在智慧型駕駛領域，感知硬體是採集駕駛周圍路況和障礙物分類的主要元件群，元件分布方式和型別的變化意味著某個模型在感知演算法和算力上發生了重大變化。 正如現在大多數車企將高階智慧型駕駛方案從三雷射雷達簡化為單雷射雷達一樣，他們需要在減少硬體的前提下，利用演算法完成感知。 在智慧型駕駛開始追求價效比的時代，減少多個雷射雷達帶來的效能冗餘成為主流。
在最近的諜照中，小公尺Su7取消了原路測時配置的兩台側向雷射雷達，用攝像頭方案取代了盲人雷射雷達。 這個方案的訊號很可能會被小公尺改變，而“重視覺輕雷射雷達”的配置方案，除了正向通過雷射雷達補充點雲資料外，其他陣地將採用視覺+公釐波雷達組合來實現感知功能。這可能意味著小公尺即將使用更先進的自動駕駛感知模型演算法，幫助其實現快速推出高速城市NOA功能的目標。
在早期的小公尺路測諜照中，小公尺Su7配備了3個雷射雷達，除了車頂的1個遠端雷射雷達（很可能是禾賽AT128）外，擋泥板兩側還有乙個盲雷射雷達。 當時有猜測稱，小公尺將在其首款車上使用3雷射雷達方案，類似於長安阿凡達11的雷射雷達配置。
不過，在近期**小公尺Su7汽車的“證件照”中，擋泥板的設計進行了大幅修改，只剩下一套攝像頭部件。 由此可以確定，小公尺SU7汽車沒有搭載傳說中的3雷射雷達方案。 側向雷射雷達依然存在於10月的路試諜照中，小公尺在車的最後1-2個月選擇放棄雷射雷達方案，通過視覺+公釐波雷達的組合，實現了車輛側向感知能力的完成。
出於成本考慮，小公尺Su7之所以切入側補盲雷射雷達，原因之一就是雷射雷達成本高昂。 然而，智慧型駕駛的決策主要基於感知部件對周圍世界的感知，為智慧型駕駛的安全減少了重要感知部件造成的盲區，埋下了隱患。
從技術角度來看，盲雷射雷達的主要功能是完成視野的盲區。 阿維塔11的三颱雷射雷達也採用了類似的布局，側向盲雷射雷達的作用是補充側面障礙物識別。 與駕駛場景相對應，側向盲雷射雷達可以幫助使用者掃瞄側向障礙物的位置和作用方向，從而解決“幽靈探頭”“堵塞”等場景。
但側盲雷射雷達的優點是不受環境光變化影響，定位準確，檢測率低，但缺點集中在軟體演算法複雜，顏色識別能力弱，受極端天氣影響大。 理想L7曾爆出幽靈剎車問題，凸顯了雷射雷達色彩識別能力弱的問題，將廣告牌的畫像識別為真人。
曾有網友爆料稱，他們的阿維塔11因為側向感知沒有及時發現側邊電動車而引發車禍，這證明盲人雷射攝像頭無法從實際使用方向100%識別盲人。
小公尺這次採用的解決方案是使用2組視覺攝像頭和公釐波雷達進行側面感知，攝像頭位於擋泥板和B柱位置，擋泥板處的攝像頭負責觀察車輛的後視，B柱攝像頭用於拍攝車輛的前半部分。 擋泥板處的攝像頭負責工作視角，可以參考小公尺之前公布的自動駕駛實驗模型的透視資料，擋泥板處的攝像頭模組的主要功能會用於觀察車輛與其他車輛之間的距離。
雖然B柱攝像頭的硬體引數尚未公布，但為了完成360度的視角範圍，很有可能會使用廣角攝像頭。 B柱攝像頭的位置設計讓我們很難不想到特斯拉，特斯拉B柱攝像頭的視角偏向車輛前方，增強了車輛前半部分的區域視覺資訊補充。 由於小公尺 Su7** 的後視鏡區域沒有魚眼鏡頭，這意味著小公尺側面可能只有 2 個感應裝置，也有可能小公尺 B 柱攝像頭採用了視角偏向前方的設計。
硬體方面，小公尺Su7取消側向雷射雷達後，很有可能會使用2組視覺攝像頭來感知側面環境，並使用公釐波雷達來感知障礙物的速度，這將保證AEB等功能的實現。
小公尺之所以用視覺方案取代雷射雷達，很大程度上是因為小公尺將自動駕駛演算法從障礙物識別改為BEV+占用來占領網路。 雷射雷達在障礙物識別網路中無法替代的主要原因之一是雷射雷達可以獲取大量的點雲資料，這構成了自動駕駛眼中的物理世界。
LiDAR點雲資料將提取道路邊緣線和車道線等資訊，交通標誌和各種型別的障礙物將以不同形狀的點雲顯示。 基於雷達點雲的障礙物識別演算法還存在乙個明顯的問題，即無法識別特徵資料庫之外的異性障礙物。
BEV+占用網路的感知模式與一般障礙物識別網路的區別在於世界感知的差異，BEV+占用占用網路通過使用視覺元件將現實世界數位化，障礙物和道路周圍的元素以不同的體素結構呈現。 障礙物識別網路主要對障礙物進行體素化，以輔助車輛進行駕駛決策。 可以看出，BEV+占用網路具有更強的泛化能力，這意味著車輛不再需要識別障礙物的型別和邊緣，車輛只需要避開所有體素來佔據空間即可完成駕駛。
與障礙物識別網路相比，BEV+Occcupancy網路最直觀的變化是可以減少更多的“鬼剎”誤觸發，視覺化方案可以更精準地還原3D場景，減少雷射雷達容易發生的誤觸發和漏檢問題。 此外，BEV+OCCUPANCY網路產生的三維結構資訊伴隨著更多的顏色資訊，雷射雷達顏色識別能力弱的問題將更加突出。
採用新的大模型演算法對於小公尺來說，價值不僅在於降低AEB誤觸發率，還在於新車上市後如何趕上一流智慧型駕駛公司的水平。 今年，新動力車企將把城市NOA開放作為今年的主要目標，理想和極致的更多人都寄希望於利用BEV+Occcupancy網路，實現更快的城市NOA城市開放。
由於城市道路場景比較複雜，交叉路口、變道、行人、不規則交叉路口較多，部分城市被道路感知不清所阻擋，容易造成車輛決策猶豫。 此前，有網友吐槽小鵬XNGP在開城初期遇到雙向10車道的大路口時，智慧型駕駛AI會變得“不堪重負”。 BEV+占用佔據了網路精度高、細節感知豐富的優勢，通過還原真實場景，直接解決了感知車道的問題。
回到小公尺，從硬體變化來看，小公尺大概在演算法層面發生了重大變化。 它已經從一般的障礙物識別轉向特斯拉、理想和阿波羅使用的BEV+占用網路演算法。 小公尺的城市NOA城市開放思路將利用演算法突破，從更優化的演算法中獲取準確的資料，輔助AI訓練大模型。
小公尺這次選擇了BEV+OCCUPANCY來占領網路，幾乎進入了與特斯拉和理想一樣的演算法陣營。 目前，華為似乎是唯一乙個堅持障礙物識別並占領網路的公司，但GOD網路訓練機制需要大量的算力來做障礙物識別，這大概是華為不再積極推動城市NOA進步的原因之一。 隨著小公尺的加入，明年的城市NOA之戰將更加有趣。