“平权+端到端”，智能驾驶加速进化

智能驾驶行业发展回顾

新能源车高增推动智能驾驶快速渗透。中国已成为全球汽车产业电动化、智能化发展方向上的积极倡导者与重要引领者。近年来，中国新能源汽车市场销量及渗透率均 呈现出稳步上升态势，整体增长趋势明确。回顾 2019–2025H1 期间，尽管总销量受宏观环境及周期性因素影响略有波动，但新能源汽车销量总体保持持续增长，尤其 在 2023–2024 年期间实现显著放量，市场增势明显。同时，新能源汽车渗透率一路攀升，从 2019 年的较低水平起步，先后突破 10%、30%、50% 等关键阶段性关口， 反映出新能源车型在整体汽车市场中的占比不断提升，消费者对新能源产品的接受度与认知度持续增强，产业发展进入加速普及阶段。

智能驾驶配套普及形成正向发展循环。与此同时，中国新能源汽车L2级别智能驾驶功能渗透率也展现出快速提升的态势。从 2019 年的约 7% 起步，到 2025H1 已上升 至 65% 左右的水平，显示出智能驾驶技术在新能源车上的配套应用正快速普及。从逻辑上看，左图的销量与渗透率提升反映了新能源车本身的市场扩张趋势，而右图 的智能驾驶渗透率上升，则揭示了市场配套智能化技术的同步发展进程。随着新能源车保有量持续扩大，车企为了增强产品竞争力、差异化定位以及改善用户体验，越 来越多车型开始标配或选配智能驾驶功能。另一方面，消费者在购买新能源车型后接触智能驾驶的机会显著增加，对智能化功能的认知、使用意愿也同步增强，形成了 自下而上的市场反馈机制。

智驾沿着“端到端”、“智驾平权”加速

端到端：在特斯拉于 2024 年 3 月率先推出“端到端”智驾方案后，国内造车新势力迅速跟进，掀起技术架构革新浪潮。小鹏汽车在“520 AIDAY”发布会上宣布，其 国内首个“端到端”大模型已实现量产上车；同年 7 月，理想汽车进一步发布基于“端到端”模型、VLM 视觉语言模型与世界模型的全新自动驾驶技术架构，加速高 阶智驾技术的落地进程。端到端技术通过打通感知、决策与控制全链路，显著减少了传统分层算法带来的信息损耗与适配成本，实现更高效的场景泛化与模型自学习能 力。这一架构的快速普及，有效降低了车企在算法部署和数据闭环构建中的研发门槛，使城区 NOA 等高阶智驾功能的量产落地加速。受益于此，高阶智驾（L2+及以上） 功能搭载率从 2024 年 1–4 月的 11.8% 提升至 2025 年同期的 18.6%，市场渗透呈现出稳中加速的趋势。

智驾平权：步入 2025 年初，头部自主品牌集体加码智能驾驶技术布局。比亚迪、吉利、奇瑞、长安等四大自主车企相继推出重磅智能驾驶方案，在技术突破的同时， 也将智能驾驶价格门槛进一步拉低，加速“智驾平权”进程。例如，比亚迪秦 PLUS 智驾版（11.98 万元）已搭载高速 NOA 功能；吉利银河星耀 8EM（15 万元）实现 了“车位到车位”全场景智驾的标配功能。与造车新势力主要集中在中高端车型不同，自主车企通过规模化生产、供应链整合和自研芯片等路径，正在实现智能驾驶技 术的价格下探与普惠化落地。其中长期目标明确：在 10 万元级别车型上实现高速 NOA 的全面标配。随着这一战略推进，中高阶智驾（高速 NOA）搭载率从 2024 年 1–4 月的 11.8% 升至 2025 年同期的 18.6%，市场覆盖范围持续扩大，技术渗透进一步提速。

端到端智能驾驶复盘

端到端智能驾驶演进历程

第一阶段：感知“端到端”/“BEV+ transformer”（2021年由特斯拉提出）：自动驾驶架构拆解为感知与预测决策规划两大模块。感知模块借助多传输器融合的BEV 技术达成模块级“端到端”，引入transformer与crossattention方案，显著提升检测精度与稳定性，而规划决策模块仍以传统Rule-based方法主导。

第二阶段：决策规划模型化/“占用网络”（2022年由特斯拉提出） ：架构模块组成维持不变，感知端延续前代解决方案。预测决策规划模块迎来重大革新，将预测、 决策、规划功能整合至同一神经网络。尽管感知与决策规划均采用深度学习，但模块接口依人类理解定义，各模块仍独立训练。

第三阶段：模块化端到端/两段式端到端：(小鹏、华为、极氪当前应用方案）整体结构与上一阶段相似，网络结构细节与训练方案却大不相同。感知模块不再输出人 类可理解结果，转而输出特征向量，预测决策规划模块依此生成运动规划。两模块输出转变，训练时必须通过梯度传导，实现跨模块联合训练。

第四阶段：OneModel/一段式端到端： (特斯拉、理想、Momenta当前应用方案）此阶段打破感知、决策规划等功能界限，从原始信号输入到最终规划轨迹输出，全程 由单一深度学习模型完成。OneModel可基于强化学习、模仿学习实现，也可由世界模型衍生，实现高度集成与智能化。

端到端智能驾驶第一阶段

定义：BEV（Bird’s Eye View，鸟瞰图视角）是在自动驾驶跨摄像头和多模态融合背景下形成的一种关键视角表达方式。其核心思想是将传统基于 2D 图像与测距的 感知方式，转换为在鸟瞰视角下的 3D 感知框架，使环境信息的表达更加全面、直观和具备空间连续性。从实现路径来看，BEV 的核心在于以 2D 图像作为输入，输出 可用于决策的 3D 场景框架。在这一过程中，如何高效地融合来自不同传感器（摄像头、毫米波雷达、激光雷达等）的特征信息，实现最优表达与空间映射，是技术实 现的重点与难点所在。

Transformer 是另一项推动智能驾驶感知能力快速演进的核心技术。它是一种基于注意力机制的神经网络结构，由谷歌于 2017 年提出。与传统的 RNN、CNN 不同， Transformer 并不依赖串行数据处理，而是通过注意力机制挖掘序列中不同元素的关联关系，具备出色的特征提取与长依赖建模能力。这一特性使得 Transformer 能 够灵活适配不同长度与不同结构的输入信号，在多传感器融合和环境建模中展现出显著优势。

在智能驾驶技术架构中，感知端到端一直是最早应用端到端技术的模块之一，也是实现自动驾驶能力跃升的关键组成部分。在早期的智能驾驶系统中，端到端技术主要 集中于感知层，用于高效、实时地提取并融合环境信息。随着算法和算力的持续演进，决策规划等后端模块也开始逐步引入端到端方法，推动整体架构从分层式向一体 化方向演进。

端到端智能驾驶第二阶段

占用网络重塑环境感知，夯实智驾基础能力。占用网络（Occupancy Network）是自动驾驶“环境感知”环节的重要底层技术，其核心思想是通过对三维空间进行体素 级划分与占用预测，构建更高精度的全局环境表示。与传统感知方法相比，占用网络能够有效弥补在“遮挡处理”“形状精细建模”“全局环境认知”等方面的短板， 为后续的路径规划和行为决策提供更完整、更稳定的环境输入。随着算力持续提升与网络结构优化（如动态体素划分、稀疏卷积等），占用网络正逐步成为高性能智能 驾驶系统中的关键模块，尤其适用于结构复杂、目标密集的城市道路场景。

占用网络增强三维表达，优于传统 BEV 方法。与 BEV 方法相比，占用网络的差异主要体现在目标表示方式上。BEV 采用二维平面投影，容易丢失高度信息与空间结构 特征；而占用网络基于三维体素化网格，将物体分解为大量小立方体单元，能够更准确地刻画形状特征。体素越小，环境分辨率越高，场景还原也越接近真实。占用预 测本身也可以与 BEV 结合——通过将体素化结果投影到鸟瞰图，实现保留空间信息的同时增强占用可视化，使感知结果更直观、可靠。

端到端智能驾驶第三及第四阶段

模块化端到端（OneModel）通过深度学习将传统“感知—规划—控制”流程统一映射到单一模型中，减少任务拆解带来的累积误差，并实现整体优化。目前， 特斯拉、Wayve、百度 Apollo、小鹏等企业均在加速布局相关技术路径，这一方向正成为高阶智能驾驶的重要演进路线。

架构类型主要分为两类：可解释端到端（模块化）：在端到端框架下保留中间感知或预测模块输出，兼顾可调试性与安全性，Wayve、小鹏等多采用此类架构； 黑盒端到端（One Model）：直接输出轨迹/控制信号，代表如特斯拉 FSD，技术上限更高但可解释性和调试难度较大。

VLA技术路线

VLA技术路线演进历程