
智驾|一文看懂两大核心技术解析 BEV算法与城市NOA 原创
BEV(Bird's Eye View)算法和城市 NOA(Navigate on Autopilot)系统是智能驾驶领域的重要概念和技术。
1. BEV算法(鸟瞰图感知算法)
(1)什么是BEV?
BEV(Bird's Eye View,鸟瞰图)是一种将不同传感器采集到的三维环境信息转换到鸟瞰图视角下的二维平面环境信息的算法, 是一种自动驾驶环境感知方法,通过将多摄像头、雷达等传感器的数据统一映射到俯视的2D/3D空间,形成车辆周围环境的“上帝视角”表达。简单来说,就是把车辆周围复杂的三维场景转化为从空中俯瞰的二维平面视图,让车辆更直观地感知周围环境,就像我们从高处俯瞰地面一样。
工作原理:通常基于深度学习中的卷积神经网络(CNN)。首先对输入的图像、点云等数据进行特征提取,得到数据中不同区域的特征向量。然后利用变换矩阵将三维空间中的点映射到鸟瞰图视角下的二维平面上,实现不同视角下的特征对齐。最后对变换后的特征进行融合,并利用卷积神经网络学习鸟瞰图视角下的特征表示,从而实现对车辆周围环境的准确感知。
核心优势:能够提供车辆周围环境的全局视角,使车辆更直观地感知周围物体的相对位置、距离和运动状态等信息,提高车辆在复杂环境下的感知精度和安全性,还减少了传感器硬件的限制,降低了成本。
(2)BEV的核心作用
- 多传感器融合:将前视、侧视、后视摄像头的2D图像转换为统一的3D鸟瞰图,消除视角差异。
- 更精准的感知:相比传统逐帧图像分析,BEV能直接输出车辆、行人、车道线的3D位置和运动趋势。
- 端到端自动驾驶:BEV + Transformer(如特斯拉Occupancy Networks)可直接输出可行驶区域和障碍物信息,替代传统感知-融合-预测的复杂流程。
(3)典型BEV算法
算法/模型 | 特点 | 应用厂商 |
LSS(Lift-Splat-Shoot) | 将2D图像特征“抬升”到3D空间,再投影到BEV | 早期BEV方案(如Waymo) |
BEVFormer | 基于Transformer的时空融合BEV感知 | 华为、小鹏 |
Occupancy Networks | 3D体素化表达,识别未知障碍物 | 特斯拉FSD |
2. 城市NOA(城市导航辅助驾驶)
(1)什么是NOA?
NOA(Navigate on Autopilot) 即导航辅助驾驶,车辆可按照导航路线自动完成变道、超车、进出匝道等操作。城市 NOA 系统是一种在城市道路环境下实现自动导航驾驶的功能系统。它允许车辆在城市道路场景下,自动执行包括自动变道、自动超车、自动转弯、自动通过路口等在内的更复杂的导航辅助驾驶操作。
工作原理:依赖于高精度地图、高精度定位、环境感知、规划决策和车辆控制等多个子系统。高精度地图提供城市道路的详细信息,如车道线、交通标志、信号灯等;高精度定位确定车辆在地图上的位置;环境感知系统利用传感器感知周围环境;规划决策系统根据地图、定位和感知信息,规划车辆的行驶路径和决策,如变道、超车等;车辆控制系统则执行具体的驾驶操作,控制车辆的加速、制动和转向等。
核心优势:有效缓解城市道路拥堵问题,通过自动规划行驶路径和优化驾驶行为,提高城市交通的整体效率。还能提高驾驶安全性,系统能够更快速、准确地感知周围环境并做出反应,降低交通事故发生的风险,同时为驾驶员提供更便捷、舒适的驾驶体验,减轻驾驶疲劳。
- 高速NOA:已普及(如特斯拉NOA、小鹏NGP),场景相对简单。
- 城市NOA:在复杂城市道路实现自动驾驶,是当前技术攻坚重点。
(2)城市NOA的挑战
挑战 | 具体难点 |
场景复杂度 | 行人、电动车、施工区、无保护左转等动态障碍物 |
高精地图依赖 | 部分方案需厘米级地图,但鲜度维护成本高 |
规控难度 | 需预测他车意图,博弈式决策(如加塞处理) |
(3)技术实现方案
- 纯视觉派(特斯拉FSD):依赖BEV + Occupancy Networks,不依赖高精地图,通过AI实时构建道路结构。
- 多传感器融合派(华为ADS、小鹏XNGP):结合激光雷达、BEV感知和高精地图,提升冗余安全性。
(4)国内城市NOA落地进展
厂商 | 方案特点 | 落地情况 |
华为ADS 2.0 | 激光雷达 + BEV + 云端协同,支持无图模式 | 2023年覆盖上海、深圳等城市 |
小鹏XNGP | XNet BEV感知 + 轻量化高精地图 | 2024年目标全国200城 |
理想AD Max | 依赖高精地图,BEV+Occupancy辅助 | 北京、上海等核心城市 |
3. BEV与城市NOA的关系
BEV是城市NOA的感知基础:
- 城市道路的复杂交互需要BEV提供的统一空间理解能力。
- 例如:无保护左转时,BEV可同时感知对向车、行人、红绿灯状态。
NOA是BEV的典型应用场景:
- BEV输出的道路结构、障碍物信息直接用于NOA的路径规划和决策。
- BEV + Transformer + 大模型正在替代传统感知架构(如Mobileye EyeQ4的规则式算法)。
- 特斯拉FSD V12已实现BEV→Occupancy→控制的端到端自动驾驶。
未来发展方向
- BEV算法:✅ 更高精度的4D动态建模(+时间维度)✅ 与Occupancy Networks结合,识别未知障碍物(如跌落货物)
- 城市NOA:✅ 2024-2025年:“去高精地图”(轻地图/无图方案)成为主流✅ 结合车路协同(V2X)提升复杂路口通过能力
总而言之,BEV算法是智能驾驶的“眼睛”,提供上帝视角的环境感知;城市NOA是智能驾驶的“手脚”,在复杂城区实现自动导航;二者结合,正推动L2+级自动驾驶向全场景无人驾驶(L4) 演进。当前,特斯拉、华为、小鹏等厂商的竞争核心,本质上是BEV+NOA技术栈的成熟度之争。随着算法迭代和硬件算力提升,城市NOA的普及已进入倒计时。
本文转载自数字化助推器 作者:天涯咫尺TGH
