2024年高考的前一天，小米進行了OTA。而高考第一天的語文作文題目，包含了一條“隨著互聯網的普及、人工智能的應用，越來越多的問題能很快得到答案。那么，我們的問題是否會越來越少？”。剛好和小米的這次OTA比較貼合，也是與人工智能應用相關，但不是人類設問、AI回答。而是，AI給人類找出合適的智能駕駛解決方案（答案）。

小米SU7的OTA 1.2.0沒有跳票，成功在約定的時間推送給了車主們，而在6月6日當天，也已經有不少車主OTA完成。這次OTA的功能，包括了城區NOA開通十城、駐車空間推出“小憩模式”、支持導入更多米家設備。

最核心的功能，就是十個城市的城區NOA功能。但這次OTA后想使用這個功能，還需要滿足“智能駕駛安全里程”條件的用戶才可以優先使用，而累計達到 1000km智駕里程的用戶，統計時間截至2024年5月31日00:00。

OTA之后的小米，會和華為越來越近么？

 

提出這個疑問的出發點，是，小米這次的OTA主要補齊了城區NOA這個功能，也是未來幾年內國內輔助駕駛市場必須卷的一個領域。而華為的ADS在今年內已經有計劃要推出ADS 3.0版本，這個版本主要針對提升的也是城區NOA的性能，可以預見的是這個版本將會更加擬人化的去處理城市工況的輔助駕駛。

那，這次更新之后是不是可以超了理想，更接近華為的體驗了？

城區NOA，小米看齊華為了

 

對于第一次造車的品牌，第一次推送的城區NOA功能，我們不應該抱有太大期待，這才是一個合理的預期值。這種技術往往需要高頻次的迭代更新之后，才會趨于成熟。這次OTA更新之后，相關測試的視頻沒有被及時放出，原因是需要一個1000km智能輔助駕駛的積累，才能出發城區NOA功能的使用。

估計大部分用戶被上面提到的條件所限制，延后了一段時間才能使用。不過我們其實也可以通過之前的直播視頻，以及這套技術背后的底層邏輯，來分析一下這個初代版本的城區NOA，夠不夠好用，目前是處于一個什么級別？

技術層面，可以進入第一梯隊。

 

在技術方面，小米汽車的智駕體系帶來了一些新東西，或者說在傳統技術層面做了一定的改變。發布會上介紹過，這套智能駕駛軟件底層算法，用的是變焦BEV技術和超分辨率OCC占用網絡以及道路大模型做出來的。

傳統的BEV網絡，能提供車輛周圍的二維鳥瞰圖，但沒有高度信息，所以不能提供三維建模。一般情況下，會選擇匹配其他網絡，例如華為ADS 2.0選了GOD網絡來做三維建模的工作；小米選擇了用OCC網絡，來做三維建模的工作。但后來，華為在ADS 3.0中采用了更為先進的GOD網絡來解決這個問題，棄用了BEV網絡。

 

然后小米的變焦BEV技術，主要提升了不同場景下對最小識別精度的提升，精度大概在0.05米左右；用在泊車域和城區NOA這種復雜工況下的時候，會相對來說，比傳統BEV好用一些（也就是華為ADS 2.0的傳統BEV網絡）。

再之后的OCC網絡，意思其實和GOD一樣，也是生成三維空間用的，把感知到的信息做成三維建模。之所以在初期普遍會選擇BEV+OCC/GOD網絡的組合使用，是在OCC/GOD網絡沒有達到成熟之前，確保感知精度、準確性、車輛安全性等多個角度考量的，簡言之單靠OCC/GOD滿足不了這些條件。

現階段，小米的智能駕駛在技術層面，其實做到了與華為ADS 2.0齊平的基礎。

實際使用，可能遇到哪些問題？

 

看完底層技術邏輯之后，其實已經做到了第一梯隊的水準。那么，在使用效果端理論上很難做不好，而我們該注意的，是這套系統的上限在哪里，和初期的城區NOA效果能達到什么樣的使用水平。

這套輔助駕駛軟件算法能實現的效果，從前期的測試視頻、直播中我們大概也能摸清楚一些，先說測試中明顯做的很好的效果。在復雜路口的工況下，抉擇和操作都相對來說是比較快，而且果斷的，這是做好城區NOA的一個大前提。

然后，說具體工況下的使用情況。

 

在十字路口的讓行上，行人、電動車優先級最高，基本在直行、轉彎的時候，遇到正常通行/突然竄如的行人或電動車的時候，小米SU7在90%的情況下都會做出剎停等待的操作，并且確認前方沒有任何障礙物時候才會加速通行（但這個過程可能需要幾秒鐘的時間來做判斷），相對來說，是一個比較保守的通行策略。

還有在面對無序車輛在十字路口擁堵的情況下，小米SU7也會通過跟隨規劃路徑按序行駛的形式來通過擁堵路口，整個過程沒有被駕駛員接管，這是一個不錯的體驗。但，整個過程的操作執行，會有一些“猶豫”和延遲。

 

這個工況下，小結一個點，小米SU7的城區NOA在遇到復雜路口、多車并行通過、無序的情況下的這種“博弈”，是一個絕對溫和的策略，不激進的去搶車道，而是在低速行駛等待機會出現。在下面的工況，也出現了同樣的操作。

左轉路口，轉完后等待接下來的直行操作的時候，會遇到一個情況，讓行同路口右轉彎車型先行通過；同時，左轉彎路口車輛在轉彎后，跨越虛線車道線行駛進入直行道。在這個場景下的決策，有一些不夠擬人，這也暴露了小米這套智能駕駛系統的一個狀態，大多數情況下，是處于非常保守的狀態。以上工況，如果是駕駛員親自開的話，那么，左轉彎后面對三條車道，會優先選擇無車/車輛較少的車道通行，而非是等待右轉彎車型先行后再通行，可以做到同步通行。

 

雖然部分工況下，可以順利執行操作，并且決策和規劃的行車路徑，大部分都是比較合理的狀態。但，有一些工況其實還是需要進一步加強，例如，跟車距離（容易被插隊）、剎停時候的姿態、起步時候的快速響應等，都是一些比較考驗細節的優化能力。

整體來看小米SU7的智能駕駛部分，大體的框架沒有任何問題，邏輯跑的通，只是欠缺細節優化的問題，估計會在后續的OTA中去逐步優化。

然后期待一下它的后續更新，分為幾個階段，持續用BEV+OCC網絡的方案，用這套邏輯把細節處理好，至少解決跟車距離遠近問題（或者是可以調節的一個設置）以及跨車道行駛的邏輯打通；然后，后續的大版本更新，肯定也會棄用BEV網絡，在能把2D信息轉化為3D建模的網絡出現之后，BEV就真的是個累贅般的存在了（類似于ADS 2.0到3.0的路子）。

這套智能駕駛系統，已經差不多追平了華為ADS 2.0版本的使用感受，起碼在底層邏輯上這個基礎做的挺好的，邏輯清晰、操作速度快這些是優點，但細節上的處理確實沒有做到特別好的精度，和感知設備無關，更多的是算法優化。