继理想汽车推送车位到车位功能之后，华为也更新了这项技术，甚至不用学习记忆一遍，在任何停车场，任一空位都能自主完成整套泊车任务。具体来说，这次华为乾崑智驾ADS 3.2新增了8项功能，优化了3个决策细节，其中，升级的NCA施工场景避障换道能力，正是之前特斯拉FSD V13.2的重大更新内容，而最核心的，还是打通智驾最后一公里的“车位到车位”，那么问题来了，新版本的智驾效果如何？下一个跟进这项功能的会是谁呢？

不靠系统死记硬背，没去过的停车场也能用？

体验过华为乾崑ADS 3.2Beat的全流程智能驾驶，或者研究过它在不同环境场景下的实测表现，应该大致都会有一个感受，那就是基本不用再等特斯拉FSD落地中国了，因为在高速、城市工况能实现的功能基本都差不多，最大的区别可能就是系统在控速和博弈维度上的体验细节差异，当然了，两种截然不同的技术方案，在难度最高的停车场（停车楼），FSD V13.2还很有可能没ADS 3.2好用。先来看新版本在自身层面的优化，相比ADS 3.0，V3.2在使用端最明显的变化，是开启智驾的条件更极限了，从早期只能在中间道路启用，到驻车挂D挡开启，再到现在的P挡激活，这意味着所涉及的工况更为全面了，在底层架构端，ADS 3.2依旧是GOD大网多模块逻辑，从官方最新的实测来看，整个模型算法能看作是打磨到了较高的成熟度，从往返2次超过50多公里的城市领航效果来看，不论是过闸机、无保护左转、避障绕行、路边临停、U型掉头、人车混行的十字路口等，整个过程中都没有出现降级或接管。

按照技术层面来讲，系统接管与否，取决于端到端对当下环境的理解能力，也取决于是否符合人类驾驶员的控车逻辑，所以这次的华为车位到车位首秀，基本可以确定两件事，其一，场景理解能力有明显优化，甚至可以说是有迭代的效果，举个例子，在城市拥堵场景下，系统会规划出至少2种规避偏航的决策，常规型方案是提前感知、提前换道，重点来看激进型方案，系统能从缓行跟车的队伍中找准时机加塞换道，这意味着，整套系统已经连贯分析了后车跟车距离、加速度以及前车运动轨迹，数据精准度和传输速度明显是处在实时能力的。其二，以目前感知硬件配置水平来看，已经具备了类似L3的部分效果，这需要把车位到车位和VPD这两个功能放在一起来聊，所谓的L3，自动驾驶等级定义给出的解释是驾驶过程不用接管方向盘，允许人类驾驶员视线离开路面，而华为这次新增的这两块内容，明显就是冲着这个方向来的。

首先，不论是纯视觉还是多传感器融合方案，端到端本质都是需要投喂大量的数据内容训练，从而得到见过的场景会处理，没见过的场景会学着处理，所以理想化的最终形态，是大模型见过99%的场景，剩下1%的黑盒子情况，就是考验模型的自我生成逻辑能力，所以，理想汽车在用上E2E+VLM双系统之后，真正意义上量产了车位到车位功能，不过，满足这项功能得有2个前提，一个是需要事先跑一遍，E2E会通过记录视频上传世界模型的方式，云端重构环境数据分析这次的停车逻辑，另一个则是需要有固定车位，模型负责应对泊车途中的各类场景，最后驶到设定好的车位就算完成，而华为这次完全砍掉了以固定车位和固定停车场为基础的处理方式，通过自主漫游、云端学习来实现自由车位的泊入和泊出，不靠系统死记硬背，没去过的停车场也能正常用，所以本质上来讲，这套方案不是把智驾领航和记忆泊车拼起来的功能。

其次，作为解决智驾最后一公里的泊车代驾功能，其实绝大多数车企早些年就有一些技术雏形了，甚至连威马也曾布局过类似的方案（跨楼层免学习无人泊车PAVP），但迟迟不能规模商用的原因，基本都卡在了由探测精度问题导致的算法不成熟，比起道路上的不规则障碍物，停车场或停车楼的技术难点无非是探测空位和礼让会车，这实际上更考验系统在狭窄环境下人车混行的博弈能力，以华为的VPD功能来看，之前的探测精准性由192线激光雷达和毫米波雷达来获取，PDP决策网络会基于后续逐渐开放的停车场数量和难点上继续优化，另外话说回来，驾驶员下车后车辆自己找车位最后泊入，不就是视线离开路面的一种表现吗？至于大规模铺开后的效果，还需要结合接下来的实测表现来讨论。

打通固定车位限制，下一个跟进会是小米？

那么，特斯拉FSD V13.2会实现ADS 3.2的自由车位到自由车位吗？其实从感知硬件配置来看，前者实现的可能性相对会更低一些，毕竟，FSD的本质是靠occ占用网络技术，把世界分成无数个单元格，摄像头获取到障碍物后交给模型拆成数据对齐坐标，所以，问题就在探测精度上面，前面提到，代客泊车的难点就在极限场景下的会车处理逻辑上，以纯视觉技术架构来看，仅靠迭代算法训练，明显还是融合记忆泊车的技术方案，这也就解释了小鹏汽车仅支持固定车位的原因，换句话说，激光雷达在这项功能里发挥的角色，正是能实时扫图构建3D数据模型，BEV架构又能补齐环境精度，所以大致能推测到，即便是FSD以最新版本来到中国，最后一公里的智驾效果很有可能不如预期。

新的问题是，在华为ADS 3.2之后，下一个打通自由车位到自由车位会是谁呢？以技术层面来看，车位到车位准确来讲是场景能力，而端到端是技术能力，二者之间的核心联系，也是最大的技术难点，就是把这两项能力连贯结合起来，也就是说，需要在模型中融入整套场景的算法，就目前来看，国内有四家推送了这项功能，即理想、小米、小鹏和华为ADS，但除了华为，其他三家都是以静默记忆路线展开的技术形式，痛点就在系统需要进行两次记忆（进出车位），而且仅限固定车位，要打通车位和停车场固定限制，首先得满足的基本条件就是感知硬件的性能要跟得上，难点是调整模型的决策机制，具体来说，需要从记忆转为建图。

提到建图，激光雷达显然是有自身技术优势兜底的，而摆脱记忆规划，就需要类似华为PDP决策网络的第二系统来分析，而视觉语言模型VLM显然具备类似的逻辑，所以，基于Transformer+BEV+VLM的小米，大概率是下一个打通自由车位到自由车位的，毕竟，目前其已支持有人待客泊车功能，底层技术架构基本已经具备了融合两项功能的能力，所以接下来可能只剩一个时间周期去打磨细节。

另外，参考理想汽车的6.5.1版本效果来看，其下一步的技术迭代方向会是VLA视觉语言动作模型，演变的方向明显是类似一体式的大网逻辑，所以除了小米，理想的车位到车位，执行端呈现的效果很有可能还会比华为现有的GOD网更拟人一些，但是不论如何，单是拿现有技术和效果来看，特斯拉FSD还没入华，可能就已经和国产技术有代差了。