城市NOA正在重塑智能駕駛競爭

　　本文來源：智車科技

　　01

　　引言

　　目前城市NOA成為自動駕駛行業(yè)的必爭之地，一片熱火朝天，爭先恐后的場面，好不熱鬧。城市NOA作為目前最受歡迎的自動駕駛產(chǎn)品，也作為最多、最有用的自動駕駛落地場景無疑將成為2024年，乃至今后幾年間自動駕駛的必爭之地。

　　作為8年的自動駕駛從業(yè)者，曾參與落地和量產(chǎn)HWP和HWA項目，如今這兩個詞漸漸從自動駕駛?cè)Φ�出，轉(zhuǎn)而映入人們眼簾的是NOA、NGP、NOH……，但不論是HWA還是NOA歸根結(jié)底其背后的功能、技術(shù)都是一致的，今天我們一起聊聊城市NOA的現(xiàn)狀。

　　城市NOA的市場現(xiàn)狀

　　首先看看”隊形“：

　　第一梯隊代表：特斯拉、小鵬、理想、蔚來、極狐、阿維塔、問界等，已在基本在去年(2023年)實現(xiàn)城市NOA落地。

　　第二梯隊代表：智己、比亞迪、極越、魏牌、零跑、極氪等，計劃2024年內(nèi)落地城市NOA。

　　再看一看頭部玩家對外公布的NOA“開城”計劃：

　　看了上表，四個字形容：爭先恐后。

　　關(guān)于”NOA”這個名字，其實不同的企業(yè)為了在公關(guān)上體現(xiàn)差異化，都先從名字下手：比如華為稱之為NCA，毫末智行稱之為NOH、小鵬叫NGP、蔚來稱之為NOP、理想和特斯拉則都是命名為NOA，但究其功能和應(yīng)用場景都大差不差。這一功能的首發(fā)是特斯拉，后來者競相對標(biāo)、學(xué)習(xí)，但是都屬于“一直在模仿，基本未超越”的狀態(tài)。

　　城市NOA的功能場景

　　一次體驗城市NOA大約是去年的7、8份，當(dāng)時體驗的車型是阿維塔11，這款車的智駕系統(tǒng)由華為全棧研發(fā)。試乘完給我的體驗是：現(xiàn)在量產(chǎn)狀態(tài)的自動駕駛功能竟如此強(qiáng)大!當(dāng)時我們試駕的路線包括高架、橋下路線，基本是從出了4S店就激活了NOA，在一個十字路口，直接很輕松就完成了右轉(zhuǎn)操作。由于十字路口本身路況復(fù)雜，電動車、行人就比較多，再加上這個場景下基本都沒有車道線，所以還是比較難的場景，它竟沒有出現(xiàn)卡頓。其他場景給我的感覺是“穩(wěn)”，心里有底。

　　簡單分享了我的第一次試乘體驗，那么下面一起來看看當(dāng)前城市NOA究竟有哪些功能、能應(yīng)對哪些場景，又能能給用戶帶來哪些體驗?zāi)?

　　看一下功能列表

　　·智能繞障：智能識別異型車輛、施工路障、錐形桶等障礙物，實現(xiàn)安全避讓

　　·切入避讓：智能識別加塞車輛，實現(xiàn)車輛安全避讓

　　·交通燈識別與控車：紅燈剎停、黃燈減速、綠燈行駛

　　·智能導(dǎo)航跟隨：跟隨導(dǎo)航路線，智能變道

　　·城市路口通行：系統(tǒng)智能識別分岔路口、可實現(xiàn)路口智能轉(zhuǎn)彎、路口博弈等多種分岔路口通行場景

　　·待轉(zhuǎn)區(qū)通行：系統(tǒng)識別待轉(zhuǎn)區(qū)虛線，自動通行

　　·禮讓行人：智能識別行人、非機(jī)動車，實現(xiàn)安全避讓

　　·隧道通行：穩(wěn)定識別光線變化，緩行車輛、減速避讓

　　·智能引領(lǐng)上下匝道

　　·環(huán)島通行

　　·擁堵變道

　　其實看看這些功能，再看自動化能力，基本是已經(jīng)達(dá)到了L3的水平了。但是為何大家都只說L2+、L2.5、L2.9……難道是太謙虛了?當(dāng)然不是啦，都恨不得說它是L5呢。說出這句話的時候，就等于說：“自動駕駛出了事故，我負(fù)責(zé)”!這話現(xiàn)在沒人敢說!

　　確實是，以現(xiàn)在的技術(shù)水平，還真沒人敢說。奔馳好像說了，但是我沒看到幾輛車在路上跑，可能是大家不相信，也可能是它自己也不相信。

　　但是，我相信，那一天它會來，且不會太遠(yuǎn)了。

　　02

　　城市NOA的技術(shù)路線

　　最近這幾年，“重感知、輕地圖”、“BEV+thansformer”，已被說爛了。

　　從目前的落地方案看，主要有兩類：

　　一是“重感知”方案。通常，城市NOA多采用激光雷達(dá)，但2023年下半年“純視覺”城市NOA方案呼之欲出，如百度Apollo City Driving Max、大疆車載成行平臺-9V等。

　　二是“輕地圖”方案。2023年市場呼聲從”重高精地圖“逐漸轉(zhuǎn)向“去/輕高精地圖” 。因此，不依賴高精地圖的城市NOA方案強(qiáng)勢登場，如華為的ADS2.0，小鵬的XNGP等。

　　這里先說說“輕地圖”。

　　早在19年，部門負(fù)責(zé)人就說了一句：不能要地圖，我們現(xiàn)在太依賴地圖了，要把地圖去了�，F(xiàn)在看來，領(lǐng)導(dǎo)有遠(yuǎn)見。

　　那時的方案真的是太依賴地圖了：沒了地圖，攝像頭的車道線靠不住、沒了地圖匝道上不去、沒地圖匝道也下不來，沒了地圖我就不知道路在哪?相當(dāng)于，沒有地圖就是瞎子。激光雷達(dá)、攝像頭、毫米波雷達(dá)沒有地圖的加持幾乎不敢“茍活”。

　　為什么會這樣呢，因為高精地圖確實好：

　　1)能告知系統(tǒng)更遠(yuǎn)處的信息、先驗的信息;你想所有地圖數(shù)據(jù)都在已經(jīng)在我“腦子”里了，我到一個位置我提前已提取，換句話說：閉著眼就都能找到道路。

　　2)能告知系統(tǒng)看不清的信息，例如車道線，尤其是下匝道、十字路口這些位置的車道線;還有一些道路標(biāo)識、坡度信息、特殊路段等等。

　　但是現(xiàn)在為什么又要走“輕地圖”路線，說白了就是不想太依賴地圖。因為地圖有幾個致命的缺點(diǎn)：

　　1)成本高，采集全國的高速、城市道路的高精地圖、還要保持地圖數(shù)據(jù)的新鮮度，是巨大的時間和資金投入要知道汽車這個產(chǎn)品對零部件的成本可是很敏感的。所以這一點(diǎn)是萬萬不能接受的。

　　2)適應(yīng)性差，試想一下：一個用戶買了一臺有自動駕駛功能的車，一次他心血來潮想給朋友炫耀一下時，系統(tǒng)提示不在ODD(操作運(yùn)行域，簡言之就是激活條件)內(nèi)，仔細(xì)一看是因為這個位置沒有高精地圖覆蓋，所以開不了自動駕駛。這就尷尬了。

　　所以，必須“輕地圖”，甚至“去地圖”!

　　既然決定要輕地圖，那就必須克服其不足，發(fā)揚(yáng)其優(yōu)點(diǎn)，所以業(yè)內(nèi)提出了“重感知”。

　　這里，個人覺得“重感知”說法不夠準(zhǔn)確，難道用地圖就不重感知嗎?只能說用地圖，不是實時的感知信息，說到底高精地圖和那些傳感器的信息不都是感知信息嗎?只不過，以前是偏向依賴先驗感知信息，現(xiàn)在是偏向依賴實時感知信息罷了。

　　原先有地圖的時候，車道拓?fù)涓鶕?jù)定位車道和地圖的拓?fù)湟?guī)則，直接提取出來當(dāng)前路段的信息。想提多長，提多長，一般是前200米，后50米。這多好，不費(fèi)吹灰之力，250米的道路信息：車道線、分叉、合并、限速等等一系列信息就有了。緊接著后面的障礙物按照道路坐標(biāo)系(frenet坐標(biāo)系)往上“一鋪”，哪個障礙物在哪個車道，一目了然。然后根據(jù)這些信息去做決策，規(guī)劃就可以了。

　　現(xiàn)在要用"BEV"來解決，傳感器真實視角感知到的信息需要轉(zhuǎn)化成鳥瞰模式，這樣輸出給決策系統(tǒng)，這樣方便進(jìn)行路徑規(guī)劃。同時要加強(qiáng)和提高攝像頭對道路信息的感知能力，原來由地圖提供的信息，現(xiàn)在需要攝像頭來做。

　　我們一起來看看目前感知的幾個技術(shù)路線：前融合、中融合、后融合

　　后融合：這種情況下一般主機(jī)廠會用所謂的smart sensor來搞，就是每種傳感器都有自己算法，各自處理生成目標(biāo)數(shù)據(jù)，當(dāng)所有的傳感器生成目標(biāo)數(shù)據(jù)，并且時間同步后，就可進(jìn)行數(shù)據(jù)融合。

　　(后融合算法典型結(jié)構(gòu))

　　后融合的優(yōu)點(diǎn)是解耦性好，且各傳感器可以互為冗余備份。但缺點(diǎn)也很明顯，由于后融合是基于規(guī)則處理的，會受到先驗思路(從結(jié)果推向過程)限制，并且傳感器各自對目標(biāo)識別后再融合，中間也損失了很多有效信息，對感知精度也會造成影響。

　　(前融合算法典型結(jié)構(gòu))

　　前融合，是指把各傳感器的數(shù)據(jù)采集后，經(jīng)過數(shù)據(jù)同步，對這些原始數(shù)據(jù)進(jìn)行融合。

　　更早進(jìn)行數(shù)據(jù)融合，降低了數(shù)據(jù)損失的可能。但由于視覺數(shù)據(jù)和激光雷達(dá)點(diǎn)云數(shù)據(jù)所處坐標(biāo)維度不同，所以融合起來難度很大，需要建立精準(zhǔn)的雷達(dá)坐標(biāo)系、三維世界坐標(biāo)系、攝像頭坐標(biāo)系等等，同時對平臺算力提出了很高要求(動輒幾百TOPS甚至上千TOPS的算力就是這么來的)。

　　(中融合算法典型結(jié)構(gòu))

　　再聊一下中融合。

　　中融合，也稱為特征級融合：先分別從傳感器的原始數(shù)據(jù)中獲取有效的特征數(shù)據(jù)，再將有效特征融合，特征信息包括邊緣、方向、速度、形狀等。數(shù)據(jù)損失沒后融合那么多，算力消耗也沒前融合那么龐雜。

　　劃重點(diǎn)：BEV+Transformer，為數(shù)據(jù)融合按下快捷按鈕。

　　有沒有發(fā)現(xiàn)，無論是中融合，還是后融合，都需面臨一道關(guān)卡，那就是異構(gòu)數(shù)據(jù)帶來的坐標(biāo)系轉(zhuǎn)換。開發(fā)人員為了解決這個問題，往往是將攝像頭的2D信息轉(zhuǎn)換為3D。

　　這也就引進(jìn)了一種全新的3D坐標(biāo)系——BEV

　　鳥瞰視角(Bird's Eye View，簡稱BEV)是一種從上方觀看對象或場景的視角，就像鳥在空中俯視地面一樣。在自動駕駛和機(jī)器人領(lǐng)域，通過傳感器(如LiDAR和攝像頭)獲取的數(shù)據(jù)通常會被轉(zhuǎn)換成BEV來表示，以便更好地進(jìn)行物體檢測、路徑規(guī)劃等任務(wù)。

　　傳統(tǒng)的攝像頭采用的是“透視原理”，會出現(xiàn)遮擋、掩蓋等現(xiàn)象，而BEV視角就像日常用車時使用的360°全景倒車影像，看得清清楚楚，且沒有遮擋。

　　此外，BEV空間內(nèi)的感知任務(wù)，在精度上也有優(yōu)勢。

　　攝像頭是不具備深度信息的，采取2D感知時，面對遠(yuǎn)處的物體，很難做到精確距離的識別，但在BEV空間內(nèi)訓(xùn)練模型，感知結(jié)果會更加準(zhǔn)確，同時還能很好地應(yīng)對Corner Case, 如復(fù)雜道路狀況、狹窄或遮擋的道路等。

　　但問題還是有，攝像頭和激光雷在識別時，都以時間上斷續(xù)的幀為單元，并沒有設(shè)計跨越時間尺度、Frame by frame的時域網(wǎng)絡(luò)，這也就導(dǎo)致了其沒辦法完全利用時序上的有用信息。

　　這兩年，隨著AI深度學(xué)習(xí)的興起，Transformer被應(yīng)用在BEV空間轉(zhuǎn)換、時間序列上，形成了一個端到端的模型。

　　Transformer強(qiáng)調(diào)注意力法則，在意數(shù)據(jù)之間的內(nèi)在結(jié)構(gòu)和相互關(guān)系，用于提取多模態(tài)數(shù)據(jù)中的特征，從而有效地識別和定位環(huán)境中的障礙物。

　　有這么一個比喻，引入Transformer后，就像做飯請了一位資深的廚師，他就站在旁邊看著你做飯，告訴你各種流程，具體根據(jù)你要做的菜品，指導(dǎo)你分配不同比例的油鹽醬醋，從而端上來一份美味佳肴

　　03

　　關(guān)于端到端

　　大模型的出現(xiàn)讓這個端到端再次映入我們眼簾，早在2017年第一次做端到端。

　　當(dāng)時的端到端主要是基于前視相機(jī)的圖片輸入進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，然后直接輸出控制指令。從實車的表現(xiàn)來看，穩(wěn)定性并不好，脆弱到車上多上兩個人就會影響他的穩(wěn)定性。

　　因此，后來模塊化的自動駕駛技術(shù)算法路線占據(jù)主導(dǎo)并一直延續(xù)到今天。但大模型貌似要改變這種局面，什么感知、融合、決策、規(guī)劃、控制，你們都別干了，我一個人兒來吧。而業(yè)界一直對深度學(xué)習(xí)參與決策、規(guī)劃、控制功能的實現(xiàn)存在疑慮，因為它是個“black box”,可解釋性太差，出了問題都不知道咋出的，尤其是對于規(guī)控這種安全強(qiáng)相關(guān)，守著自動駕駛系統(tǒng)安全關(guān)的模塊，是絕不能交給一個黑盒子的。不然，車跑溝里都不知道誰干的。

　　目前大模型的應(yīng)用主要在感知和預(yù)測部分，但是慢慢向決策、規(guī)劃滲透，但是個人覺得真正實現(xiàn)端到端需要時間，但是作為算法開發(fā)人員還是要抱著開放的心態(tài)去擁抱大模型，擁抱新技術(shù)，不斷把新技術(shù)應(yīng)用于工程實踐中，才配得上“技術(shù)人”這個稱號。

　　城市NOA的方案對標(biāo)

　　說了這么多，還是對標(biāo)一下頭部車企的方案，這樣大家有更具象的認(rèn)識：

　　從上面這幾款車型來看，不難發(fā)現(xiàn)以下幾點(diǎn)：

　　1)整體方案上，目前基本都處于從“重地圖，輕感知”向“輕地圖，重感知”過渡的階段。

　　2)傳感器配置上，基本到城市工況下都引入了激光雷達(dá)，安裝位置都是在前方;攝像頭的布置可以說是全覆蓋：4個環(huán)視、4個側(cè)視、1或2個甚至3個前視;毫米波雷達(dá)基本采用5R的方案;最后就是12個超聲波在這樣的車上基本是標(biāo)配，但更多的是用于低速泊車。

　　3)算力方面，很明顯：重地圖方案所需的算力很少，而反觀重感知方案的算力需求差不多300TOPS起步吧。主要是激光雷達(dá)和圖像的處理需要很大的GPU算力支持，不然沒法“重感知”。

　　4)實力方面，華為是：“全棧”+“遙遙領(lǐng)先”，人家是激光雷達(dá)自研、芯片自研、控制器自研、地圖自己搞、軟件算法自己開發(fā)。試問：這一塊，還有誰?

　　04

　　寫在最后

　　從HWA到NOA，從L1到L4，自動駕駛技術(shù)在不斷進(jìn)步，自動駕駛行業(yè)也在不斷發(fā)展，自動駕駛?cè)艘苍诓粩喑砷L。站在當(dāng)前的時間節(jié)點(diǎn)，自動泊車、高速領(lǐng)航、城市NOA、自動駕駛早已不是新鮮和令人興奮的詞語，自動駕駛、對于汽車行業(yè)，也對于自動駕駛?cè)恕?/p>

　　1、場景創(chuàng)新

　　對于自動駕駛產(chǎn)品，或者是對任何的產(chǎn)品而言，創(chuàng)新永遠(yuǎn)是這個產(chǎn)品不竭的生命力。如果說當(dāng)有一天汽車不再帶給人們新鮮的體驗，而僅僅是一個將人從A點(diǎn)運(yùn)達(dá)B點(diǎn)的工具時，可能汽車就走到生命的盡頭，而當(dāng)初的從業(yè)者可能已經(jīng)失業(yè)。

　　自動駕駛誕生的初衷是解放駕駛員的雙手,也就是利用汽車人工智能(AI)來“模擬人駕駛”的過程。城市NOA的使命便是服務(wù)于這一初衷。應(yīng)用場景的不斷創(chuàng)新和和迭代，從最開始的僅僅是前方碰撞預(yù)警、車道偏離預(yù)警，到后面的車道保持，自適應(yīng)巡航，再到今天高速領(lǐng)航輔助、城市領(lǐng)航輔助，場景創(chuàng)新和擴(kuò)展不斷推進(jìn)，從而解決用戶的需求，用戶的痛點(diǎn)被解決，體驗不斷向好，而技術(shù)也隨著場景的創(chuàng)新而不斷進(jìn)步。

　　2、找準(zhǔn)定位

　　自動駕駛開發(fā)是一個復(fù)雜的系統(tǒng)工程。涉及到多學(xué)科、跨專業(yè)，其中包括軟件、硬件、芯片、工程、法律法規(guī)、算法、安全等等。縱觀目前的自動駕駛行業(yè)有很多公司，有傳統(tǒng)OEM、有科技巨頭、有造車新勢力、有自動駕駛科技公司，有芯片公司、有傳感器公司、有傳統(tǒng)Tire1、有工具鏈公司等等;自動駕駛的應(yīng)用場景也重要很多：高速公路、城市路況、封閉園區(qū)、機(jī)場接駁、礦山、地下停車場等等;自動駕駛的載體有很多：乘用車、貨運(yùn)車、客運(yùn)車、擺渡車、物流車、清掃車、采礦車等。如何在這樣大的自動駕駛生態(tài)圈中找準(zhǔn)自己的定位很重要，我們不可能都做、也不可能都擅長，因此必須找準(zhǔn)自己的優(yōu)勢并且將其發(fā)揚(yáng)光大。

　　主機(jī)廠還是要安安心心做整車，做頂層設(shè)計，無論自動駕駛技術(shù)如何演進(jìn)，我想最終它的呈現(xiàn)主體也離不開整車。作為生態(tài)圈中最接近終端消費(fèi)者的企業(yè)，主機(jī)廠應(yīng)該發(fā)揮自己的整車集成能力和超前的行業(yè)洞察力，引領(lǐng)自動駕駛行業(yè)的發(fā)展。

　　對于科技巨頭還是不要瞎折騰，車不是那么好造的，尤其是互聯(lián)網(wǎng)大廠，搞網(wǎng)頁和搞汽車不一樣，雖然互聯(lián)網(wǎng)的敏捷開發(fā)，扁平管理可以快速實現(xiàn)產(chǎn)品的迭代，但是汽車研發(fā)和汽車電子研發(fā)還是要遵循“V”流程，要從需求到開發(fā)再到驗證形成研發(fā)閉環(huán)，這樣才能保證產(chǎn)品質(zhì)量。因此，從企業(yè)層面就需要踏踏實實做充分的市場調(diào)研，做長期的產(chǎn)品戰(zhàn)略規(guī)劃，做整車需求場景分析，做功能安全，抓生產(chǎn)質(zhì)量……這樣才能造好車，而這些恐怕不是互聯(lián)網(wǎng)公司擅長的事情。

　　傳統(tǒng)Tire1在自動駕駛的大生態(tài)里還是保持自己在一級供應(yīng)商中的位置，抓住對自動駕駛零部件的核心研發(fā)能力，尤其是ECU的開發(fā)經(jīng)驗�，F(xiàn)在很多主機(jī)廠想要自研智駕系統(tǒng)、自研域控，然而相對于Tire1做ECU開發(fā)可謂是經(jīng)驗太少，因此在保持自身優(yōu)勢的前提下分自動駕駛一杯羹才是王道。

　　因此，行業(yè)定位可以有很多選擇：OEM、Tire1、Tire2、工具鏈公司,場景可選也很多：封閉園區(qū)、開放道路、停車場、高速公路、載人、載物等等，總之一句話：抓住機(jī)遇、找準(zhǔn)定位、擴(kuò)大優(yōu)勢，才能掙大錢!

　　3、商業(yè)閉環(huán)

　　2023年5月5日，自動駕駛卡車公司圖森未來收到了納斯達(dá)克的退市通知。作為曾經(jīng)的自動駕駛第一股，自動駕駛行業(yè)獨(dú)角獸的存在，其退市新聞一時間激起了人們對”自動駕駛還能走多久“的思考和討論。雖然關(guān)于圖森的此次退市有這樣那樣的背后原因：高層動蕩、內(nèi)部矛盾等等，但是歸根到底只有三個字：不賺錢。確實，從谷歌的第一輛自動駕駛汽車上路測試(或許也是全球第一輛真正意義的自動駕駛汽車)至今自動駕駛公司還沒有形成自己真正的商業(yè)閉環(huán)模式。之前有人說是商業(yè)模式?jīng)]有被探索出來，有人說是技術(shù)發(fā)展瓶頸，也有人說是法規(guī)政策跟不上行業(yè)發(fā)展，但是不管是哪種原因最終都是無法形成商業(yè)閉環(huán)：要么造不出來、要么賣不出去、要么賣出去不賺錢、要么賣出去用不上……

　　回首這些年的自動駕駛資本市場，從15年-18年的一路高歌，到后來的20年的冷淡，再到2021年的資本小高潮，22、23年又慢慢回歸了平靜，大家慢慢冷靜下來了。阿里達(dá)摩院整合自動駕駛資源到菜鳥團(tuán)隊，百度合并L4和L3自動駕駛團(tuán)隊，福特放棄L4研發(fā)…曾經(jīng)各個主機(jī)廠紛紛喊出：“2020年實現(xiàn)L4自動駕駛量產(chǎn)”的口號，現(xiàn)在看來距離2020年已經(jīng)過去近4年了，而L4的量產(chǎn)之路卻遙遙無期，當(dāng)初的豪言壯語化作現(xiàn)如今的“骨干現(xiàn)實”。既然看不到L4/L5的彼岸，那就回歸到L1L2的量產(chǎn)陣營來。于是HWA、NOA、 NGP、 L2+、 行泊一體紛紛上車，L2、L2.5、L2.9、L2.99都出來了，但是沒有人再敢提L3,更別說L4/L5了。不管是L2，L2.5、L2.9還是L幾那是主機(jī)廠的事，是開發(fā)商的事兒，用戶不關(guān)心，也不懂。用戶只關(guān)心：有啥用?多少錢。因此，不管叫什么名稱，只有兩個字最重要：量產(chǎn)。量產(chǎn)了，就意味著可以面向市場了，這樣才能形成產(chǎn)品價值，形成商業(yè)閉環(huán)。有了錢，再用低階產(chǎn)品反哺高階產(chǎn)品的研發(fā)，這樣良性循環(huán)不斷迭代，總有一天會實現(xiàn)真正的L5。

　　4、充滿熱忱

　　對于每個人來說做什么事情都離不開熱情和激情，而對于一個行業(yè)而言同樣如此，如果當(dāng)初的熱忱慢慢被現(xiàn)實澆滅并不再復(fù)燃，那最終這個行業(yè)也將慢慢走向滅亡，自動駕駛也是這樣。因此不要急于求成，不要指望一個技術(shù)能立刻帶走“老司機(jī)”，激光雷達(dá)不能、高精地圖不能、大模型也不能……無論何時都請相信時代在發(fā)展，科技在進(jìn)步，生活在變好，自動駕駛的發(fā)展當(dāng)前確實遇到了一些問題，技術(shù)的瓶頸也好，資本的冷落也好，政策的退坡也好，但都不會阻止汽車智能化的腳步。請記住沒有不流血的革命，沒有不轉(zhuǎn)彎的公路，自動駕駛行業(yè)的跌宕起伏，但最終也將螺旋上升到達(dá)山頂!