級。當前，國內主流廠商如小鵬、百度Apollo、蔚來等也在推動E2E技術演進。具體路徑就是模塊化結構向“感知-決策-控制”一體化架構升級，通過Transformer+BEV感知空間構建類人駕駛路徑表征模型，實現更高的行為合理性與路徑可解釋性。此外，車端算法正加速向VLA（Vision-Language-Action）結構演進，通過引入語言模型與決策圖譜，使車輛具備復雜語義理解與任務分解能力，開啟從“能動控制”向“認知智能”躍遷的技術路徑。

圖自動駕駛算法結構演進，源自：億歐智庫

為了突破數據成本與長尾場景的訓練瓶頸，“世界模型”在云端訓練中逐漸成為主流。世界模型通過構建可交互的虛擬環境，將真實世界映射為高精度仿真平臺，使得算法能夠在虛擬環境中進行大規模試錯與策略學習，從而大幅降低真實數據采集成本與訓練風險。訓練完成后的模型經由輕量化蒸餾部署至車端，兼顧模型精度與算力約束，構成“云端大模型+車端小模型”的混合智能協作架構。這一結構有效緩解了算力瓶頸問題，并提升系統對未見場景的泛化能力，是推動高階智能輔助駕駛從“感知控制”向“意圖理解”演化的重要技術方向。

從產業形態來看，當前智能輔助駕駛方案呈現三類發展路徑，即軟硬全棧自研、自研+外采、軟硬全外采。全棧自研企業如華為、百度通過芯片、算法、工具鏈與平臺等一體化布局構建閉環體系，實現從數據采集到模型部署的全流程掌控，具備強大的定制化能力與快速迭代機制；自研+外采則通過掌握算法核心并結合第三方芯片與傳感器構建柔性架構，實現研發成本與量產落地的雙平衡；而第三方軟硬外采方案則以輕量化、標準化為主，快速適配整車廠需求，推動中低端車型智能化普及?？傮w來看，方案模式與整車廠技術戰略深度綁定，形成多樣化發展生態。

未來，隨著政策支持日趨明朗、量產路徑日益清晰，以及多家主機廠發布L3及以上級別自動駕駛車型的量產規劃，高階智能輔助駕駛正在加速邁（參數丨圖片）向真正的商業化階段。自動駕駛系統的競爭焦點將進一步聚焦于算法泛化能力、系統魯棒性、模型輕量化與數據閉環效率等核心指標。伴隨車規級大算力芯片、泛在高精度定位網絡以及端云協同算法體系的全面升級，自動駕駛正在從技術試驗走向規模部署，成為未來汽車智能化轉型的關鍵支點。