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
NOA（Navigate 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-Loop（HIL），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。
