在去年高速 NGP 即将上线的前夜，我们有幸提前进行了一次远征。

雨夜混战，横跨三省，两千公里的狂奔。

看着高速NGP 雏形初显，两天的往返，我们以一种特殊的方式站在用户的维度上，思考着具中国特色场景的智能化落地，颇为亢奋。

时光荏苒，一年以后，当我们重新邂逅 NGP ，她已不再是一个让人猜不透的野性女孩，游走在城市之间时，反而风度翩翩，多了一些温柔与浪漫。

新出行-小鹏交流群已建立，戳   这里   扫码回复“小鹏”进群，戳   这里   可以进入「小鹏」社区！

正如我们所期待的，智能驾驶从一颗种子、到发芽再到绽放，从单一的智能转变到传感器技术演进、算法的进化、安全的思考以及用户体验的多维度进化，这也是我们此次体验的核心目的所在。

小鹏汽车自动驾驶中心项目总监马君在沟通会上提到，小鹏的智能驾驶将划分为「安全、安心、舒心」三部曲，而今天可以说是第一步曲的开启。

在中午的专访中，何小鹏关于全场景（城市 NGP、高速NGP 以及自主泊车）辅助驾驶的落地时间落在了 2023 年，而当前也正是勾画小鹏未来智能驾驶的雏形。

一、激光雷达上车，城市 NGP 「半遮面」

此次我们聊的角度有些不同，我们不是以一种「考试」的状态或者接管次数去衡量 城市 NGP 的能力，而是讨论城市 NGP 背后开发的逻辑与初衷。

这一次我们体验的路线包括从酒店停车场、到城市道路、快速路再到小鹏汽车智能产业园的地下停车场，全程 15 公里，包括泊车、城市 NGP 的融合，也是一个标准的点到点辅助驾驶体验。

但需要和大家提到的是当前整个全场景体验只是作为 demo 演示状态，尚不代表着交付时就具备全场景的功能。

我们简单先看看 XPLIOT 3.5 硬件配置：

• 辅助驾驶芯片：英伟达 XAVIER 芯片+智能控制器
• 摄像头数量：13 个（1 个前三目摄像头+4 个环视摄像头+两侧翼子板和后视镜共 4 个+1 个尾部摄像头+1 个DMS摄像头）
• 超声波雷达：12 个
• 毫米波雷达：5 个
• 激光雷达：2 个 
• 高精地图（高德）
• 高精度IMU

二、城市 NGP 的「惊与险」

整个体验过程大概为 40 分钟，期间我们也遇到了各样的场景，包括无保护右转、红绿灯路口、堵车、加塞、行人横穿、逆行电瓶车、多车博弈等场景。

具体表现如何，通过性如何？我们来看看。

场景一：全场景体验

地库的自主泊入、城市了道路、快速路、高速路，再回到城市路以及最后的自找车位泊入。

其实这是构建未来新出行的全场景，也是融合了小鹏三大技术路径演进的核心。

我们从地库直接出发，接壤城市 NGP 最后再到达小鹏总部的地下停车场，完成记忆泊车的自找车位泊入。

场景二：全新交互界面与语音交互。

SR 模拟界面存在的意义在于增强用户对于智能驾驶系统的使用信心，同时也能够提高整个系统的美观性以及安全性。

而此次中控屏界面相比过去高速 NGP 的界面有很大的革新，通过与高精地图的融合，将我们的车辆以鸟瞰图的方式投射到整个 3D 视野中，画面的处理也颇为细腻，包括各车道线、路上的行人、大货车、电瓶车、行人、道路交通设施、公交车道等等，当然还有更为重要的红绿灯标识（我们待会会重点讲）。

而例如在转弯时，多摄像头融合后的效果也更为逼真，但目前整个中控屏还不是最终的效果，未来还有更多优化空间。

另外交互界面也与语音界面相结合，例如提醒变道、超车、路面坑洼提醒、公交站提醒、绕行等，语音交互场景相比高速 NGP 更为丰富。

场景三：红绿灯识别

我们此次体验的红绿灯场景颇为丰富，包括我们常见的红绿灯识别，而在此次体验中我们还遇到了黄灯闪烁切换到红灯时，系统做了较快的识别，并且做了刹停动作。

一路下来我们通过的所有路口都没有出现识别红绿灯错误的场景导致退出，而结合高精地图的先验信息，系统会自行选择车道线，配合视觉传感器得知的红绿灯信息来做决策，整个体验较为平顺。

场景四：定位与横向变道

在城市道路中我们要知道我实时在道路中的哪个位置，以此来为我们车辆的“大脑”提供一个厘米级的定位。但我们知道城市道路有众多高楼、特别是广州的高架、隧道等场景，GNSS 信号常会出现误差甚至漂移，这也给定位系统带来定位压力。

在城市道路中，特别是横向定位，如果定位出现偏差随时会出现车辆定位偏移，特别在堵车场景下更具危险，所以这也考验了 RTK、IMU 等的性能表现。

在通过高架桥下的复杂路口时，此时车道线出现丢失，但 P5 还是能够以自找车道的方式通过路口，精准回到新的车道线上。

而例如我们下面看到的无保护右转汇入主路的场景，也是考验车辆的定位能力。

目前 P5 是当前首个量产的厘米级城市定位车型，并且也不依赖于激光点云，而是采用以 IMU 、视觉为主的多传感器与高精地图融合定位。

而高精地图也是由小鹏汽车与高德合作共同研发，可提供天级更新能力，确保高精地图的鲜度。

而在变道上我们发现 P5 的决策相比高速场景略有不同，高速的变道更多会先提醒驾驶者，但是城市场景下这样会大大降低变道效率。

所以 城市 NGP 上采用更为高效的变道决策，采用先变道再提醒的原则，在广州复杂的道路中这样的变道方式非常高效，不拖泥带水。

场景五：多目标物检测与行为预测、规划

检测、预测以及规划作为城市 NGP 重要技术，特别是城市道路遇到的加塞场景以及人车混杂的道路。

比如我们遇到的加塞场景，在途径车流量较大的路段时，有许多车辆强行加塞、左右后方快速加塞等，给系统带来了新的考验。

在 XPILOT2.5 系统中，小鹏采用了全栈自研的路线，通过自研算法架构与数据平台，在成长板块中小鹏思考了高速、泊车与城区三大体系的构建，也为未来功能落地打下了基础。

XPILOT 3.0 系统中 Xavier、高精地图、高精定位等的加入也解决了感知与定位难题，也为后续的场景收集训练、行为规划与预测奠定基础。

而 XPILOT 3.5 的到来，利用全栈自研的优势带来算法的优化，将多传感器感知结果和预测结果同步输入到规划模块，例如路径规划等，最后下发到控制模块。

这样的步骤需要在极低的延迟下完成，这对算法效率提出了很高的要求，并且对于城市、高速还是泊车环境中处理的逻辑方式也不同。

我们此次体验的场景车流较大，并且还途径了一个布料批发市场，有逆行、横穿的行人、手推车以及电瓶车等，城市 NGP 既要对各种目标物完成正确行为检测，还需要多各种目标物做实时预测，确保规划的正确性与效率。

另外城市 NGP 的另一个亮点是对静态物体、弱势交通参与者（行人、电瓶车等）的绕行，这既要基于系统完成检测基础，同时也要对周围环境车辆包括目标物做正确的预测，接着再选择绕行做新的规划。

我们下面的场景就非常复杂、既应对了前方的逆行车辆，同时还对前方弱势交通参与者绕行通过，提高了通行效率。

场景六：横穿行人漏检、无法避让静止车辆

当然此次体验也有遗憾之处。例如我们遇到两个场景判断的失误，P5 在即将通过右转路口时，遇到一位未遵守交通规则的横穿行人，而刚好受到前方车辆的阻挡，系统出现一次漏检行为，需要人为介入。

未遵守交通规则的场景也属于我们所讲的 corner case 中的一个范畴，当然对于行人检测能力的判断也是一项“基本功”，需要应对更多复杂的城市场景。

而另一个场景是我们对于车辆目标物的行为预测失误，在拐入右转汇入主路时我们遇到一个随意在道路中间上下客的出租车司机，此时系统对该车的行为预测失误，没有绕行，而是选择等待。

三、城市 NGP 的「背后」思考

正如我们开题所讲，此次全场景体验作为未来小鹏三大技术的一个雏形演示，当然现阶段尚处于一个初期阶段。

而针对此次存在部分刹车感优化的问题上，现场马君也回应道：“如果高速 NGP 是一个小学生，那么城市 NGP 就会是一个 大学生的水平，二者的能力要求不同。”

在「安全、安心、舒心」三个阶段中，当前城市 NGP 尚且处在保证「安全」的第一序列，所以防御性减速现阶段看在所难免，下一步的也就是往「安心」上走，体验的刺会一个个拔掉，这是当前小鹏开发城市 NGP 的第一思路。

在 1024 上吴新宙博士也提到了城市 NGP 不止为产品，更是服务，通过不断优化来提高用户体验。

而第二个思路也是我们前面提及面对新场景（比如corner case）如何解决的问题。

马君认为：“首先不是面对一个新场景就需写一个代码去解决。一个策略虽然可以解决一千个问题，但也会出现一千个新的问题。在泛化的前提下，我们要保证的是不产生新的问题。”

而全栈自研的优势也凸显出来，利用车端与云端实现软件算法的快速迭代，小鹏颇有「出现问题不怕问题」的理念，而是利用自研的方法，让这些随处可见的场景逐步收敛，最终实现整个全场景智能驾驶的落地，当然最终是能够服务用户，提高整个辅助驾驶体验。

四、总结

下半场的入场券小鹏将其总结为量产城市场景辅助驾驶+全栈闭环能力建成，前者落在了「量产」二字，后者则落在了「闭环」。

可量产更是意味着需要以消费者的维度上解决功能性问题，而不是以工程思维在一定范围内实现辅助驾驶。

而闭环更如木桶效应，智能驾驶不是为了解决某一个单一问题，例如利用激光雷达解决部分感知局限，而是要让全栈闭环都能得到相应的发展，这也是走自研路线车企所占据的优势所在。

这也应证了 1024 的主题，「智能为先 探索无界」。

智能走在前头，才能有探索的可能性，而无界的根本，则源于「探索」本身。