# 华为 ADS3\.0 智驾体验：「端到端」是新的技术墙

- 作者：谢东成
- 发布时间：2024-08-21 11:05
- 分类：董车会
- 原文：https://www.ifanr.com/1596306

![](https://s3.ifanr.com/wp-content/uploads/2024/08/big-red.jpeg)

智能辅助驾驶的「智能」表现，正伴随着新能源汽车渗透率的快速提升而变得日新月异。

在领航辅助驾驶确立了从「有图」到「无图」的技术路线迭代之后，「端到端」成为了智驾领域的新目标。

今年年初，特斯拉推送了首个搭载「端到端神经网络模型」的 FSD v12 Supervised 版本，紧接着包括鸿蒙智行、理想、小鹏在内的一众走在智驾前列的主机厂，都将量产推送「端到端」智驾作为了下半年的重要目标之一。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/big-red.jpeg)

最近，董车会也在公开道路上，体验了最新的**华为 ADS 3.0 的「端到端」智驾**表现。

事实上，它的确令人印象深刻。

### 华为 ADS3.0 「端到端」的实际表现：从一个车位智驾到另一个车位

> 不看广告，看疗效。

「端到端」的 ADS3.0 在路上开起来会有怎样的表现，应该才是用户们最为关心的事情。在实际的应用层面上，华为 ADS 3.0 实现了**「从车位到车位」的物理端到端**。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/b.jpeg)

在稍早前，我们提前试驾了首发搭载华为 ADS3.0 的享界 S9。得益于「端到端」的仿生神经网络模型，享界 S9 在「全国都能开」的基础上，获得了车位启动、路边启动、路边临停、目的地随时变更、自主过闸机等一系列智驾能力的升级，力求做到用智能辅助驾驶来贯通全场景，**实现「有路就能开」**。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/hotle.gif)

官方规划的试驾路线也比较有趣，我们从苏州四季酒店的地库直接出发，目的地是太湖万丽酒店的地库，全程超过了 40 公里，耗时大约 1 个小时。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/1-7.gif)

因为两地的地下停车场都已经被扫描过，都可以被导航识别为「常用车位」了，所以我们可以在四季酒店地库的静止停车位上，设定好到万丽酒店地库车位的导航，然后直接点下方向盘上的智驾按钮，享界 S9 就会智驾泊出车位，自己开出四季酒店的地库。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/2-3.gif)

即便四季酒店的地库出入口是一个很窄的直角弯，但也没有难倒享界 S9，它自己紧贴着墙就熟练地开出去了。识别闸机也能做到自动减速，等抬杆之后再加速驶出。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/3-4.gif)

酒店园区内的道路本来没有在导航地图上显示，但享界 S9 的环境感知和决策能力都有升级，不仅可以避让快递车辆，也能避让临时设立的障碍物。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/4-5.gif)

面对环岛也很从容，以较快的车速就完成了绕环岛通行，方向盘也打得很迅猛。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/5-2.gif)

以往需要接管的掉头场景，现在用 ADS3.0 也无需接管，智驾将方向盘丝滑一打，掉头弯就过去了。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/6-3.gif)

识别红绿灯的感觉也变得更加敏锐，在绿灯闪烁的时候，车辆就已经捕捉到了，提前进行了预判并且自动地实现了舒缓减速，稳稳地停在红灯之前。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/7-3.gif)

在面对一些复杂场景时，ADS 3.0 端到端的优势就体现出来了。在一个需要走最右侧车道的场景里，所需车道被占用，而且道路划线不清晰的情况下，享界 S9 很果断就取消了变道，选择了加速绕行，**丝滑程度堪比真人老司机一样提前做了预判。**

![](https://s3.ifanr.com/wp-content/uploads/2024/08/8-3.gif)

在高速路上，享界 S9 现在在上下匝道的时候也无需接管了，即便是连续变道也能快速响应。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/9-2.gif)

唯一的缺点，就是变道一如既往地积极，即便是在标准状态下，我感觉有很多时候其实它都不需要特意变道的，变道过去还是得变道回来。考虑到享界 S9 的后排经常坐着老板，这样子的变道体验，应该会受到老板们的批评吧？

也许，享界 S9 可以考虑出一版不那么激进变道，稳妥驾驶的智驾特调版本？目前想要缓解这个情况，我们可以试着将 NCA 的变道偏好默认设置为「柔和」，这样它会降低变道超车的频率，也可以考虑将智驾的变道策略改成人工确认。但这样，就不太能实现完全零接管的智驾表现了。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/10-1.gif)

最终，我们顺利抵达了导航目的地万丽酒店的门口，然后享界 S9 紧接着无缝地自动驶入了地下车库，并且自己找到了目标车位并自行泊入。**在全程 NCA 且完全零接管的情况下，实现了从车位到车位的端到端智驾。**

![](https://s3.ifanr.com/wp-content/uploads/2024/08/gold.jpeg)

用车位到车位的这种物理端到端表现来衡量端到端智驾的含金量，我觉得是比较易于理解也比较全面的。

有了「端到端」模型加持，ADS 3.0 的智驾表现更加符合我们对智能驾驶的主观想象，它开起来更像人类司机，通行效率也有了长足的进步。

此时，若是余总再说一遍「（华为 ADS）无限接近于 L3」的话，质疑声音也应该会少了许多。

### 华为 ADS 3.0 「端到端」的技术路线，有何不同？

在华为 ADS 2.0 智驾解决方案中，华为提出了基于激光融合的 GOD 网络，配合 RCR 道路拓扑推理网络来实现「有图无图都能开」的智驾表现，让车辆能够自行识别真实世界的通用障碍物，基本做到类人的感知能力，最终量产实现「全国都能开」的无图 NCA 智驾能力。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/ads2.0.png)

▲ 华为 ADS 2.0 BEV+GOD+RCR 网络



其中，GOD 网络（General Obstacle Detection，通用障碍物检测网络）可以通过激光雷达+摄像头，来识别通用障碍物白名单外的异形物体，像游戏《我的世界》那样，用 3D 像素块来构建出障碍物的轮廓，从而对路上的障碍物进行精细识别，不但能够识别障碍物的动静态，而且也能匹配区分出救护车、警车、行人等等。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/20GOD.png)

▲ GOD感知算法示意 （图片来自：华为官网）



有了 GOD 网络，智驾系统对路上障碍物的识别不再存在上限，真正地做到了**「看得懂物」**。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/algorithm-video-02.gif)

▲ 异形障碍物「世界」（图片来自：华为官网）



而 RCR 网络（Road Cognition & Reasoning，道路拓扑推理网络）是为了进一步让智驾摆脱高精地图的依赖，结合普通导航地图来与现实进行匹配和印证，再实时通过传感器来拓补绘制一幅可用的行车地图。

有了 RCR 网络，智驾系统能够做到「具体路况具体分析」，真正地做到了**「看得懂路」**。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/road.png)

可见，以往的智驾都是基于「感知 — 规划（决策）— 控制」的研发逻辑，就是将感知数据传输到规控进行匹配识别，再输出控制指令来操控车辆驾驶。

如果传感器感知到的「这道题」（路况信息）是题库里面有做过的（训练过的特征信息），那么控制端就能给出一个「正确答案」（正确的决策方案），让车辆完美地应对好当前的路况。

毕竟道路千万条，安全第一条。路面状况瞬息万变，遇到一些未曾训练好的场景，智驾系统就会手足无措，只能提示人类驾驶者去接管车辆了。

要想提升智驾的控制表现能力，让智驾能像人类一样开车，就需要**智驾系统能够像人类一样思考**。

由此，智能驾驶开始引入了像 ChatGPT 这样，基于庞大神经网络而构建的大语言模型，智驾系统直接由一个「端到端模型」来全流程地处理从传感器接收到的感知数据，并完成判断和决策，最终输出控制指令。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/ADS3.png)

在 ADS 3.0 当中，华为将 GOD 和 RCR 都神经网络化，并将这部分算法纳入到一个完整的 GOD 感知神经网络之中，而后再将感知数据交由 PDP 决策神经网络来规划行车路线，输出「思考」结果。

构建好的 GOD+PDP 神经网络模型之后，华为再利用自己的云端 AI 训练平台进行大量的数据训练，让模型得以快速迭代升级。

ADS3.0 提升了 GOD 大网的多维立体感知能力并使用「端到端」决策的 PDP 之后，就能实现去 BEV 化，**从原来的「看得懂物」升级到「看得懂路」**，让智驾系统更高效且精准地「理解驾驶场景」，以低延时的决策速度，自主地处理好复杂路况，更多时候会给用户带来一种平稳、放心、无需接管的智驾体验。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/ADS31.png)

只不过按照目前的初见成效的训练效果来说，让 AI 直接坐在驾驶位去开车，还是过于激进。目前华为的端到端模型之中，还加入了一个**「本能安全网络」进行智驾的下限兜底**，确保决策神经网络不会逾越安全红线。

吴新宙曾经提到，端到端将在长期与传统自动驾驶堆栈并行运行，最初端到端模型将在影子模式下运行，以便在相同的场景下比较人类驾驶、传统堆栈和端到端算法三者输出的行为差异，并根据人类反馈进行微调；之后端到端可以和传统技术堆栈并行，两者形成互补；成熟之后则可以逐步淘汰传统堆栈。

> 端到端算法像襁褓里的天才少年，尽管未来可能成为博士，但成长过程中需要小学、初中老师去带教，这便是当前传统堆栈起到的作用，随着时间的推移，端到端将最终成长成为强大的可以独挡一面的「专家」。

所以，无论是华为 ADS3.0 的端到端仿生大脑，还是理想 AD 的快/慢系统，以及小鹏的 Xnet+Xbrain+Xplanner 架构，都在端到端决策和车辆控制之间，做了相当多的约束和冗余措施。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/LX-2.jpg)

普遍来看，当下端到端智驾的目的，就是为了简化智驾系统架构，通过单一的神经网络模型来完成整个智驾系统的感知和决策任务，减少对海量场景规则代码的依赖，从而提升智驾的实际效果，满足用户真正的智驾需求。

换作是之前的智驾策略，别说从一个车位到另一个车位的智驾零接管，单拎绕环岛通行和掉头场景来说，智驾甚少能够正常自主行驶的，大多数时候都得提醒人类驾驶员去接管行驶。

简单来说，结合 ADS 3.0 端到端的实际体验来看，用大模型来将智驾变得更类人化。**从全国都能开，升级到有路就能开。**

### 大势所趋的端到端智驾，车企争先恐后迎头而上

中国汽车在电动化和智能化方面的一日千里，正在重塑消费者对汽车的偏好与选择。其中，智驾已成为新能源汽车智能化的显著特征，消费者对于汽车智驾的了解程度、价值感知正日益提升。

消费市场的需求选择，也反过来促使车企更加紧密地拥抱电动化和智能化，唯有做好智能座舱和智能驾驶，才能在智能化的下半场站稳脚跟。

所以，那些在智驾方面竞争优势不太突出的车企，正在使出浑身解数，试图补齐智驾短板。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/NZP.jpg)

就像近期饱受争议的极氪，在 2024 款极氪 001 上市数月之后，马上就迫不及待推出了 2025 款车型，新款计算平台由双 Mobileye EyeQ5H 升级到了双英伟达 OrinX。两者相比之下，24 款只有 48Tops 的算力， 25 款的算力则达到了 508Tops，足足强了十倍。

虽然此举引发了不少老车主的不满，但对于极氪来说却是不得已而为之。

按照极氪的回应，此时就推出 2025 款极氪 001，是为了满足更多的潜在用户：

> 极氪 007 搭载的浩瀚智驾受到了广泛的用户和行业好评，很多极氪 001 的潜在用户呼吁能够选择浩瀚智驾方案，同时我们自己的品牌 NPS（Net Promoter Score，净推荐值）调研也发现，智驾是影响用户选择极氪 001 的一个因素。因此，内部决策立项自研智驾方案上车，给用户多一种选择。

相较于 Mobileye 的智驾方案，自研的浩瀚智驾方案显然能够在智驾体验上挽回一些用户口碑，只是恐怕切换成自研智驾还是来得太晚，加上这样的换代更新频率，势必会从保值的角度影响到潜在用户的信心。

**正当成绩偏科的同学在决心勤能补拙，而排名靠前的优等生们已经开始研读新学期的课题了。**

对于那些已经将「智驾」做成品牌显著标签的车企，像是鸿蒙智行、小鹏、理想等等，都已经量产推送了「全国都能开」的无图智驾，现在更是着手布局端到端的大模型智驾方案。

![](https://s3.ifanr.com/wp-content/uploads/2024/07/ascc.jpeg)

他们都有一个相近的目标，就是完全覆盖用户从出门到进门之间的通勤，完全交给 AI 智驾来开车。与循规蹈矩的传统智驾方案相比，端到端的智驾方案，将推动智驾从算法工程转变为数据工程。

### 要坐到端到端智驾的牌桌上，需要足够多的筹码

从 ADS1.0 迭代到 ADS2.0 的时候，华为 ADS 团队就曾经披露过他们全栈自研的 AI 训练体系。

构建智驾大模型最坚实的基础和底气，来自于华为拥有自己的云端 AI 训练平台。彼时他们就已经用领先于大多数同行的超高算力，24 小时不间断地进行模型训练，实现了五天迭代一次的升级速度。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/5e.png)

来到 ADS3.0 的端到端，学习训练的算力已经从半年前公布的 3.5E FLOPS 更新到 5E FLOPS（余总还说 3.5E 算力当时已经是中国第二名和第三名的总和），模型每天训练的里程数达到了 3500 万公里。而且这个算力数字对于华为 ADS 来说并非一个终点，而是会继续去加大投入，持续提升。

随着智能驾驶步入深水区，智驾 AI 大模型的训练离不开海量的、多样化的优质数据，同时自动化、高水平的数据处理体系也至关重要。可以说数据，将会占据端到端智驾开发中高达八成的研发成本。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/te.png)

正如大语言模型之前已经强调过参数量之大那样，端到端的多模态模型也对数据有着旺盛需求。特斯拉在 FSD V12 上率先实用了端到端模型，马斯克曾经对此说过：

> 用 100 万个视频切片训练，勉强够用；200 万个，稍好一些；300 万个，就会感到 Wow（惊叹）；1000 万个，那就难以置信了。

所以，车企量产的智能驾驶车辆正成为最佳的数据采集工具。当足够多的量产智驾车辆在道路上行驶时，它们所收集的真实数据将成为智驾算法不断优化和迭代的关键资源。![](https://s3.ifanr.com/wp-content/uploads/2024/08/Fleet-Better-Fleet-Desktop.jpeg)

▲ Tesla Fleet. 图片来自：特斯拉北美官网



根据车企公布的数据，特斯拉在北美拥有约 300-400 万辆车组成的用户车队；预计到 2024 年年底，搭载华为智能驾驶系统的车辆数量将超过 50 万辆；截至 2024 年第一季度，理想已累计交付超过 70 万辆汽车，所有车型均标配 AD 智能驾驶功能；截止 2024 年 4 月份，蔚来智能驾驶总用户数达 49.53 万人，NOP+ 总用户数达 24.58 万人。

所以说，浩瀚的算力背后，是自研实力和充沛资金以及高额市占率的相辅相成。

华为 ADS3.0 的量产，足以证明一个可以量产商用的端到端智驾大模型，是需要掌握数据资源、充裕资金、技术积累的头部厂商，坚定正确的技术路线并付诸长期投入才能实现。

![](https://s3.ifanr.com/wp-content/uploads/2024/08/ham.png)

从这个角度来看，软硬实力一体构建起来的「端到端」智驾模型，将会成为智能驾驶的一道「AI 技术墙」。

有路就能开的端到端智驾，显然是智驾领域的新标杆，但在技术墙之外，其实仍有大量车企的车型，无法如期兑现全国都能开的智驾承诺。

最终能够下场「端到端智驾」牌桌竞争的玩家，非但需要前瞻的勇气，也需要足够多的筹码，短期内也只会有寥寥数家。