文章合集地址：Github - BlogY

方案汇总

名称	传感器	算力芯片	算法方案
理想	1L+11V1R12U [1]	AD Pro：地平线征程6M（128 Tops）AD Max：Nvidia Drive Thor-U（700 Tops） [1]	One Model端到端（E2E，End-to-End）+ VLM（Visual Language Model）[2] [3] [4]
蔚来	1L+11V5R12U [5]	1：4个Nvidia Drive Orin-X（1016 Tops） [5] 2：1个自研神玑NX9031（≈4个Nvidia Drive Orin-X）	NADArch2.0_NWM（NIO WorldModel）世界模型 [6]
小鹏	11V3R12U [7] [8]（Lofic相机）	1：2个Nvidia Drive Orin-X（508 Tops） [7] 2：3个自研图灵AI芯片（2250 Tops） [7] [8]	模块化端到端XNGP+_XBrain（感知XNet+规控XPlanner) [8]
华为	XL+X [9]	自研昇腾芯片	乾崑智驾ADS 4.0_WEWA架构（云端World Engine + 车端World Action Model） [10]
比亚迪	A：3L+13V5R12U B：1L+13V5R12U C：12V5R12U（三目） [11] [12] [13]	A：2个Nvidia Drive Orin-X（508 Tops） B：1个Nvidia Drive Orin-X（254Tops） C：1个Nvidia Drive Orin-N（84Tops）或地平线 [11] [12] [13]	A：Momenta合资自研，One Model端到端。 B：Momenta合资自研，One Model端到端。 C：据说是自研。算法架构不清楚。 [11] [14]
特斯拉	12V+1R [15]	自研FSD芯片 [15]	FSD v13，One Model 端到端 [15]

ps. 以最新或最常见配置为准。

参考资料

[1] 理想传感器与算力芯片配置

[2] 理想-E2E-VLA.pdf

E2E：多模块整合成一个神经网络，多模态数据 -> ViT-3D Backbone -> MultiHead多任务预测 -> 控制指令。

VLM：1、交通标志理解（前方学校减速慢行）2、场景推理（雨天路滑，建议增大跟车距离）3、人机交互：支持语音指令修改导航路径

[3] 理想汽车智驾端到端架构与视觉语言模型（VLM）技术分析报告

[4] 理想汽车智驾方案介绍专题 1 端到端+VLM 方案介绍（内含：PPT、演讲视频等链接）

[5] 蔚来传感器与算力芯片配置

[6] 蔚来世界模型NWM | 万千平行世界寻找最优解（内含：智驾从 BEV->OCC->E2E->WM 方向演进的理解）

NADArch2.0_NWM（NIO WorldModel）：

可以在100ms内，推演216种可能发生的轨迹、寻找最优路径；还能基于3秒钟视频的Prompt输入，生成120秒想象的视频，具备与生俱来的闭环仿真测试能力。底层逻辑：模拟人类对场景的理解过程，比如看到一棵树，然后闭上眼睛，尽管不能记住树的全部细节，但是能想起粗略的轮廓，也能想象如果风吹过来，树叶会向什么方向摆动。因此，NWM旨在基于「空间理解」进行「想象重建」，再基于「时间理解」进行「想象推演」。

[7] 小鹏AI汽车官网

[8] 小鹏汽车XNGP智驾方案简析（内含：小鹏、蔚来、Nvidia算力芯片对比，端到端演进解析）

模块化端到端：XNet 2.0融合了纯视觉占据网络，可实现动/静态BEV、占据网络三网合一；基于神经网络的XPlanner可结合分钟级以上的时序连续动机，并依据周边环境信息及时变通，生成最佳运动轨迹。

[9] 华为乾崑智驾合作车型

不同车型搭载传感器不一样，可以点进去看，如：问界M7介绍

ADS 4.0配套高精固态雷达和分布式毫米波雷达。

[10] 华为乾崑智驾 ADS4.0 算法方案

知乎：从3.0到4.0，华为ADS有哪些变化？

云端WE：通过扩散模型生成极端难例数据，提高模型泛化性。

车端WA：基于WE生成数据实时优化嘉实策略，用了RL，看起来是模块化端到端。

[11] 比亚迪天神之眼发布会图文版

[12] 比亚迪天神之眼传感器配置

[13] “天神之眼”智能驾驶系统及供应链梳理

[14] 天神之眼算法架构猜测

[15] 特斯拉FSD智驾方案简析