距離上次，長城汽車毫末城市NOA的城再处理發布，過去22個月之後，放城复杂長城汽車最近的市N上华一次內部發布會上，泄露了無圖NOA功能的月长已追測試視頻。 同時，城再处理長城汽車首席技術官王遠力也在微博上官宣了城市NOA的放城复杂功能，並且公布了發布會上的市N上华視頻。

新能源汽車的月长已追下半場，拚的城再处理就是智能化水平。在接下來的放城复杂市場競爭中，智能駕駛將會成為車企之間競爭的市N上华一個比較主要的分支，做好這一環，月长已追重要性不亞於做好三電係統。城再处理長城汽車雖然現在還沒正式公布，放城复杂但已經有無圖NOA智能駕駛的測試視頻泄露出來，第一款應用的車很可能是魏牌藍山，北京車展可能會亮相。

現階段，包括小鵬、華為、蔚來等車企，都開始更專注的去做無圖NOA的智能駕駛功能，之後像長城汽車的加入，其實並不足為奇。但讓人感到好奇的，更應該是長城汽車如何做好的無圖NOA，又能實現怎樣的功能。

另外，最核心的一個點，長城汽車的無圖NOA能力，能否排到智能駕駛領域的前排？

長城無圖NOA，實現了什麽？

先把供應商這事聊明白，很大概率啟用了新的供應商來實現的無圖NOA能力，暫時是沒有使用毫末智行的整套係統方案，做排除法的話，除了華為和百度之外，最有可能的是大疆的城區NOA功能，是有激光雷達的方案，純是為了搶2024年的智能駕駛風口。

從視頻中看得出來，的確是真無圖方案，能看到雷達掃描後的建模生成。硬件層麵，長城是重感知方案的，所以大概率不會用純視覺方案，應該會擁有至少一顆激光雷達（可能是禾賽提供的激光雷達產品）；芯片平台，成熟的Orin-X芯片（可能是雙芯片配置，508TOPS算力），是首選。這套硬件的組合，是目前比較流行的配置。

具體功能的實現邏輯，還是熟悉的BEV感知+ Transformer技術架構的深層學習能力。簡言之，靠激光雷達+攝像頭以及其他雷達組合，來實現路況的信息收集，形成2D和3D的感知；通過這些感知數據，再結合大模型的數據處理，最後給出正確的判斷和決策，從而實現了無圖NOA的功能。

然後，從泄露出來的有限的測試視頻中，我們大概看到了幾個功能。

首先，第一個核心是在六道口的十字路口，完成多個路口情況下的判斷，而且完成左轉同行的功能；第二個場景，是在城區中的複雜路段，周邊有行人、電動車、占道車輛的情況下，可以準確識並且繞行通過；第三個場景，是在狹窄道路且無標識路段，完成左右轉彎；第四個場景，做好了應對冰雪路麵的工況（四驅能力）。

聊聊對以上功能的一些看法。

第一個功能，六道口的十字路口能夠準確的判斷行駛路線的能力，說明了它的感知硬件和軟件算法默契程度很好，而且深度學習能力已經沉澱了一段時間才可以解決好複雜路口的通行能力。尤其是在無圖的條件下，由於沒有高精地圖，是無法根據導航信息判斷，哪條車道行駛過去式逆行的狀態，所以在無圖的情況下能解決好複雜路口工況下的NOA功能，這一點值得肯定。

但還是要留個疑問，這種能力，是否在每一個複雜路口都能好用，例如車道線不清晰、無信號燈路口等情況下。

之後的兩個功能，一個是城區複雜路段（路況信息複雜且隨機）、另一個是狹窄路段且無標識。這兩個功能通過視頻中的測試表現來看，長城汽車的無圖NOA調的相對保守。首先，在第一個工況下，複雜鬧市區，車輛行駛速度非常低，而且在前方有電動車的情況下沒有選擇超車，而是低速跟隨。第二個工況下，低速跟隨依舊是首選。

如果真實推送之後，能保持這種使用效果，也還算及格的水平，畢竟第一次嚐試，保守的調校風格是可以接受的。

值得肯定的一個點，在應對鄉村、農村有類似於集市的複雜路口情況下（人多、車多、無標識）的處理能力很好，這裏應該是吃了高算力的紅利。

技術水平，符合第一梯隊標準？

綜合以上硬件使用情況，以及功能實現情況來看，甚至已經基本擁有了不錯的城市NOA能力。硬件水平和大體實現的功能來說，表現不錯，雖然城市NOA整體調的偏保守，但看的出大模型的學習能力不錯，至少肯定不是初期的效果。

那麽，是否符合主流水平？

參考現階段比較主流的華為ADS 2.0的城區NCA功能，它整體大麵的功能成熟度比較高，像城區複雜路況、郊區窄道行駛以及複雜路口的這些功能都有，也是用的BEV感知+ Transformer技術架構深層學習能力來實現的。

說實話，2024年想要做一套成熟可靠的無圖城市NOA，不再是難事，邏輯已經跑通、硬件水平都差不多一個級別（無非就是算力高低，激光雷達線束的比拚而已）。但，想要做到好用，就得在細節上下功夫，智能駕駛接管率、流暢度、舒適度這兩個層麵，將會是接下來智能駕駛層麵用戶們需要考量的兩個點。

先說接管率，長城的無圖NOA隻是短暫的測試視頻，沒能挖掘到太多的關於接管的信息。但，就算是現在比較成熟的華為ADS 2.0係統，在實際駕駛的時候也需要在複雜路況下偶爾的接管車輛駕駛。

不過從測試視頻來看，智能駕駛沒能把速度提起來的原因，可能也是為了保證讓駕駛員盡可能少的去接管，例如低速跟隨、在條件充足的情況下才敢超車，就是為了留給係統更多做決策的時間。

之後，還要考慮舒適度。

例如，在路口的刹停，是否會提前減速，如果智駕係統在通過的時候提前減速，雖然隻是一個小小的動作，但是會大大提升駕駛員對智駕的信任感和好感，這裏需要考驗的是AEB的設定與算法的結合。反之，還有路口的起步階段，之前也曾體驗過其他品牌測試階段的城市NOA功能（部分路段），會有急加速、闖黃燈等情況的發生，而這種體驗，對於車內乘員來說的舒適度不夠友好。

至於流暢度，這裏需要涉及到的因素比較多。降低接管率，也是保證流暢度的一種方法，但這需要慢慢優化才可以實現，一上來就0接管，很難，除非大模型的發展已經到了非常強的水平。但短期來看長城汽車大模型的學習能力，仍然需要積累和沉澱，才能達到更好用的水平。那麽，至少可以做到用起來更像“人在開車”的狀態。

這裏舉個例子，城市NOA在鄉村窄道地圖APP的道路限速更新不及時，然後周圍車輛會不斷超越，這個時候智駕係統會根據周圍車輛的速度，來提高自己的車速，避免被超車的時候帶來風險。這個功能，已經是現階段在其他品牌城市NOA上實現的功能。如果長城的城市NOA也能做出類似的功能，那麽對整個智能駕駛的體驗是很顯著的提升。

最後，關注一下開城率。

現在各家在城市NOA能用、好用的前提下，開始搶占開城，有更多的城市可以用，也就意味著打開了更多城市的市場。長城汽車的智能駕駛硬件，對於開城來說，不難，就算用單Orin-X芯片254TOPS算力，也夠用，更何況有雙Orin-X芯片峰值算力508TOPS，絕對夠用。

前提有了，剩下就要看怎麽解決每一個城市複雜的長尾場景。因為各城市不同設計的路口指引、不同的交通燈信號形狀、不同的交通複雜情況，都在對開城目標提出了更多的挑戰。對此，在基於BEV+Transformer的底層路線下，開城時間基本與學習能力掛鉤，學的越快開城就越快。