浅聊小鹏、理想、特斯拉最新智驾架构

作者 | 陈云培 来源 | 智驾最前沿

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

>>点击进入→自动驾驶之心『自动驾驶』技术交流群

本文只做学术分享，如有侵权，联系删文

小鹏汽车

小鹏汽车的智能驾驶系统（XPILOT）硬件架构非常先进，最新的G9车型搭载了双Nvidia Orin芯片，总算力达508 TOPS，并配备了12个摄像头、5个毫米波雷达、12个超声波雷达以及2颗激光雷达。其中两颗激光雷达作为视觉感知的补盲传感器使用，而非唯一依赖；高分辨率的摄像头使其能够远距离识别场景。

在软件方面，小鹏采用模块化的感知体系并结合端到端的规划网络。XPILOT多年来通过不断迭代积累了大量路测数据，逐步优化感知、地图和决策模块（可以看作“模块化端到端”风格）。小鹏特别强调基于高精地图的NGP（导航引导驾驶）能力。

经过多年的迭代，小鹏已经在高速和城市场景下逐步实现点对点辅助驾驶功能，如在P5等车型测试中，其城市NGP功能的每百公里接管次数已接近高速NGP水平，表明这一技术正在实用化推进。

此外，小鹏G9基于最新的X-EEA 3.0电子电气架构，采用千兆以太网作为通信主干，以支持自动驾驶、智能座舱和OTA升级等功能。总体来看，小鹏的特点是重硬件投入（多模态传感融合、高算力平台）和快速迭代的算法升级，目标在开放道路上实现更多城市驾驶场景的自动化。

理想汽车

理想汽车的智能驾驶技术近年来也有重大突破。其新车型L9首次实现了对外宣称的高速自动驾驶，其硬件配置与小鹏G9相当，搭载双Orin-X芯片（总算力508 TOPS）和禾赛128线激光雷达。

软件架构方面，理想采用了“快慢双系统”策略，使用端到端网络负责低延迟的实时控制（快系统），同时引入视觉语言大模型增强对复杂场景的理解（慢系统）。理想过去一年通过在端到端模型之外叠加VLM，利用大模型来解析语义信息（例如交通标志含义、行人行为推理等），以辅助端到端模型进行决策。该方案在现实计算资源下仍占用了整颗Orin-X算力，双模型的协同效率有待提升。

据报道，理想计划在2025年下半年推出下一代VLA（视觉-语言-动作）端到端大模型，将视觉和语言能力深度耦合，进一步提升模型的多模态推理能力，并有望显著降低人工接管率。理想的应用场景主要以家庭高速游览为主，也在测试城市道路自动辅助驾驶，其特点是注重安全性（大量冗余传感和算力备份）以及逐步向大模型方向发展。

特斯拉

特斯拉作为自动驾驶领域的先锋，目前已几乎完全采用纯视觉架构。其最新硬件（HW4）集成了8个环视摄像头，加上一些毫米波雷达单元（2021年后曾去除，后又部分恢复）以及两个自研FSD芯片，总算力级别也在数百TOPS量级。与前两者不同，特斯拉并不使用激光雷达和高精地图，其规划系统完全依赖基于深度学习的视觉和雷达感知结果。

2023年特斯拉公开的资料显示，其最新FSD 版本采用了端到端的BEV占据网络进行路径规划。该网络从多摄像头拼接出的BEV语义图中直接预测可行驶空间，从而生成车辆轨迹。这种规划方法弱化了对事先道路拓扑的依赖，通过数据驱动的方式学习环境语义，有助于多传感器信息的融合。

特斯拉的应用场景从美国高速公路一路扩展到全球城市街道，其FSD Beta在有限条件下可完成复杂路口及高速匝道等任务。总体而言，特斯拉的特点是End-to-End First，系统设计简化为几层网络联合优化，以大量实车数据驱动模型迭代，不断通过OTA推送来改进驾驶策略，其决策机制完全由神经网络学习实现，黑箱化程度较高。

五一假期全平台星球钜惠！

自动驾驶之心

论文辅导来啦

知识星球交流社区

近4000人的交流社区，近300+自动驾驶公司与科研结构加入！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（大模型、端到端自动驾驶、世界模型、仿真闭环、3D检测、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型，更有行业动态和岗位发布！欢迎加入。

独家专业课程

端到端自动驾驶、大模型、VLA、仿真测试、自动驾驶C++、BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、CUDA与TensorRT模型部署、大模型与自动驾驶、NeRF、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频

学习官网：www.zdjszx.com