一个画龙的ACC，要它何用？
今年7月，极氪001开始推送LCC功能，随之有车主反馈出现画龙现象。
(资料图片仅供参考)
所谓画龙，是指车辆在辅助驾驶状态下，无法稳定居中行驶，会向右或者左偏移方向，画龙问题出现在ZEEKR OS 2.0 版本的末期。
三个月后，一位极氪销售告诉XEV研究所，在系统升级到3.0版本时，画龙问题已经解决。
开启LCC时出现画龙，并非极氪一家遇到过，比亚迪汉创世版、零跑C11等早期同样有此遭遇。
不止画龙，LCC还会出现雨天下车道线识别不准、大曲率弯道下系统退出问题。
LCC功能做的不好，会直接导致用户在使用辅助驾驶时，感到不安。
做得好，则可以缓解驾驶疲劳，为驾驶提供便利。
在部分用户的反馈中，目前LCC领域做得最好的车企是特斯拉，再往后是小鹏、智己和极氪等，以及剩下的大多数车企。
我们关心功能的好坏，也更关心，当你的车遇到LCC画龙这类问题时，新老车企分别是怎么想的。
1.表现不一的LCC
如果有机会连续试驾十辆车，你可能会发现，同样称为LCC，这些车在直道、弯道、雨天下的功能表现是不一样的。
有的LCC在直道上就会画龙。
XEV研究所从一位本土供应商的研发工程师处了解到，画龙是源于对功能的标定匹配工作做得不好，需要持续调参去解决。
有的车不画龙，但在通过大曲率弯道时系统会中途退出。
弯道下的挑战，在于从直道进入弯道时，由于系统要实时计算弯道的曲率半径，如果当前车辆速度特别快，此时横向速度就会特别大，需要减速才能过弯。同时，还要计算纵向的减速度，当系统调得不好时，LCC的体验就会很差。
另一个普遍难题是雨天。
雨天过后，道路上的积水会被过往车辆走出车辙印，从而导致系统在感知车道线时出现干扰。
针对雨天场景，一些车企的智驾研发人士认为，小鹏解决得好一点，特斯拉解决得相当好。
特斯拉采用的是BEV架构。它会在几条车道线中选出一条，而且大概率会选对，因为它是根据连续多帧的信息推理出来的。
背后的技术原理是，借助大算力形成BEV架构，获取到连续多帧的信息，即便这一帧分叉，但前面有十几帧的信息，仍然可以推演出来到底要走哪条路。
因为雨天虽然有车辙印，但不是所有路段上都有，于是可以利用已经走过的道路信息，推理出前面车道线的真假。
当然，LCC的不同表现，与车型定位有关，与产品的投放策略也有关。
基于不同平台上的车，在不同阶段的重心也不一样，也许第一代平台的车型解决的是功能有无和完整度的问题，下一代平台的车才会解决体验的问题。
一个看似简单的LCC功能，有着自己的小世界。
2.大门刚刚打开
按照传统叫法，LCC，全称Lane Centering Control，中文名车道居中辅助，是对车辆进行横向和纵向的控制。
不过，一些本土供应商内部现在已经不这么叫了。
我们从一些本土供应商工程师口中听到两种称呼，一种是Lateral control（横向控制）；一种是Pilot Assist，统一纳入领航辅助。
名字改变的背后，暗含供应商对这项功能的理解乃至技术发生了改变，这一点我们稍后会谈。
先按照主流的LCC称呼，对这项功能有一个大致的认知。
LCC属于典型的L2级别，是ADAS里的一项功能。
在LCC市场上，目前主流的玩家仍然是博世、Mobileye等玩家，其次是一些本土供应商，主流方案是1V1R，同时成本更低的单V方案市场份额也在逐步增加。
上述本土供应商的工程师告诉我们，“对于LCC产品，今年来看，国际供应商的市场份额仍然占大头。按照我们了解到的一些上车项目和量产周期推算，预计明后年，国内供应商有望占到1/3的市场份额。”
站在用户的视角去感知，LCC出现前，车上流行的功能是ACC，主要用于纵向控制。比ACC更早的功能是CC，叫做定速巡航，同样用于纵向控制。而今天的LCC，则可以对纵向、横向进行控制。
既然横纵向的控制都已经实现，一些人也许以为，那就再没有进步空间了。但此时，LCC这扇大门其实才刚刚推开。
一种基于域控和多传感器融合的方案出现了。
新方案会应用到大算力平台，更多的前视乃至环视摄像头、激光雷达等，相较以往的1V1R配置有了大幅提升。
“这种新方案本身并不是为了专门实现LCC，而是要实现高阶的NOA领航辅助功能。只不过，在实现NOA的时候，这种基于域控的方案通过更高像素的摄像头以及4D雷达、激光雷达等的多传感器融合，同时也提升了LCC的性能体验。”MAXIEYE CTO郭恩庆说。
LCC如果有体验高下之分，基于域控且坚持纯视觉算法的车企，将由于技术门槛最高而站在顶端。
同样基于域控，且注重多传感器融合的车企，站的位置是山腰。
山脚下，是那些基于1V1R甚至1V方案的车企，它们可以做LCC功能，只不过体验远不如上面两类车企。
当然，这三类方案的成本也是不一样的。
抛开独树一帜采用纯视觉的特斯拉，山腰的车企采用的基于域控和多传感器融合的方案成本更高，LCC的体验自然要比山脚的1V1R的低成本方案更好。
我们来看一下这些方案具体是怎么回事。
3.给传统方案打8分，还能优化
自LCC进入国内至今，这项功能的大规模应用已有十几年时间。
最早的LCC方案由1V1R组成，也就是一个前视摄像头搭配一个前视毫米波雷达，这也是今天的主流方案。
通常来说，1V1R应用车型覆盖范围较广，在售价10万元以上至20万左右售价的车身都能看到。
特别的是，长安深蓝SL03基本上定位在20万元级别，搭载的方案是1V3R。其中，后面两个角雷达相对独立一些，和LCC关系不大，主要用于BSD盲区报警。
为了降本，市场上还有一种1V的方案，也就是单个前视摄像头。由于少了一个前视毫米波雷达，1V方案成本会大幅下降，目前1V方案可以下探至10万元左右车型。
上面两类方案，大多不涉及域控，是自主品牌配置率最高的方案。
后来，也就是最近几年，当特斯拉、蔚小理等造车新势力出现后，智能驾驶随之兴起，市场开始出现一种基于域控去研发高阶智能驾驶，LCC的功能也随之得到提升。
这种基于域控的新方案，通常会上探到20到40万元的车型上。今天我们已经看到太多，比如蔚来ET7、理想L9、小鹏G9、智己L7等。
是否基于域控，会导致传感器配置、技术逻辑、方案成本均不相同，最终让新旧方案在实现LCC时的表现不在一个量级。
“按照传统视角，如果以10分为满分标准，传统的LCC方案可以做到9分以上。如果按照今天的智能驾驶功能标准看，传统LCC大概有8分左右，还有很多的持续优化空间。”当我们邀请一位智己汽车的智驾负责人评价主流的LCC方案时，对方这么说。
他提到的优化空间，其实就是从用户需求出发，在横纵向控制的基础上，叠加一些新的体验点，比如对于大曲率弯道、雨天、cut in等场景的处理。
实际上，传统的Tier 1也就是博世、Mobileye，他们的LCC方案本身已经比较成熟，但是会更多地考虑功能的完整度，以及能够覆盖多少个场景，对于用户体验的关注点密度不是特别高。
另外，传统的LCC功能更加关注本车车道前方的交通参与者的行为，也就是跟车目标的加减速、横向状态。预测方面做得比较简单，主要基于规则的方式完成算法开发。
这类方案的好处是，开发过程会比较快。缺点是，当规则形成之后，再去做一些调整，特别是做拟人化的开发会更加困难。
而基于域控的方案，玩法就多了去了。
它会借着大算力平台的加持，进行很多复杂的算法加成，并且可以获得摄像头、毫米波雷达乃至激光雷达等更多路感知数据的输入。规控算法上，也可以采用更加复杂的算法模型，最终可以输出一个更加优化的策略。
一个最朴素的道理，人的需求层次会越来越高，当市场上出现基于域控去实现LCC的方案后，博世、Mobileye的那套传统的LCC方案就必须做出改变。
要么修补，将1V1R完善得更好。要么放弃，跟随技术趋势去推出基于域控的方案。
那么，车企是怎么想的？
4.曲线救国，车企想先做高阶方案
LCC属于L2级别，也就是低阶智能驾驶。
我们和一些本土智驾方案供应商聊下来发现，传统车企对低阶智能驾驶的自研投入兴趣不大，因为用户体验没有直观的提升，投入和收益不成正比。
1V1R的硬件平台比较固定，这套方案囊括LCC、AEB、LKA功能，不会给用户带来太多体验上的感受。尤其是AEB，在危险的时候才会刹一脚，这种功能基本上没有用户体验可言，所以主机厂也不会将自研精力放在这一类的功能上。
比如AEB这种，除了造车新势力中的理想做了自研，基本上很少有车企会去碰。
同样地，车企基本上很难去专门研发一套LCC方案，目前更多的是由供应商提供完整的打包方案。
“原因很简单，第一，1V1R的挖掘难度已经很大，第二，车企的目标重心是做高阶智能驾驶。”郭恩庆向XEV研究所解释。
车企希望朝着带域控的方案前进，更多地做一些能够带自己DNA的体验、有特点的功能。于是，它们投入的资源会更多倾向于舒适类的、用户感知明确的功能。
做高阶，其实相当于曲线救国。
就像特斯拉和小鹏等新兴车企，为了实现NOA功能，会采用更大算力或者更高的传感器配置，新的软硬件天然可以为LCC提供更多支持。
但传统车企必须意识到，L2的数据一定要掌握在自己手中。
以前的L2，由于搭载了博世、Mobileye的方案，导致在装配量最大并且可以最广泛收集数据的功能上，中国车企完全没有数据回传。
现在，车企并非一定要自研LCC，但一定要将数据回传回来。
“我们已经和头部车厂达成了一种共识，那就是，L2跳不过去，因为L3和L4都有ODD概念。在ODD之外就要回到L2。如果L2做不好，怎么整？难道还要再装一个Mobileye或者博世的系统吗？” 上述一位研发人士说。
最后，同样是用高阶智能驾驶方案顺带实现LCC，也会有一些差异。
比如，在过路口时，小鹏和蔚来的LCC表现略有不同。
小鹏P5因为有激光雷达的加成，相应的算法做了一些调整，在过路口的表现可能会更好，在过路口时即便无前车，也能通过大部分的路口。对于蔚来而言，LCC策略相对比较保守，过路口时前方没车的情况下就直接退出了。
而且，踏上高阶智能驾驶这条路之后，意味着功能开发是没有极限的。
上述智己汽车的智驾工程师向我们透露，从功能本身角度上看，因为驾驶场景本身比较复杂，所以还是有一些场景可以做扩展。
比如，智能躲闪现在应用比较多的场景是针对大车、弯道、隧道，但它还有更多的优化空间，比如，施工场景和锥桶。有些锥桶侵入到车道内时，也可以做一些偏置的响应。或者在他车突然快速地从后面接近，因为存在一定的盲区，这时可以主动的视情况进行智能躲闪。
值得注意的是，在通往高阶智能驾驶的路上，市场上其实也有针对1V1R的改良方案，它们大多出自本土供应商之手。
这些本土供应商除了注重功能的完整度，对于用户体验的重视程度越来越高，甚至会在产品中增加一些特色的开发。比如，福瑞泰克、MAXIEYE等，自主品牌对它们也非常认可，一些产品方案已经开始量产上车。
传统的LCC方案中，调系统的工作由供应商完成。
供应商有自己的know how和项目经验，做得项目越多，经验就越足。适配的执行器越多，对执行器的情况越理解，就更有经验去把系统调到一个更完美的状态。
主机厂在这个过程中扮演的是裁判和验收的角色。主机厂会有一些验收的场景，如果在一些场景下能满足要求，系统就会被认可。
对于车企来说，当然可以继续和国际供应商合作。
但现在，车企还可以选择本土供应商的方案，或者直接在高阶域控上打造一套高阶的智能驾驶，从而实现更好的LCC。
5.LCC进入数据驱动时代
传统LCC被基于域控的新方案碾压，背后既有感知的功劳，但更重要的是，这项功能正在和高阶智能驾驶方案一起，进入了数据驱动时代。
我们了解到，车企在实现LCC时开始注重数据和模型训练。
以智己为例，会在现有的算法开发过程中，基于数据驱动的方式去完成模型训练。
这些数据来多方面，首先是一些基础算法，另外会采集一些量产车的老司机车主的行为数据，并进行脱敏；此外还有一些合作的第三方运营的采集数据。最终将多种数据输入模型训练，从而优化整个算法逻辑。
基于域控的新方案，在对传统LCC的硬件进行增强的基础上，极大地补全了传统方案的预测、规控等层面的短板。
参照NOA的演进轨迹，当新方案的LCC的运行数据积累到一个量级，将可以处理更多场景。
正像一些本土供应商将LCC换个称呼一样，大胆想象一下，LCC的“L”也许会被直接拿掉。
因为，是否有清晰车道线某天会变得不那么重要了。
在L2功能中，LCC是天花板，但对于高阶智能驾驶来说， LCC是地板。
放大到全局视角，LCC是全场景里的一个片段，单功能会逐渐弱化，最终会实现全场景的连续性体验。
在那之前，我们能做的是在确保安全的基础上使用LCC。
车企和用户都需要注意的风险是，无论新旧方案，今天LCC始终没有讲清楚边界问题。
说到底，它终归是一个ADAS，没有人敢说可以在上面睡觉。
目前，国内最大的一个问题是过度宣传。
车企要明确告诉用户系统的边界在哪，不要让用户去猜。今天的LCC还没有解决边界定义的本质问题，即这项功能的边界在哪里。
当LCC和NOA一样开始谈安全时，再次说明这项功能进入数据时代。
本文来自微信公众号“XEV研究所”（ID:XEVLab），作者：张祥威，编辑：王博，36氪经授权发布。
