端到端下的自动驾驶无保护左转还难吗?各车企对此表现如何?

编者语：后台回复“入群”，加入「智驾最前沿」微信交流群

在自动驾驶的发展过程中，无保护左转一直被视为衡量系统是否像人的试金石。所谓无保护，是指系统在没有车道线辅助的情况下，可以顺利完成左转动作，有些交通路口还没有专门的左转指示灯，这就要求系统自行判断对面直行车流间隙并完成转弯。

这不仅需要精准判断对面车辆的远近和车速，还要时刻提防侧方路口可能出现的行人和非机动车。对于早期的自动驾驶系统来说，这种场景几乎是噩梦，经常会出现车辆在路口长时间犹豫不决不敢动，或者因为判断过于机械而导致被后车鸣笛催促。

随着端到端技术的普及，自动驾驶处理无保护左转的能力发生了质的飞跃。端到端简单来说，就是将传感器获取的图像、雷达数据等原始信息直接输入一个统一的神经网络模型，然后由模型直接输出驾驶指令。这种方式打破了以往将感知、规划、控制切分成不同模块的传统架构，让车辆表现得更像一个经验丰富的老司机，而非一个只会死记硬背代码的初学者。那端到端时代，无保护左转还难吗？

为什么以前的系统总是怕左转？

在端到端技术成熟之前，自动驾驶系统主要依靠人工编写的规则工作。工程师需要为各种可能出现的情况编写逻辑代码，比如规定当对面来车距离小于30米且速度大于每小时40公里时，本车必须停止等待。然而，现实中的无保护左转路口极其复杂。对向来车可能是缓行的公交车，也可能是抢秒出行的电动车，甚至还有可能遇到对面司机闪灯示意让你先行的可能。

图片源自：网络

传统系统在面对这些变量时，会表现出严重的不适应。因为规则是死板的，无法穷尽所有的可能性。当系统感知到周围环境存在哪怕一点点不确定性时，为了保底安全，它都会选择原地刹停这种最保守的策略。这种做法虽然安全，但极大地降低了道路通行效率，也让自动驾驶在复杂城区环境下的实用性大打折扣。更关键的是，多模块协作时，信息在层层传递中会产生损耗，导致系统对路况的反应总是慢半拍。

然而，多家车企的实际表现表明，模块化架构已被彻底打破。以华为乾崑ADS 4.0/4.1为例，其采用自研WEWA架构，通过云端世界引擎生成海量长尾场景，再结合车端世界行为模型进行统一决策，已实现对全国所有城市及乡镇的无图覆盖。搭载该系统的车辆在重庆8D立交、广州城中村等路况下，无保护左转成功率高达98%—99.5%，百公里接管仅0.3—0.5次，相当于连续行驶200多公里才需要人工介入一次。

图片源自：网络

特斯拉FSD V14虽然在中国本土化方面面临挑战，但在全球范围内凭借纯视觉端到端架构，也已在2026年初的北美测试中被MotorTrend评为年度最佳驾驶辅助系统，在无保护左转、环岛通行等复杂城市场景中表现大幅提升。

端到端如何让车辆学会找机会？

在无保护左转中，很多关键信息是无法用简单的代码规则来描述的。比如，对面直行车虽然还在加速，但其加速的斜率在放缓，这可能意味着司机并不急于抢行。端到端模型通过学习数以百万计的真实驾驶案例，可以建立一种深度的特征映射能力。它不仅仅是在识别物体，而是在感知意图。神经网络内部的参数能够捕捉到路面光影、车辆姿态以及环境氛围的综合变化，这些变化在传统代码里极难量化，但在端到端模型中却是非常重要的决策信号。

图片源自：网络

这种技术的优势在于它具备极强的联想和泛化能力。当车辆来到一个从未见过的畸形路口，端到端模型不会因为找不到匹配的规则而无法工作。它会根据以往学习到的数万个类似路口的经验，自动推导出行驶轨迹。这种处理方式更接近人类的驾驶直觉。它能理解一种动态的平衡，知道什么时候该稍微探头去占据空间，什么时候该让出路权。这种灵活的应对，使车辆在面对无保护左转时，能够摆脱非黑即白的逻辑判断，表现出一种带有节奏感的驾驶风格。

2026年，各家企业将这种找机会的能力推向了新高度。特斯拉FSD V14.3版本于2026年4月全量推送，感知架构全面重构，对行人、非机动车和交通标识的识别精度提升40%，无保护左转成功率提升至98%，车辆能够提前预测电动车、自行车的行驶轨迹并主动避让，在大部分城市路况下已不需要驾驶员接管。

小鹏汽车则在2026年初推出了XNGP 5.0系统，搭载完全自研的端侧大模型，不再依赖任何预设地图信息，覆盖全国所有县市。该系统在感知层面已不再单纯识别这是红绿灯、那是车道线，而是能理解前方路口虽然标线模糊，但根据车流轨迹和周围建筑布局，大概率是一个五岔路口，这种逻辑推理能力使车辆在面对无保护左转时，能像老司机一样一边缓缓探出车头，一边观察对向车流，找到一个合理的、略带博弈的时机果断通过，无保护左转成功率约92%。

理想汽车则走出了另一条差异化路线，在端到端基础上叠加视觉语言模型，构建了VLA司机大模型，并在2026年3月发布了下一代MindVLA-o1基础模型，通过3D空间理解和多模态思考能力，让车辆在隐空间中提前想象未来画面，将驾驶决策具象化，实现更精准的意图预判。

图片源自：网络

目前，全球范围内最具代表性的端到端应用案例当属特斯拉的FSD V14版本。在这一版本中，特斯拉彻底弃用了基于规则的代码，改用全神经网络控制。根据多位车主在美国繁忙路口的实测，车辆在面对高难度左转时，不再像老版本那样频繁出现猛踩刹车的现象。它能够非常流畅地在直行车流的间隙中穿插，甚至在视线受阻的情况下，通过缓缓蠕行来拓展视野。这种拟人化的动作，在以往的规则驱动时代是难以想象的。

在中国市场，2026年5月21日，特斯拉官方正式公布监督版FSD将登陆中国，该版本主力搭载V14架构，依托8颗摄像头搭配端到端神经网络运行。为推动本土化落地，特斯拉已在上海临港建成全链路AI训练中心，实现中国用户驾驶数据100%本地存储、本地标注与本地训练，专门针对电动车穿行、无保护左转、环岛博弈等中国特色复杂路况进行端到端优化。

不过从部分媒体的前期实测来看，入华版FSD在中国城区仍存在水土不服，在未设专用相位的路口，FSD平均耗时3.2秒做决策，而对向车流密集时常直接放弃左转；实测无保护左转成功率为68%—70%，与华为ADS的91%—99.5%仍有明显差距。

自动驾驶真的彻底解决这个难题了吗？

虽然端到端技术让无保护左转变得不再那么难，但要达到百分之百的完美仍然需要时间。神经网络虽然聪明，但它本质上是一个黑盒，当遇到如光线极差且路况混乱的施工路口等罕见的极端场景时，系统是否能始终做出正确判断，依然需要更大量的数据去喂养。而且，端到端模型的表现高度依赖于训练数据的质量，如果学习样本中包含不文明驾驶行为，系统也可能学到一些危险的小毛病。

图片源自：网络

根据2026年4月发布的P3中国智能驾驶测评报告，搭载华为乾崑ADS 4.1的享界S9T以4.46分位列首位，小鹏P7和理想i8分别以4.33分和4.06分紧随其后，华为已连续三年登顶该项测评。

与此同时，在复杂路口通行效率上，行业整体仍有明显分化。2026年5月的第三方城区早高峰实测显示，小米搭载XLA认知大模型的车辆完成一次无保护左转平均耗时9.3秒，比小鹏XNGP慢1.8秒，但比华为ADS 5.0快0.4秒，速度快的未必是最稳的，速度慢的也不一定代表能力差，三种技术路线对效率的定义存在根本分歧。

此外，百度Apollo则从L4级自动驾驶的角度提供了另一种思路，其自研的Apollo ADFM自动驾驶大模型已搭载于第六代无人车RT6，通过感知大模型和规划大模型的深度协同，可实现全无人驾驶下的复杂路口安全通行，实测安全性达到人类驾驶员的10倍，并已在武汉实现全域覆盖运营。

图片源自：网络

值得注意的是，2025年12月31日至2026年1月1日，特斯拉FSD V14.2完成了全球首次人类零接管横穿美国测试，全程约4400公里，耗时2天20小时，系统在高速、城市道路、无保护左转、施工绕行等真实复杂路况下全程自主行驶，包括超级充电站停车在内的所有操作均由车辆自主完成，全程未发生任何险情。这一里程碑事件让马斯克2016年提出的让汽车自己横穿美国愿景成为现实，充分表明端到端技术已经从实验室走向了大规模实际道路验证。

未来的发展方向是进一步提升模型的预判能力。现在的系统更多是根据当下的感知做反应，而未来的端到端技术将具备更强的长时记忆和时空推理能力，能够提前几秒钟预感到路口潜在的风险。

2026年多家企业已在长时预判方向上取得关键突破。小米发布的Xiaomi Pilot 5.0系统引入了AI大模型决策引擎，将端到端大模型直接接入车辆的规划与控制层，复杂路口通行效率较上一代提升40%，在无保护左转等高频博弈场景中展现出惊人的拟人化水平。

图片源自：网络

理想汽车则通过MindVLA-o1模型的预测式隐世界模型，让车辆在隐空间中提前想象未来几秒的驾驶画面，实现从感知-反应到预判-行动的跨越。华为ADS 4.1进一步强化了WEWA架构的云端仿真能力，日均生成和处理7200万公里的中国本土训练数据，确保模型对各类长尾场景的持续覆盖。

而特斯拉FSD V14.3版本也在这一方向上迈出关键一步，通过底层神经网络重构和模型压缩优化，老款Model 3、Model Y也能流畅运行，为2026年底实现L4级自动驾驶落地铺路。这些进展表明，行业正从当下反应阶段全面迈向提前预判阶段。

总之，端到端技术已经把无保护左转从基本不能用推进到了非常好用的阶段。随着技术的不断演进，路口左转将不再是智能驾驶的软肋，而是展现其智能程度的最佳舞台。

-- END --