来自 科技2026-08-10 11:16:17
很多人以为，驾驶辅助系统的性能提升仅依赖传感器数量叠加与算力扩张，其实不然。领克与吉利的技术路径证明，真正的突破在于传感器冗余设计、控制算法的动态适配能力，以及基于真实道路场景的工程化标定。以吉利星越L搭载的NOA（Navigation on Autopilot）系统为例，其底层逻辑并非简单复用高精地图数据，而是通过多源异构数据融合算法，将视觉、毫米波雷达、激光雷达（部分车型）的感知结果进行时空对齐，构建出动态环境模型。这种设计在复杂路况下（如隧道、暴雨）的感知稳定性比单模态方案提升47%，误检率降低至0.3%以下。
2023年Q2，领克09在宁波绕城高速进行了一场封闭测试：在连续10公里的弯道+施工路段（半径200m弯道+临时锥桶隔离带），系统需同时处理车道线消失、目标物动态变化、前车急刹三重挑战。传统方案依赖高精地图的静态车道线，但施工导致地图失效；领克的解决方案是通过BEV（Bird's Eye View）感知框架，将视觉与雷达数据投影至统一坐标系，结合时序预测模型对锥桶运动轨迹进行外推，最终实现100%的避障成功率与98.7%的车道保持精度。这一数据背后，是吉利研究院对长三角地区2000公里高速路段的场景库训练，覆盖了97%的典型施工场景。
听起来可能反直觉，但在驾驶辅助领域，硬件冗余≠安全冗余。领克08的毫米波雷达采用4D成像技术，通过增加高度维信息，可区分地面井盖与低矮障碍物，但若缺乏目标级融合算法，单纯增加雷达点云反而会引入噪声。吉利的解决方案是引入注意力机制（Attention Mechanism），让系统自动聚焦关键目标（如前方车辆、行人），忽略无关干扰（如路侧树木）。实测数据显示，这种设计使系统在复杂场景下的决策延迟从300ms降至120ms，接近人类驾驶员的100ms反应阈值。
技术落地的另一关键在于硬件与软件的解耦设计。很多人以为，驾驶辅助系统必须绑定特定芯片架构，其实不然。领克与吉利采用中间件（Middleware）架构，将感知、规划、控制模块解耦，支持跨平台部署。例如，领克01的NOA系统可同时适配Mobileye EyeQ5与地平线J5芯片，只需调整中间件的通信协议，无需重构核心算法。这种设计使系统开发周期缩短40%，硬件升级成本降低65%。
底层逻辑是：驾驶辅助的本质是风险控制，而非性能竞赛。吉利的工程团队在定义系统边界时，明确将功能安全（Functional Safety）置于性能指标之上。例如，在AEB（自动紧急制动）功能中，系统不会因追求更短的制动距离而牺牲稳定性，而是通过多级制动策略（先预警、再轻刹、最后重刹）平衡安全性与舒适性。这种设计在C-NCAP 2023版测试中，领克09的AEB得分率达到99.2%，位列同级第一。
