全国炒股配资门户_实盘股票配资_正规股票配资公司 > 实盘股票配资 >

小鹏G9 XNGP（X-PILOT Navigation Guidance Pilot）是小鹏汽车在智能驾驶领域的重要技术突破，其核心优势在于采用纯视觉方案，结合BEV（Bird's Eye View）和Transformer架构，实现了城市NOA（Navigate on Autopilot）功能的全面落地。根据多篇报道和实测数据，小鹏G9 XNGP在城市道路中的表现尤为突出，尤其是在复杂路况下的识别能力和通行效率方面券商股票配资平台，已经接近甚至超越了人类驾驶员的水平。以下将从多个维度详细分析小鹏G9 XNGP在城中村通过率、平均时速、技术架构、功能覆盖、用户体验等方面的表现，并结合我搜索到的资料进行深入探讨。

一、小鹏G9 XNGP在城中村的通过率表现

小鹏G9 XNGP在城市道路中的表现，尤其是城中村等复杂路况下的通过率，是衡量其智能驾驶能力的重要指标。根据的报道，小鹏G9 XNGP在2025年第三方测试中，复杂路口的通过率达到92%，与华为ADS 3.0持平。然而，在暴雨、强光等极端天气条件下，XNGP的鬼探头识别率比华为低12%。这表明，尽管XNGP在大多数城市道路中表现优异，但在极端天气下仍存在一定的识别局限性。

展开剩余93%

提到，小鹏G9 XNGP的导航辅助驾驶能力覆盖全国243座城市，已覆盖90% Max版本车主所在城市，可用里程56.9万公里。这表明XNGP在城市道路中的覆盖范围非常广泛，但同时也意味着在不同城市、不同路况下的表现可能存在差异。例如，在城中村等狭窄、复杂、交通信号灯多的区域，XNGP的识别能力和应对能力可能受到一定限制。

指出，小鹏G9 XNGP在城市NGP的通行效率接近人类司机水平的90%，每百公里被动接管仅0.65次。这表明，XNGP在城市道路中的表现已经非常成熟，用户在使用过程中几乎不需要频繁接管。然而，这并不意味着XNGP在所有城市都能完美运行，尤其是在城中村等复杂路况下，仍然需要用户保持一定的警惕性。

二、小鹏G9 XNGP的平均时速表现

在高速公路上，小鹏G9 XNGP的平均时速表现非常出色。根据的报道，小鹏G9 XNGP在恶劣天气下仍能以120 km/h的速度稳定行驶，并且能够识别并避让桩筒、绕行施工区域、在没有车道线的区域开启辅助驾驶，甚至可以识别交警。这表明，XNGP在高速公路上的稳定性极强，能够应对各种复杂路况。

提到，小鹏G9在高速路段的NGP功能表现良好，车辆可以自动识别道路限速，并将辅助驾驶速度稳定在120 km/h。这表明，XNGP在高速公路上的控制能力非常精准，能够根据路况自动调整速度，确保行驶安全。

然而，在城市道路上，尤其是城中村等复杂路况下，XNGP的平均时速可能会受到一定限制。根据的报道，小鹏G9在高速上使用NGP功能时，限速100时开到105，限速120时开到125，但由于堵车和城市道路的影响，全程平均速度在80多公里每小时。这表明，尽管XNGP在高速上表现优异，但在城市道路上的平均时速会受到交通状况的影响。

三、小鹏G9 XNGP的技术架构

小鹏G9 XNGP的技术架构是其在城市道路中表现优异的关键因素。根据，小鹏G9 XNGP采用BEV+Transformer+OCC架构，仅依赖12颗摄像头（含双目）、5颗毫米波雷达和12颗超声波雷达，无需激光雷达即可实现城市NOA功能。这种纯视觉方案将智驾硬件成本降低1.2万元，使得24.88万起售的小鹏G9成为30万级唯一标配城市智驾的车型。

进一步指出，XNGP的出色表现得益于BEV（鸟瞰图）和transformer模型两大技术。BEV技术通过多帧时序前融合，输出动态目标物的4D信息和静态目标物的3D信息，提供更精准的物体识别和意图预测，提升车辆博弈能力和城市场景安全性。然而，BEV需要大量数据处理，传统算法模型的串联处理效率低下。transformer模型的引入解决了这一问题，通过同时计算多个维度，增加了灵活性，提高了效率，优化了算力需求，实现了系统所需的122%算力优化至9%。

提到，小鹏G9 XNGP采用508 TOPS算力+双激光雷达+800W像素高清摄像头，并应用能力再次提升的软件架构以及全闭环、自成长的AI和数据体系。这表明，XNGP在硬件和软件层面都进行了全面升级，以提升其在复杂路况下的识别和应对能力。

四、小鹏G9 XNGP的功能覆盖

小鹏G9 XNGP的功能覆盖是其在城市道路中表现优异的重要保障。根据，小鹏G9的XNGP智驾能力在汽车行业认可度很高，城市智驾和高速智驾能力比较强。在高速行驶过程中，小鹏G9配合各类感知元件，可以精准识别车道以及车辆周边的车辆情况，不管是超车还是并线，都是在安全的基础上进行。高速路段和城市路段，也能根据导航实现上下匝道、识别红绿灯等。

提到，小鹏G9 XNGP可以精准识别前方是否有红绿灯以及红绿灯的情况，并且反映在仪表盘上，红灯停绿灯行自然是“基本操作”了，不过值得点赞的是，有时候驾驶员看不到的红绿灯，车辆都能识别到、甚至是提前识别控制车速。这表明，XNGP在城市道路中的感知能力非常强大，能够应对各种复杂路况。

指出，小鹏G9的XNGP系统在城市路况下的里程覆盖率已达到62%，几乎可以零干预，只需在每100公里左右进行被动干预。这表明，XNGP在城市道路中的功能覆盖非常全面，用户在使用过程中几乎不需要频繁接管。

五、小鹏G9 XNGP的用户体验

小鹏G9 XNGP的用户体验是其在城市道路中表现优异的重要保障。根据，XNGP的使用率、用户满意度和驾驶体验均超出预期。在两周内，超过90%的车主使用了XNGP功能，表明其可用性和车主关注度高。用户平均有65%的时间和里程使用该功能，显示出其实用性和主动使用意愿。车辆平均时速接近50公里/小时，即使在城市高架路段，表现接近人类驾驶速度，尤其在一线城市交通状况下。

提到，小鹏G9的XNGP功能在提升驾驶舒适性和安全性方面起到了重要作用。在高速行驶过程中，小鹏G9配合各类感知元件，可以精准识别车道以及车辆周边的车辆情况，不管是超车还是并线，都是在安全的基础上进行。

指出，小鹏G9的XNGP功能在用户中非常受欢迎，XNGP的用户使用率高达94.6%，单辆车最长累积智驾里程突破15000km。这表明，XNGP在用户中的认可度非常高，用户在使用过程中非常满意。

六、小鹏G9 XNGP的未来展望

小鹏G9 XNGP的未来展望是其在城市道路中表现优异的重要保障。根据，小鹏G9 XNGP的导航辅助驾驶能力覆盖全国243座城市，已覆盖90% Max版本车主所在城市，可用里程56.9万公里。这表明，XNGP在城市道路中的覆盖范围非常广泛，但同时也意味着在不同城市、不同路况下的表现可能存在差异。

提到，小鹏汽车计划在2023-2025年主要布局全场景辅助驾驶，2025年之后将向全面自动驾驶和无人驾驶进发。小鹏G9 XNGP作为全场景智能辅助驾驶系统，将在未来几年内继续优化和升级，以提升其在复杂路况下的识别和应对能力。

指出，小鹏G9 XNGP的代码量提升至6倍，感知模型数量提升至4倍，预测/规划/控制相关代码量提升至88倍。这表明，XNGP在代码和模型层面都进行了全面升级，以提升其在复杂路况下的识别和应对能力。

七、小鹏G9 XNGP的市场表现

小鹏G9 XNGP的市场表现是其在城市道路中表现优异的重要保障。根据，小鹏G9的XNGP功能在用户中非常受欢迎，XNGP的用户使用率高达94.6%，单辆车最长累积智驾里程突破15000km。这表明，XNGP在用户中的认可

小鹏G9 XNGP在城中村复杂路况下的具体识别失败案例及原因分析

小鹏G9 XNGP在城中村复杂路况下的识别失败案例及原因分析如下：

一、具体识别失败案例

未识别大货车并道

在一次实际测试中，小鹏G9的XNGP系统未能识别并道的大货车，导致未能及时采取避让措施。当大货车偏离车道时，G9并未做出反应，最终需要手动介入并采取刹车和鸣笛的措施。

无法识别公交专用道

在京藏高速上，XNGP系统未能识别公交专用道，导致车辆试图通过该车道超车，与导航系统产生冲突。导航系统提醒司机注意公交专用道的限制，但XNGP系统却持续尝试通过该车道。

无法识别限速标志

XNGP系统在某些情况下未能识别限速标志，导致车辆在高速公路上以不合理的速度行驶，增加了潜在的安全风险。

无效变道

在某些复杂路口，XNGP系统出现了无效变道的情况。例如，在没有高精地图的情况下，系统只能依赖摄像头实时感知，导致决策效率较低，无法准确判断车道的用途（如左转、右转或直行）。

突然要求接管

在遇到施工区域时，XNGP系统突然停止辅助驾驶并要求司机接管，导致车辆失去控制，存在较高的碰撞风险。

二、原因分析

感知硬件的局限性

摄像头依赖算法识别物体类别：在异形障碍物（如未放置警示牌的故障车）的情况下，摄像头依赖算法识别物体类别，容易漏检。

毫米波雷达对静止目标过滤过多：毫米波雷达对静止目标的过滤过多，可能导致误判。

激光雷达的局限性：在小鹏G9事故中，激光雷达因旁车未完全并入车道而未能触发预警。

复杂路口的多目标干扰

在复杂路口，信号灯、行人、车辆并线等动态目标交织，传感器数据融合难度陡增，导致识别失败。

算法策略的激进与保守矛盾

为了提升用户体验，车企在算法中往往优先考虑通行效率，这可能导致在某些情况下未能及时做出安全判断。

深度学习模型的局限性

深度神经网络的训练难度：尽管深度神经网络（如ResNet、Faster R-CNN等）在图像识别任务中表现出色，但其训练难度较大，尤其是在复杂场景下。

数据依赖性：深度学习模型的性能高度依赖训练数据的质量和多样性。在城中村等复杂路况下，训练数据可能不足，导致模型泛化能力下降。

系统切换与协调问题

导航与XNGP的协调问题：在某些情况下，导航系统与XNGP系统之间存在冲突，例如在公交专用道上的识别问题。

系统切换的突然性：在遇到施工区域时，XNGP系统突然停止辅助驾驶并要求司机接管，导致车辆失去控制。

三、总结

小鹏G9 XNGP在城中村复杂路况下的识别失败案例主要集中在未识别大货车、公交专用道、限速标志以及无效变道等方面。这些失败的原因包括感知硬件的局限性、复杂路口的多目标干扰、算法策略的激进与保守矛盾、深度学习模型的局限性以及系统切换与协调问题。

小鹏G9 XNGP在极端天气（如暴雨、强光）下的实际避障能力测试数据

小鹏G9 XNGP在极端天气（如暴雨、强光）下的实际避障能力测试数据可以从多个角度进行分析，结合我搜索到的资料，我们可以得出以下结论：

1. 暴雨天气下的表现

在暴雨天气中，小鹏G9的XNGP系统表现出色。根据2024年9月24日的新闻报道，XNGP在暴雨恶劣天气中展现了令人惊叹的稳定性和可靠性，即使在能见度极低的情况下，系统也能精准感知周围车辆，并在遇到前方车辆阻挡时稳定变道，确保车辆安全行驶，全程无需人工接管。此外，2022年9月15日的极热和涉水测试中提到，G9的智能双腔空气悬挂在暴雨行驶时可自动升高底盘至65MM，这不仅提升了车辆的通过性，也增强了其在恶劣天气下的行驶稳定性。

2. 大雾天气下的表现

在大雾天气中，XNGP的感知能力会受到一定限制。2024年1月23日的分析指出，大雾天气下XNGP的感知范围会变小，SR感知范围也有所下降。因此，建议在极端天气下尽量降低车速，谨慎驾驶。尽管如此，XNGP在大雾天仍能识别红绿灯，并且可以较远地看到红灯倒计时，车道线感知也未受太大影响。

3. 强光天气下的表现

虽然没有直接提到强光天气下的具体测试数据，但可以推测XNGP在强光环境下的表现。由于XNGP采用了BEV环视视觉和Transformer感知架构，其对光线的适应能力较强。2025年4月29日的对比分析中提到，XNGP在暴雨、强光等极端场景下，鬼探头识别率比华为ADS 3.0低12%。这表明在强光环境下，XNGP的避障能力可能略逊于其他系统，但整体上仍具备较强的环境感知能力。

4. 综合评价

小鹏G9 XNGP在极端天气下的避障能力总体表现良好。在暴雨天气中，系统能够稳定行驶并自动避障；在大雾天气中，虽然感知能力有所下降，但系统仍能识别关键交通标志和车道线；在强光天气下，系统对光线的适应能力较强，但可能存在一定的识别误差。总体而言，XNGP在恶劣天气下的表现令人印象深刻，尤其是在无需人工接管的情况下，系统能够稳定运行并完成复杂操作。

5. 未来展望

随着闭环大模型训练和AI自动标注技术的不断进步，XNGP有望逐步摆脱对高精地图的依赖，进一步提升其在复杂路况和极端天气下的表现。这表明，未来XNGP在极端天气下的避障能力将有更大的提升空间。

小鹏G9 XNGP在城市道路中的平均时速与人类驾驶速度对比数据

小鹏G9 XNGP在城市道路中的平均时速与人类驾驶速度的对比数据可以从多个角度进行分析。根据提供的信息，我们可以得出以下结论：

小鹏G9 XNGP在城市道路中的平均时速：

在城市高架路段，小鹏G9 XNGP的平均时速接近人类驾驶速度。具体而言，用户平均有65%的时间和里程使用XNGP功能，车辆平均时速接近50公里/小时。此外，有实测数据显示，城市拥堵路段的平均时速大约在25km/h左右，而城市快速路的平均时速则在60-80km/h之间。因此，可以推测在城市道路中，XNGP的平均时速可能在50-80km/h之间，具体取决于路况和驾驶环境。

与人类驾驶速度的对比：

小鹏G9 XNGP在城市路况下的里程覆盖率已达到62%，并且其通行效率接近人类司机的90%。这意味着在大多数城市驾驶场景中，XNGP的表现已经非常接近人类驾驶。此外，有数据显示，XNGP在城市道路中的每百公里被动接管次数为0.6次，而人类驾驶中，由于需要频繁判断和决策，接管次数通常会更高。因此，从接管频率来看，XNGP的表现优于人类驾驶。

综合分析：

小鹏G9 XNGP在城市道路中的平均时速接近人类驾驶速度，尤其是在高架路段和城市快速路中，其表现尤为出色。虽然在城市拥堵路段，XNGP的平均时速较低，但其整体通行效率和接管频率均优于人类驾驶。

小鹏G9 XNGP的BEV+Transformer架构在复杂城市场景中的优化细节

小鹏G9 XNGP的BEV+Transformer架构在复杂城市场景中的优化细节主要体现在以下几个方面：

BEV感知架构的引入

小鹏G9 XNGP采用了基于鸟瞰图（BEV）的视觉感知系统XNet，该架构通过多帧时序前融合，将多个摄像头采集的数据进行处理，输出动态目标物的4D信息（如速度、运动预测等）和静态目标物的3D信息（如车道线位置等）。这种架构能够提供更精准的物体识别和意图预测，从而提升车辆在复杂城市场景中的博弈能力和安全性。

Transformer模型的引入

Transformer模型的引入显著提升了XNet的感知能力。与传统算法相比，Transformer能够同时处理多个维度的信息，增加了系统的灵活性和效率，从而优化了算力需求，将原本需要122%的算力降至9%。此外，Transformer模型还支持端到端的数据驱动算法迭代，使得系统能够不断学习和优化，适应更复杂的交通环境。

多传感器融合与数据闭环

XNet不仅依赖于多摄像头数据，还结合了激光雷达作为安全冗余，通过多传感器数据的融合，生成高精度的环境建模。小鹏汽车通过全自动标注系统，将标注效率提升至人工标注的45,000倍，从而大幅缩短了数据准备和模型训练的时间。这种数据闭环机制使得XNGP能够在城市复杂场景中实现更高效的感知和决策。

动态高精地图的优化

小鹏G9 XNGP还采用了动态高精地图技术，相比传统图商数据，其更新频率从天级压缩到分钟级（需配合4G网络）。这种动态地图不仅提升了系统的感知能力，还降低了对高精地图的依赖，从而避免了昂贵的地图获取成本和资质审查。此外，小鹏还自主研发了高速地图数据闭环系统，通过众包方式获取高精度地图数据，进一步提升了自动驾驶功能的覆盖范围。

硬件与算法的协同优化

小鹏在XNGP的部署端进行了多项优化，包括重写Transformer层、网络骨干剪枝以及多硬件协同，以实现模型在车端的高效运行。同时，XNGP系统还结合了Xbrain架构和XPlanner，进一步增强了感知和规划能力。这些优化使得XNGP在复杂城市场景中能够实现更流畅的决策和执行，例如在处理左侧车辆靠近时，车辆能迅速发现前方空隙并发起绕行，同时对前方车辆的突然加速做出减速礼让。

无图智驾能力的实现

XNet的引入使得XNGP具备了“无图智驾”的能力，摆脱了对高精地图的依赖，从而拓宽了辅助驾驶的适用范围和稳定性。这种能力使得用户可以在更多城市和场景中享受到高等级智能辅助驾驶带来的安全且高效的出行体验。

小鹏G9 XNGP的BEV+Transformer架构在复杂城市场景中的优化细节主要体现在感知架构的创新、多传感器融合、数据闭环机制、动态高精地图的优化、硬件与算法的协同优化以及无图智驾能力的实现等方面。

小鹏G9 XNGP在用户实际使用中的接管频率与用户满意度调查结果

小鹏G9 XNGP（城市智能辅助驾驶）在用户实际使用中的接管频率与用户满意度调查结果如下：

一、接管频率分析

城市NGP接管频率较低：

根据2023年10月发布的市场报告，小鹏G9的城市NGP（XNGP）在正式落地三个多月以来，周用户使用率高达94.6%，单辆车最长累积智驾里程滁州小众玩法saa.aishanggf.info这样----swq.aishanggf.info达到15092公里，相当于绕赤道约2.5圈。具体到城市NGP，其通行效率接近人类司机水平，每百公里平均仅需接管0.65次。这表明在城市道路中，XNGP的接管频率已经非常低，用户对它的依赖程度较高。

高速NGP接管频率较高：

2023年6月发布的用户反馈中提到，用户在高速NGP上平均需要接管5次/1000公里，其中部分原因是能见度差或施工导致无法汇入目标车道。此外，2024年5月的行业深度报告指出，62.5%的用户需要在高速NOA上接管1-2次/100公里，而48.6%的用户在城市NOA上需要接管0-2次/30公里。这说明在高速环境下，XNGP的接管频率相对较高，尤其是在复杂路况下。

部分用户反馈接管频率可进一步降低：

小鹏汽车提出未来XNGP的接管率目标是核心区域每千公里被动接管次数少于1次。这表明，尽管目前的接管频率已经较低，但小鹏仍希望进一步优化系统，以实现更接近零接管的自动驾驶体验。

二、用户满意度调查结果

用户对XNGP的整体满意度较高：

多篇用户分享和行业报告均指出，用户对XNGP的辅助驾驶能力表示满意。例如，有用户表示，XNGP在长途自驾中可以保持75%-80%的自动驾驶比例，大大降低了驾驶疲劳。此外，用户普遍认为XNGP在城市道路中的表现良好，尤其是在非高峰时段，几乎可以实现0接管。

用户对XNGP的改进空间有期待：

尽管用户对XNGP的满意度较高，但也存在一些改进空间。例如，有用户指出，XNGP在复杂路况下表现得过于保守，车速较低，影响通行效率。此外，XNGP在变道、加塞、识别公交车道等方面仍有不足，需要进一步优化。

用户对XNGP的未来充满期待：

多位用户表示，XNGP已经实现了从“可用”到“好用”的转变，尤其是在上下班通勤等日常场景中，用户对XNGP的依赖度越来越高。同时，用户对XNGP的无图智驾能力表示认可，认为其在某些情况下甚至可以实现接近L4级别的自动驾驶。

三、总结

小鹏G9 XNGP在用户实际使用中的接管频率相对较低，尤其是在城市道路中，用户对XNGP的满意度较高。然而，在高速等复杂路况下券商股票配资平台，接管频率仍较高，且存在一定的改进空间。

发布于：广东省

• 小鹏
• 券商股票配资平台
• G9XNGP
• 城中
• 通过率