摘要：

目前国内一般直接将高速NOA成为“L2+”；因此，复杂度更高的城区NOA，就自然的映射到了“L2++”。

一、概述：

特斯拉Autopilot系统首创了NOA这种淡化脱手/脱眼/脱脑（驾驶自动化程度）逻辑的功能，致力于与导航结合后，完成从A点到B点的全程进行辅助驾驶（L2，不脱手）的能力，功能实用性大大增加。

鉴于ICA、LCC这种功能也是L2，为了体现特斯拉NOA良好的高速和城区的变道、匝道汇入汇出、复杂场景通行能力，用“L2+”来形容特斯拉NOA的先进性，也是被行业接受的。但是这个L2+，并不是在脱手/脱眼/脱脑这个维度体现的。

补：一般L几与XXX-off的对应关系是

• 无L，没有智驾功能；

• L0，无控制（只报警提醒、提示），Warning；

• L1，单向控制（纵向，或横向），Single-direction control；

• L2，横纵向控制，不脱手，Hands-on;【横纵向都具备后，就开始拼是否脱手/脱眼/脱脑了】

• L2+，横纵向控制，脱手，Hands-off；

• L3，横纵向控制，脱眼，Eyes-off；

• L4，横纵向控制，脱脑，Minds-off；

• L5，横纵向控制，无人，Driver-off；车辆不再为驾驶员提供底盘控制接口（如制动踏板、油门踏板、方向盘等人类直接控制车辆的装置）；

另，国内也有不少厂商习惯用场景复杂度来定义功能。目前国内一般直接将高速NOA成为“L2+”；因此，复杂度更高的城区NOA，就自然的映射到了“L2++”。

二、系统介绍：

根据相关信息，对基于HW3.0的Autopilot系统方案统计如下：【注：特斯拉OTA很快，信息经常变，只能大致参考下】

Item	Description	Comment
功能：SAE驾驶自动化程度	“L2++”级	高速、城区、停车场等多场景通行/变道能力很强
功能：驾驶自动化程度描述	不脱手	EAP脱手间隔与车速相关； 车速在60-80kph时候，约45s-65s之间； 低速最长时间可达3分钟；
功能：功能描述	NOA	基于导航的辅助驾驶
功能：车速区间	0-130kph；	全速域
功能：电子围栏	EAP：高速NOA； FSD：城区NOA；HW3.0的主要价值在于FSD功能	特斯拉能力的体现，主要在电子围栏指标上。场景泛化能力很强，功能开启后的通行能力也很强
功能：变道约束	支持变道	细分场景方面：汇入、汇出、匝道同行等
功能：路口通行	支持十字路口通行	高速和城区，最大的区别有两个：路口通行，以及VRU的处理。FSD的路口的通行能力很强；典型能力：无保护左转、高速车流的汇入
功能：DDT后援任务用户有效性	需要驾驶员随时接管
功能：环境条件	不支持下雨下雪等恶劣天气；	无车道线时，可利用路沿检测保证车辆正常行驶（而不退出）；
功能：前置条件	ICA（或叫LCC）已开启；	满足条件后，系统通过HMI提示用户可以开启NOA功能，用户确认后进入NOA功能
功能：感知系统(OEDR)	8V	传感器布置位置见图1所示
功能：接管(Takeover)	需要驾驶员随时接管车辆；
功能：降级(Degradation)	未知
功能：MRM	未知
功能：HMI	a. 系统入口：方向盘按键； b. 状态提示：仪表（如果有）+中控屏提示 + 蜂鸣声+语音提醒；
功能：DSSAD	未知
功能：OTA	支持
功能：操作系统	Safety Linux
功能：数据上传（及车端触发器）	支持
功能：其他
系统：系统类型	集中式系统	特斯拉为中央&区集中式EEA； 智驾系统ECU为HW3.0域控，集中式计算
系统：智能传感器种类与数量	无	集中式计算，无分布式智能传感器
系统：控制器个数与种类	集中式系统，AutoPilot ECU with HW3.0；使用自家FSD SOC；
系统：软件服务-RTK	无
系统：软件服务-数字地图	无	依赖SD map给route，剩下的全交给视觉系统
系统：软件服务-车联网服务(V2C)	有，4G(LTE)
系统：软件服务-V2V&V2I服务	无
系统：Fail Operational方案	无
系统：Fail Operational-电源	无
系统：Fail Operational-通信	无
系统：Fail Operational-制动系统	无
系统：Fail Operational-转向系统	无
系统：Fail Operational-计算&感知	SOC层面的部分冗余，非ECU层面	两个FSD SOC在某些功能&算法上，进行冗余；
系统：其他
传感器：摄像头-前视主摄像头	有	AR0136/AR0138-1.2MP-RCCB-HFOV52°
传感器：摄像头-前视宽角摄像头	有	AR0136/AR0138-1.2MP-RCCB-HFOV120°
传感器：摄像头-前视窄角摄像头	有	AR0136/AR0138-1.2MP-RCCB-HFOV28°
传感器：摄像头-前视双目摄像头	无
传感器：摄像头-侧前摄像头(x2)	有	AR0136/AR0138-1.2MP-RCCB-HFOV90°
传感器：摄像头-侧后摄像头(x2)	有	AR0136/AR0138-1.2MP-RCCB-HFOV80°
传感器：摄像头-后视摄像头	无
传感器：摄像头-环视摄像头(x4)	有，只有一个后鱼眼摄像头	OV10635-1MP-RGGB-HFOV140°
传感器：Radar-前向主雷达	有，后又取消	基于纯视觉。HW4.0预计会重新安装4D radar
传感器：Radar-侧前角雷达(x2)	无
传感器：Radar-侧后角雷达(x2)	无
传感器：Radar-后向雷达	无
传感器：Lidar-前向主Lidar	无
传感器：Lidar-侧前角Lidar(x2)	无
传感器：Lidar-侧向补盲Lidar(x2)	无
传感器：超声波传感器(x12)	有，后续会取消	基于视觉的占用网络算法来替代
传感器：IMU	有
传感器：GNSS	有
传感器：地面湿度传感器	无
传感器：DMS摄像头	有	安装位置较为少见，单颗camera应该可以兼顾DMS+OMS的作用；
传感器：后风挡麦克风	无
传感器：地面湿度传感器	无
传感器：其他
主控制器：控制器描述	HW3.0，双SOC + MCU方案
主控制器：散热方式	液冷
主控制器：功耗	＞72W
主控制器：MPU1子系统-MPU型号	FSD chip
主控制器：MPU1子系统-MPU数量	2个
主控制器：MPU1子系统-MPU内存规格	LPDDR4
主控制器：MPU1子系统-MPU内存容量	1GB
主控制器：MPU1子系统-MPU内存数量	8个，一个SOC接4个
主控制器：MPU1子系统-MPU存储规格	UFS
主控制器：MPU1子系统-MPU存储容量	32GB
主控制器：MPU1子系统-MPU存储数量	2个，一个SOC接一个
主控制器：MPU2子系统-MPU型号	无
主控制器：MPU2子系统-MPU数量	无
主控制器：MPU2子系统-MPU内存规格	无
主控制器：MPU2子系统-MPU内存容量	无
主控制器：MPU2子系统-MPU内存数量	无
主控制器：MPU2子系统-MPU存储规格	无
主控制器：MPU2子系统-MPU存储容量	无
主控制器：MPU2子系统-MPU存储数量	无
主控制器：MCU子系统-MCU型号	TC297
主控制器：MCU子系统-Flash型号	未知
主控制器：MCU子系统-Flash容量	300MB
主控制器：片间通信-PCIe Switch型号	无
主控制器：片间通信-Ethernet Switch型号	Marvell 88EA 6321
主控制器：其他
冗余控制器	无

其中，针对上表中的图例，附在下方：

图1 传感器安装位置和FOV视角

三、部署车型和地区：

Vehicle Type	Region	Geo-fencing	Comment
Model S/3/X/Y	北美	城区；V11后统一了高速和城区道路，形成全场景FSD	选装价格：15000美元； 或 订阅价格：199美元/月

四、总结：

按照上述维度评价Autopilot HW3.0不太适合。特斯拉主要是在算法上进展很快。从HW2.0/2.5升级到HW3.0以后，带来的FSD算法方案，应用了很多新AI技术，比如BEV多摄感知方案 + learning based 规控 + 4D标注等；目前又增加了占用网络技术，提升一般静态障碍物的检测能力。迭代速度很快。期待特斯拉在算法领域的持续创新。

另外，需要关注Camera-only系统的状态，是否能根据vision only系统迭代出L3级以上智驾系统。目前常见的说法，比如“人是靠视觉感知世界的，所以视觉系统理论上靠算法迭代也能做到自动驾驶”这类“朴素”的价值判断，并不太能让人信服。因为如果按照这种价值判断去“比喻”工程实践的话，人类就不需要仿生学了。具体地，飞机现在应该都是扇动翅膀的扑翼机，而不是固定翼飞机。因此，需要时刻关注算法创新的进展（这个才是能够证明可行的原因），以及特斯拉对其他传感器的增减尝试。但是，从整车层面看，如果vision only系统能够实现L3，那对智驾系统的推广，是极其有利的。

反过来看，基于4D radar或Lidar等主动性传感器为主的智驾系统（比如1V-5R-1L这种系统，可以保留前向视觉传感器），实现L2+和L3的可能性较小。奔驰的Drive Pilot系统的L3功能（TJP），目前是单车道场景，还可以handle，一旦涉及到频繁变道，比较担心基于Radar/Lidar等主动性传感器的能力（反过来说，也很期待以售卖4D Radar + Lidar部件的厂商，尽快能够推出基于Radar/Lidar为主传感器的高端智驾系统，来证明该技术路线的是可行的）。

 

来源 | 智能驾驶与人形机器人