汽车辅助驾驶遇技术瓶颈　多阶段路径探索破局

（记者　林婉玲）日前，汽车资讯和测试平台“懂车帝”对国内36款车的高等级辅助驾驶功能，在高速和城市的15个场景进行了183次测试，结果表明无一车辆通过所有测试项目，15个场景平均通过率仅为35.74%，其中高速场景通过率为24%，城市场景测试通过率为44.2%，可见，车企以NOA（领航辅助驾驶）为代表的高等级辅助驾驶系统仍不成熟。

（图片来源：摄图网）

政策护航释放市场潜力，千亿规模待启

智能驾驶已然成为全球汽车产业转型升级的核心驱动力。我国在这一赛道上积极布局，从国家战略高度为智能驾驶产业发展铺就道路。此前《交通强国建设纲要》明确提出，要大力发展智能交通，加强智能网联汽车（智能汽车、自动驾驶、车路协同）研发，形成自主可控完整的产业链。这一纲领性文件为智能驾驶产业发展锚定了方向，各地政府与相关部门纷纷响应，一系列细化政策与支持措施密集出台。

如工信部发布的“2025 汽车标准化工作要点”涵盖5个方面23条内容，全方位推动自动驾驶相关标准的制定与实施。在标准制定上，推动自动驾驶设计运行条件、自动泊车、自动驾驶仿真测试等标准批准发布和实施，为行业提供明确规范，让企业在技术研发与产品生产中有章可循；在安全保障方面，加快自动驾驶系统安全要求强制性国家标准研制，构建起自动驾驶系统安全基线，从源头筑牢安全防线，提升消费者对智能驾驶汽车的信任度。

政策的积极引导与支持，正强力推动智能驾驶市场规模呈爆发式增长。根据中国汽车工业协会数据，2023年中国智能驾驶市场规模约为1200亿至1500亿元人民币，占全球市场的30%至35%。到2025年，这一市场规模预计将超过3000亿元人民币，年复合增长率CAGR 约30%至40%。随着L3/L4级自动驾驶技术的商业化落地，市场规模有望进一步扩大。这一趋势反映了智能驾驶技术的市场需求正在不断增加。政策不仅为产业发展营造了良好的政策环境，还吸引了大量资本与创新资源涌入，产业链上下游企业加速布局，推动智能驾驶技术从研发走向大规模商业化应用。

技术瓶颈成 “拦路虎”，商业化落地遇阻

在技术探索之路上，国内部分厂商大力提倡“重感知，轻地图”理念，全力追求“纯视觉”方案。小鹏、华为等厂商推出无图NOA方案，并宣称在全国所有城市（含乡村）均可激活NOA领航，城区大部分场景（＞90%）NOA实现可用。此方案虽在一定程度上降低成本，提升实景建图鲜度，但实则暗藏隐忧。其对感知系统性能提出极高要求，需在每一时刻生成高清图像的同时，对各时刻图像实现精准对齐。在复杂城市环境场景中，缺少真值校验的无图NOA方案可靠性大打折扣，断点巡航等问题频发。

部分国内车企在辅助算法能力有限时，过度追求“低成本”纯视觉方案，更是引发多起事故。如小米安徽高速事故，涉事车辆小米Su7标准版因无三维激光雷达配置，在面对复杂路况时难以精准感知，最终导致事故发生。头部车企理想通过实践得出，激光雷达可将AEB 性能提升至130km/h刹停，相比之下，纯视觉方案则显得力不从心。

同时，智能驾驶迈向高等级，也离不开强大算力支持。然而，云端世界模型训练所需算力成本之高，令多数车企望而却步。高工汽车数据显示，2024年国内仅比亚迪、吉利、长城等少数车企净利润超过100亿元人民币，而小鹏、小米、蔚来等车企仍深陷亏损泥沼。在如此财务状况下，每年维持10亿美元算力投入，无疑是沉重负担，这极大限制了部分车企在高等级辅助驾驶技术研发上的投入与推进速度，使技术商业化落地进程受阻。

高质量数据作为辅助驾驶大模型性能提升的“燃料”，当前却供应不足。国内车企高质量视频片段数据平均不到1000万个，对于长尾问题场景的挖掘远远不够。并且，国内车企还面临数据训练成本高、多模态数据融合难度大、高质量数据少且流通难、车型众多且外形各异、车载传感器系统各不相同等难题，导致数据复用性差。

通过强化学习改善模型性能也困难重重。真实场景中每刻定义的奖励值，有时无法依据历史信息准确预估，致使整体梯度策略存在误差，影响模型推理与决策精度；将世界模型迁移到真实世界时，还会出现泛化“失效”等问题。在高质量数据短缺的情况下，短期内辅助驾驶大模型性能难以达到理想状态，无法充分满足实际应用需求，进而阻碍了辅助驾驶商业化落地步伐。

分阶段破局：短中长期路径锚定未来

短期内，由于国内主流车企单车辅助驾驶“纯视觉”软件算法尚不成熟，为提升系统安全性需配置三维激光雷达，且即便部分车企宣传“无图方案”仍需地图数据作真值参考。因此，车企亟需覆盖范围广、成本低、高频更新的“轻量级”高精地图支撑NOA方案，而GNSS高精度定位技术作为高精地图重要支撑，可助力车辆精准定位，结合地图数据为辅助驾驶系统提供可靠决策依据，实现复杂路况下安全稳定的辅助驾驶功能，提升用户体验。

短中期阶段，为解决车企算力及训练成本难题，需探索高质量数据共享模式。相关部门应统一智能驾驶车辆外形设计标准，减少数据采集与处理复杂性；同时鼓励车企间开展数据交换共享，搭建安全规范的数据共享平台，制定合理规则与激励机制，提高数据复用率。通过共享数据，车企能汇聚多样路况数据，丰富训练样本，提升模型泛化能力，降低成本并加快行业辅助驾驶技术迭代升级，让消费者受益。

从长期来看，车路云一体化技术路线前景广阔，可助力高等级辅助驾驶系统落地。其通过路侧部署感知设备拓展车辆感知范围与能力，补充长尾问题场景数据，突破车载大模型能力边界。但目前该技术面临诸多挑战，如路侧感知设备覆盖不足、设备标定困难、车路通信时延和时钟同步不达标、缺乏专业视角转换软件影响数据融合、商业模式不清晰导致盈利困难及车企配合度低等。不过随着技术进步与产业生态完善，这些问题有望解决。待车路云一体化技术成熟应用，车辆、道路基础设施与云端将高效协同，推动高等级辅助驾驶系统安全可靠地大规模落地，开启智能出行新篇章。

在政策的保驾护航下，智能驾驶市场规模蓬勃发展，但技术难题犹如拦路虎，横亘在辅助驾驶商业化落地的道路上。通过短期、短中期与长期的多维度破局策略，行业正逐步探索出一条可行之路。但要实现高等级辅助驾驶系统的成熟应用，仍需车企、科技企业、相关部门等产业链各方携手共进，持续加大研发投入，加强技术创新与合作，共同攻克技术难关，完善产业生态。只有如此，才能让智能驾驶技术真正走进千家万户，为人们带来更加便捷、高效、安全的出行体验，推动汽车产业实现从传统制造向智能出行的华丽转身。