厘米级AI导航正在重塑汽车软件与用户体验的竞争规则

2025 年，自动驾驶的“分水岭”越来越不像一场算法竞赛，而更像一场定位与系统工程能力的比拼：同样的感知硬件、相近的算力平台，为什么有的车在匝道并线时像老司机，有的却像新手？答案常常藏在一个不起眼的细节里——车到底“知道自己在哪儿”到什么程度。

最近，一家获得 Khosla 投资、估值约 2.3 亿美元的创业公司 Point One Navigation 因“厘米级追踪”能力受到关注。它不只服务乘用车，还把能力扩展到**无人机、卡车、机器人出租车（robotaxi）**等多种载具。看似是“定位公司业务扩张”，我更愿意把它理解为一个行业信号：AI 导航正在从汽车功能模块，变成整个交通与机器人生态的共同底座。

这篇文章放在「人工智能在汽车制造」系列里讲，有个现实原因：定位与导航不再只影响“开起来顺不顺”，它会反向影响整车软件迭代、产线标定、质量检测、车队运营，最终体现在用户体验上。

厘米级定位为什么突然成了“硬门槛”

先把结论放在前面：**自动驾驶要稳定，必须把定位误差从“米级”压到“分米级/厘米级”，并让误差可预测、可诊断。**不然，系统再聪明也会在关键时刻“猜错自己在哪”。

从“能导航”到“能控车”，定位需求完全不同

手机地图的定位偏个 2～5 米，多数人无感；但对车来说，2 米可能意味着：

• 本来该压线前保持车道中间，结果靠近隔壁车
• 进出匝道时对“实线/虚线”判断迟疑
• 泊车时多打一把方向或反复修正

自动驾驶控制（横纵向控制）对位置的敏感程度极高。**“我在这条路上”不够，必须是“我在这条路的这个车道的这个位置”。**这就是厘米级定位的价值。

不是只有汽车需要：无人机、卡车、robotaxi 都在抢这块底座

Point One Navigation 被关注的点之一，是它能把同一套能力延伸到不同载具。原因很简单：

• robotaxi：要在固定运营区域内做到高可靠、可复制，定位漂移是运营噩梦
• 干线卡车：车长、制动距离、编队跟车都更依赖稳定定位
• 无人机与移动机器人：对“轨迹可重复性”要求更苛刻，尤其在园区与仓储场景

当这些载具开始共享一套“高精度定位语言”，生态协同就会更容易：地图、调度、数字孪生、仿真回放都能复用。

AI 导航的核心：不是“更准”，而是“更稳、更可解释”

厘米级定位通常离不开 GNSS/RTK、IMU、轮速里程计、视觉/激光雷达等多源融合。但真正拉开差距的，是 AI 在系统层面的三件事：

1）多传感器融合：把“短板”变成互补

现实路况里，任何单一传感器都会失效：

• 高楼林立（城市峡谷）让 GNSS 多路径严重
• 隧道/高架下 GNSS 直接丢失
• 雨雪雾让视觉质量下降

**融合的目标不是平均，而是让系统知道“此刻该信谁”。**AI/统计滤波方法（例如因子图、扩展卡尔曼等工程化路线）会把每个传感器的置信度纳入估计，输出连续、平滑、可控的位姿。

2）误差建模与健康度监测：把问题“提前暴露”

用户讨厌的不是偶发误差，而是“突然不靠谱”。高质量定位系统会给出定位健康度：

• 当前位置精度估计（例如 95% 置信区间）
• 漂移趋势与异常检测
• 可用性标记（可用于 L2+/L3 策略切换）

一句话概括：**定位不仅要输出坐标，还要输出“我有多确定”。**这对车端体验尤其关键——系统该提醒接管时就要果断。

3）地图与定位的闭环：从“依赖地图”到“更新地图”

很多人把高精地图当作定位的前提，但越来越多团队走向闭环：车队数据反哺地图，地图再提升定位与规划。

对主机厂/新势力而言，这意味着软件能力边界在扩张：

• 车辆在路上跑，顺便完成地图特征更新
• 运营区域内，robotaxi 通过车队形成高频更新
• 新道路开通或施工变化，系统更快适配

这也是为什么定位创业公司会“走出汽车”，因为地图与定位的价值，本质是规模效应。

Tesla 路线与“定位底座派”：差异不在口号，在工程取舍

行业里常见一个对比：Tesla 强调视觉与端到端能力，而很多供应链与创业公司强调 RTK/高精定位。我的看法是：两派不是谁取代谁，而是谁在不同约束下做最优解。

Tesla 的优势：大规模数据闭环 + 体验一致性

Tesla 更像把导航定位当作系统的一部分：用车队数据、强感知能力与持续 OTA，追求“哪里都能跑”的泛化。它的体验好坏，往往体现在：

• 复杂道路的决策稳定性
• 人机共驾的提示时机
• OTA 后能力是否持续变好

“定位底座派”的优势：可控性与可验证性

以 Point One 这类公司为代表的路线，优势通常在：

• 对特定区域/特定业务的可验证指标更强（例如车道级误差、可用率）
• 工程集成清晰：GNSS/IMU/轮速 + 算法 + 校准流程
• 更适合 robotaxi、卡车车队等“运营型自动驾驶”

对中国汽车品牌来说，现实选择往往是混合：在法规、成本、供应链与产品节奏之间找到平衡。

回到“人工智能在汽车制造”：定位能力如何反向影响生产与交付

把结论说直白：**定位做得越工程化，越能把制造与交付变得可复制。**这也是它应当出现在“汽车制造”系列里的原因。

1）产线标定与一致性：减少“交付即返工”

高精定位系统离不开标定（天线相位中心、IMU 安装角、车轮半径模型等）。如果把标定流程做成制造的一部分：

• 产线端建立标准化校准工位
• 通过 AI 识别异常安装姿态（装配偏差）
• 交付前跑一段短测形成定位健康度报告

就能减少交付后“为什么这台车特别飘”的售后问题。

2）质量检测与追溯：问题定位不再靠猜

当车辆具备可追溯的定位与轨迹数据，质量闭环会更快：

• 同一零部件批次在某些场景出现定位异常，可快速定位供应环节
• 某些城市/道路条件下 GNSS 多路径更严重，可指导产品策略（例如更强融合、不同天线方案）

这类能力在车队规模变大后特别值钱，因为它把“体验问题”变成“可量化的工程问题”。

3）仿真与数字孪生：把路测成本压下来

自动驾驶的迭代速度很大程度取决于仿真质量。厘米级轨迹回放能提升：

• 场景复现精度
• 控制算法对微小误差的鲁棒性验证
• 失败案例归因（是感知？规划？还是定位健康度下降？）

我见过不少团队卡在“复现不了”的痛点上，最后发现根因是定位/时间同步做得不够扎实。

落地建议：车企/供应商怎么把“厘米级导航”变成真实体验提升

如果你负责的是智能驾驶、座舱体验或制造质量，这里给一套更务实的检查清单。目标不是追概念，而是把定位能力转化成可交付指标。

1）先定义体验指标，再倒推技术指标

把“更准”翻译成用户听得懂、工程做得到的指标：

• 高速/城市 NOA：车道居中偏差、并线横向加速度峰值
• 泊车：首次入位成功率、平均修正次数
• robotaxi：接送点停靠误差、接驾等待时间波动

体验指标确定后，再定义定位侧 KPI：可用率、95% 误差、隧道连续性、健康度阈值触发策略等。

2）把“定位健康度”接入 HMI，让提示更聪明

很多车在提示接管时显得“神经质”，本质是系统不清楚自己哪里不确定。把定位健康度与座舱交互结合：

• 健康度下降：提前语音提示 + HUD 渐进式提醒
• 健康度不可用：果断降级到更保守策略

用户体验的关键不是永不降级，而是降级要可理解、可预期。

3）制造端同步设计：硬件安装与软件标定一起管

定位问题经常是“软硬交叉锅”：天线位置、线束走向、IMU 安装角误差都会放大到算法端。建议：

• 在 DFMEA/PFMEA 把定位链路作为关键特性
• 制造端引入自动化检测（相机/治具）保证安装一致
• 交付前生成每车的定位参数与健康度档案

这类投入看起来偏“制造”，但回报体现在售后成本与口碑上。

2026 之前的一个判断：定位能力会变成“车队级产品”，而不是单车功能

Point One Navigation 估值与扩展路径说明了一个趋势：定位正在从单点功能走向平台化。对车企而言，真正的分水岭不是“有没有厘米级”，而是：

• 能不能在不同城市、不同道路条件下保持稳定可用
• 能不能把问题快速归因并 OTA 修复
• 能不能把定位数据接入制造、质量与运营闭环

如果你正在规划下一代智能驾驶或 robotaxi/卡车项目，我建议把“AI 导航底座”当作一条主线来设计：它会同时决定自动驾驶上限、软件迭代速度，以及用户是否愿意持续信任这套系统。

你更看好哪种路线成为主流——以 Tesla 为代表的端到端强数据闭环，还是以 Point One 这类公司为代表的高精定位平台化？或者，真正的赢家会是把两者揉在一起、还能把制造闭环跑通的那一类？