城市NOA功能的原理是什么？

城市NOA（Navigate on Autopilot，导航辅助驾驶）的核心原理是通过融合感知、决策、规划、控制四大技术模块，让车辆在复杂城市道路中实现从A点到B点的自主领航，其关键技术路线正从“强依赖高精地图”向“无图化+AI大模型”演进。

一、城市NOA的感知系统

1. 硬件感知层

车辆通过摄像头、毫米波雷达、超声波雷达、激光雷达等多种传感器构成360度环绕感知网络。

负责采集车道线、交通信号灯、行人、车辆、障碍物及道路边界等实时环境数据。

2. 实时建图与识别

利用BEV+Transformer等AI大模型架构，将多路传感器数据融合为统一的鸟瞰视角空间模型。

系统无需依赖预先存储的高精地图，而是通过实时感知完成“在线建图”，动态识别可变车道、临时施工区域等复杂场景。

二、决策与规划算法

1. 云端与车端协同

云端网络持续更新路口模型（如NPN神经先验网络），帮助车辆提前预知路口形状与车道对应关系。

车端AI实时处理传感器数据，判断红绿灯状态、障碍物轨迹及交通参与者意图。

2. 路径规划

系统根据导航设定，综合实时路况计算最优行驶路径，包括变道时机、转弯策略和跟车距离。

采用TIN网络（Traffic Intention Network）实现无需固定规则的红绿灯识别与通行意图判断。

三、控制执行与迭代

1. 车辆控制

规划模块生成指令后，线控底盘系统精准执行转向、加速、制动等动作。

系统模仿“老司机”驾驶风格，例如在无保护右转时减速观察、会车时预留安全空间。

2. 数据闭环进化

每一辆搭载城市NOA的车辆在实际行驶中采集的边缘场景数据（如施工改道、异形红绿灯），都会回传云端用于模型训练。

通过OTA升级，系统能不断优化识别精度和决策合理性，逐步降低人工接管率。

四、技术路线对比

• 技术路线
• 代表特征
• 关键差异
• 有图方案强依赖高精地图获取车道级信息地图更新滞后，受限路段多
• 无图方案基于实时感知+AI大模型适应性强，能应对修路、临时改道
• 通勤模式用户自训练固定路线在个性化通勤场景中体验更优

五、通勤NOA与城市NOA的关联

通勤NOA是城市NOA的一种特殊应用：车主首次手动驾驶设定通勤路线后，系统通过摄像头和雷达记录沿途特征数据，形成固定记忆路线。

多次重复行驶后，系统逐步熟悉沿途信号灯位置、车道变化和典型路况，最终实现一键启动、自动行驶到目的地的体验。

该模式属于“从局部到整体”的渐进式策略，有助于加速城市NOA在更多道路场景的覆盖。