芝能科技出品
智能駕駛行業在2025年是經歷了一輪起伏，很多消費者對輔助駕駛的第一感覺是：能用，但有點“生硬”。變道動作突兀，遇到復雜路況緊張剎車，城區路段體驗不如高速。
過去，技術演進更多依靠功能疊加和規則補丁，但這種方式在復雜城市交通中暴露出明顯不足。真正的提升需要簡化系統、統一邏輯，讓控制更自然、更安全。
地平線HSD體驗會上，分享了很多設計理念，我們梳理分享給大家。
城市NOA的發展路徑：
從規則到模型
從最早的規則系統，到后來基于感知結果+規則拼接的組合方案，再到如今的端到端模型，智能駕駛技術經歷了三個明顯階段。
● 第一階段：規則驅動的系統
最初的量產方案，借助了一部分AI感知，但核心仍然依賴人工設定規則。車輛識別目標后，通過預設邏輯做出決策。問題在于，這種方式需要窮舉各種場景，維護成本高、上限低，無法適應復雜的真實交通環境。
這種方式的問題很直接：
◎ 規則需要不斷補充，維護成本高。
◎ 系統在復雜交通下反應僵硬，無法適應多變場景。
● 第二階段：混合系統階段
這也可以概括為功能拼接與“加法思路”，在規則系統暴露不足后，行業開始引入更多概念：多傳感器融合、多場景覆蓋，甚至增加激光雷達。
但這些改進沒有改變架構本質，系統依然割裂，體驗不一致——高速、城區、泊車各自處理，控制邏輯層層疊加，導致橫縱向動作脫節，用戶感知“生硬”。
典型表現是：變道時方向盤先擺，縱向加速后跟，整體不協調，這種“拼接感”影響舒適度，也制約了安全冗余。
● 第三階段：稠密模態系統階段
真正的拐點出現在特斯拉FSD V13的推出，基于大規模模型的一體化處理方式的思路是減少中間拆分，不再分別做感知、規劃、控制，而是通過統一模型直接輸出軌跡。
這帶來了兩點明顯變化：
◎ 系統架構更簡潔，迭代依賴數據和算力，而不是規則。
◎ 控制表現更平順，橫縱向動作協同，而非“先打方向、再加速”。
這也是行業在過去一年中最值得關注的技術趨勢。
地平線的做法：
簡化架構，關注體驗
地平線在征程6P平臺上推出的HSD系統，核心設計思路是“降低復雜度，提升一致性”，強調三個特征：極簡架構、模型聯合輸出、防御性駕駛能力。
HSD不區分場景，不寫大量規則，而是通過統一模型應對不同道路情況。輸入是圖像，輸出是軌跡，中間只保留基本安全約束（如避免碰撞）。
這樣做的結果：
◎ 用戶感受不到模式切換，高速和城區表現一致。
◎ 延遲更低，地平線內部測試核心鏈路控制在150ms以內，接近人類反應時間。
傳統系統中，橫向（轉向）和縱向（速度）分開處理，變道時容易“先擺再走”或突然減速。HSD直接輸出整體軌跡，讓變道、減速成為一個連續動作，點剎和急剎更少，整體更順滑。
比如通過窄路或施工區時，車輛會提前平穩減速，而不是突然剎停。
HSD重點解決的是“提前降低風險”，要解決在極限場景“硬剎”的問題，在風險形成前提前干預。
通過長時序輸入，模型可以判斷潛在沖突，并先行降速。例如遇到盲區或非機動車橫穿，車輛會在接近前平順減速，這種防御性駕駛能力，這種預判能力是來自模型對整體場景的理解，而非規則堆疊，是區別舊系統的重要標志。
HSD的設計邏輯是：通過大量真實場景數據+強化學習，模型不斷優化。隨著數據規模和算力的提升，系統在某些復雜場景下，已經展現出超越人類的“預判性”。比如在擁堵和會車條件下，車輛會提前調整策略，避免風險。
從行業視角看，在端到端方向的選擇，是對“做減法”的堅持，讓系統更簡單、更穩定，用戶更信任。功能堆疊并不能真正改善體驗。
想讓智能駕駛從“能用”變成“好用”，需要滿足三個條件：
◎ 系統結構簡單，方便迭代，降低失效風險。
◎ 橫縱向控制自然，減少用戶不信任感。
◎ 在量產車上實現規模落地，并且持續改善體驗。
地平線城市 NOA 的探索，是從 “從分散式架構到一體化范式” 的提升， 通過 “一段式端到端” 消除感知與控制間的信息損耗，以橫縱聯合模型重構控車連貫性，再借由低延時硬件基座與防御性駕駛算法，將 AI 的 “決策直覺” 轉化為用戶可感知的 “心理安全感”。
隨著征程 6P 芯片算力的持續釋放、VLM 大模型與端到端系統的深度融合，傳感器標準化生態的推進，地平線還將在 “長尾場景理解”（如死車 / 排隊車區分、復雜路口脫困）、“全時序風險預判”（如非結構化道路的長周期行為推理）等技術難點上持續突破。
