前有蔚来李斌的150度电池1000公里长续航实测，这次长城老总魏建军亲自下场直播，实测长城的城市NOA，汽车行业果然现在卷到没有边际，需要车企老总亲自下场，给自家产品带货，接近用户，直面用户的实际体感，有这样真实的直播，所见即所得，用户才会更愿意为产品买单。
这次的城市NOA直播设在长城总部保定，虽说是「开卷考试」，但这一次的智驾能力表现可以说是可圈可点。从全程表现来看，长城的城市NOA系统可以做到 红绿灯识别及启停、无保护左右转、障碍物识别与应对 、 选道识别 等功能，并能够 精准识别并礼让行人 ， 精准选择通行道路 ， 拥堵路段智慧走停 ，及时判定和规划路线。这进一步刷新了大家对传统车厂的智驾能力认知，原以为传统主机厂 主打基础的L2 ADAS功能 ，现在看来长城在高阶智驾能力的储备已足够丰富，弹药充足， 智驾水平可以说已进入国内的智驾第一梯队行列中 。
1. 无图的城市NOA
智能驾驶的最终目标一定是奔着解放人的双手双脚目标去的，最大化的降低人在开车过程中的疲惫感和倦意感。长城这次直播的城市NOA，其实很符合我们用户日常的上下班所遇到的场景，途径区域包含 城区 和 高架的公共道路。 此次的演示正是这些将碎片的独立功能模块如行车模块做好的同时，将日常 功能场景 连接起来，做到从家到公司的点对点自动驾驶。
目前大部分车企主推的是仍是 高速NOA，城市NOA仍处于期货或部分城市先支持的状态， 而且这部分开通 NOA的城市主要聚焦于一线城市，且仍依赖于高精度地图 ，这意味着城市NOA的开通速度会降缓甚至部分三四线城市就根本不会被开通，因为高精度地图的成本昂贵，维护更新周期漫长。
长城这套支持城市NOA的智驾系统称为 Coffee Pilot Ultra(CP Ultra) ,能够实现 从行车到泊车、从高速到城乡的全场景连接 ，为用户提供 全场景、点到点 的智能化出行体验。这套智驾系统的硬件平台和传感器配置为，Orin-X的高算力平台，搭配1个激光雷达、3个毫米波雷达、11个高清摄像头以及12个超声波雷达的3 60度全方位感知能力，是目前业内主流且豪华的硬件配置方案。
好马配好鞍 ， 好的硬件需要有好的软件算法 做支撑，才能发挥硬件最大的能力边界。长城的CP Ultra系统实现 完全无图全场景的NOA ，无论是城市场景，盘山公路，甚至是乡村小路，都能正常开启NOA功能，真正做到有路就能开，去哪都能开。从这次具体的直播效果来看，几个典型场景可以展现CP Ultra系统的实力水平：
1）路口通行能力
无论是短路口还是长路口，车辆都能平稳通过，并未出现自车路口 启停时间较长 、 车辆画龙或横向拉偏的现象 ，这背后主要有几个关键因素，一个是红绿灯状态的准确识别，包括不限于 红绿灯的通行状态，方向信息以及倒计时信息 ，同时结合路口车辆距离和速度信息，才能保证自车在路口的正常启停；同时对于通过路口时缺失的车道线信息，需要系统 根据前车或车道宽度进行车道线拟合 ，保证车辆正常行驶。
2）通用障碍物识别和变道能力
城市道路场景人流混杂，各类未知障碍物居多，实际开车过车中，必然会遇到与其他车辆进行 「博弈」 的过程，遇到前方慢车需要超车，遇到加塞的车辆需要留有一定的距离余量，遇到锥桶等静止障碍物具备绕行的能力，遇到突然出现的行人、电动车等具备减速或刹停的能力。这背后的关键点在于： 支持城市道路的所有障碍物的检测输出 ，包括不限于非机动车、施工铁板围墙、三角警示牌等通用障碍物，同时 对距离的输出需足够准确 ，才能保证车辆的灵活绕行；同时在遇到慢车场景，需 根据导航路径和交通流的情况自动调节车速进行变道操作 ，对于拥堵路段能够主动拉近与前车的距离，对于要加塞的车辆进行提前预判，及时减速避让。
3) 车道线识别能力
对于无高精地图的智驾系统，要实现城区NOA功能，在没有先验知识的情况下，对于 车端车道线的感知能力非常依赖 。而城市道路的车道线种类繁多，除了常规的虚实线，还有 分叉线、倒流线、路口停止线 等，而且城市道路的线经常存在 磨损和遮挡 ，这对智驾系统的车道线感知能力都提出了极高的挑战。从上图来看，长城的这套智驾系统可以做到 远距离识别导流车道线 ，系统能提前自动打灯，最后做转向变道操作，整个操作过程十分顺畅丝滑。而且，系统还具备了一定的车道线「脑补」能力，可以自己模拟出车道线，从而实现顺利行驶。
2. 全方位的安全体系
智驾系统给人们带去各类舒适性体验的同时，安全也是智驾系统重要不可忽视的一环，近些年发生过多起 高速不识别雪糕筒 ，撞上施工区域车辆的事故；城市 路口鬼探头场景陆屡见不鲜 ，相关的事故也是频频发生；这些事故对车厂提出了更高的挑战和更严苛的标准。目前各家也在 卷感知的传感器配置 ，做到更广更远范围的覆盖； 在卷软件算法，探索感知能力的性能边界 ，目的就是为了进一步提升智驾系统的安全能力。
这次直播也出现了多次的 前车Cut in 场景。前车Cut in意味着自车传感器需要对 前车距离、速度、加速度 以及 前车的偏航角 做出精准计算，前车如果高速 Cut in ，那么在安全距离范围内，自车应做到 无误制动 ；如果前车 低速Cut in ，需要做到 舒适减速 ，该场景对车辆的 感知 和 规划控制模块 提出极高挑战， 感知要做到准，决策要做到快 ，才能产生最终好的输出体验。
长城的CP Ultra也具备 强大的避障变道能力 ，可躲避大车、插队车以及其他不规则障碍物。同时智驾系统已配备 AEB、LKA、ELK 等数十种 主动安全配置 ，同时除了满足 CNCAP、ENCAP这类通用的法规标准场景 外，还增加了多种通用障碍物、及车辆行人的更高速域的AEB能力。具体来说，支持：
上述这些功能的实现使得长城的城区NOA功能会更为完善和游刃有余，会让人更为放心的去开启城区NOA功能。如魏建军表示：智驾的前提一定是 建立在安全的基础上 ，没有安全就不能谈智驾。所以，我们需要进行充分的安全验证，把安全放在首位， 不能把用户作为小白鼠做实验，所以说安全无小事 。
3. 一体化大模型和超算中心
这次城市NOA直播背后的软件层面技术支撑，是长城打造的 一体化智驾大模型——SEE （Safety、Efficiency、Experienced） ， 特斯拉将端到端大模型风潮传到国内，但国内真正落实到量产车型的大模型车企少之又少，另外国内称的这类 大模型主要针对感知侧 ，其他模块如决策、规划并未引入大模型相关。目前主流的智驾方案仍是 感知、融合、决策和规划 这类上下游关系的串联开发模式，这种开发模式的好处是各个模块开发更为聚焦，更多的考虑本模块的性能指标，后端模块基于规则或状态机的方式实现起来也会更快。但弊端也较为明显，加入越来越多的人为规则，意味着后期的可维护性很差，针对越来越多的corner case，加入的补丁也会越来越多，整个系统的鲁棒性也意味着越来越不可控。
而长城的 SEE一体化智驾大模型 ，实现 感知决策一体化的链路整合 ，基于深度学习技术，通过投喂数据对模型进行联合训练，不再 由规则具象化定义什么是好的驾驶行为 ，而是让模型像人类司机一样直接学习「如何开车」，可应对的路况复杂度大幅提升、可决策的驾驶行为更贴近人类。实现了从规则驱动到数据驱动、从机器到大脑的转变，通过数据驱动的自学习能力，用户将充分体会到车辆在智能驾驶方面每时每刻的进步， 切身感受到越来越少的接管次数，更低的驾驶紧张度，更少的惊吓式制动 。并且，它会拥有愈发像用户的驾驶风格，打造个性化智能驾驶体验。
Corner Case千千万，靠大量的路测和人工筛选效率太低，而数据驱动的策略是解决该类问题最行之有效的办法 ，也是体现一家公司软实力的硬指标。 同时SEE大模型还在持续成长，只要不断投喂数据，就能持续进化，为L2进化至L4奠定了坚实的技术基础。
大模型依赖于大规模的数据积累 ，而 数据积累和模型训练需要有庞大的算力支撑 ，长城打造了行业领先的超算中心 —— 九州，算力总规模达到1.64EFLOPS，实现5T/s的高性能存储，为大模型的训练提供坚实的算力底座。与此同时，在上千亿个参数的大模型跨卡、跨服务器训练的过程中，需要对数据进行 全流程的自动化管理、模型算力优化以及训练效率提升 ，才能达到极致的高效和产出。在以数据为驱动的大背景下，车端持续产生的实际数据， 自动化地发现问题、记录数据、 上传数据，在云端标注数据、训练模型、验证后 再更新至车端软件，通过海量数据的回流使所有模块的 算法性能（感知，融合，预测，规控等） 得到全自动化的高效提升，能够快速解决长尾问题，最终为用户带来「快速进化」的智能驾驶产品。
目前智驾行业已进入 竞争的白热化阶段，卷硬件卷配置卷方案 ，主机厂低阶智驾方案的车型要做，高阶智驾车型也要做，这体现了车企未来的竞争力和生命力，同时智驾可能会越来越成为车企的标配。 智能驾驶的战役已迈入下一个战场，谁能在安全性和体验性做到最佳，谁就能取得更大的市场优势。
