无人驾驶到底还能不能实现？从L2还是L4？

最近自动驾驶圈子发生了两件事情，对比起来看会很有意思： 一件发生在大洋彼岸，曾被两大国际汽车巨头（福特和大众）青睐的 L4 级自动驾驶独角兽 Argo AI 突然官宣倒闭。福特 CEO Jim Farley 表示关停 Argo AI 是因为 L4 级自动驾驶（主要指 Robotaxi）商业落地前景不明，投入大且收效甚微，所以决定先停止烧钱，集中资源做 L2、L2+ 级自动驾驶，推动前装量产。这引起了国内自动驾驶从业者的广泛关注。 L4 还要不要烧钱做？无人驾驶到底能不能实现？何时实现？观察者们发出了一连串灵魂拷问。

另一件发生在国内，11 月的头一天，自动驾驶技术公司轻舟智航正式将其自动驾驶解决方案「Driven-by-QCraft」命名为「轻舟乘风」，它涵盖自动驾驶车载软件、车载硬件和数据自动化闭环等多个方面，可以提供轻舟智航最新的感知、PNC（规划和控制）等能力，是一套非常有竞争力的自动驾驶前装量产方案，里头最主打的功能就是城区导航辅助驾驶（城市 NOA）。  

福特作为主机厂的代表，现在正式拥抱自动驾驶前装量产；轻舟智航作为方案供应商的代表，现在也投入了自动驾驶前装量产的怀抱。行业里的车企和自动驾驶公司正在进行某种意义上的「双向奔赴」。 抛开所谓「灵魂」与「肉体」之争，现阶段还是自动驾驶功能规模化普及的开始，需要主机厂和供应商双方通力合作，把蛋糕做大，分蛋糕那是后话。 主机厂目前也很需要智驾供应商：集度、比亚迪、东风岚图需要百度 Apollo；上汽、智己、通用需要 Momenta；极狐、阿维塔需要华为 ADS；大众需要地平线；而且这些车企绝不仅仅只用一家供应商，一定会是多方案策略。

01

从L2 还是 L4？趋势逐渐明朗

过去的几年，自动驾驶技术商业化分出了两条路：一条是直接 L4，发展 Robotaxi 和其他场景的无人驾驶；一条是乘用车智能辅助驾驶的前装量产，属于 L2+ 级自动驾驶。 市面上，已经有几家的 Robotaxi 将主驾安全员拿掉并开始收费运营；各种量产车上的 Pilot 系统、导航辅助驾驶系统、自动泊车系统开始被更多消费者接受，成为他们买车的一个重要考量点。

特别是最近，导航辅助驾驶功能开始开进城市，这批搞 L2+ 辅助驾驶的杀到了 Robotaxi 的主场，两股势力正在交汇。   城市 NOA 所使用的计算平台和传感器其实和 Robotaxi 逐渐趋同，成本上虽略贵但也处于一个可控范围，而且在能力规划上也接近，都包括稳定的车道保持、识别红绿灯、自动左转右转、自动绕行等等。最大的区别是主驾上有没有司机，不过这也只是形式上的。 看上去，从前装量产出发的企业，已经在商业化道路上领先于从 Robotaxi 出发的企业，而且在技术上并不落下风。 这两年，也有蛮多的 L4 公司，或快或慢介入到自动驾驶前装量产业务，想以此来获得一部分现金流，也为了收集更多道路驾驶数据，比如百度 Apollo、Momenta、轻舟智航、元戎启行、文远知行、智行者等等，而且他们也没有放弃部署 Robotaxi 车队，等于是两条腿走路，不再单吊 Robotaxi。其中还有些企业的业务重心越来越多地偏向于前装量产业务，Momenta 最典型了，陆续拿到了很多主机厂的合作订单。

福特这一次的壮士断腕，关停 Argo AI，其实也表明，现阶段还是应该做好自动驾驶系统的前装量产，主机厂们目前更需要 L2、L2+ 自动驾驶系统，而不是 L4。这么看来，国内这一批提前转型的 L4 公司们还是蛮有预见性的。 但是软件公司要做系统的车规级量产，又何尝是件容易的事情，算法的稳定成熟度、算法的适配度、计算硬件的车规级、算法和硬件的互相匹配、成本的压缩、团队和工具链的支持力度等等，都是摆在算法公司面前的难题。

极致控制成本、极致压缩开发周期，现在的自动驾驶前装量产就是这么「卷」，即使「硬件预埋」已经帮很多主机厂和供应商争取了时间，但是消费者们一定不愿意自己花钱买的功能在提车后 1-2 年都用不上。供应商们必须又快又好保证系统的交付。 谁如果能把这些都做好，不断构筑长板、补齐短板，谁就更有机会跑出来。 正好借着「轻舟乘风」方案的发布，我们以轻舟智航为蓝本，来看看一家自动驾驶技术供应商要做好 L2+ 系统、城市 NOA，做好前装量产服务，到底需要具备哪些素质。

02

「双擎」驱动，「乘风」发布

轻舟智航在过去一年中完成了企业发展战略的调整，将业务从只有 L4 拓展到 L4 以及前装量产「双引擎」。

轻舟智航成立于 2019 年，一开始是朝着 L4 级自动驾驶技术的研发目标前进的，其落地的相关车型主要是无人小巴 Robobus，还包括正在测试并与 T3 出行合作运营的 Robotaxi 车队，一开始也是高举高打，以此来积累自己的自动驾驶软硬件算法，构造自己的数据库、场景库、模型库、打造一整套自动驾驶算法工厂。

2020 年，轻舟智航推出了第一代专注城市复杂交通场景的自动驾驶解决方案「Driven-by-QCraft」，适应于城市公开道路上的多种复杂路况，并可高效部署于多类车型。 积累了快 3 年之后，当这些技术逐渐成熟，而且通用性、可移植性非常高的时候，轻舟智航决定开拓新的业务，进军高阶自动驾驶系统的前装量产。 2022 年 5 月，轻舟智航推出了最新一代「Driven-by-QCraft」车规级前装量产自动驾驶方案，助力车企实现城市 NOA 方案的全面落地。这套方案因为软件对硬件的适配能力很强，所以从 L2+ 到 L4 自动驾驶都能做。  

基本上，轻舟智航走出了一条从 L4 出发——积累技术能力（包括感知、PNC 技术、数据驱动、算法大模型等）——拓展前装量产业务——L4 业务和前装量产业务在技术上互相反哺，并形成自动驾驶开发的「双擎」的道路，其目标就是把好用的自动驾驶能力赋能给主机厂并最终让消费者用上这样的产品。 2022 年 11 月 1 日，轻舟正式将其自动驾驶解决方案「Driven-by-QCraft」命名为「乘风」，是一整套软硬件解决方案，里面适配了像地平线征程 5、英伟达 Orin 这样的计算平台，同时也适配不同数量的激光雷达及摄像头感知硬件组合。这套算法包含了融合感知、预测规划控制、数据驱动以及算法大模型等核心技术。

「轻舟乘风」的到来，让轻舟智航的企业定位、市场定位更为清晰：自动驾驶科技公司，做智能汽车的新型 TIer 1。 轻舟智航认为，城市 NOA 是辅助驾驶的天花板，也是无人驾驶的入门槛，所以他们当下的目标是让更多车主能享受到城市 NOA 带来的便捷。

03

轻舟智航治好车企的算法焦虑

算法难题怎么求解？

既然城市 NOA 是辅助驾驶的天花板，那么在技术难度方面也是天花板。 有多难？ 小鹏汽车自动驾驶副总裁吴新宙给过一组数据来量化：小鹏的城市 NGP 代码量是高速 NGP 的 6 倍，感知模型数量是其 4 倍，预测/控制/规划（PNC 模块）的代码量是其 88 倍。从这组数据来看，PNC 模块是自动驾驶进城最难的一个部分。   为什么难？

首先就是交通参与者复杂，大货车、小客车、三轮车、工程车、市政车、行人、自动车、电动车等等，各种人车混行场景；

其次是交通规则和行为复杂，城市道路包含了各地的各类永久性、临时性红绿灯，以及环岛、复杂立交桥等，在市区还时常有大量行人、自行车、电动车不遵守交通规则的情况；

还有就是市区高精地图覆盖里程有限，需要大量借助视觉信息来处理各类路口、道路标识和车道线以及其他静态交通设施；

从车辆本身来看，传感器和计算平台还需要符合车规级，由此带来的成本、功耗限制，需要通过更强的算法框架优化和工程化能力来解决。

正因为这些难题存在，有些车企在好几年前就宣扬无人驾驶，结果到今天还只是能实现高速导航辅助驾驶，甚至大多数车型上的自适应巡航 ACC、车道保持辅助 LCC 等功能都没做好；要么就是现在新造车企业推出的更好用的 L2+ 辅助驾驶功能，但是使用场景受限，大部分自动驾驶只能在 10% 的高速场景使用，一旦进入城区，自动驾驶的体验远远达不到消费者的预期。而且现在这样的功能也价格不菲，基本上很少有人能够用上。

如特斯拉、小鹏汽车这些佼佼者，FSD Beta 的用户到现在也就 16 万人，而小鹏汽车到现在卖了 20 多万台车，选装了 NGP 功能的用户不会超过 30%。   如今，能真正量产城市 NOA 的车企或者供应商少之又少，像小鹏、华为目前也只是在单一城市进行试点，离大规模铺开还相差甚远。更别说中国市场上还有这么多的传统主机厂，他们未来的车型上要如何拥有好用、用户爱用的辅助驾驶系统？是现在他们正在焦虑的事情。 我们也应该看到好的一面，经过这么些年的发展，传感器的性能、成本以及计算平台的算力、功耗和成本都已经到了一个比较好的量产时机，目前看众多智能电动汽车在硬件上是趋同的，区别无非是芯片用几颗、激光雷达用几颗、800 万像素摄像头用几颗。

随着小鹏、蔚来、理想等车企率先把这些硬件套件量产上车，也证明其车规级验证难题已被征服。 既然硬件没问题了，那么比拼的重点就落在了软件上，软件决定了自动驾驶系统能力的上限，软件也决定了消费者愿不愿意用、爱不爱用这些功能。就算是一堆高性能硬件堆在车上，软件没做好，它依然是摆设，好食材还得有懂美食的厨师来烹饪。 作为烹饪城市 NOA 的主厨，轻舟智航也非常清楚的知道自动驾驶软件算法的重要性，所以在过去几年，一直在构建这方面的能力。

轻舟智航的自动驾驶算法有何玄机？

在这次的轻舟智航技术工坊上，他们提出了在自动驾驶算法上的开发理念：基于数据、精于感知、成于 PNC（规划控制）。

大家知道自动驾驶的主要模块包括了感知、定位、规划、控制。基于此，轻舟这个理念简单理解就是：

自动驾驶算法的进步是强依赖于数据量的，需要有大规模质量好的数据来喂养；

而感知方面需要做的精度非常高，无论是激光雷达还是视觉，无论是二维还是三维，都需要做到精准且快速，感知做好了，能力便不会太差；

最终，与用户体验强相关的就是 PNC 了，什么时候该变道，什么时候该超车，以什么速度超车，这都依赖于 PNC 技术能力，这也直接决定功能体验的好和不好，做好 PNC 更是难上加难。

所以基本上，轻舟智航的自动驾驶算法，是围绕着感知能力、PNC 能力以及大数据驱动这些核心能力来来打造出自己的特色。

（1）融合感知：时序穿插融合以及统一大模型 先从感知技术来看，目前轻舟走的是融合感知的路线，激光雷达、摄像头、毫米波雷达都配上，同时用高精地图做定位。轻舟认为纯视觉很难应对中国城市 NOA 的需求，Corner Cases 还是需要激光雷达来解决。 轻舟这套方案仅用了一颗固态激光雷达，配合上 11 颗摄像头以及 5 颗毫米波雷达，这样一套传感器组合兼顾性能和成本。

当然，如果主机厂一定要用两颗激光雷达，轻舟也不会拒绝，毕竟越多系统的冗余就更强。   也许有人会问，一颗激光雷达如何应对盲区？和小鹏汽车现在采用两颗以及其他企业采用的 3 颗、4 颗方案比会不会依然有缺陷？ 轻舟智航已经在技术上解决了这个问题。 一颗激光雷达肯定是用于前向，目前已知视场角是 120 度，这个性能和轻舟智航的「时序和空间融合算法」相配合，在车辆行驶的过程中，前向激光雷达扫过的区域会在系统时刻进行记忆，并在车往前行进后将记忆区域的点云数据，与侧向后向的纯视觉信息进行补充和融合，从而保证对前后向区域的充分认知。

而针对车辆后向的感知，一般是出现在倒车场景，但是倒车场景凭借雷达和摄像头就可以很好的实现相关功能，也不太需要再配一颗激光雷达。 这里面，轻舟有一个核心的技术起了大作用，那就是「时序和空间融合算法」。 在重点介绍「时序和空间融合算法」之前，我们来看看业内其他玩家都是怎么做的。

主流的融合方案包括前融合（数据级融合）、中融合（特征级融合）和后融合（目标级融合）三种。 不同融合方案各有优劣，有效的融合结果才能给下游任务输出可靠的信息，为车辆做出安全的预测和决策提供保障。

前融合可以实现更高质量的融合效果，但对于不同传感器的时间同步性和空间标定的要求非常苛刻；

后融合的解耦性更强，但依赖经验丰富、工程素养良好的工程人员编写基于经验的规则，同时需要大量的仿真、实车测试以获得更广的覆盖度，并且可扩展性有限，工程投入边界收益低。

业内有像飞凡汽车在前段时间提出了所谓「全融合感知」，但实际上只是包括了「前融合」和「后融合」两步，「中融合」是没有做的，所以还不能称之为真正意义上的「全融合」。 而轻舟智航的全融合感知算法则包括了「前、中、后融合」，而且在时间顺序上是穿插进行的，通过激光雷达、毫米波雷达、视觉等多传感器融合，感知模型可在不同阶段充分利用不同传感器信息，让不同传感器优势互补（也就是多模态感知信息），可以避免单模信息丢失，实现更早的多传感器信息共享，得到更优传感器融合结果，避免各类误检和漏检，精度高且鲁棒性强。 这里头最重要的一点就是加入了「中融合」，也就是特征级融合。为什么轻舟智航能做这一步，是因为随着 BEV（Bird's Eye View，一种多传感器融合框架）技术的迭代，他们发现在特征层面上对激光雷达点云和视觉图像做特征融合变得更为现实，轻舟就应用了这个技术，来实现一个更好的融合结果。

此外在「时序融合」方面，轻舟肯定不只靠单帧的结果来做感知，以前是通过一些传统的跟踪技术，实现了对时序的一个利用，但这种利用本身也是有很大的信息损失，通过时序的融合，轻舟可以充分利用时序中的信息，来达成更好的最终感知效果。 为了配合「前中后穿插融合」感知算法，轻舟智航还打造了自己的神经网络大模型 OmniNet，这个网络模型和特斯拉的 HydraNet 以及小鹏汽车的 XNet 是一类东西，不过 OmniNet 最独特的地方就是引入了激光雷达感知信息的融合（HydraNet 和 XNet 是纯视觉融合模型），且独家支持「时序融合」。

  OmniNet 将视觉、毫米波雷达、激光雷达等数据通过前融合和 BEV 空间特征融合，让本来独立的各个计算任务通过共享主干网络（backbone）和记忆网络（memory network）进行高效多任务统一计算，最终同时在图像空间和 BEV 空间中输出不同感知任务的结果，为下游的预测和规划控制模块提供更丰富的输出。 而且，OmniNet 也是可以部署在量产计算平台上的，因为相较传统方案，OmniNet 在实际应用中可节省 2/3 的算力资源。 怎么做到的呢？统一的时序多模态特征融合的大模型，让各模型的主干网络部分可以共用，避免了大量重复计算，也无需再对不同任务开发不同的网络模型。 正因此，轻舟的感知方案可以灵活适配不同车型的传感器配置，而无需针对不同的硬件配置进行单独的模型训练，带来了更低的迁移成本。这也就是前文所提到的「轻舟乘风」可以支持不同传感器方案，支持 L2+ 到 L4 自动驾驶的不同能力。

总结起来就是：OmniNet 让融合感知的效率更高、效果更好（特别是能够准确且稳定地识别超长车辆、异形车辆、跨相机截断物体等）、且能够适配不同的传感器方案、也不占用太多算力资源，很适合在车端部署。

引入了大模型 OmniNet 之后，也非常利于轻舟智航采用数据驱动的算法开发模式，通过数据闭环实现算法的高效迭代，能减少模型维护成本，同时效果也更加可靠，对于解决一些自动驾驶的长尾问题非常高效。 传统的开发模式是它教给你什么，你就学到了什么，而 OmniNet 支持的这种数据驱动的模式，其实就是让系统拥有了自学和自我成长的能力，无论以后遇到什么交通场景，车辆都可以辨别和应对。 多传感器时序穿插融合算法，配合上统一的神经网络大模型 OmniNet，让轻舟智航的感知融合技术在业内还是非常有独特性的，而且整体的感知效果也足够出色。

这样一套感知体系，在应对城市 NOA 的场景挑战时，肯定是不怵的，从目前轻舟释放出的测试车的测试视频来看，完全可以应对各种复杂甚至是极端场景的感知需求。 讲完感知，我们再来看更难搞定的 PNC（规划和控制）模块。 （2）城市 NOA 的 PNC 模块代码量是高速 NOA 的数十倍 提到 PNC（全称 Planning and Control），大家都知道是规划和控制，但其中还有更多内涵。 轻舟智航的 PNC 模块包含了车端核心模块和支持模块：

车端核心模块包括导航、预测、决策、规划、控制；

车端支持模块包括 HMI（人机交互）、环境感知、地图定位等；

PNC 的离线模块可以收集、查询、测试数据，训练模型，通过仿真分析模型和算法效果，最后再将模型和算法效果反哺给车端模块。

PNC 中的「规划」其实就是自动驾系统会帮车辆规划出一条行进轨迹，到底是直行，还是转弯，或者是超车、绕行，这里就涉及到车辆方向盘的调整和速度的调整，也就是 PNC 中的「控制」。 车辆横纵向控制和速度的控制直接影响到车里面乘坐者的感受，所以说 PNC 也是决定用户体验的重要模块。 当然了，大家也都关心通行效率的问题，毕竟人开车遇到前面车开得慢肯定会超车，那自动驾驶状态下会不会及时超越慢车，其实也和 PNC 强相关，所以这个模块做得好不好也会影响车辆的通行效率。

安全、上好的乘坐体感以及不低的通行效率，其实就是 PNC 模块要追求的高境界。特别是城市 NOA 要面对复杂城市交通环境，车多人多交通行为复杂，PNC 模块就很难做，做好了那就非常有竞争力。 在 PNC 这块，轻舟智航应该算得上是业内首家采用了「时空联合规划」算法的方案商。 什么是「时空联合规划」？

简单理解就是系统同时考虑空间和时间来规划车辆轨迹，而不是先单独求解路径，在路径基础上再求解速度从而形成轨迹。将「横纵分离」，升级为「横纵联合」，能直接在x-y-t（即平面和时间）三个维度的空间中直接求解最优轨迹。 人类司机其实每天都在用「时空联合规划」，比如说加速超车，就是在变道的过程中带点油门，丝滑完成超车。轻舟智航的这套算法正是为了更像人开车、丝滑应对各类交通场景而打造的。 在最为典型的「鬼探头」场景，「时空联合规划」让自动驾驶车辆不拘泥于固定的路径，可以实时计算出来一个最佳的避让轨迹，更好地保证安全性。

和「时空联合规划」相对的就是「时空分离规划」，这也是目前业内比较常用的 PNC 策略。这个策略把「轨迹规划」拆分成两个子问题，即路径规划（path planning）和速度规划（speed planning）。路径规划对应于横向控制，即方向盘；速度规划对应于纵向控制，即刹车或油门，这种决策机制也就是通常所谓的「横纵分离」。 这种方式非常依赖手写规则来调整车辆行为，也非常依赖大量路测来验证算法，所以有一些先天的缺陷。

轻舟智航 CTO 侯聪这样评价「时空分离规划」：「在时空分离算法中，可以通过增加对本车未来速度的规则性的预估弥补路径计算中的不足。但这种预估理论上是存在缺陷的，因为预估的时候，本车最优的速度还没有规划出来。」 轻舟选择「时空联合规划」也不是拍脑袋决定的，在公司创立之初，他们就去中国的几个一线城市进行了考察，发现在中国城市的道路环境过分复杂，考虑到长远的发展，所以决定不用业内主流的「时空分离规划」，而是走一条更难但更适合的路。

「时空联合规划」的难点在于，这个算法的计算量很大，而且参数众多，实现起来以及后续的优化难度巨大，轻舟为此投了大量的研发资源来打磨这个算法。 为了应对该算法对计算性能要求高的难题，轻舟的 PNC 策略是当算力足够的时候，会计算出较多轨迹，选取最优轨迹，充分利用多核做并行计算；算力有限的情况下，生成的轨迹会相应减少，但也能保证行车安全、稳定。

当然，理论的归理论，具体实车表现如何还需亲身体验来验证，笔者此前已经体验过轻舟 Robotaxi 的早期测试车，在绕行路边车辆的操作方面确实有很好的体感。 在 PNC 之前，还有一个比较重要的模块是预测，系统需要预测交通其他参与者的行进意图，才能更好的进行轨迹规划和控制。 轻舟也自研了预测模型 Prophnet，在一些国际比赛里成绩也是名列前茅。

具体用几个数字指标来看看轻舟的预测做得如何：

轻舟智航能提供 10 秒长时的意图加轨迹预测，主模型预测有至少三条带概率的轨迹，同时最大概率轨迹和真值的平均误差是 3.73 米。总之就是预测很精准。

主模型可同时支持预测 256 个目标，推理整体耗时小于 20 毫秒，可以满足实时运算的需求。

模型支持地平线征程 5 和英伟达 Orin 双平台。轻舟的预测模型算子也是国内首家适配征程 5 BPU 的。

一整套的预测+ PNC 的算法，让轻舟智航的自动驾驶车辆能够很好的应对中国的城市 NOA 功能需求。 （3）数据不仅驱动感知算法，也驱动 PNC 算法 大家都知道优质的数据对于自动驾驶系统的研发和优化来说非常重要，「数据就是石油」。 大量的数据喂给系统，让它不断丰富自己的「学识」，以往不认识的东西，现在认识了，这更多的指的是感知层面。毋庸置疑大数据对于自动驾驶感知提升非常显著。 而在 PNC 模块，大数据也非常重要，因为从「新手司机」变成「老司机」，也很需要大数据的喂养。 任何一家自动驾驶公司都有一套数据采集、存储、清洗筛选、标注、仿真训练的体系，轻舟智航也不例外，而且还做得很深入。

过去几年，轻舟建立起了「驾驶数据仓库」，可自动化地对实际驾驶数据和「影子模式」（在人类司机驾驶时，软件会以「影子模式」 在后台运行）下的人工驾驶数据打上标签。这些标签非常丰富，数量多达成百上千个，包括道路信息（道路级别、种类、车道类别等）、坐标环境信息（周围障碍物、车流密度、行人、其他车辆是否 cut-in 等）、自车信息（自车的速度、位置）、从影子模式中获得的人类司机的开车数据，由此就可以得知人类司机在哪个时间点刹车变道、什么时候打了转向灯，这对于提升算法能力非常宝贵。 举个例子，比如有一天轻舟的一辆自动驾驶测试车在碰到一辆大车 cut-in 的时候，没有很好的应对，那轻舟就可以调用数据仓库里所有类似的场景，做成场景库进行仿真测试。

通过仿真测试即可验证算法当前存在的问题。在修改算法或者重新训练模型之后，如果模型效果表现得好，则可以把结果用在车上；让车开得更好，从而完成了一个数据闭环。 这就是数据驱动在 PNC 模块应用的一个典型例子。 那轻舟的数据从哪里来？ 目前主要是自己采集。这里不得不提到轻舟的 L4 级 Robotaxi 业务。   目前，轻舟智航已经在全国 10 座城市公开道路常态化运营，包括苏州、深圳、武汉等等，常态化运营的小巴车辆超过 100 台，这些车辆的运营为轻舟积累了丰富的行车数据。

截止 2021 年年底，轻舟智航已经测试了百万公里的城区道路，有大量的L4级别的激光雷达、摄像头和毫米波雷达等传感器数据，以及长期积累的司机驾驶行为数据积累，这些数据规模还将持续扩大。 等到「轻舟乘风」真正量产上车之后，轻舟智航又多了一个数据来源，就像特斯拉、小鹏汽车、Mobileye 这些公司一样，有大规模的量产车在路上收集实际行驶数据。

3、量产向小鹏看齐，路线上殊途同归

在城市 NOA 这条路上，毋庸置疑现在小鹏汽车是走得最快且效果最好的一家企业之一，轻舟现在要在城市 NOA 领域展开角逐，无疑就是要和小鹏的城市 NGP 斗一斗法，毕竟要比就和最好的比。 实际上，轻舟和小鹏在开发自动驾驶技术和功能的战略规划上，已经是殊途同归、战略合流了：

轻舟从 L4 Robobus、Robotaxi 出发，走到现在以「轻舟乘风」为重要业务，要为车企打造城市 NOA。

小鹏汽车从基础的辅助驾驶开始做起：G3 上的自动泊车；P7 上的 XPilot、高速 NGP、记忆泊车；P5 上的双激光雷达/城市 NGP，现在也计划推出自己的 Robotaxi。

小鹏希望为自家的车型产品配备好用的城市 NOA，轻舟智航希望为更多主机厂的车型产品配备好用的城市 NOA。他们一家是主机厂，一家是供应商，最终的目标都是实现无人驾驶的远景。 从整个产业来看，小鹏的自动驾驶开发只能成就小鹏，而轻舟智航的自动驾驶开发可以成就任何主机厂，省得主机厂再重复造轮子。 未来轻舟智航要在前装量产中证明自己的技术实力，赋能更多的主机厂，让这些主机厂的车型产品也有非常好用的自动驾驶功能，至少在辅助驾驶这个领域，可以和特斯拉、小鹏这样的领先选手掰掰手腕。 「轻舟乘风」应该是解决车企智能驾驶焦虑的一剂良药。