科金社2025年07月29日 14:19消息，智驾技术发展迅速，但L3级自动驾驶仍面临挑战。懂车帝测试争议揭示行业痛点，未来路在何方？

　　 近日，汽车媒体懂车帝开展了一系列关于辅助驾驶系统在真实事故场景中的模拟实验，共包含15个测试项目。实验中，涉及国内外20多个品牌，包括特斯拉Model3和ModelX、小鹏G6、问界M9等近40款车型，均设置了车辆假人模型，并模拟了真实的交通环境，以评估这些车型智能驾驶系统的实际表现。

　　 具体来看，15个事故测试场景涵盖了高速和城区道路，其中高速路段包括“高速惊现事故车”“施工路遇卡车”“消失的前车”等6个场景，而城区道路则涉及“开进大转盘”“转盘内汇入”“故障车躲避”等9个场景。这些测试场景的设置，反映出对不同交通环境下的安全风险进行了系统性梳理，有助于提升驾驶安全意识和技术应对能力。通过模拟真实道路中可能遇到的突发情况，不仅能够检验车辆的安全性能，也能为驾驶员提供更直观的预警和应对训练。这种有针对性的测试方式，对于推动智能驾驶技术发展和公共交通安全管理具有积极意义。

　　 实验数据显示，在这15个测试场景中，上述车型的平均通过率仅为35.74%。在高速夜间遇到施工卡车的场景中，仅有47%的测试车辆能够实现安全避让；而在儿童突然冲出马路的场景中，也只有58%的测试车辆能够有效刹停。 从这些数据可以看出，当前自动驾驶系统在面对复杂和突发情况时仍存在明显短板。尤其是在夜间或低能见度环境下，系统的感知与决策能力亟待提升。此外，对于行人尤其是儿童这类高风险目标的识别与反应，也暴露出技术上的不足。这些结果提醒我们，自动驾驶技术距离真正成熟还有很长的路要走，需要在算法优化、传感器精度以及场景覆盖等方面持续突破。

　　 在此次测试中，国产品牌表现不佳，而特斯拉则在各项评价指标中表现出色。懂车帝发布的视频显示，特斯拉Model X和Model 3在六大高速场景测试中表现亮眼，均成功通过了五项测试。在城市九大场景模拟测试中，Model X通过了八项，Model 3通过了五项。

　　 这一项引发争议的辅助驾驶测试，再次引发了汽车制造商对辅助驾驶安全性的广泛讨论。

　　 测试结果公布后，各车企反应各异。其中，岚图汽车高管邵明峰在个人微博上表示：懂车帝的封闭高速测试犹如一面镜子，反映出行业在极端情况下仍存在共性技术短板，如高速避险能力、感知系统对非标准障碍物的识别水平仍有待提升。

　　 特斯拉CEO马斯克也在个人社交平台转发了懂车帝《懂车智炼场》辅助驾驶科普节目的高速公路场景的测试视频，并配文称：“由于法律禁止数据出境，特斯拉在没有本地训练数据的情况下，在中国取得了最高成绩。”与此同时，特斯拉副总裁陶琳在社交媒体发文说：“这次测试的结果我们和大家一样都是从媒体上看到的，我们不关注排名，因为任何测试、排名都是相对的、短暂的，但对安全的要求却没有上限。同时，也希望大家看到，这次测试的本意并不是排名，而是提醒大家专注路况，安全第一。”

　　 “单次的测试，并不具有普遍意义，因为每台车在测试的过程中面临的变量并不能做到完全一致。”一位在理想汽车智驾部门的高级工程师向21世纪经济报道记者表示。

　　 近日，针对懂车帝测试手段和方法的讨论持续发酵，多家汽车企业对此作出回应。智界汽车、AITO汽车以及鸿蒙智行均在官方社交媒体上表示，已注意到某平台所谓的“测试”，但选择不予置评。 从行业角度来看，这种低调应对的方式反映出当前新能源汽车市场竞争日益激烈，企业在面对第三方测试时更倾向于保持理性与克制。尤其是在涉及产品性能、用户体验等敏感话题时，公开回应可能带来不必要的舆论压力或误解。因此，选择不回应，某种程度上也是一种策略性的考量。 不过，公众对于测试结果的关注度依然较高，尤其在信息传播迅速的今天，未经证实的消息容易引发猜测和争议。因此，企业若能在适当时候以客观、透明的方式回应质疑，或许更有助于建立品牌公信力。

　　 值得一提的是，懂车帝的测试结果也同样引起了不少网友的讨论，甚至有网友质疑测试的结果。对此，懂车帝回应指出：大量账号通过截取某车型视频内容制作图片，相关内容与事实不符。

　　 此外，懂车帝在测试中提到，驾驶员在过程中并未主动干预方向盘以阻止车辆向左变道。相反，是车辆的AEB（自动紧急制动）系统被触发，导致NCA（Navigate on Autopilot，自动辅助导航驾驶）功能因AEB的持续介入而被暂停。当NCA功能被抑制后，车辆无法进行绕行操作。节目推出的目的在于通过展示这一过程，向消费者普及辅助驾驶技术的安全使用范围，强调用户自身才是保障安全的第一责任人。

　　 在懂车帝发布测试结果前，7月23日，国新办举行“高质量完成‘十四五’规划”系列主题新闻发布会，对于智能驾驶相关问题，公安部交通管理局局长王强在发布会上回应称，目前我国市场上销售的汽车搭载的“智驾”系统都不具备“自动驾驶”功能。这些“智驾”系统都还暂时停留在辅助驾驶阶段，驾驶人才是最终的责任主体。

　　 今年年初，曾经掀起两轮价格战的比亚迪，如今开始在智能驾驶领域发力，推出天神之眼A、B、C三套智驾方案，覆盖低、中、高不同价位段的车型，打出“智驾价格战”的新牌。随后，零跑汽车等车企也纷纷跟进，在智能驾驶领域展开新一轮竞争。例如，零跑B10首次将原本成本高昂的激光雷达下放到12万元级别的车型上，进一步推动了智能驾驶技术的普及。 从行业发展趋势来看，车企们正逐步将高端智能驾驶配置下放至更亲民的价格区间，这不仅有助于提升产品竞争力，也在加速整个行业的技术迭代与市场普及。随着更多企业加入这场智驾竞赛，消费者将享受到更加丰富和实惠的智能出行选择。

　　 在政策利好与技术进步的双重驱动下，更多车企对L3级自动驾驶的落地布局提速。3月18日，广汽集团发布智能科技品牌“星灵智行”，宣布将于今年第四季度量产并上市销售全国首款L3自动驾驶乘用车。广汽集团总经理冯兴亚曾透露，2026年，使用场景更广的L3＋自动驾驶将量产。此外，广汽还将在2027年推出面向用户的L4自动驾驶，开启自动驾驶技术新时代。L2和L3在法律风险上天差地别，L2级事故责任在驾驶员，但L3级则并非如此，L3级别将驾驶任务的“主要责任”从人转移到系统，这就意味着，制造商必须对系统在自动驾驶模式下的一切行为承担法律责任。更为重要的是，横亘在 L2+与 L3 之间的艰巨任务，不是简单地逐级而上，而是需要跨越一道巨大的安全鸿沟。

　　 车企之间的智能驾驶竞赛在3月的一次智驾事故后受到一定冲击。此后，各大车企开始更加重视智能驾驶系统的安全性能。以小米为例，其第二款车型小米YU7全系标配了激光雷达，并同步升级了智驾硬件，全系搭载英伟达700TOPS的Thor芯片。小米集团董事长兼小米汽车CEO雷军表示，此次升级旨在提升车辆在暗光环境下的地形和障碍物识别能力。 从行业发展角度看，此次事故无疑给车企敲响了警钟。智能驾驶技术的快速推进固然重要，但安全始终应是核心考量。小米在硬件配置上的加码，反映出企业对安全性的重新审视，也体现了行业整体向更稳健方向发展的趋势。未来，如何在技术创新与安全保障之间找到平衡，将成为车企持续关注的重点。

　　 如今，懂车帝的测试也确实揭示了智驾行业在技术层面普遍存在的瓶颈问题——无论是高速还是城市道路的避险能力，汽车的感知系统在识别非标准障碍物方面仍需进一步提升。

　　 加强车辆对道路信息的感知能力，在车上增加一个激光雷达是当前车企给出的普遍解决方案。

　　 相较之下，如何解决纯视觉在夜间环境下的感知识别问题，小鹏汽车选择通过提升算力来增强智能驾驶系统的安全性。不过，禾赛科技研发副总裁梁峰则认为，相比单纯依靠算力提升，增加激光雷达在成本和效果上更具优势。 我认为，在自动驾驶技术的发展过程中，不同企业基于自身技术路线和市场定位做出不同的选择是合理的。小鹏强调算力的重要性，反映了其对算法优化和数据处理能力的重视；而禾赛科技则从硬件角度出发，主张激光雷达在复杂环境下的可靠性。两者各有侧重，但最终目标都是提升车辆的安全性和智能化水平。在夜间等复杂环境下，结合多种传感器的优势，或许才是更稳妥的技术发展方向。

　　 他解释道，纯视觉系统在夜间、逆光或其他复杂极端场景中保障安全，需要大量数据进行训练，但即便如此，效果可能仍不理想。而只要搭载激光雷达，这些场景无需额外训练即可有效覆盖。“纯视觉如同在逆水行舟，而激光雷达则是在陆地上奔跑。”

　　 一位智驾行业的工程师表示，为了提升车辆在近距离环境中的感知能力，除了加装激光雷达外，还需要引入对超视距动态信息的多维感知技术。 在当前智能驾驶技术快速发展的背景下，仅依靠单一传感器已难以满足复杂路况下的安全需求。激光雷达虽然能提供高精度的环境建模，但在面对远距离或遮挡区域的动态目标时，仍存在一定的局限性。因此，结合多种感知手段，如毫米波雷达、摄像头以及融合算法，形成多维度的信息互补，成为提升系统整体性能的关键方向。这种技术路径不仅有助于增强车辆的环境感知能力，也为实现更高级别的自动驾驶奠定了基础。

　　 影响车辆的道路动态信息因素众多，如道路封闭、施工、交通事故、大型活动以及天气变化等。在辅助驾驶系统中，实时获取这些动态信息仍面临诸多挑战。 从技术角度看，当前的辅助驾驶系统虽然在数据采集和处理方面取得了显著进步，但在应对复杂多变的道路状况时，仍存在一定的局限性。例如，部分系统对突发事故或临时施工的响应速度较慢，可能导致驾驶员无法及时获取关键信息。此外，不同地区的交通管理方式和信息发布机制不统一，也给系统的全面应用带来障碍。未来，提升信息整合能力与实时更新效率，将是辅助驾驶系统进一步优化的重要方向。

　　 一是周边动态环境的复杂性和不确定性。人类驾驶员的行为具有一定的模糊性，例如某辆车开启左转向灯却突然改为右转。Waymo的仿真数据显示，这类场景的预测错误率高达15%；同时，实时计算也面临挑战：在城市道路中，每秒需要处理数十个移动对象，如车辆、行人和自行车等，若计算延迟超过100毫秒，就可能造成决策失效。

　　 二是环境感知的物理限制。传感器在性能上存在感知边界，例如激光雷达在雨雪天气可能出现信号散射，毫米波雷达对静态物体的识别精度较低，摄像头则容易受到光照条件的影响，如逆光或夜间光线不足等情况。此外，当传感器视野被遮挡时，可能无法提前探测到被遮挡的故障车辆，从而导致系统响应出现延迟。

　　 上述业内人士告诉我们，这需要对道路信息做多维的视觉融合感知，提前加强对道路信息做“先验信息”的补充，比如对车流量大的路段，提前将道路的拓扑结构调整的信息早一点上传到系统，“最早4小时、最慢当天上传到系统。”

　　 无论车辆是否配备激光雷达，或是进一步增强对远距离动态信息的感知能力，这些技术手段只能提升辅助驾驶的安全底线，最大限度地降低事故发生率，而无法彻底消除所有风险。要实现真正的安全，驾驶人仍需保持对道路情况的警觉与关注。这正是前段时间公安部交通管理局局长王强所强调的内容——“在使用辅助驾驶功能时，驾驶员必须明确了解该技术的局限性。驾驶人始终是行车安全的第一责任人。”