领航辅助系统百度百科，领航辅助驾驶anp
chanong
|您不久前可能听说过特斯拉自动驾驶骗局。 2016年，特斯拉发布了一段展示该车型的视频。
结果很明显，这些照片都是经过编辑拼接而成的，特斯拉只是想用它们来欺骗一波又一波的投资和股价。我问为什么看起来这么科幻，结果发现它是真的做出来的。不过，这个在当时很疯狂的功能，现在实现起来并不是那么困难。不相信我？看，这是自动驾驶品牌自动驾驶系统的路试镜头。
另一种是：
即使是倒下的特斯拉现在也能部分理解它当时所吹嘘的伟大。
上面提到的实现点对点自动驾驶的功能有一个特殊的名字，叫做NOA（Navigation On Autopilot），字面意思是“导航辅助自动驾驶”。 NOA 现在很流行。到底有多受欢迎呢？也就是说，包括理想、小鹏、极氪在内的几乎所有新能源品牌都宣布今年将推送NOA能力OTA。
从整体趋势来看，NOA应该是近年来自动驾驶领域最热门的产品。这是因为NOA的实施很可能是最接近所谓“自动驾驶”的事情。
那么NOA到底是什么？NOA（导航辅助驾驶的学名）是目前最符合L3级自动驾驶定义的能力。如果直接翻译的话，可以看出它与导航、自动驾驶有关。简单来说，使用NOA，你只需在导航系统上设置起点和终点，汽车就会自动带你到达那里。
根据使用场景的不同，NOA也分为两个细分。一种是快速NOA，另一种是城市NOA。我们先来看看快速NOA。顾名思义，它的应用场景就是高速行驶。开机后，汽车自动完成超车、变道、跟车、上下坡等动作。
就像您度假走高速公路回家一样，通常在出发前设置导航路线并沿途收听导航说明。说起来容易，但做起来真的很累。一定要时刻注意车道和路口，如果在高速公路上走错出口，就要绕很远的路。进入高速公路NOA后，只要在高速公路上行驶就可以完全独立驾驶。 NOA 您可以提前计划走哪条高速公路、走哪个出口，这样就不会走错。下了高速公路，就到了市区NOA 的时间了。
相比高速NOA，城市NOA能够实现的操作要复杂得多，也比较接近我们理解的自动驾驶。例如，如果您在晚高峰下班，您所要做的就是决定乘坐公交车回家的路线，其余的由城市NOA 负责。如果遇到堵车，它会自动跟随你并入正确车道，如果遇到路口，你可以按照红绿灯安全通过，甚至回家后找到停车位停车。出租车：我很无聊！
不过，NOA虽然看起来不错，但想要做好却并不容易。拆开来看，NOA 实际上是几个常用功能的组合。例如，高速NOA 层具有自适应电池寿命、车道保持和自动车道变更等功能。这些技术都比较成熟，实现起来并不困难。
但Urban NOA水平不高，难度很大。城市NOA 必须处理的场景不仅数量众多，而且常常涉及非常规行为。例如，交叉点不一定是水平或垂直的；它们可以具有奇怪的形状。行人并不总是走在人行道上，可能会突然跳出一只狗之类的东西……这一定是混乱的时代（周文王证实了）……可能不太直观，但是。让我们考虑一下。尝试一下，看看比较如何。这是从NOA高速公路看到的路况。简单、宽敞、轻松、写意。
这是NOA看到的城市路况，肉眼看到的最大难度。
如果我们想要应对这样的环境，我们首先需要能够尽可能清晰地“看到”周围的环境，然后对车内的信息进行高效的处理和分析，这样就需要确保你可以给予指导。操纵。城市NOA需要的是高精度传感硬件作为“眼睛”，高性能芯片作为“大脑”，合理的软件算法作为“逻辑”。只有这三者共同协作，才能保证系统的安全运行。
这样看来，如果说高速NOA是智能驾驶的高考，那么城市NOA绝对是奥运级别的。奥运会的最后一个大问题肯定是数据收集。现在是奥运会，所以我必须准备考试。目前，实现自动驾驶必须通过AI学**。这意味着在开始运营之前了解人们的驾驶**惯。其实就是先看书，再考试。这与NOA 背后的原理相同。但问题是，这本书里的知识从哪里来呢？
大多数厂商做的都是先把AI放到模拟环境中，让其练**一段时间，但就像考驾照一样，先让他们在驾驶模拟器中驾驶一段时间，然后然后. 参加路考。更离谱的是，一些公司正在利用该游戏来验证自动驾驶算法。
这无疑可以在短时间内获得大量的仿真数据，从而尽早奠定自动驾驶系统的基础。例如，美国自动驾驶公司Waymo已经积累了近200亿公里的模拟训练数据。
相比之下，现实世界的道路长度刚刚超过1600 万公里，显然前者的效率要高得多。模拟测试乍一看似乎很合理，但它们的关键问题是无法完全重现现实世界的情况。例如，在公共道路上，所有汽车都必须留在车道内。但有时车突然变道，吓到你了
此外，人们可能会突然出现在本应禁止行人通行的道路上。
这种相对极端的事件称为极端情况长尾事件。它不会经常出现，但有一天它会出现，但我们不知道如何出现。对于按照本书回答问题的自动驾驶汽车来说，这肯定有点大材小用了。最有代表性的例子就是2018年发生的UBER无人驾驶车祸。
当时UBER的自动驾驶汽车在一般道路上正常行驶，但当行人推着自行车过马路时，系统并没有考虑到过马路的情况，我并没有把他认作是人。然而，相对静止的车辆导致了事故。
如果想要更好的解决长尾场景，只有一种方法。这只是等待它发生的问题。这意味着无论模拟多长时间，都应该尽可能在路上进行测试。然而，由于实际道路测试的效率较低，自动驾驶的现状是一个致命的死循环，高效的方法不可能，理性的方法效率低下。因此，即使是NOA这样的“有条件自动驾驶”，如果想让车辆安全、自主地运行，也需要经过长时间、广泛的道路测试，并经历尽可能多的极端情况。毕竟，这只是时间问题。
车企利用自己的才能来解决数据问题是很自然的事情。
例如，特斯拉采用“人海战术”，为旗下每辆车配备“影子模式”，在日常驾驶过程中收集信息并学**驾驶**惯。特斯拉存储容量大，因此可以在短时间内收集大量驾驶数据，训练模型迭代速度也比较快。没有数量优势的品牌往往只谈效率。
例如，蔚来的“快速计算”理念是为一辆汽车配备四颗具有256 TOPS计算能力的NVIDIA Orin芯片，大幅提升自行车的信息处理能力。同时，小鹏汽车声称利用其XNet 识别架构显着加快数据标注速度，每年在16.7 天内完成2000 个标注，这意味着AI 可以“快速学**”去做。然而，这些方法最终仍然会缩短并加速自动驾驶。然而，像Waymo这样的自动驾驶巨头尚未完全解决自动驾驶在所有路况下的可靠性和稳定性问题。
由于对自动驾驶的误解而引发的事故在我们身边时常发生。例如，我们可以将道路信号识别为车道标记.
坦率地说，NOA，尤其是城市NOA，是一项需要很长时间才能流行起来的技术。不仅因为它的复杂性，还因为它是最接近自动驾驶的技术。自动驾驶的最初目的是减少人们的驾驶疲劳，提高交通的便利性。而这是基于100%的可靠性和安全性。 Neck兄弟想说的是，无论宣传得多么花哨，无论所谓的解决方案多么先进，厂商都不能保证自己完全覆盖长尾场景，也不能保证人们可以放心，除非你完全可以交出把柄。以及目前的城市NOA，简直就是一个未使用且不合格的功能。仓促推出最终只会损害车主和品牌的利益。
99.99%=0。安全标准非常高。