没想到今天小米发布会，直接放出了自动驾驶的阶段性成果；整体进度比我想象中要快啊，这必须得好好分析一波。（请搭配原视频观看本文，效果更佳）
先说结论：
1、在自动驾驶技术上，小米目前展示的状态，没有领先业界的超前突破。
2、总体水平处于ROBO Taxi类改装车的上等。
2、但是考虑到测试车的就位时间，在进度上的狂飙突进还是非常厉害的。
改装车研判
视频中出现了两种小米自动驾驶测试车，传感器布置形式相对原始——在车顶上装了个“大帽子”，把激光雷达、摄像头啥的装在上面。
这是ROBO Taxi类型“自动驾驶公司”惯用的改装类型，也比较适合小米这种暂时没有原型车的状态。
这样做的好处，就是给传感器最大的感知空间；缺点呢，就是家用车不允许这种制造模式，传感器必然融入整车工业设计，所以这个状态到整车，还需要有很长的工程整合、繁琐测试。
说人话就是：我们目前无法从自动驾驶测试车的状态，去猜测小米24年新车的工业设计、传感器布置等信息。
CNOA状态研判
视频第一段，为城区领航辅助状态，即所谓CNOA（City Navigate on Autopilot）；也就是大家最想要的状态：打开车载地图导航，选中目的地，汽车全自动开过去。
因为进度第一，所以小米的CNOA必然强依赖高精地图；注意观察右下角的可视化效果，路面的3D点云异常稳定，不太可能是实时建模，推测为高精地图的视觉重建。
但是小米的感知部分写的真不错，请注意这里的可视化效果，对其他车流的识别重建，都没有发生可感知的剧烈抖动。
说明车辆的感知系统非常稳定，能够精准的抓住目标，而且3D重建的可视化平滑算法做的到位；而且模型比较优雅，流畅度目测也是很不错的，我喜欢。
还注意套在3D模型上的三维框框，这也是基操了；之前某车厂的自动驾驶演示视频，对目标识别是二维框框，业界同行很是嘲笑了一番。
避让大型车和加塞车Cut in，常规操作，小米测试车感知条件远超家用车，能做到不稀奇，做不到才是问题。
NOA的标志性操作——自我决策上匝道和主动变道。
这里小米的规控做的不错，变道策略不是死板的看前车距离，而是看相对速度；左车道尽管还没超过自己的车道，但是系统观测到它相对速度更快，就马上变道，提高通行效率。
这个策略还是比较聪明的，但是视频加速太快，看不出来变道控制的顺滑程度。
风险避让，正常操作；大家玩命升级感知系统，搞出来Lidar+环视+毫米波的多层感知，就是干这个的。
无保护掉头，这是个高难场景，需要感知系统全力工作，同时决策系统要兼顾通行效率和安全性——不能拐的太慢，不然你这辈子都掉不过来；不能拐的太快，不然要出事。
得益于车顶极其优越的观测位置，测试车的感知系统提供了360度全方位的信息，这个掉头比较顺滑。
但如果装在小米的量产车上，Lidar最多只能提供前半球观测信息，毫米波也有一堆死角，这种场景就得纯靠环绕视觉感知了；这就是我前面所说，小米需要在量产车上解决的工程问题。
有红绿灯的可视化（右下角），但是不知道是V2X发回的信息（跑在武汉自动驾驶示范路段），还是纯靠视觉识别的信息。
如果是后者，那么小米的技术状态还是可以的。
避让公交车（大车），基操了
这段很有意思，注意看可视化信息，小米测试车已经建立了完善的行人、两轮车识别模型。能识别、能避让、能3D重建，进度不错。
复杂多路况左转，不过有红绿灯，难度中等吧。
这段很有意思：得益于位置优越的感知系统，小米测试车第一时间发现了被SUV遮挡的电动车。
这个识别非常迅速，决策继续往前开也非常果断，不知道量产车还能否达到如此惊艳的水平。
行人避让，基操。
环岛行驶，CNOA的基操。
我朝马路自有国情在此！超繁忙路段，人车交杂，小米测试车表现得很稳，规控做的不错。
无保护右转这里，我起初以为出现了个常见Bug——也就是识别到了红圈的老大哥，没及时停下来，都开到人前面才停下。
后来发现不是，是检测到左前方的粉色电动车，必须避让，安全性的预判算法写的真不戳。
CNOA状态结论
小米测试车的CNOA总体看起来比较顺滑，是典型的城区高精地图强依赖路线，而且因为传感器全部放在车顶，所以感知条件非常优越。
能做到这个水平的厂商很多，ROBO Taxi （就是那些所谓的“L4自动驾驶创业公司”）一抓一大把。
小米比较优秀的地方在于：他们时间很紧，500天以内拿出来这一套东西来。
感知、决策、控制算法看起来成熟度还行，能跑到这个程度，值得肯定了。
小米的挑战在于：工程化量产的过程中，传感器特别是激光雷达，必然与整车设计高度融合，因而感知空间会大大受限。
Lidar会从现在的360度无死角，变成只能最多只能看到前半球270度（1前2侧布局），甚至不到180度（车顶前向单Lidar布局）；所以对环绕视觉的感知算法提出了非常严苛的要求，期待小米量产车给一个满意的答案。
AVP自动泊车研判
第二部分是AVP无人泊车，即如图所示——站在车库门口点下手机，汽车自动泊入预定车位。
因为车库环境较为简单，且时速较低，所以这辆测试车干脆以无人驾驶形态往前开。
自动下陡坡我还觉得挺惊艳的，感知系统这么强？
不过看第二张图，emmm，还是预先建图的——就是说车里已经有车库的高精地图了，难度要低不少。
这张图会更明显一点，车辆还完全下坡，左边还有遮挡，车库的可视化效果已经出来了（右下角）。
不过感知系统写的还行，识别车辆的速度挺快。
这张会更明显：出库车辆越线就识别到了，还有两个空车位也准确识别；就算有高精地图加持，感知系统不行那也是白搭。
90°急弯，方向盘拉出了一个巨大的角度，控制算法挺给力；但是毕竟试验车，量产车的情况无法从视频推断。
绕行雪糕筒，AVP基操
倒车入库，基操
机械臂自动充电，想得很好，实践非常困难：汽车的充电口位置不统一，前后左右都有分布，光是机器人跑来跑去的算法就够你喝一壶的。
而且很多车的充电口盖并非电动弹出，你要怎么打开呢？就算是能电动弹出的，你又怎么激活弹出程序呢？
更何况国标充电口标准写的非常哈批，水平低下，锁止机构异常导致充电枪锁死那都是基操勿六；万一锁死，还得车主大费周折紧急解锁，甚至还解不下来...
总之，如果想用机械臂形式做第三方公共自动充电，不太现实，长期来看这还是个非常重人工的活。
不过如果是富B装自己家用，那当我没说，现阶段插拔充电枪确实不够优雅...有机器人代劳会好很多。
AVP状态结论
相比CNOA状态，自动泊车的AVP状态惊喜较少；主要是你们提前建图了喂，没看到实时感知算法有太大的发挥空间。
最后总结
小米展示的8分钟视频，完整的展示了工程改装测试车的状态，也是涵盖了目前辅助驾驶最大的3个场景碎片——“城区-高速（环路）-车库”。
如我之前所说，想从这个状态推断量产车非常困难；小米最大的目的，应该还是建立下公众信心，表达自己有意愿、也有能力站在高阶辅助驾驶第一梯队。
目前展示出来的能力，并没有很强的前瞻性突破；但还是那句话——你考虑考虑时间呢？
而且人家也志不在此，作为新晋车厂，先把测试车跑起来才是最重要的。
从正式开始组建团队，到今天展示测试车状态，我觉得小米汽车ADAS进度还挺快的，比我预想得要快；我以为23年上半年才会开始展示，24年下半年开始伪装车测试。
目测量产车依然是第一梯队感知硬件：前半球Lidar+环绕视觉+毫米波的2层半架构；我比较感兴趣的是计算平台用哪家，那时候老黄单片1000T算力的Atlan应该出来了，但是地平线J6和高通下一代Ride也会登场。
其他的就不猜了，信息太少，先到这里吧。