芯耀
203
汽车智能化与电动化趋势
2025年标志着汽车智能化3年爆发周期的正式开启，这是汽车行业发展的重要转折点。随着科技的飞速进步，智能化技术在汽车领域的应用正以前所未有的速度推进。国内电动化渗透率呈现出强劲的增长态势，从2024年的50%稳步上升，预计在2028年将成功突破80%。这一增长趋势不仅反映了消费者对电动汽车的接受度不断提高，也体现了汽车行业向电动化转型的坚定决心。整车竞争焦点逐渐从单一的“电动化”向“智能化 + 电动化”双核心转变。在这个变革的时代，汽车不再仅仅是一种交通工具，更是智能化移动终端。车企们纷纷加大在智能化领域的研发投入，力求在激烈的市场竞争中占据优势地位。
城市NOA成为智能化核心分水岭
城市NOA（Navigate on Autopilot，城市导航辅助驾驶）已成为衡量汽车智能化水平的核心分水岭。它代表了汽车在城市复杂路况下实现自动驾驶的能力，是汽车智能化发展的重要标志。头部企业在城市NOA技术上取得了显著突破，已实现“车位 - 车位”全链路贯通。这意味着车辆可以在停车场和城市道路之间实现无缝衔接的自动驾驶，为用户提供更加便捷、高效的出行体验。在复杂场景应对方面，头部企业表现出色，环岛、无保护掉头、窄道会车等复杂场景的覆盖率超过90%。这得益于先进的传感器技术、智能算法以及大量的实际道路测试，使得车辆能够准确感知周围环境，做出合理的驾驶决策。对于Corner Case（极端情况或特殊场景）的处理，头部企业的响应时间能够控制在≤0.3秒。这一快速响应能力对于保障行车安全至关重要，能够在瞬间做出正确的反应，避免潜在的危险。
测试概况：双维度科学测评
测试覆盖范围
本次测试涵盖了问界、小鹏、理想、魏牌蓝山、小米、腾势、蔚来7家主流车企，这些车企在汽车行业中具有广泛的影响力和代表性。
测试车型为10款搭载最新智驾版本的量产车型，确保了测试结果能够反映当前市场上智能驾驶技术的最新水平。这些车型在硬件配置和软件算法上都进行了优化和升级，以提供更好的智能驾驶体验。
测试形式
大样本集中路测
参与人数多达50人，这样大规模的参与群体能够收集到更广泛的反馈和数据。不同的驾驶员具有不同的驾驶习惯和感受，通过他们的体验，可以更全面地评估智能驾驶系统在实际使用中的表现。测试时段选择在8:00 - 18:00，涵盖了早高峰和平峰时段。早高峰的拥堵路况能够考验智能驾驶系统在复杂交通环境下的应对能力，而平峰时段则可以测试系统在正常路况下的稳定性和效率。路线长度设定为7.2公里，这条路线经过精心设计，包含了掉头、上下立交等核心场景，能够全面测试智能驾驶系统在各种常见城市道路场景下的性能。每车测试重复次数≥5次，通过多次重复测试，可以减少偶然因素的影响，使测试结果更加可靠和准确。多次测试能够更全面地评估智能驾驶系统在不同时间、不同驾驶条件下的表现，从而得出更客观的结论。
小样本深度路测
参与人员为同一评价员 + 安全员（共2人），这样的人员配置确保了评价标准的一致性和驾驶风格的稳定性。同一评价员可以根据统一的标准对智能驾驶系统进行评价，避免了不同评价员之间主观差异对测试结果的影响。测试时段为9:00 - 21:00，覆盖了多个时段，包括早高峰、平峰、晚高峰和夜间。不同时段的路况差异很大，通过在不同时段进行测试，可以更全面地了解智能驾驶系统在各种路况下的性能表现。路线长度约为25公里，这条路线覆盖了深圳典型复杂路况，包括“反转通行”路口、单向窄道、大曲率弯道等“高难度场景”，能够深入测试智能驾驶系统在极端复杂环境下的应对能力。每车测试时长≥45分钟，较长的测试时长可以让智能驾驶系统充分展示其性能，也能够更全面地发现潜在的问题和不足。
核心说明
本报告仅做定性 + 定量横截面评价，旨在从多个维度对智能驾驶系统进行全面评估。定性评价主要关注智能驾驶系统的功能表现、用户体验等方面，定量评价则通过具体的数据指标来衡量系统的性能，如接管次数、通过率等。表格顺序不代表车企能力排序，这是为了避免给读者造成误解，确保评价的客观性和公正性。智能驾驶技术的评估是一个复杂的过程，受到多种因素的影响，不能仅仅根据表格顺序来判断车企的能力。报告主要聚焦于智能驾驶技术的实际测试和分析，为读者提供关于智能驾驶技术现状和发展趋势的信息。投资决策需要考虑更多的因素，如市场前景、财务状况等，本报告不对此进行讨论。
深圳路况适配：主动理解型智驾更具优势
深圳特色路况挑战
深圳的交通状况独特，路侧临停车辆占比超30%，这给智能驾驶系统带来了巨大的挑战。这些临停车辆可能随时启动或移动，智能驾驶系统需要准确识别它们的状态，避免发生碰撞。复杂路口（含可变车道、反转通行）占比15%，这些复杂路口的交通规则和车道变化频繁，要求智能驾驶系统具备强大的环境理解和决策能力。系统需要实时感知车道的变化，合理规划行驶路线，确保安全通过路口。窄道通行路段占比22%，窄道通行时，车辆与周围障碍物的距离较近，智能驾驶系统需要精确控制车辆的位置和速度，与非机动车和行人进行有效的博弈，确保通行效率和安全。这些路况对智驾的“环境理解 + 博弈决策”能力提出了极高的要求。智能驾驶系统需要能够准确感知周围环境信息，理解交通规则和其他道路使用者的意图，做出合理的决策，以应对各种复杂情况。
头部表现
华为（问界M7）和小鹏（P7）在深圳路况测试中表现卓越，以“低接管次数 + 高场景通过率”领跑。这表明它们的智能驾驶系统在应对深圳复杂路况时具有较高的可靠性和稳定性。问界M7的平均接管次数为0.47次/7.2km，这意味着在7.2公里的行驶路程中，平均仅需接管0.47次，体现了其智能驾驶系统的高度自动化和可靠性。小鹏P7的平均接管次数为2.40次/7.2km，虽然略高于问界M7，但在行业中仍处于领先水平。其智能驾驶系统通过先进的算法和传感器融合技术，能够有效地应对各种复杂场景。两款车型在困难场景通过率方面均超85%，这说明它们在面对环岛、无保护掉头等复杂场景时，能够准确判断路况，做出合理的驾驶决策，顺利通过场景的概率较高。
黑马表现
魏牌蓝山在大样本集中路测中展现出强大的实力，复杂场景处理得分达到3.58分（满分5分）。这一成绩表明其智能驾驶系统在处理复杂场景时表现出色，能够较好地应对各种挑战。在匝道场景表现上，魏牌蓝山并列第一，这得益于其优化的匝道通行算法和精准的车辆控制能力。在匝道行驶时，它能够保持稳定的车速和准确的车道位置，确保安全、顺畅地通过匝道。
行业趋势：差距缩小，格局重塑
第二梯队追赶
对比Q4和Q1的数据，第二梯队车企（小米、腾势等）取得了显著的进步。在智能驾驶技术的发展过程中，第二梯队车企不断加大研发投入，努力提升自身的技术水平。断点场景（环岛、掉头）覆盖率从60%提升至88%，这意味着它们的智能驾驶系统在处理这些复杂场景时的能力得到了大幅提升，能够更好地应对实际道路中的挑战。接管次数下降40%+，这表明第二梯队车企在优化智能驾驶算法和提升系统稳定性方面取得了成效，减少了人工干预的需求，提高了驾驶的安全性和舒适性。
第一梯队迭代
华为、小鹏、蔚来等第一梯队车企目前处于底层架构切换期，如华为的WEWA架构、小鹏的VLA大模型。架构切换是为了提升智能驾驶系统的性能和扩展性，以适应未来更复杂的交通环境和用户需求。现阶段它们聚焦于稳定性优化，通过大量的测试和验证，确保新架构下的智能驾驶系统能够稳定运行，减少故障和异常情况的发生。下一版本预计实现功能跃升，随着底层架构的升级和优化，未来这些车企的智能驾驶系统有望在功能上实现重大突破，为用户带来更智能、更便捷的驾驶体验。
双测试形式详细对比
大样本集中路测
核心参数
参与人数：50人，大规模的参与人数可以获取更丰富的测试数据和反馈，涵盖不同驾驶习惯和经验的人群，使测试结果更具代表性。测试时段：8:00 - 18:00（早高峰 + 平峰），选择这个时段能够全面测试智能驾驶系统在不同交通流量下的性能，包括拥堵的早高峰和平峰时段的正常路况。路线长度：7.2公里，精心设计的路线包含了多种典型的城市道路场景，如掉头、上下立交等，可充分检验智能驾驶系统在常见场景下的应对能力。重复次数：每车≥5次，多次重复测试有助于减少偶然因素的影响，提高测试结果的可靠性和准确性，更全面地评估智能驾驶系统的性能。
优点
同时段多车型对比，能够排除时段干扰，在相同的时间条件下对不同车型的智能驾驶系统进行比较，使测试结果更具可比性。路线标准化，含掉头、上下立交等核心场景，保证了测试的一致性和全面性，便于对不同车型在相同场景下的表现进行评估。样本量充足，统计结果更具代表性，50人的参与规模和每车多次的测试，能够涵盖更广泛的驾驶情况，使统计结果更能反映智能驾驶系统的真实水平。
局限性
评价员主观尺度差异，例如在“平稳性”评分上可能存在±0.3分的偏差。不同评价员对平稳性的感受和评价标准可能不同，这会对测试结果产生一定的影响。安全员安全边际不同，激进型与保守型接管差异可达30%。安全员的驾驶风格和对安全的判断标准不同，可能导致接管行为的差异，影响对智能驾驶系统性能的评估。单时段测试，无法覆盖晚高峰、夜间场景。由于只在早高峰和平峰时段进行测试，对于智能驾驶系统在晚高峰拥堵和夜间特殊光照条件下的表现了解不足。
测试流程
车型分组：将7家车企车型分为5组，每组10人测评，合理的分组方式便于组织测试和统计数据，同时也能保证每组都有足够的样本量。路线打卡：设置4个关键场景打卡点，记录实时表现，通过打卡点的设置，可以准确记录智能驾驶系统在关键场景下的具体表现，为后续分析提供详细的数据。数据汇总：统一录入评分系统，计算平均值 + 方差，利用评分系统和统计方法，能够对测试数据进行科学分析，得出客观的评价结果。
小样本深度路测
核心参数
参与人员：同一评价员 + 安全员（共2人），确保评价标准和驾驶风格的一致性，减少人为因素对测试结果的干扰。测试时段：9:00 - 21:00（覆盖多时段），涵盖了早高峰、平峰、晚高峰和夜间等不同时段，全面测试智能驾驶系统在各种路况和光照条件下的性能。路线长度：≈25公里，较长的路线覆盖了更多的复杂场景，能够更深入地测试智能驾驶系统在复杂路况下的应对能力。测试时长：每车≥45分钟，足够的测试时长可以让智能驾驶系统充分运行，暴露潜在的问题，更全面地评估其性能。
优点
评价标准统一，无主观偏差，由同一评价员进行评价，避免了不同评价员之间主观差异对测试结果的影响，使评价更客观。安全员驾驶风格一致，接管逻辑统一，保证了测试过程中接管行为的一致性，便于对智能驾驶系统的性能进行准确评估。覆盖21类细分场景，深度验证复杂路况表现，全面的场景覆盖能够充分检验智能驾驶系统在各种复杂情况下的应对能力，发现其优势和不足。
局限性
不同时段路况差异，如早高峰拥堵与夜间畅通，路况的变化可能导致智能驾驶系统的表现不同，增加了测试结果的不确定性。路线细微调整，如施工路段临时绕行，可能影响测试的一致性和可比性，对智能驾驶系统的测试结果产生干扰。单车型样本量少，结果受偶然因素影响，由于样本量有限，个别偶然事件可能对测试结果产生较大影响，降低了结果的可靠性。
测试流程
场景标记：提前标注21类细分场景，逐一评分，通过详细的场景标记和评分，能够对智能驾驶系统在每个细分场景下的表现进行准确评估。实时记录：接管时同步标注“接管原因 + 场景类型”，及时记录接管信息，有助于分析智能驾驶系统出现问题的原因和场景，为改进提供依据。复盘分析：结合行车记录仪，回溯接管合理性，通过复盘分析，可以更全面地了解智能驾驶系统的运行情况，评估接管行为的合理性，为优化系统提供参考。
测试车型及智驾版本核心信息
华为 问界M7
智驾版本
ADS 4.0.2，这是华为智能驾驶解决方案的一个重要版本，在功能和性能上都有显著的提升。
核心更新内容
车位到车位2.0（覆盖地库 + 城市道路），实现了车辆在停车场和城市道路之间的全链路自动驾驶，为用户提供更便捷的停车和出行体验。CAS4.0全维防碰撞系统，增强了车辆对各种碰撞风险的感知和应对能力，有效提高了行车安全性。泊车代驾2.0（支持遥控泊车），增加了遥控泊车功能，用户可以在车外通过遥控器控制车辆泊车，方便在狭窄空间停车。
硬件配置亮点
4D毫米波雷达 + 3颗半固态激光雷达，4D毫米波雷达能够提供更精确的距离、速度和角度信息，3颗半固态激光雷达则实现了360°的环境感知，提升了智能驾驶系统对周围环境的感知能力。小鹏 小鹏P7
智驾版本
XOS 5.7.8，小鹏智能驾驶操作系统的一个重要版本，不断优化和升级智能驾驶功能。
核心更新内容
本地端VLA+VLM大模型上车，提升了智能驾驶系统对环境的理解和决策能力，使其能够更准确地应对各种复杂场景。4D视频流感知融合，通过融合多个摄像头的视频流信息，实现了对周围环境的动态感知和实时跟踪，提高了感知的准确性和可靠性。环岛、复杂路口博弈优化，优化了智能驾驶系统在环岛和复杂路口的决策算法，使其能够更合理地与其他车辆和行人进行交互，提高通行效率和安全性。
硬件配置亮点
双图灵芯片（1500TOPS）+ 纯视觉方案，双图灵芯片提供了强大的算力支持，纯视觉方案则通过多个摄像头实现环境感知，降低了成本，同时也提高了系统的灵活性。理想 理想i6
智驾版本
OTA 8.0，通过在线升级的方式，不断优化和改进智能驾驶功能，为用户提供更好的体验。
核心更新内容
MindVLA模型落地，支持语音控车，用户可以通过语音指令控制车辆的驾驶操作，提高了驾驶的便利性和安全性。三点掉头功能优化，提升了车辆在狭窄空间掉头的能力，使掉头操作更加顺畅和安全。长距离跟车稳定性提升，优化了跟车算法，使车辆在长距离跟车时能够保持稳定的速度和距离，提高了驾驶的舒适性。
硬件配置亮点
Thor-U芯片（700TOPS）+1颗激光雷达，Thor-U芯片提供了较高的算力，1颗激光雷达则增强了车辆对周围环境的感知能力，为智能驾驶提供了有力支持。魏牌蓝山 蓝山DHT-PHEV
智驾版本
CP Ultra 3.9.0，长城汽车智能驾驶系统的一个重要版本，不断提升智能驾驶的性能和体验。
核心更新内容
车位到车位全程无断点，实现了车辆在不同场景下的连续自动驾驶，提高了驾驶的便利性和流畅性。起停场景泊车体验优化，优化了车辆在停车和启动时的泊车算法，使泊车过程更加平稳和准确。窄道通行博弈策略升级，改进了智能驾驶系统在窄道通行时的决策策略，使其能够更好地与其他车辆和行人进行博弈，提高通行效率和安全性。
文章参考 东吴证券2025年主流车企城市NOA试驾报告—11月深圳篇
