前有蔚來李斌的150度電池1000公裏長續航實測，這次長城老總魏建軍親自下場直播，實測長城的城市NOA，汽車行業果然現在卷到沒有邊際，需要車企老總親自下場，給自家產品帶貨，接近使用者，直面使用者的實際體感，有這樣真實的直播，所見即所得，使用者才會更願意為產品買單。
這次的城市NOA直播設在長城總部保定，雖說是「開卷考試」，但這一次的智駕能力表現可以說是可圈可點。從全程表現來看，長城的城市NOA系統可以做到 紅綠燈辨識及啟停、無保護左右轉、障礙物辨識與應對 、 選道辨識 等功能，並能夠 精準辨識並禮讓行人 ， 精準選擇通行道路 ， 擁堵路段智慧走停 ，及時判定和規劃路線。這進一步重新整理了大家對傳統車廠的智駕能力認知，原以為傳統主機廠 主打基礎的L2 ADAS功能 ，現在看來長城在高階智駕能力的儲備已足夠豐富，彈藥充足， 智駕水平可以說已進入國內的智駕第一梯隊行列中 。
1. 無圖的城市NOA
智慧駕駛的最終目標一定是奔著解放人的雙手雙腳目標去的，最大化的降低人在開車過程中的疲憊感和倦意感。長城這次直播的城市NOA，其實很符合我們使用者日常的上下班所遇到的場景，途徑區域包含 城區 和 高架的公共道路。 此次的演示正是這些將碎片的獨立功能模組如行車模組做好的同時，將日常 功能場景 連線起來，做到從家到公司的點對點自動駕駛。
目前大部份車企主推的是仍是 高速NOA，城市NOA仍處於期貨或部份城市先支持的狀態， 而且這部份開通 NOA的城市主要聚焦於一線城市，且仍依賴於高精度地圖 ，這意味著城市NOA的開通速度會降緩甚至部份三四線城市就根本不會被開通，因為高精度地圖的成本昂貴，維護更新周期漫長。
長城這套支持城市NOA的智駕系統稱為 Coffee Pilot Ultra(CP Ultra) ,能夠實作 從行車到泊車、從高速到城鄉的全場景連線 ，為使用者提供 全場景、點到點 的智慧化出行體驗。這套智駕系統的硬體平台和傳感器配置為，Orin-X的高算力平台，搭配1個雷射雷達、3個公釐波雷達、11個高畫質網路攝影機以及12個超音波雷達的3 60度全方位感知能力，是目前業內主流且豪華的硬體配置方案。
好馬配好鞍 ， 好的硬體需要有好的軟體演算法 做支撐，才能發揮硬體最大的能力邊界。長城的CP Ultra系統實作 完全無圖全場景的NOA ，無論是城市場景，盤山公路，甚至是鄉村小路，都能正常開啟NOA功能，真正做到有路就能開，去哪都能開。從這次具體的直播效果來看，幾個典型場景可以展現CP Ultra系統的實力水平：
1）路口通行能力
無論是短路口還是長路口，車輛都能平穩透過，並未出現自車路口 啟停時間較長 、 車輛畫龍或橫向拉偏的現象 ，這背後主要有幾個關鍵因素，一個是紅綠燈狀態的準確辨識，包括不限於 紅綠燈的通行狀態，方向資訊以及倒計時資訊 ，同時結合路口車輛距離和速度資訊，才能保證自車在路口的正常啟停；同時對於透過路口時缺失的車道線資訊，需要系統 根據前車或車道寬度進行車道線擬合 ，保證車輛正常行駛。
2）通用障礙物辨識和變道能力
城市道路場景人流混雜，各類未知障礙物居多，實際開車過車中，必然會遇到與其他車輛進行 「賽局」 的過程，遇到前方慢車需要超車，遇到加塞的車輛需要留有一定的距離余量，遇到錐桶等靜止障礙物具備繞行的能力，遇到突然出現的行人、電動車等具備減速或剎停的能力。這背後的關鍵點在於： 支持城市道路的所有障礙物的檢測輸出 ，包括不限於非機動車、施工鐵板圍墻、三角警示牌等通用障礙物，同時 對距離的輸出需足夠準確 ，才能保證車輛的靈活繞行；同時在遇到慢車場景，需 根據導航路徑和交通流的情況自動調節車速進行變道操作 ，對於擁堵路段能夠主動拉近與前車的距離，對於要加塞的車輛進行提前預判，及時減速避讓。
3) 車道線辨識能力
對於無高精地圖的智駕系統，要實作城區NOA功能，在沒有先驗知識的情況下，對於 車端車道線的感知能力非常依賴 。而城市道路的車道線種類繁多，除了常規的虛實線，還有 分叉線、倒流線、路口停止線 等，而且城市道路的線經常存在 磨損和遮擋 ，這對智駕系統的車道線感知能力都提出了極高的挑戰。從上圖來看，長城的這套智駕系統可以做到 遠距離辨識導流車道線 ，系統能提前自動打燈，最後做轉向變道操作，整個操作過程十分順暢絲滑。而且，系統還具備了一定的車道線「腦補」能力，可以自己模擬出車道線，從而實作順利行駛。
2. 全方位的安全體系
智駕系統給人們帶去各類舒適性體驗的同時，安全也是智駕系統重要不可忽視的一環，近些年發生過多起 高速不辨識雪糕筒 ，撞上施工區域車輛的事故；城市 路口鬼探頭場景陸屢見不鮮 ，相關的事故也是頻頻發生；這些事故對車廠提出了更高的挑戰和更嚴苛的標準。目前各家也在 卷感知的傳感器配置 ，做到更廣更遠範圍的覆蓋； 在卷軟體演算法，探索感知能力的效能邊界 ，目的就是為了進一步提升智駕系統的安全能力。
這次直播也出現了多次的 前車Cut in 場景。前車Cut in意味著自車傳感器需要對 前車距離、速度、加速度 以及 前車的偏航角 做出精準計算，前車如果高速 Cut in ，那麽在安全距離範圍內，自車應做到 無誤制軔 ；如果前車 低速Cut in ，需要做到 舒適減速 ，該場景對車輛的 感知 和 規劃控制模組 提出極高挑戰， 感知要做到準，決策要做到快 ，才能產生最終好的輸出體驗。
長城的CP Ultra也具備 強大的避障變道能力 ，可躲避大車、插隊車以及其他不規則障礙物。同時智駕系統已配備 AEB、LKA、ELK 等數十種 主動安全配置 ，同時除了滿足 CNCAP、ENCAP這類通用的法規標準場景 外，還增加了多種通用障礙物、及車輛行人的更高速域的AEB能力。具體來說，支持：
上述這些功能的實作使得長城的城區NOA功能會更為完善和遊刃有余，會讓人更為放心的去開啟城區NOA功能。如魏建軍表示：智駕的前提一定是 建立在安全的基礎上 ，沒有安全就不能談智駕。所以，我們需要進行充分的安全驗證，把安全放在首位， 不能把使用者作為小白鼠做實驗，所以說安全無小事 。
3. 一體化大模型和超算中心
這次城市NOA直播背後的軟體層面技術支撐，是長城打造的 一體化智駕大模型——SEE （Safety、Efficiency、Experienced） ， 特斯拉將端到端大模型風潮傳到國內，但國內真正落實到量產車型的大模型車企少之又少，另外國內稱的這類 大模型主要針對感知側 ，其他模組如決策、規劃並未引入大模型相關。目前主流的智駕方案仍是 感知、融合、決策和規劃 這類上下遊關系的串聯開發模式，這種開發模式的好處是各個模組開發更為聚焦，更多的考慮本模組的效能指標，後端模組基於規則或狀態機的方式實作起來也會更快。但弊端也較為明顯，加入越來越多的人為規則，意味著後期的可維護性很差，針對越來越多的corner case，加入的修補程式也會越來越多，整個系統的魯棒性也意味著越來越不可控。
而長城的 SEE一體化智駕大模型 ，實作 感知決策一體化的鏈路整合 ，基於深度學習技術，透過投餵數據對模型進行聯合訓練，不再 由規則具象化定義什麽是好的駕駛行為 ，而是讓模型像人類司機一樣直接學習「如何開車」，可應對的路況復雜度大幅提升、可決策的駕駛行為更貼近人類。實作了從規則驅動到數據驅動、從機器到大腦的轉變，透過數據驅動的自學習能力，使用者將充分體會到車輛在智慧駕駛方面每時每刻的進步， 切身感受到越來越少的接管次數，更低的駕駛緊張度，更少的驚嚇式制軔 。並且，它會擁有愈發像使用者的駕駛風格，打造個人化智慧駕駛體驗。
Corner Case千千萬，靠大量的路測和人工篩選效率太低，而數據驅動的策略是解決該類問題最行之有效的辦法 ，也是體現一家公司軟實力的硬指標。 同時SEE大模型還在持續成長，只要不斷投餵數據，就能持續前進演化，為L2前進演化至L4奠定了堅實的技術基礎。
大模型依賴於大規模的數據積累 ，而 數據積累和模型訓練需要有龐大的算力支撐 ，長城打造了行業領先的超算中心 —— 九州，算力總規模達到1.64EFLOPS，實作5T/s的高效能儲存，為大模型的訓練提供堅實的算力底座。與此同時，在上千億個參數的大模型跨卡、跨伺服器訓練的過程中，需要對數據進行 全流程的自動化管理、模型算力最佳化以及訓練效率提升 ，才能達到極致的高效和產出。在以數據為驅動的大背景下，車端持續產生的實際數據， 自動化地發現問題、記錄數據、 上傳數據，在雲端標註數據、訓練模型、驗證後 再更新至車端軟體，透過海量數據的回流使所有模組的 演算法效能（感知，融合，預測，規控等） 得到全自動化的高效提升，能夠快速解決長尾問題，最終為使用者帶來「快速前進演化」的智慧駕駛產品。
目前智駕行業已進入 競爭的白熱化階段，卷硬體卷配置卷方案 ，主機廠低階智駕方案的車型要做，高階智駕車型也要做，這體現了車企未來的競爭力和生命力，同時智駕可能會越來越成為車企的標配。 智慧駕駛的戰役已邁入下一個戰場，誰能在安全性和體驗性做到最佳，誰就能取得更大的市場優勢。
