智驾跑山零接管背后：感知、规划与控制如何协同保障安全

1. 跑山视频刷屏背后的真正问题

最近一段"小鹏大战保时捷"的跑山视频在技术圈讨论度很高。表面上看是新能源车企和传统性能车的山路对决，但懂行的人一眼就会明白，这条视频真正值得拆解的，不是两台车谁更快，而是小鹏MONA车型在山路连续弯道中实现"零接管"这件事本身。

先说判断："大战保时捷"是流量话题，跑山零接管才是技术议题。前者负责让人讨论，后者负责让工程师盯着画面一帧一帧看。

山区公路和城市快速路最大的不同，是驾驶场景的复杂度完全不在一个量级。城市智驾面对的红绿灯、加塞、电瓶车，虽然烦人，但道路边界清晰、目标类型固定、速度区间单一。而山路跑山要同时处理连续急弯、对向来车、视线盲区、坡度变化、路面附着力波动，以及传统车企在性能车领域积累多年的底盘和操控功底。智驾系统要在这类场景里做到不退出、不接管、不失控，感知、预测、规划、控制每一层都不能掉链子。

很多车主对"智驾跑山"的第一反应是"敢不敢开"，而工程师看到的是：这套系统的感知白名单到底覆盖了多少类障碍物？规划层在弯道曲率变化时用的是运动学约束还是动力学约束？控制层的刹车和转向标定是不是为山路工况单独调过？这些才是技术在视频背后真正要回答的问题。

这篇文章不打算讨论谁赢了比赛。我们要拆的是：智驾系统在跑山场景里到底靠什么做到零接管，"弃轮保车"这类避险策略在控制逻辑上是什么含义，以及这套能力对普通车主意味着什么边界。

2. 跑山场景为什么是智驾系统的"照妖镜"

跑山对智驾系统的考验，和麋鹿测试对底盘操控的考验一样，属于"平时用不上、关键时候见真章"的场景。

2.1 弯道多：对感知和规划的持续压力

城市道路虽然车多，但大部分时候车辆还是沿着直线或者大曲率缓弯行驶。山路则不同，连续S弯、发卡弯、回头弯交替出现。对智驾系统来说，每一次入弯都是一次完整的"感知-预测-规划-控制"闭环：

• 视觉感知要识别车道线、路沿、对向来车；
• 预测模块要判断对向车辆会不会跨线压弯；
• 规划模块要在入弯前计算合适的速度和转向曲率；
• 控制模块要平滑执行转向和制动，不能让乘客有被甩的感觉。

任何一层出问题，系统就只能降级或退出。跑山零接管，等于把这四条链路连续性地验证了几十遍。

2.2 盲区多：对冗余感知的要求

山路最危险的不是弯道本身，而是你看不到弯道后面的东西。岩壁、树丛、路边的金属护栏，都会带来视觉遮挡。智驾系统在弯道中看不到对向车道时，决策必须更保守：要么把速度压到安全范围，要么准备随时制动。

这就是为什么部分跑山测试视频里，你会看到智驾车辆在入弯前明显减速。那不是"怂"，而是感知不确定性增加时，系统选择了提高安全边际。

2.3 对向车流：博弈难度远超单车道

如果是封闭赛道的跑圈，系统面对的只是固定赛道线和自己的车辆动力学极限。但开放山路完全不同，对向随时可能出现车辆，而且对向车辆的驾驶行为可能并不规范。有的车过弯会借道，有的车会突然占线，还有摩托车在弯心突然出现。

这类场景要求智驾车同时具备防御性驾驶和博弈能力，把对向车辆轨迹预测列入规划的硬约束条件。

2.4 坡度与附着力：容易被忽略的动态变量

山路还有城市道路不太显著的变量：坡度。上坡时动力需求大，下坡时制动负荷高，连续长下坡甚至会影响刹车系统的热衰减。智驾系统的能量回收策略、制动策略如果只按平路标定，到了山路就会出问题——要么刹车点太晚，要么舒适性差，严重时可能触发制动系统保护。

跑山能把智驾在极限工况下的冗余设计、标定完整度、系统降级策略全测一遍。所以它是当之无愧的"照妖镜"。

3. 小鹏MONA的智驾基础：架构与感知方案

要理解跑山零接管的价值，先得清楚这套系统大体是什么水平。其实在圈内，小鹏是最早坚持"视觉为主、重感知、轻地图"路线的车企之一。MONA系列的小鹏智驾方案，从公开信息来看，延续了这种技术路线。

3.1 去掉高精地图，靠BEV感知理解道路结构

传统高精地图方案依赖预先采集的车道级地图数据，但山路更新频率低，很多乡村盘山道甚至没有高精地图覆盖。纯视觉加上实时感知建模后，路该怎么走、车道在哪、可行驶空间在哪，全部来自车辆自己看到的信息。

这种方案的优劣很直接：

BEV（鸟瞰视角）感知的核心，是把多个摄像头的2D图像统一转换到一个俯视的平面坐标系里，让系统像"从天上往下看"一样理解车辆周围360度的空间。跑山场景中，BEV感知可以让系统更容易判断弯道曲率、对向车辆位置、以及路沿和护栏的距离，这是传统2D感知很难做到的。

3.2 感知白名单与异形障碍物

山路上最常见的障碍物不是车辆，而是行人、摩托车、路障、锥桶、甚至偶尔闯入的动物。智驾系统的感知白名单如果太窄，遇到没见过的物体就会直接识别成"未知障碍物"然后刹停，或者更危险的是直接忽略。从公开的技术资料和测试视频来看，小鹏智驾在异形障碍物和通用障碍物识别上做得比较扎实，能在大部分场景下把未知物体当作障碍物而不是放行对象。

这个能力在跑山的价值极大——因为在连续弯道的视觉盲区里，没人能保证下一个出现的一定是"车"或者"人"。

3.3 感知-规划-控制的闭环节奏

智驾系统不是"看见什么就躲什么"，而是有一套完整的决策链路：

# 以一次入弯为例，系统内部处理链路大致如下 摄像头采集原始图像帧 -> 目标检测与车道线识别（感知层） -> 生成BEV视角下的动态障碍物和静态结构（感知层） -> 预测对向车辆未来3-5秒轨迹（预测层） -> 评估本车当前速度、弯道曲率、可行驶空间（决策层） -> 输出目标轨迹与目标速度（规划层） -> 执行转向、加减速、制动指令（控制层） -> 实时监控轨迹误差并微调（反馈控制）

跑山场景比城市复杂，就是因为这条链路在每一个弯道都必须完整执行，而且执行的频率非常高。入弯、弯中、出弯三个阶段的感知置信度和决策策略都不同。如果控制层不够快、规划层不够稳，系统就会表现出明显的顿挫感、忽快忽慢、或者直接退出。

从视频里呈现出的顺滑度来看，这套系统的链路延迟和标定成熟度都到了一个可用的水平。

4. "弃轮保车"到底是个什么策略

这次视频里最具讨论度的，其实是"保时捷弃轮保车"这个画面。很多观众看到的是戏剧性，但如果你从智驾系统的控制逻辑来看，这里藏着一个非常典型的风险决策模型。

4.1 什么叫做"弃轮保车"

山路弯道上，如果发生转向不足或者速度过快，车辆会冲出弯道。面对这种情况，驾驶者有几种选择：强行继续打方向，可能装上护墙或者冲出路面；松开刹车、加大转向，可能可以救回来，但需要足够的操作空间和车辆响应；或者选择用车身某个部位去蹭护栏、蹭土坡，用摩擦力和撞击来减速，把车辆留在路上，避免翻下山崖。

"弃轮保车"指的就是：在极端情况下，驾驶者或系统主动接受对车轮、翼子板等部件的损伤，换取车辆不失控、人员不受伤。这是典型的以损换安策略。

4.2 智驾系统如何处理"避免碰撞优先于避免损坏"

在传统ACC（自适应巡航）或者AEB（自动紧急制动）的逻辑里，系统的主要目标是"不要撞上障碍物"。但当车辆已经在弯道中面临物理极限时，"不要撞"可能要分解为两个层级：

1. 避免与障碍物发生碰撞（对向来车、行人等）
2. 避免车辆失控冲出道路（侧滑、翻滚、坠崖）

当两者不可兼得时，系统或者说设计哲学必须做出优先级排序。更稳妥的设计是：优先保证乘员安全，其次保证对向交通参与者安全，再次才是保护车辆自身免受损坏。

从跑山视频里的表现来看，小鹏MONA的智驾系统在山路场景偏向保守——入弯前充分减速，弯中不激进、不抢线。这种风格本质上是把风险边界设得很低，它不会把自己推到需要"弃轮保车"的极限边缘。它选择的是尽量不进入那个危险空间。

4.3 真正的难点：在物理极限边缘做决策

图片里保时捷的"弃轮保车"如果是人为操作，那是驾驶员在极限状态下瞬间做出权衡。如果这套决策由智驾系统来做，难度会明显更大。因为系统既要有整车动力学模型，知道当前速度、轮胎附着力、坡度、路面摩擦系数，又要实时计算："继续保持这个轨迹会不会冲出路面？如果冲出路面，是撞树还是掉下去？有没有替代轨迹？"

这类决策依赖的是车辆横向稳定的实时监控与风险预测，这比城市里的纵向避撞要难得多。城市里你只需要控制"停不停"，山路上你要控制"往哪偏、偏多少、还拉不拉得回来"。

从现有公开材料看，小鹏MONA的跑山表现更多展现的是"系统如何在入弯前就规避风险"，而不是"到了失控边缘再救车"。这更符合量产智驾的安全逻辑。

5. 跑山零接管的支撑能力拆解

跑山零接管不是一个单一能力，而是多种能力的组合。把表现拆开看，真正在背后起作用的技术点主要包括这几个方面。

5.1 弯道限速规划：不靠感觉，靠曲率计算

跑山局面复杂，单纯依赖感知和规则限速远远不够。比如一个弯道，没有对向车、视野良好和对面有大车占道，两种情形允许的过弯速度完全不同。系统需要根据实时感知到的车道线曲率、视野开阔度、对向车距离动态计算目标速度。

从功能逻辑来看，这个过程可以用一段伪代码来理解：

# 伪代码：弯道限速计算思路（非真实源码） def calculate_curve_speed(curvature, distance_to_obstacle, oncoming_car_speed): # 基础弯道安全速度：曲率越大，速度越低 base_speed = get_limit_speed_by_curvature(curvature) # 视线盲区修正：看不到弯道出口时，进一步降速 if visibility_confidence < 0.7: base_speed *= 0.8 # 对向来车占道修正：对向车速度越快、距离越近，本车越要保守 if oncoming_car_crossing_lane: base_speed = min(base_speed, distance_to_obstacle / estimated_time_to_meeting) return max(min_speed, base_speed)

这种计算的难点不在公式本身，而在于当前方弯道完全没有历史地图数据时，系统对曲率和出口视野的估计到底可不可信。跑山零接管说明这套估计在开放山路里保持了一定的置信度，没有出现系统因为"看不懂路"而频繁要求接管的情况。

5.2 防御性驾驶策略：主动拉开安全边际

山路智驾与城市智驾的另一个显著差异，是系统默认的风险偏好。城市道路里，大多数时候是"跟随交通流"，你不需要比所有车都保守，否则会被频繁加塞。但山路不同：

• 过弯时系统提前靠线外侧留出余量；
• 对向有车借道压线时不抢、不骂、不加速，主动减速等待；
• 连续弯道中，稍微感觉到目标轨迹置信度下降，就立刻用更低的期望速度继续行驶；
• 遇到盲弯，系统不会用满车道宽度，而是贴着己方车道内侧跑。

这些行为看起来像"老司机开法"，本质上是把预测不确定性纳入规划约束。视频里如果注意观察车辆在入弯前的方向盘修正频率和速度曲线，应该能看到明显的提前减速、平滑入弯特征。

5.3 横向控制与车身稳定性

山路上频繁转向，对横向控制的要求比高速巡航高很多。这里有两个关键指标：

• 横向误差：车辆中心线与目标轨迹的偏差。
• 横摆角速度：车辆绕垂直轴旋转的角速度，反映车辆是否稳定。

山路智驾的难点在于，弯道中的转向不能像城市里那样"先直线、再猛地打一把"，而是必须连续地、渐进地调整方向盘，同时保持车速和转向的配合。如果车速和转向曲率不匹配，系统就会让乘客感到晕车，严重时还会激活车身稳定系统介入。

从实际体验的公开反馈来看，小鹏MONA在跑山过程中的平顺性做得不错，这说明底盘信号（横摆角速度、侧向加速度）参与了智驾控制闭环，而不只是做被动监控。

5.4 制动与能量回收的配合

山路跑起来，另一个容易被忽略的是刹车。电车的动能回收特性在下坡场景中有天然优势——通过电机反拖制动，减少机械刹车片的使用，降低热衰减风险。但动能回收的减速度是有上限且非线性变化的，如果系统在弯道中一会儿用动能回收、一会儿用机械制动，乘客的主观感受会非常差。

表现良好的跑山智驾，应该在入弯前以一个稳定、连续的减速度完成制动，而不是频繁点刹。这样做既是为了舒适性，也是为了给车辆在弯中留出更充裕的横向抓地余量。

6. 从工程视角看：一套可落地的智驾跑山评价体系

很多人在视频评论区争论"这套系统到底行不行"，但争论没有标准。这里给出一个工程上可评估的维度集，不管是想写评测报告，还是想给自己设定测试目标，都可以参考。

6.1 核心评价指标

6.2 建立自己的评测清单

如果参考测试工程的做法，可以把一次完整的跑山测试拆成多个阶段来记录：

# 模拟评测记录结构 test_case = { "id": "RUN_MOUNTAIN_001", "road_type": "连续盘山弯道，双向两车道", "length_km": 15, "curvature_levels": ["缓弯", "中弯", "发卡弯"], "traffic_conditions": { "oncoming_vehicle": 3, "motocycle": 1, "pedestrian": 0, "stationary_obstacle": 2 }, "intervention": [ {"timestamp_sec": 0, "reason": "", "action": ""} ], "system_exit": 0, "avg_speed_kmh": 45, "max_speed_kmh": 80, "passenger_comfort_score": 4.5 }

这个结构不是真实测试标准，只是一个通用的记录思路。关键是：不要只用"接管次数"一个指标评价智驾跑山能力。系统可能为了安全提前退出智驾，但这并不意味着它更安全——它在尽可能长的距离和复杂场景里保持稳定运行，同时管理好风险，才是真正衡量技术水平的维度。

7. 实际操作：如果你想体验智驾跑山，建议这样做

无论是作为车主想体验小鹏MONA的跑山能力，还是想建立自己的智驾评价经验，下面这套操作路径都适用。

7.1 路线选择

不建议第一次就找特别陡峭、路况极差、甚至没有手机信号的深山道路。第一次体验的核心，是验证系统在"相对可控的复杂场景"里能不能稳定工作。推荐路线特征：

• 铺装良好的盘山公路；
• 有清晰车道标线（至少大部分路段有）；
• 白天、天气晴朗；
• 车流量中等偏低；
• 单次行驶距离10-30公里，方便观察全程状态。

7.2 上车前的系统检查

{ "车辆系统状态": "正常", "智驾功能状态": "可用", "地图版本": "已更新至最新", "OTA状态": "无挂起升级任务", "摄像头系统": "无遮挡，镜头清洁", "轮胎压力": "按标准胎压充气", "制动系统": "无故障码", "天气条件": "能见度良好，无雨雪" }

跑山前检查摄像头是否干净、胎压是否正常很关键。因为山路工况对感知和底盘的要求都比城市高，任何一个基础条件不达标都会放大系统的问题。

7.3 实跑中的观察重点

不要只盯着中控屏看系统在干什么，你要看的是真实路况和系统决策是否匹配：

• 入弯前是否提前平稳减速；
• 弯中是否稳定保持在车道内，不来回纠偏；
• 对向有车时是否提前调整纵向速度；
• 盲弯处有无明显的犹豫和反复；
• 每一次系统操作，是否让车上的乘员感到安心。

自动驾驶的信任感不是靠看发布会建立的，而是靠一次次接近真实风险的场景建立起来的。

7.4 记录与复盘

建议使用行车记录仪保存完整过程，回来后对照视频记录以下时间段的信息：

• 系统激活持续里程和时间。
• 每一次减速、转向、避让的时机。
• 自己主观感到不安的时刻。
• 是否出现过系统提示接管但接管原因不明确的情形。
• 最终接管次数和系统退出次数。

这套数据收集逻辑比"我觉得挺好"要可靠得多。有了复盘的素材，你才能区分"系统强"和"这段路简单"。

8. 常见误区与边界提醒

8.1 别把"零接管"等同为"全程安全零风险"

大家需要明确一点：零接管是一个结果，但这个结果高度依赖具体路况、天气、交通流密度。一条通畅的山路和一条暴雨中的山路，对系统来说完全不是一个任务。任何一个强调零接管的测试，都必须说明测试条件，脱离条件谈零接管没有意义。

8.2 公开测试视频是否代表普通车主的使用体验

不是。车企的测试团队在路线标定、天气选择、车辆状态管理上都会做更充分的准备。普通车主可能遇到的情况远比测试视频更复杂。建议以自己车辆实际表现为主，而不是以视频表现为标准。

8.3 智驾跑山是否适合所有人使用

不适合。山路行驶对孩子、老人等容易晕车的乘员来说负荷较大，即使系统开得很平顺，也难以保证所有乘客的舒适感。另外，山路车道狭窄、视距受限，有些路段的突发风险连系统也未必能提前处理。更稳妥的判断是：智驾跑山能力可以作为安全冗余，普适性用户仍然建议在复杂山路保持足够的驾驶关注度。

8.4 "大战保时捷"的讨论视角需要降温

这种标题本质上是流量话题。小鹏MONA的跑山能力，体现的是智能化对驾驶安全边际的提升，而不是要去证明电车比燃油性能车更快。二者对"驾驶"的理解根本不同：一个强调操控极限，一个强调安全冗余和辅助能力。

9. 把"跑山零接管"放进更长的时间轴

回到开头的判断：跑山零接管的真正意义，不是小鹏在某条山路上赢了谁，而是它把智驾系统的能力边界，从城市道路推进到了更复杂的山路场景。这件事放在两三年以前，多数量产智驾系统连平稳跑完一段盘山路都做不到。

小鹏MONA跑山视频中体现出的连续弯道减速、对向车博弈、盲区保守策略，其实已经展现出了一套量产智驾系统应有的工程成熟度。但这不等于它已经可以完全替代人类驾驶员。技术永远有边界，懂得边界在哪里，比追求数字上的"零接管"更有价值。

如果你手里有一台支持智驾跑山的车，建议找一条安全的路线，在天气和车流量都合适的条件下，自己记录一次完整的体验数据。试完你会更清楚：智驾系统哪些地方做得比你好，哪些地方还远远不够。这种认知，比争论哪个品牌更厉害有用得多。

后续如果想继续深入，可以关注三个方向：一是车企针对极端场景（雨中、夜间、砂石路）的智驾标定进展；二是端到端模型对弯道规划和博弈能力的提升；三是整车底盘信号与智驾控制融合的程度。这三条线，决定了下一代跑山智驾还能往上走多远。