各位做智能驾驶、车载计算平台或者正打算入行智驾领域的读者大家好。最近“地平线征程 6M 官宣大规模量产上车”的消息在圈内讨论度很高很多朋友的关注点都落在“城区 NOA 下沉到 10 万级市场”这件事上。说实话这条新闻的信息量不小它既不是一次简单的芯片发布也不是某个车型的单独配置升级而是把过去通常出现在 20 万乃至 30 万级别车型上的高阶智驾能力往主流大众市场推进了一大步。本文不打算只复述新闻而是想从技术博主的角度把“征程 6M 是什么”“NOA 怎么从高速走向城区”“10 万级车型为什么现在能做到”“芯片量产上车背后需要经过哪些环节”这些问题完整拆开讲清楚。无论你是做算法、做嵌入式开发、做整车电子电气架构还是单纯想了解智驾技术趋势这篇文章应该都能给你一个比较完整的参考框架。1. 背景从“百万级专属”到“10 万级标配”征程 6M 量产意味着什么1.1 为什么“大规模量产上车”是重要信号芯片行业里有一句话流片成功只是开始量产上车才是真正的考验。尤其是车规级芯片从设计、流片、验证、量产再到通过车规认证、进入车企供应链、完成整车集成与测试整个周期通常以“年”为单位。一颗芯片如果真的实现了大规模量产上车意味着它已经越过车规可靠性、软件工具链、供应链稳定性、成本控制等层层门槛不再是“纸面发布”而是真正开始产生规模化交付价值。地平线征程 6M 官宣大规模量产上车对行业来说是一个标志性节点。它代表国产智驾芯片在中高阶市场里开始具备与国外主流方案正面竞争的实际交付能力。同时征程 6M 把城区 NOA 带到 10 万级车型上意味着高阶智驾不再是高端车型的专属标签而会逐步演变为大众市场车型的核心卖点之一。1.2 城区 NOA为什么它是智能驾驶的分水岭NOANavigate on Autopilot自动辅助导航驾驶这个名词很多人第一次接触是在一些新势力品牌的发布会上。简单理解NOA 是在导航地图的引导下车辆可以按照设定路线自动完成车道保持、变道超车、上下匝道等操作。早期主流方案是高速 NOA也就是在高速公路、城市快速路这种封闭或半封闭道路里使用。高速场景道路结构简单、交通参与者相对规范技术难度相对低。城区 NOA 则完全不同。城市道路里的场景复杂度成倍增加红绿灯、行人、非机动车、路边停靠车辆、施工区域、无保护左右转、复杂的十字路口、逆行的电瓶车……这些都是城区 NOA 需要处理的日常情况。所以城区 NOA 才被普遍认为是衡量一家智驾公司技术实力的分水岭。过去城区 NOA 几乎都依赖大算力芯片、多传感器融合甚至激光雷达成本居高不下。而征程 6M 能把城区 NOA 延伸到 10 万级车型关键就在于算力、传感器方案、算法效率和成本之间找到了一个新的平衡点。2. 先搞清楚概念征程 6M 与 NOA 到底是什么2.1 地平线征程 6M 是什么地平线征程 6 系列是地平线面向高阶智能驾驶推出的新一代车载智能计算方案征程 6M 是该系列里面向中阶智驾市场的一款核心芯片。公开资料显示征程 6M 的算力属于“百 TOPS 级”可以支持包括高速 NOA、城区 NOA、记忆行车、智能泊车在内的主流智驾功能。它在设计上比较重视能效比官方宣传中特别提到支持 12V 供电方案这对于 10 万级燃油车和部分新能源车型来说很重要因为这类车型的整车电气架构不一定有非常充裕的高压供电冗余。从产品定位看征程 6M 要解决的并不是“做出一个能跑通 demo 的智驾系统”而是“在一个成本可控、功耗可控、车规可靠的前提下让城区 NOA 成为大众车型的标配能力”。所以衡量征程 6M 成功与否不只是看单颗芯片的算力数字更要看它的平台化能力、工具链成熟度、生态适配情况以及实际量产交付规模。2.2 NOA 的基础功能和层级划分为了后面讨论方便这里把 NOA 的层级理一下高速 NOA在高速公路和城市快速路上实现车道居中、自适应巡航、自动变道、自动上下匝道等功能。场景相对封闭是当前很多量产车型的标配或高配功能。城区 NOA在城市的开放道路上处理红绿灯路口、行人、非机动车、无保护转向、复杂路口通行等场景对感知、预测、规控都提出了更高要求。记忆行车 / 通勤模式基于用户固定路线让车辆学习并形成可重复行驶的智驾方案。这类功能经常被视为“城区 NOA 的轻量版”在征程 6M 这类中阶芯片上更容易落地。征程 6M 之所以引起关注是因为它能在一个相对低的成本平台上同时覆盖以上几个功能层级尤其是城区 NOA这是过去同价位车型很难做到的。2.3 征程 6M 与国内外方案的定位差异在智能驾驶芯片市场里比较常见的国外方案包括英伟达的 Orin 系列、Mobileye 的 EyeQ 系列等国内方案则包括地平线征程系列、黑芝麻智能等。不同方案各有侧重英伟达 Orin 系列算力强、生态成熟但成本相对高更多用在 20 万以上的中高端车型或者作为旗舰车型的“顶配智驾大脑”。Mobileye EyeQ 系列封闭方案为主提供从感知到规控的完整黑盒方案适合传统车企快速量产但灵活性和差异化能力受限。地平线征程 6M定位更偏向“中阶算力、高阶体验”强调开放的软件工具链和灵活的传感器配置目的是在 10 万级车型里做出可规模复制的城区 NOA 能力。从技术路线来看征程 6M 并不跟 Orin 这类“超大算力芯片”硬拼峰值算力而是更强调在有限算力条件下通过算法优化、工具链效率和传感器方案协同把城区 NOA 体验做到可用、可量产、可负担。这种“以场景定义算力”的思路也是它能进入 10 万级市场的重要原因。3. 征程 6M 的关键技术特征与本轮“上车”的核心能力3.1 架构与算力百 TOPS 级、可扩展、低功耗征程 6M 的核心设计目标可以概括为“按需分配算力资源”。它不是一颗只管“堆算力”的芯片而是通过异构计算架构让不同计算单元各司其职通用 CPU 核负责调度、逻辑判断、车载系统通信等任务。专用加速单元针对神经网络推理进行深度优化特别是卷积、Transformer 等算子这直接决定感知算法的运行效率。图像处理单元负责摄像头数据的采集、畸变校正、曝光控制等前处理减轻主核负担。在整车上征程 6M 通常以“单芯片方案”或“多芯片协同方案”出现。比如入门车型可能只用到一颗征程 6M实现高速 NOA 加基础泊车功能而需要更强城区能力的车型也可能采用征程 6M 加其他芯片的组合。这种可扩展性对车企来说非常重要因为同一套软件平台就可以覆盖多个价位段的车型降低开发成本。3.2 传感器方案12V 低压、摄像头为主、毫米波雷达辅助先从整车供电角度理解很多 10 万级车型是燃油车或油电混动车型它们的低压电气系统相对有限降低智驾系统的功耗和供电需求是能不能“装得上去”的重要前提。征程 6M 支持 12V 低压供电方案意味着它可以更容易地适配这类车型。在实际传感器配置上征程 6M 的城区 NOA 方案并不是“无脑堆料”而是走了一条更务实的路线以摄像头为核心结合毫米波雷达和超声波雷达。常见的传感器数量大约在 5 到 7 个摄像头左右配合 1 到 3 个毫米波雷达以及多个超声波雷达。毫米波雷达在雨雪天气、逆光场景下可以对摄像头感知形成有效的冗余补充。这种配置方案相比“激光雷达大算力芯片”的传统高阶方案成本下降非常明显。3.3 行泊一体从行车到泊车的功能融合10 万级车型对功能的“复合性”要求很高。用户花十几万买车不会只为了一个高速 NOA而是希望这辆车在行车、泊车等场景里都能提供智能体验。征程 6M 支持行泊一体方案也就是行车功能如 NOA、ACC、LCC和泊车功能如自动泊车、遥控泊车、记忆泊车可以在同一个硬件平台上运行。这样做的好处主要有两点硬件成本降低不需要分别采购行车控制器和泊车控制器一套硬件完成多项功能。软件迭代更集中所有智驾功能在一个平台里统一维护车企后续 OTA 升级时更容易做功能联动和体验优化。从实际体验来看行泊一体方案也更符合用户对“智能驾驶”的直觉期待车在行驶时能辅助驾驶到了停车场也能自己停进车位。3.4 功能安全、工具链与量产验证体系车规级量产和消费电子最大的区别之一就是“功能安全”和“可靠性验证”。征程 6M 在设计上支持 ASIL-B 功能安全等级这是一般智驾域控制器比较常见的安全等级要求。用通俗话讲ASIL-B 意味着系统在发生部分故障时仍然能维持合理的安全状态不会直接“死机”或失守。此外地平线为征程 6M 提供了比较完整的软件工具链支持模型量化、编译优化、仿真验证等流程。对于车企和 Tier 1一级供应商来说工具链的成熟程度直接影响开发效率和量产周期。一家芯片公司如果把工具链做得足够顺手那么算法团队就能把更多精力放在场景优化上而不是天天和底层算子打交道。4. 从“能跑”到“能上车”芯片量产上车的完整链条很多开发者会问:芯片 NPU 算力明明够为什么城区 NOA 还是很难做这就要理解一颗芯片从“能跑 demo”到“大量产车”中间隔着一条很长的工程链。下面按阶段拆解。4.1 算法开发与模型部署算法团队拿到征程 6M 后首先需要把训练好的感知模型例如目标检测、车道线识别、可行驶区域分割等模型转换成芯片上的可执行模型。这个过程通常包含模型量化、算子映射、编译优化等步骤。下面是一个高度简化的部署流程示意实际项目中需要结合地平线提供的工具链按版本操作。# 示例思路模型转换与编译流程伪代码需结合实际SDK版本调整 # 1. 将 PyTorch 训练好的模型导出为 ONNX python export_onnx.py --checkpoint model.pth --output model.onnx # 2. 使用地平线工具链进行模型量化和编译 hbm_compile --model model.onnx \ --input-size 1x3x1280x720 \ --output model.hbm \ --calibration-dataset calibration_set/ \ --quantization-mode int8这里需要特别说明神经网络模型从浮点转到 int8 定点会有精度损失。所以量化后还要做精度评估如果发现某些场景掉点严重就要考虑混合量化、加入蒸馏或调整模型结构。这个环节往往是算法和工具链团队花费时间最多的地方也是为什么“芯片算力够”不等于“功能落地快”的原因之一。4.2 传感器标定与离线验证上了车以后摄像头装在什么位置、朝向哪个角度、内外参是多少都会影响感知精度。所以智驾系统量产前必须进行严格的传感器标定。常见的标定包括内参标定焦距、畸变系数和外参标定摄像头相对车体的位置和角度。下面是传感器配置的一个示意片段实际项目中会有专门的标定工具和配置文件管理# 传感器配置示例示意 sensors: front_camera: type: camera resolution: 1280x720 fov: 120 mounting_position: front_windshield_top intrinsic: path/to/intrinsic.yaml extrinsic: path/to/extrinsic_front.yaml front_radar: type: mmwave_radar mounting_position: front_bumper_center range: 160m fov: 90 extrinsic: path/to/extrinsic_radar.yaml parking_cameras: - type: camera resolution: 1280x720 mounting_position: front_grill - type: camera resolution: 1280x720 mounting_position: left_mirror标定完成之后开发者会利用大量离线数据做回放验证把采集到的真实道路数据输入给智驾系统检验感知、预测、规控模块的输出是否符合预期。这部分工作在量产项目中非常关键因为相比在真实道路上反复测试离线仿真可以在更短时间内覆盖更多长尾场景。4.3 硬件在环HIL与整车测试硬件在环测试英文是 Hardware-in-the-LoopHIL通俗理解就是“把真实的控制器硬件接进一个模拟环境里”。测试时让控制器以为自己在开车实际上输入的是仿真软件生成的传感器数据和车辆状态数据。这样可以在实验室环境里低成本、高效率地测试大量极端场景比如前车突然急刹、行人横穿、暴雨天气等。HIL 测试通过后还需要在整车上做道路测试。量产前的道路测试通常包含高快路场景、城市道路场景、停车场场景、夜间和恶劣天气场景等多个维度。只有这些测试都达到预定的安全指标后系统才会进入量产发布阶段。4.4 数据闭环、OTA 与持续迭代即便车辆已经量产交付智驾系统的工作也远未结束。城区 NOA 这类功能非常依赖数据闭环车辆在路上遇到新场景时系统会触发数据采集把脱敏后的数据回传到云端云端对数据做标注和场景挖掘发现系统的短板然后重新训练模型、做离线验证再通过 OTA 推送给用户。下面是一个数据闭环的简化流程车端采集触发数据脱敏后上传云端。云端进行场景挖掘和数据标注筛选出有价值的 corner case。训练团队基于新数据迭代模型提升感知或规控能力。模型经过仿真回归测试和整车验证后打包成新版本。新版本通过 OTA 分批发到用户车辆完成功能更新。这条链路能否高效运转决定了城区 NOA 从“能用”到“好用”的速度。征程 6M 的量产上车实际上也为这条数据闭环提供了一个成本更低的入口车辆出货量越大回传的数据场景越丰富系统迭代也越快。5. 10 万级市场为什么值得关注成本、算力与体验的平衡5.1 为什么过去城区 NOA 这么贵过去主流城区 NOA 方案的成本构成大致包括大算力芯片单颗芯片价格高部分平台甚至需要双芯片或外加独立 GPU。高成本传感器激光雷达在早期方案中几乎是标配价格一度在万元级别即便现在降本后也是数千元级别。高功耗带来的硬件成本大算力意味着高功耗需要更强的散热和电源系统这也会推高整机成本。把这些加起来一套完整的城区 NOA 方案成本可能达到数万元。如果装在 30 万以上的车型上分摊到整车售价里还能接受但如果要装到 10 万级车型上这部分成本就完全不可接受了。5.2 征程 6M 如何压低成本征程 6M 的成本优势来自几个方面算力与算法匹配不追求极致的峰值算力而是把芯片算力和算法需求精准匹配避免算力浪费。通过模型轻量化、算子优化在百 TOPS 级算力下跑通城区 NOA。传感器去激光雷达化以摄像头为主、毫米波雷达为辅整车传感器成本大幅下降。这对 10 万级车型来说是最实际、最能落地的降本方式。低功耗带来的系统简化12V 低压支持意味着不需要额外的高压电源转换和复杂散热设计控制器体积更小、成本更低。平台化复用同一颗芯片可以覆盖多个车型和多个功能等级车企一次性投入后续规模化摊薄研发成本。这些因素叠加起来才让“10 万级车型用上城区 NOA”从口号变成了现实。5.3 对主机厂与用户的直观影响对主机厂来说有了征程 6M 这类芯片新车可以在 10 万级价位上增加“城区 NOA”这个卖点从而提升车型的智能化标签和市场竞争力。对用户来说花更少的钱买到高阶智驾体验意味着智驾不再只是“高端尝鲜品”而会逐渐成为主流汽车市场的“标配选项”。长远看这会反过来推动整个产业链的进步芯片厂商要不断优化成本收益比算法公司要提升模型效率传感器厂商要提供更高性价比的产品整个智驾产业的渗透率才会进一步提升。6. 常见问题与排查思路工程师视角很多工程师在接触征程 6M 这类中阶智驾平台时会遇到一些类似的问题。下面把常见场景整理成一个表格便于快速定位问题现象常见原因解决思路模型量化后精度掉点严重浮点转 int8 时敏感层被过度压缩尝试混合量化对敏感层保留更高精度增加校准集数据量考虑模型蒸馏传感器标定后感知结果漂移外参标定误差过大或车辆装配公差影响重新执行标定流程检查标定工具输入必要时进行在线自标定补偿行泊一体功能切换时有卡顿域控制器资源分配不合理或任务调度优先级设置不当检查 CPU 负载与 NPU 利用率优化任务调度策略必要时错峰执行HIL 测试中发现规划路径异常仿真场景与真实场景差异大或地图数据不匹配检查高精地图/导航地图格式确认仿真器版本与实车软件版本一致城区 NOA 在路口表现不稳定感知模型对特定场景训练不足针对该路口类型做专项数据采集与模型迭代增加仿真回归用例在排查这些问题时有一条通用经验先把问题分层。所谓分层指的是确认问题到底出在传感器、感知算法、融合模块、地图定位、规划控制还是整车执行器。很多智驾问题表面看是“车开得不好”实际根因可能是摄像头标定偏差或者地图数据过期。只有把问题定位到具体模块才能有效推动解决。7. 面向征程 6M 方案的工程实践建议7.1 选型评估不要只看算力数字对于车企或 Tier 1 的工程师来说评估征程 6M 方案时建议从以下维度做完整评估算力与能效比百 TOPS 级算力不是唯一标准还要看在典型城区 NOA 场景下芯片的功耗、帧率、延迟和资源占用是否满足设计要求。工具链成熟度模型转换是否方便算子支持是否齐全仿真和调优工具是否易用。这直接决定团队开发效率。传感器适配性征程 6M 对摄像头、毫米波雷达的适配情况如何是否支持你计划采用的传感器型号和通信协议。安全认证是否满足整车项目的功能安全要求是否有完整的安全文档和故障处理机制。量产经验芯片是否已经在其他车型上实现量产验证供应商是否具备成熟的量产支持体系。7.2 软件工具链越早接触越好地平线的开发工具链在国产芯片里相对成熟但不同版本之间存在差异。建议软件开发团队不要等到项目后期才接触工具链而是越早越好。早期可以先用官方提供的参考模型和示例工程把从模型转换到板端运行的完整流程跑通然后再逐步替换为自己的业务模型。这样可以提前发现算子兼容、内存带宽、性能瓶颈等问题避免在量产关键节点踩坑。7.3 功能安全与数据合规量产项目里“能跑”远远不够还要满足车规级的可靠性要求。建议在项目早期就引入功能安全评估明确芯片所支持的 ASIL 等级与系统安全目标是否匹配。与此同时数据合规也是智驾量产不可忽视的环节。车辆采集的摄像头数据、雷达数据往往涉及地理信息和人物信息在采集、传输、存储、标注环节都要遵循相关法规要求做到脱敏处理和合规授权。7.4 供应链与量产风险管理芯片量产上车的最大风险之一就是供应链波动。车企在选择征程 6M 方案时要关注几点芯片产能是否稳定、是否有第二供应商备份、地平线是否能提供足够的技术支持覆盖项目周期。尤其在车型生命周期较长的传统车企里一颗芯片可能要供应 5 年以上供应链的可持续性必须提前考虑。8. 总结与下一步学习路径地平线征程 6M 大规模量产上车是国产智驾芯片走向成熟的一个缩影。它背后的技术主线可以概括为面向真实场景定义算力需求用摄像头为核心的传感器方案控制成本以开放的软件工具链支撑快速落地用数据闭环支撑持续迭代。对于 10 万级主流汽车市场来说城区 NOA 的普及窗口已经打开这也意味着智驾技术不再是少数高端车型的差异点而会逐步成为整个汽车行业的基础能力。如果你想深入理解这个领域下一步可以从三个方向入手了解智驾芯片的架构比如异构计算、NPU 算子、内存带宽、功能安全等知识这是理解一切上层算法的基础。熟悉传感器融合与标定研究摄像头、毫米波雷达、超声波雷达各自的特性和融合方法理解为什么“摄像头为主”的方案在成本受限的车型里更可行。动手跑一条模型部署流程把训练好的感知模型转换到某一款智驾平台或嵌入式平台上实际体验量化、编译、部署、验证的完整过程。哪怕只是一个小模型也能帮你建立对“算法到量产”链路的具体感知。如果你正准备在下一个车型项目中评估相关方案建议用一张表格把功耗、算力、工具链、芯片价格、传感器成本、量产验证情况逐项对比再做一次完整的选型推演。技术选型的核心不是“谁的指标最强”而是“谁能在限定成本里把用户真正需要的体验稳定交付”。征程 6M 这次的量产上车恰恰为行业提供了一个值得仔细研究的中阶智驾样本。