飞机先生

{{detailStore.create_time}} {{item.series_title}}

{{detailStore.author.is_follow?'已关注':'关注'}}

原创文章

日榜 TOP{{detailStore.day_rank}} 月榜 TOP{{detailStore.week_rank}}

继 LCC-L 后，小鹏 C-NGP 城市领航辅助功能也即将面向大众推送，我们也在第一个开放城市广州做了深度体验。

城市领航成为今年一大热议话题，包括特斯拉的 FSD Beta 、小鹏 C-NGP 以及毫末即将推送的城区 NOH ，但从现在看这三家代表的技术路径都各不相同。

其中：

• 特斯拉践行纯视觉（8颗环视）、无激光雷达、无高精地图、自研芯片（ FSD *2   ，算力144TOPS ）的技术路线，利用神经网络训练以达到人眼开车的水平；
• 毫末则是包含重感知（包括激光雷达）、轻地图（不使用目前法规限制的高精地图）、大算力芯片（5nm 高通骁龙8540（主功能芯片）+7nm高通骁龙9000芯片（AI 加速卡），总算力360TOPS）的技术路线；
• 小鹏 C-NGP 是重感知（包括激光雷达）、轻地图（依赖高精地图）、普通芯片（英伟达 Xavier 芯片，算力 30TOPS ）的技术路线。

国内最先出牌的小鹏 C-NGP 会有哪些惊喜？我们期待已久的城区领航辅助驾驶会有哪些差异化体验？我们看看实际效果。

一、一场“赌局”：博弈

城区相比高速场景有几个差异化的体验，其中

高速：速度高、场景单一、依赖高精地图，用户包容度高。我们体验的情况看，如果高速场景遇到大型堵车或者匝道并不进去，系统会奔溃，有些会退出请求接管，有些是直接错过匝道口，但高速行驶里程长，用户如果接管会有较高的包容度。

城区：速度低、场景复杂、感知能力需求高、用户包容度差。城区道路复杂，有各种弱势交通参与者以及社会车辆加塞，在确保安全以及性能基础上需要确保用户舒适体验，因为城区只要体验感差，用户会选择直接不用，所以包容度更低。

第一个部分和大家分享 C-NGP 的博弈，也是 C-NGP 最关键的部分，直接关系到它到底好不好用。

1、容易被加塞？

我收集了此次比较代表性的加塞场景，有车辆低速切入、快速切入两种场景，另外还有跨三车道加塞、有隔壁静止车辆突然起步加塞等等，这些场景都感知系统的挑战都各有不同。

被加塞有两种情况，第一种是过去我们体验 ACC/LCC 由于跟车距离太长，导致容易被别人加塞。

第二种被加塞是其他车辆必须改道，就是硬加塞。例如有些车辆要从辅道进主路，或者前面有实线了需要强硬变道。

这类场景非常多见，这时候主要考验我们系统如何“应对”，一个是时机的预判、一个是加减速体验。

时机的预判是 C-NGP 需要对周围车辆做预测。例如 CNGP 加入了对前车打灯的捕捉预测，我们也在 SR 界面上看到了对车辆灯光的捕捉，例如识别到前车左打转向灯，系统会将其列为即将左转车辆，以便于系统作出策略。

而加减速体验则需要根据加塞情况，有距离维度，包括近距离、远距离加塞，有速度维度，包括低速加塞、快速加塞。

从上面视频看 C-NGP 整体应对水准都较高，基本能做到提前预测长距离有较缓减速，近距离也能及时减速，两者都有一个合理的减速度，接近人为驾驶减速体验，不会有过激进的减速。

当前车驶离后还有一个关键的指标，是我们的加速时机。如果前车驶离了我们加速不及时，会进一步加剧被加塞的可能。大家可以观察当前方车辆驶离后， C-NGP 的加速度介入也较为及时。

2、更难是主动加塞？

被加塞是辅助驾驶常规的场景，但其实别人加塞我们做好防御和保证舒适就行，但是如果我们要加塞别人，也就是主动变道，难度就大了。

这一次我们遇到一个经典场景，就是我们要向右变道时，右侧车道车流却要同是向左侧变道。另一个场景是我们要汇入右侧车道，但右侧车流大，一直找不到合适的时机，我们看看 C-NGP 如何解决。

在我们打灯的时候，我们架设的右后摄像头捕捉到了后方的车流，我们是减速待右转，隔壁车道车辆时加速向左转，接着我们需要找到合适时机切入右侧车道，是一个典型的博弈场景。

另一个场景时我们即将右转并入辅道，但是因为隔壁车流量大系统一直找不到合适的时机，这里有个有意思的点：

系统并没有把车停下来等待变道，而是随前车蠕行，另外即使离前方实现线不到 100 米，系统自主变道意识依旧很强，未提示接管，最后汇入车流，系统边界比我们过去体验的高速 NGP 提高很多。

3、无保护左转

无保护右转是当我们左转汇入主路时，没有红绿灯的协助，我们需要自主应对主路复杂路况。

这次我们刚好通过一个直角弯，弯道曲率本身较大，这时候刚好有一辆社会车辆车辆，系统能够做及时干预。

4、变道策略总结

根据博弈场景，我们也为大家补充 C-NGP 的变道策略，有助于大家理解。目前 C-NGP 划分了几种变道策略：

（1）根据地图需要进入匝道或者弯道，变道时机会晚，但是执行率最高，就是不变也得变，并且相比高速，我发现城区的独立执行意识特别强，不会如高速随时撒手不管。

（2）另一种策略是遇慢车变道，这时候执行率低，也就是可变可不变。我们遇到几次在发起打灯后避让慢车，但系统又取消了打灯。

（3）最后是变道的效率。如果变道距离短 C-NGP 的变道相比高速 NGP 果断不少，极端情况下是系统提示的时候变道已经在执行了，幅度也相比 NGP 大很多，而如果变道距离长或者是需要遇到隔壁车道有大车流，系统会采用慢切的动作，确保舒适性以及提高成功率。

二、无法预判的“行人”

可能在我日常通勤的深圳，很难遇到在大马路上有逆行的行人或者电单车，但是在广州，比较惊讶的是这基本是一种常态，但这反而成为 C-NGP 一大训练阵营。

三轮车、单车等弱势交通参与者在这里有很高的路权，当然这也给感知系统带来压力。

从策略看，我们发现 C-NGP 尽量不要让自己在最右侧车道，以此避免与弱势交通参与者的博弈，但在很多场景上还是避让不了。

1、行人、电单车合集

在一个多小时的体验中，我给大家收集了几大逆行场景，它们随机性很高，例如在右转的时候也能遇到逆行的电动车，在高架桥上也有外卖小哥在桥上狂奔等等。

在几个场景中，系统都能应对，并且有向右避让以及减速避让，场景比较丰富，我拿了几个代表性的和大家分享。

除了逆行者还有一类是近距离场景，这时 P5 的两颗补盲激光雷达发挥了关键作用。

不得不承认激光雷达对于近距离物体的判断，特别是对我们可通行区域的判断。

三、定位敏感区：隧道、高架

我们知道目前智能驾驶的地图并没有高程信息，这也给定位带来很大挑战，例如我们在高架桥或者是隧道等，地图无法给到精确信息，不知道我们在桥上还是桥下，很容易产生偏移。

在高架下 C-NGP 上都能正常通过。我们还发现一件有意思的事情，我们总共跑了两次路线，发现高架下的 Y型路面虽然都能汇聚同个出口，但 C-NGP 前后两次选择的路线都不一样，系统会根据车流情况动态选择路线，具有很强的随机性。

而隧道内也是一大挑战，GPS 到达地面后信号已经非常衰弱，导致在隧道等封闭地区内无法定位。当然目前也有众多解决方案，例如 Slam算法、IMU 等惯导定位可以解决，我们也在此前和大家分享相关内容。

四、红绿灯，更难的是黄灯

C-NGP 的底线是遵守安全以及交规，小鹏团队也表示，系统设计的边界就是不允许闯一次红灯。

红绿灯处了地图提供信息，视觉系统还需要对红绿灯状态进行识别，我们这次也体验了红绿灯切换状态场景，系统能够正常通过。

五、环岛

上次在 LCC-L 上我们看到 P5 通过一个半环岛，而这次 C-NGP 通过了一个完整的环岛，也就是进入环岛、选择车道、出环岛的过程，并且也加入了难度，环岛内还有红绿灯。

环岛的难题不只是单一的通过性，还需要考虑遇多车汇集等多重场景，但这次我们周围的车辆并不多，所以无法看到 C-NGP 的边界。从进环岛、自找车道线导出环岛以及红绿灯识别等系统都能够独立完成。

六、绕行：没有过不去的障碍物？

C-NGP 会不会有哪些过不去的障碍物？

第一个代表场景是我们遇到一个倒车的车辆，并且没有完全露出车身，系统能够完成识别并且完成绕行。

但我们在遇到其他两个场景中，包括遇突然的施工道路，CNGP 的整体处理还是偏向保守策略。

在第二次行径途中，我们遇到了道路中间有施工团队，在 SR 界面中其实已经完整渲染出雪糕筒并且引导线也正确规划出避让路线，但由于隔壁车道的车流较大，系统一直未找到合适时机，最终我们人工接管。

另外的场景是遇到前方慢车，系统在较长距离跟车下也没有激发变道，此时系统对该车的行为预测失误，没有绕行，而是选择跟随，在长时间跟慢车时会降低整体的体验。

七、C-NGP 难解的题：静止起步的车辆

最后一个比较代表性的场景是遇到静止突然起步的掉头车辆，静止车辆到起步一直是感知系统的难题，这一次我们也遇到类似的场景。

我们通过十字路口后，在最左侧车道刚好遇到对象的掉头车起步，可以看到 SR 界面漏检了车辆，我们也做了一次手动接管。

八、总结

伴随着 C-NGP 的落地，这也标志着小鹏解决了目前行业较为棘手的地图资质问题，也标志小鹏将会迈进全新的发展赛道。

当然大家更关心的是 XPilot 3.5 的下放时间与城市，同时和 G9 上的 XPilot 4.0 有什么区别？

目前 C-NGP 将会随机推送给广州部分 P5 车型的用户，在相关手续报备审批完成后会全量发布，目前首个开放城市仅为广州。

另外是大家较为关注的 G9 上会有哪些变化？

目前 P5 的XPilot 3.5 的 C-NGP 其实是小鹏构建智能驾驶的一个地基，而不是最终的成效，是基于 30Tops 的Xavier 构建基础功能，伴随着 切换为双 Orin X 的大算力平台，感知能力的边界也会增强 。

另外还有一个重要区别，XPilot 3.5 的 CNGP 仅支持部分城市，并且仅支持城市核心的主干道，而 G9 的 XPilot 4.0 届时将会实现点到点、城市、高速以及泊车的全场景智能驾驶，并且是覆盖到城区的主、次干道，包括进入城中村等复杂道路，对于高精地图的依赖会进一步降低。