智駕｜一文看懂兩大核心技術解析 BEV算法與城市NOA 原創
BEV（Bird's Eye View）算法和城市 NOA（Navigate on Autopilot）系統是智能駕駛領域的重要概念和技術。
1. BEV算法（鳥瞰圖感知算法）
（1）什么是BEV？
BEV（Bird's Eye View，鳥瞰圖）是一種將不同傳感器采集到的三維環境信息轉換到鳥瞰圖視角下的二維平面環境信息的算法， 是一種自動駕駛環境感知方法，通過將多攝像頭、雷達等傳感器的數據統一映射到俯視的2D/3D空間，形成車輛周圍環境的“上帝視角”表達。簡單來說，就是把車輛周圍復雜的三維場景轉化為從空中俯瞰的二維平面視圖，讓車輛更直觀地感知周圍環境，就像我們從高處俯瞰地面一樣。
工作原理：通常基于深度學習中的卷積神經網絡（CNN）。首先對輸入的圖像、點云等數據進行特征提取，得到數據中不同區域的特征向量。然后利用變換矩陣將三維空間中的點映射到鳥瞰圖視角下的二維平面上，實現不同視角下的特征對齊。最后對變換后的特征進行融合，并利用卷積神經網絡學習鳥瞰圖視角下的特征表示，從而實現對車輛周圍環境的準確感知。
核心優勢：能夠提供車輛周圍環境的全局視角，使車輛更直觀地感知周圍物體的相對位置、距離和運動狀態等信息，提高車輛在復雜環境下的感知精度和安全性，還減少了傳感器硬件的限制，降低了成本。
（2）BEV的核心作用
- 多傳感器融合：將前視、側視、后視攝像頭的2D圖像轉換為統一的3D鳥瞰圖，消除視角差異。
- 更精準的感知：相比傳統逐幀圖像分析，BEV能直接輸出車輛、行人、車道線的3D位置和運動趨勢。
- 端到端自動駕駛：BEV + Transformer（如特斯拉Occupancy Networks）可直接輸出可行駛區域和障礙物信息，替代傳統感知-融合-預測的復雜流程。
（3）典型BEV算法
算法/模型 | 特點 | 應用廠商 |
LSS（Lift-Splat-Shoot） | 將2D圖像特征“抬升”到3D空間，再投影到BEV | 早期BEV方案（如Waymo） |
BEVFormer | 基于Transformer的時空融合BEV感知 | 華為、小鵬 |
Occupancy Networks | 3D體素化表達，識別未知障礙物 | 特斯拉FSD |
2. 城市NOA（城市導航輔助駕駛）
（1）什么是NOA？
NOA（Navigate on Autopilot） 即導航輔助駕駛，車輛可按照導航路線自動完成變道、超車、進出匝道等操作。城市 NOA 系統是一種在城市道路環境下實現自動導航駕駛的功能系統。它允許車輛在城市道路場景下，自動執行包括自動變道、自動超車、自動轉彎、自動通過路口等在內的更復雜的導航輔助駕駛操作。
工作原理：依賴于高精度地圖、高精度定位、環境感知、規劃決策和車輛控制等多個子系統。高精度地圖提供城市道路的詳細信息，如車道線、交通標志、信號燈等；高精度定位確定車輛在地圖上的位置；環境感知系統利用傳感器感知周圍環境；規劃決策系統根據地圖、定位和感知信息，規劃車輛的行駛路徑和決策，如變道、超車等；車輛控制系統則執行具體的駕駛操作，控制車輛的加速、制動和轉向等。
核心優勢：有效緩解城市道路擁堵問題，通過自動規劃行駛路徑和優化駕駛行為，提高城市交通的整體效率。還能提高駕駛安全性，系統能夠更快速、準確地感知周圍環境并做出反應，降低交通事故發生的風險，同時為駕駛員提供更便捷、舒適的駕駛體驗，減輕駕駛疲勞。
- 高速NOA：已普及（如特斯拉NOA、小鵬NGP），場景相對簡單。
- 城市NOA：在復雜城市道路實現自動駕駛，是當前技術攻堅重點。
（2）城市NOA的挑戰
挑戰 | 具體難點 |
場景復雜度 | 行人、電動車、施工區、無保護左轉等動態障礙物 |
高精地圖依賴 | 部分方案需厘米級地圖，但鮮度維護成本高 |
規控難度 | 需預測他車意圖，博弈式決策（如加塞處理） |
（3）技術實現方案
- 純視覺派（特斯拉FSD）：依賴BEV + Occupancy Networks，不依賴高精地圖，通過AI實時構建道路結構。
- 多傳感器融合派（華為ADS、小鵬XNGP）：結合激光雷達、BEV感知和高精地圖，提升冗余安全性。
（4）國內城市NOA落地進展
廠商 | 方案特點 | 落地情況 |
華為ADS 2.0 | 激光雷達 + BEV + 云端協同，支持無圖模式 | 2023年覆蓋上海、深圳等城市 |
小鵬XNGP | XNet BEV感知 + 輕量化高精地圖 | 2024年目標全國200城 |
理想AD Max | 依賴高精地圖，BEV+Occupancy輔助 | 北京、上海等核心城市 |
3. BEV與城市NOA的關系
BEV是城市NOA的感知基礎：
- 城市道路的復雜交互需要BEV提供的統一空間理解能力。
- 例如：無保護左轉時，BEV可同時感知對向車、行人、紅綠燈狀態。
NOA是BEV的典型應用場景：
- BEV輸出的道路結構、障礙物信息直接用于NOA的路徑規劃和決策。
- BEV + Transformer + 大模型正在替代傳統感知架構（如Mobileye EyeQ4的規則式算法）。
- 特斯拉FSD V12已實現BEV→Occupancy→控制的端到端自動駕駛。
未來發展方向
- BEV算法：? 更高精度的4D動態建模（+時間維度）? 與Occupancy Networks結合，識別未知障礙物（如跌落貨物）
- 城市NOA：? 2024-2025年：“去高精地圖”（輕地圖/無圖方案）成為主流? 結合車路協同（V2X）提升復雜路口通過能力
總而言之，BEV算法是智能駕駛的“眼睛”，提供上帝視角的環境感知；城市NOA是智能駕駛的“手腳”，在復雜城區實現自動導航；二者結合，正推動L2+級自動駕駛向全場景無人駕駛（L4） 演進。當前，特斯拉、華為、小鵬等廠商的競爭核心，本質上是BEV+NOA技術棧的成熟度之爭。隨著算法迭代和硬件算力提升，城市NOA的普及已進入倒計時。
本文轉載自??數字化助推器?? 作者：天涯咫尺TGH
