小米智能驾驶（Xiaomi HAD）是小米汽车推出的端到端全场景智能驾驶系统，其核心技术架构和功能覆盖已在行业内引起广泛关注。以下从技术特点、功能场景、硬件配置、市场表现及争议事件等方面展开分析：
一、技术架构与核心能力
- 端到端大模型架构
小米 HAD 采用端到端大模型，将感知、预测、规划三个环节整合为单一 AI 模型，直接通过原始数据生成最终驾驶轨迹。这种架构减少了传统模块化方案的信息传输误差，提升决策效率。例如，在复杂路口通行时，系统可瞬间生成多种应对方案并选取最优解，轨迹规划更拟人化，急加速和急刹车明显减少。
- 视觉语言大模型（VLM）
接入 VLM 模型后，系统能识别施工路段、异形障碍物等复杂场景，并通过语音与用户交互。例如，在无保护左转场景中，VLM 可分析路口交通信号和行人意图，辅助驾驶员做出决策。
- 无图方案与数据闭环
小米 HAD 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。例如，在乡间小路或临时改道路段，系统通过实时生成道路拓扑结构，实现障碍物绕行和车道保持。
二、功能覆盖与场景适配
- 高速 NOA（领航辅助驾驶）
- 功能：支持自动变道、超车、上下匝道，最高时速 135km/h，AEB（自动紧急制动）可识别车辆、行人、二轮车，但对锥桶、水马等障碍物不响应。
- 实际表现：用户反馈在高速场景下稳定性较高，但匝道识别和变道成功率仍有提升空间。例如，双车道高速超慢车成功率不足 30%，需频繁手动接管。
- 城市道路辅助
- 功能：支持红绿灯通行、路口左右转、行人避让等，2025 年 2 月全量推送端到端功能后，覆盖无保护左转、环岛通行等场景。
- 实际表现：路测显示复杂场景接管率较高，例如在施工路段或夜间低光照环境下，系统可能误判障碍物类型。
- 泊车场景
- 功能：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）。
- 实际表现：自动泊车功能在标准车位表现稳定，但在非标准车位或消防栓等障碍物场景下可能失效，导致碰撞事故。
三、硬件配置与车型差异
小米根据车型版本分层配置智驾硬件：
- 标准版（SU7 后驱标准长续航智驾版）
- 传感器：9 颗摄像头、1 颗毫米波雷达、12 颗超声波雷达，无激光雷达。
- 算力：1 颗英伟达 Orin N 芯片，算力 84TOPS。
- 功能：仅支持高速 NOA 和基础泊车辅助。
- 高阶版（SU7 Max/Ultra）
- 传感器：11 颗摄像头（增加 2 颗侧视）、5 颗毫米波雷达、1 颗激光雷达。
- 算力：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（计划 2025 年落地）。
四、市场表现与用户反馈
- 销量与激活率
小米 SU7 自 2024 年 3 月交付以来，累计订单超 23 万辆，智驾功能激活率达 88%，国庆假期用户智驾里程达 933 万公里。
- 用户评价
- 优点：生态互联（与小米智能家居无缝连接）、自动泊车精准度高、高速领航稳定性较好。
- 缺点：复杂场景识别不足（如施工路段、异形障碍物）、变道策略保守、售后处理效率低。
- 争议事件
- 高速碰撞事故：2025 年 3 月，小米 SU7 在 NOA 状态下因施工改道未及时识别，导致 3 人死亡。事故暴露了纯视觉方案在极端场景的局限性，AEB 系统未触发紧急制动。
- 集体维权：多地车主投诉高速智驾失灵、自动泊车碰撞等问题，小米通过 OTA 修复部分故障，但售后推诿和免责协议引发用户不满。
五、行业对比与竞争格局
- 技术路线差异
- 纯视觉派：小米与特斯拉类似，依赖端到端大模型和用户数据训练，但激光雷达方案（如小鹏、华为）在极端场景安全性更优。
- 混合路线：华为乾崑 ADS 3.0 采用 “GOD 感知网络 + PDP 决策网络”，动态分配激光雷达与视觉数据权重，提升复杂场景处理能力。
- 市场策略
- 成本控制：小米通过硬件分层（标准版无激光雷达）和软件订阅（199 元 / 月）降低用户门槛，但高阶版硬件成本仍高于竞品。
- 生态优势：依托澎湃 OS 连接 9 亿 IoT 设备，小米在跨场景数据融合上具有潜力，但智驾功能成熟度落后于小鹏、华为。
六、未来规划与挑战
- L3 级自动驾驶
小米计划 2025 年推出 L3 级量产车型，但受限于法规，需解决责任划分和数据透明度问题。例如，L3 级要求车企承担事故责任，而现有技术仍存在 Corner Case 处理风险。
- 技术改进方向
- 激光雷达成本优化：速腾聚创 M3 平台价格已降至 2500 元以下，小米或通过规模化采购提升硬件冗余。
- 数据闭环建设：日均处理 2000 万训练片段，提升算法对极端场景的泛化能力。
- 法规与安全
工信部《智能驾驶功能宣传规范》要求车企明确标注功能边界，小米需调整宣传策略，强化 “辅助驾驶” 认知，避免用户过度依赖。
总结
小米智驾通过端到端大模型和硬件分层策略，在高速和泊车场景实现了从 0 到 1 的突破，但其纯视觉路线的局限性在极端场景下暴露明显。未来需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，才能在 L3 级自动驾驶竞争中占据一席之地。对于消费者而言，小米智驾适合注重生态互联和基础辅助功能的用户，但在复杂路况下仍需保持警惕，避免过度依赖。
