点对点自主领航上车，从领克升级看端到端算法面试的“隐藏考点”

2025年7月13日，领克汽车官宣为07/08/10 EM-P车型推送LYNK Flyme Auto 2.3.0版本，核心更新是新增“点对点自主领航”功能。从版本号节奏看，2.2.0发布于三个月前，本次升级属于中期大版本，而“点对点”三个字背后，是城市NOA（Navigate on Autopilot）从“高精地图依赖”向“端到端感知-规划”切换的行业缩影。

Photo by Jimmy Liao / Pexels

作为正在准备AI算法岗面试的应届生，我刷了300道LeetCode，也断断续续啃过几篇自动驾驶论文。看到这条新闻第一反应是：这个功能的技术路线，面试官大概率会问。尤其是“点对点”这个表述，意味着车辆需要在一个连续的区域（起点到终点）内自主完成变道、过路口、避障等操作，而不再依赖分段激活。这背后涉及感知、预测、规划三个模块的联动，以及近年来火热的“端到端”范式。

先说结论：点对点自主领航的落地，是对“纯视觉+决策规划”方案的工程验证，也是算法面试中“场景理解”与“规划搜索”问题的现实考题。

展开论证之前，先梳理一下升级的核心变化。从官方公告和已有信息看，2.3.0版本主要更新集中在辅助驾驶领域，除了点对点自主领航，还可能包括车道保持、交通灯识别等细节优化。但“点对点”是其中最硬核的功能，因为它直接挑战了传统模块化架构的瓶颈。

一、技术拆解：点对点自主领航的“算法骨架”

假设领克采用的方案是“感知-预测-规划”三层分离，但增加了“全局路径规划”与“局部行为规划”的耦合。我们可以用一个简化代码块来理解其逻辑：

# 伪代码：点对点自主领航的核心流程
def point_to_point_autopilot(origin, destination):
    global_path = global_planner(origin, destination)  # 基于导航地图的A*或Hybrid A*
    while not reached_destination:
        obs = perception_module(ego_state)  # 实时感知：车辆、行人、车道线
        trajectory = behavior_planner(global_path, obs, ego_state)  # 生成轨迹
        execute_control(trajectory)  # 转向/油门/刹车
        ego_state = update_state(car_model)
    return

这个流程里，面试官最喜欢问的点是行为规划部分。传统做法是用规则（如有限状态机）处理换道、跟车、制动，但面对复杂路口和突发情况，规则容易漏掉特例。而端到端方法（如UniAD、特斯拉的BEV+Transformer）试图用神经网络直接从感知输出到轨迹，省去了手工设计的中间表示。

领克这次升级，大概率不是纯端到端，而是混合方案：感知使用BEV+Transformer或类似架构，规划部分保留规则但融合了学习模型。为什么这么推测？因为纯端

原文链接：https://www.ithome.com/0/976/169.htm