小米汽车智驾方案剖析

小米汽车的智能驾驶方案以自主研发的 Xiaomi HAD（端到端全场景智能驾驶）为核心要旨，协同硬件分层配置与端到端大模型技术，构筑了涵盖高速、城市道路以及泊车场景的全链路解决之策。以下乃是其技术方案、硬件配置以及实际水平的详尽剖析：

一、智驾方案：端到端大模型 + 纯视觉路线

1. 核心技术架构

端到端全场景智驾：小米 HAD 采用端到端大模型架构，将感知、预测、规划这三个环节整合为单一的 AI 模型，直接通过原始数据生成最终驾驶轨迹。相比传统模块化方案，减少了信息传输误差，提升决策效率。
视觉语言大模型（VLM）：接入 VLM 模型后，系统可识别复杂场景（如施工路段、丁字路口），并通过语音与用户交互，优化复杂场景下的决策能力。
无图方案：基于用户驾驶数据训练，无需依赖高精地图，可在无图区域实现拟人化轨迹规划，提升通行效率。

2. 功能覆盖

高速 NOA：支持高速自动变道、超车、上下匝道，最高时速 135km/h，AEB 功能能够识别车辆、行人、二轮车。
城市道路：2025 年 2 月全量推送端到端功能后，支持城区路口通行、无保护左转等场景，但实际路测显示复杂场景接管率较高。
泊车场景：实现车位到车位的代客泊车，支持记忆泊车、跨层泊车及漫游寻位（车位被占时自动寻找新车位）。

二、硬件配置：分层设计，传感器差异显著

小米汽车根据车型版本，将智驾硬件分为标准版与高阶版，核心差异在于激光雷达与算力芯片：

1. 标准版（SU7 后驱标准长续航智驾版）

传感器：摄像头：9 颗（2 前视 + 3 仰视 + 4 环视 + 1 后视）。毫米波雷达：1 颗（前向）。超声波雷达：12 颗。无激光雷达。
计算平台：1 颗英伟达 Orin N 芯片，算力 84TOPS。
功能限制：仅支持高速 NOA、基础泊车辅助，不支持端到端全场景智驾。

2. 高阶版（SU7 Max/Ultra）

传感器：摄像头：11 颗（增加 2 颗侧视摄像头）。毫米波雷达：5 颗（前向 + 4 角）。激光雷达：1 颗（车顶）。超声波雷达：12 颗。
计算平台：2 颗英伟达 Orin 芯片，总算力 508TOPS。
功能：支持端到端全场景智驾、城市 NOA 及 L3 级自动驾驶（2025 年计划落地）。

三、技术水平：L2 级辅助驾驶

1. 官方定位

L2 级辅助驾驶：根据应急管理部及行业标准，小米 HAD 属于 L2 级，驾驶员需全程监控车辆。
L3 级规划：2025 年计划推出 L3 级量产车型，但受限于法规，暂未落地。

2. 实际表现

优势：拟人化驾驶：端到端模型优化轨迹平滑度，减少急加速 / 急刹车。泊车能力：车位到车位功能在特定场景下可用性较高。
不足：感知局限性：纯视觉方案对锥桶、水马等障碍物识别不足，事故中 AEB 未触发。复杂场景依赖接管：路测显示，小米 SU7 在匝道识别、无保护左转等场景需频繁接管，综合评分低于小鹏、华为等竞品。硬件冗余不足：标准版缺乏激光雷达，夜间或雨雾天气感知能力受限。

四、行业对比与挑战

1. 竞品对比

小鹏、华为：采用激光雷达 + 多传感器融合方案，端到端技术成熟度更高，路测表现更优。
特斯拉：同样采用纯视觉路线，但 FSD 在复杂场景适应性上更优，小米 HAD 仍处于追赶阶段。
上汽集团：旗下智己汽车搭载 VMC 数字底盘及多智驾方案（如地平线、Momenta），硬件冗余与场景覆盖优于小米。

2. 核心挑战

技术迭代压力：端到端大模型需海量数据训练，小米作为新玩家，数据积累不足。
安全争议：事故暴露纯视觉方案的局限性，用户对智驾信任度受影响。
法规与成本平衡：L3 级功能落地需政策支持，而激光雷达等硬件增加成本，影响普及。

五、总结：自研突围，任重道远

小米汽车通过端到端大模型 + 硬件分层策略，在智驾领域实现了从 0 到 1 的突破，但其纯视觉路线的局限性及实际表现仍需提升。未来，若能在激光雷达成本控制、数据闭环优化及法规适配方面取得进展，有望在 L3 级自动驾驶竞争中占据一席之地。对于消费者而言，当前小米 HAD 更适合作为辅助工具，而非完全替代人工驾驶。