专业智能汽车咨询机构“睿思齐”曾做过一次调研，结果显示亲自体验过智能驾驶的消费者，认为“自己身边喜欢使用辅助驾驶的人”占比要远高于尚未接触过智能驾驶的消费者，对智驾功能的发展趋势也更为乐观。

这说明使用过智驾功能的用户，多数都能感受到这项功能带来的价值感，而没有体验过智能驾驶功能的用户对智驾的不信任感会更强一些。

此外，睿思齐的调研报告中还有一项数据，具备领航辅助驾驶功能车型的车主，对智驾功能的满意度要高于仅有基础L2辅助驾驶功能车型车主对智驾的满意度。

换句话来说，现阶段影响智能驾驶，特别是高阶智能驾驶发展最重要的问题，其实是如何让更多的人能日常体验上这项新技术。

这几年智驾行业已经实现了从“卷功能”到“卷体验”的升级，下一步就得是“卷成本” 了，只有把成本打下去，才能让更多的消费者体验到高阶智驾功能带来的出行体验升级。

所以在前不久的上海车展上，我格外留意那些“卷成本”的选手，感觉其中最卷的就是轻舟智航，直接开发了“6V1R视觉方案”的高速NOA，以及基于单颗地平线征程5+单颗激光雷达的城市NOA两套方案的实车体验。

6V1R意味着只有6颗摄像头，前视惯用的三目、双目也变成了单目。最关键的还是取消了侧前侧后的四颗中长焦摄像头，而之前只能用来泊车的鱼眼摄像头则担起了大梁，为高速NOA提供侧前侧后的视野。

实际体验下来，轻舟智航的这套6V1R方案变道时对侧后车辆的感知非常及时，变道时机的选择恰到好处，很符合心理预期，基本上我人判断该变道了，而且系统符合变道条件的情况下，车辆也会很及时地执行并完成变道。

在车展前夕，我也实车体验了基于单颗地平线征程5和单激光雷达的城市NOA方案，这套方案已经能够打通城市、高速/高架、泊车三大场景，连很难解决的高速ETC也能自动通过，真正做到了无缝连接的全场景NOA体验。

在算力和感知硬件上，轻舟这套单激光雷达版本的城市NOA方案无需多个激光雷达的堆叠，但功能完整性上丝毫不输市面上其他已经量产交付的城市NOA功能，能够保障保障城市NOA复杂场景体验 ，能够及时理解当前环境，并做出符合驾驶员心理预期的响应。

特别是绕行场景，轻舟智航的这套城市NOA方案绕行非常果断，即便是跟车时，前车突然减速停车，系统也能及时地提前找机会变道，避免跟着前车停车后再缓慢向相邻车道挪动带来安全风险。

总体来说，轻舟智航这两套高阶智驾解决方案都已经用比较极致的成本，实现不输现阶段那些“堆料”方案的体验。这就有点像半导体产业的发展，降低成本并不是靠牺牲性能来实现的，反而是在有限的硬件上压榨出更高的利用率，从而实现了性能的提升。

轻舟，是想驶过万重山的

“降本”基本上已经成为高速NOA功能现阶段的主要课题了，除了轻舟的6V1R方案，车展上见到占比最高的还有各家推出的5V5R方案。

5V5R就是依靠前视单目挑大梁，而侧前侧后的感知主要交给角毫米波雷达，这样的好处在于整体算法模型的规模也小一些，对芯片算力的需求较低，基本在10TOPS左右。

轻舟智航的6V1R方案的智驾计算芯片使用地平线的征程5，算力128TOPS，相对于5V5R的方案，域控的成本会更高一些，但省去了4颗角毫米波雷达的成本，所以综合来看，成本上差异并不大。

轻舟智航的CTO侯聪描述这套6V1R方案是:“更低的边际成本，获得极高的边际收益”。

这句话很清晰地解释清楚了轻舟6V1R方案和5V5R方案的差异，虽然都是实现高速NOA的极致性价比方案，但两者实际上是两条截然不同的路。6V1R选择了现阶段成本较高，但更容易随规模效应而大幅降本的芯片，5V5R则是选择当下供应较为稳定，但降本空间已经比较有限的角毫米波雷达。

6V1R的重点在于视觉感知算法，把鱼眼摄像头也纳入到行车的感知结果中，做到传感器和计算芯片都能复用的行泊一体，同时通过正后方的摄像头实现对后方中远距目标的感知，用最优的成本实现无盲区的360°感知。

轻舟智航基于这套硬件能够部署BEV框架，为智能驾驶决策提供更丰富的输出，也让这套方案拥有极高的能力体验上限，这也是侯聪所说“极高的边际收益”。

鱼眼摄像头虽然天生就具备BEV拼接的优势，很早就在泊车场景下，为驾驶员提供一个便于掌握车辆与环境相对位置关系的可视化界面，但由于畸变的画面，较近的感知距离，很少被用到行车中。

鱼眼摄像头就像是螃蟹，乍看起来不会是好的食材，但只要挖掘出它的优势，以及适合的处理方案，第一个吃螃蟹的人就一定能开启一个新的美食风潮。

所以虽然都是性价比方案，但6V1R通过传感器复用，和搭上BEV的快车，相较5V5R方案拥有更高的体验上限，更长的生命周期。

极致的降本，背后是极强的软件能力

6V1R是轻舟智航对“传感器复用”的思考，单激光雷达和单征程5芯片的城市NOA方案则展示出轻舟智航对降本的第二层理解:通过软件能力，提高硬件利用率。

首先是激光雷达，轻舟智航通过自研的OmniNet在内的感知算法，能够充分压榨激光雷达的感知能力，通过逐层递进的噪声过滤方案，能够最大限度地排除雨雾、泛光等噪声对感知的干扰，提高对车辆、行人、小动物、异形障碍物等目标的识别精度。

简单来说就是利用时序融合，把一颗激光雷达不同时序的感知结果做融合，一帧画面可能有偶然性，可能被干扰，多帧融合可以消除这些偶然性，从而提升感知结果的感知精度。这在手机拍照上已经非常成熟，各个厂家都在通过多帧融合提升成像质量，从而发挥出硬件的最大价值。

OmniNet是轻舟智航提出的国内首个量产计算平台实现视觉、激光雷达和毫米波雷达特征和时序融合的大模型，能够通过多传感器融合，多时序融合来提升感知精度，节省算力资源。

为了更高效地利用算力，轻舟智航很早就和地平线团队建立合作，围绕征程5芯片做适配开发，优化模型来提高算力的利用率，从而依靠单颗征程5芯片也能良好完成复杂场景下的感知和决策规划，实现极致性价比的城市NOA功能。

轻舟智航对激光雷达的压榨还不止于此。

轻舟智航作为L4级自动驾驶的明星公司，比多数智能驾驶公司更早接触激光雷达，对激光雷达的理解也非常深刻，特别是在模型训练上充分发挥了激光雷达自带环境深度信息的“真值”，用同一视角下的激光雷达点云和视觉摄像头做自监督训练，提升了模型训练的效率。

简单来说就像是，老师带了一个班的同学，大家各有所长，有人擅长数学，有人擅长画画，老师就让擅长数学的伙伴，辅导擅长画画的同学的数学作业，让擅长画画的同学，辅导擅长数学的同学做美术作业，整个班级的学习效率就变高了，老师也更省事了。

除了“压榨硬件”，轻舟智航还通过共用规控算法来实现降本，虽然轻舟智航有6V1R、11V5R等多个不同传感器配置的方案，但在架构上都是相通的，能够共用轻舟自研的感知和规控算法，降低成本的同时，最大化发挥数据的规模化效应。

在感知上，轻舟智航有能融合视觉、激光雷达、毫米波雷达特征和时序的大模型OmniNet，规控上轻舟也有首创的“时空联合规划算法”，直接在空间和时间中求解最优轨迹，同时控制车辆方向和速度，在面对复杂场景时应对更加灵活。

写在最后

NOA是一个用过就很难再回去的功能，这个功能也在购车决策中起到越来越重要的比重，NOA的价值已经被证明，成本则是制约这项功能提升渗透率的最大包袱。

轻舟智航通过多套方案的展示，打响了高阶智驾普及的枪声，期待这样的方案能够大规模普及，让我们能有更丰富的智能汽车选择。