Buick Electra L7 toppar oberoende AD-test i Kina – Tesla

Buick Electra L7 toppar oberoende AD-test i Kina – Tesla

Bara dagar efter att Tesla meddelade investerare att full autonomi var inom räckhåll levererade en oberoende tävling för autonom körning i Kina en helt annan bild. Organiserad av D1EV i Ningbo, Zhejiang, placerade Second China Intelligent Assisted Driving Competition SAIC-GM:s Buick Electra L7 överst i ett fält med 17 fordon, medan Tesla Model 3 slutade på en besvikelseplacering som nummer nio.

Den 29 kilometer långa banan, som blandade stadsmiljö och landsvägar — med 28 trafikljus, fem vägpunkt och åtta krävande testplatser — hölls hemlig för att förhindra att team skräddarsydde sina system för specifika scenarier. Denna sekretess blottlade verkliga styrkor och svagheter hos en rad avancerade förarassistanssystem (ADAS) och autonoma mjukvarustackar, och gav en praktisk bild av hur olika sensorval och AI-modeller fungerar i skarpa, oförutsedda situationer.

Utöver det direkta tävlingsresultatet ger evenemanget värdefulla insikter om sensorfusion, LiDAR-användning, högprecision-kartor och hur stora AI-modeller påverkar beslutsfattande och perception i verklig trafik. För aktörer, kunder och beslutsfattare fungerar sådana tester som en praktisk barometer för mognaden i tekniken och ett mått på säkerhetsnivåer under varierande vägförhållanden.

Key results

• 1st: Buick Electra L7 (SAIC-GM) — 100.18 points
• 2nd: BYD YangWang U7 — 97.91 points
• 3rd: Geely Zeekr 9X — 93.18 points
• 5th: Xiaomi YU7 — 88.96 points
• 9th: Tesla Model 3 — 83.86 points

Dessa resultat speglar en större trend: i Kina har många biltillverkare och teknikföretag snabbt utvecklat ADAS- och autonoma funktioner — ofta genom att kombinera LiDAR med multi-sensorfusion, högpresterande kartläggning och AI-modeller i stor skala. Kombinationen av hårdvara och mjukvara i ett välintegrerat sensorsystem visar sig vara avgörande i komplexa miljöer där synbaserade system ensamma kan missa lågkontrastobjekt eller transparenta hinder.

Marknadsdynamiken i Kina accelererar också samarbeten mellan OEM:er och AI-leverantörer, vilket leder till snabbare iterationer av Navigate on Autopilot (NOA)-funktioner och kommersiella AD-lösningar. Denna konkurrensdrivna utveckling kan snabba på implementeringen av LiDAR i medel- till premiumsegmentet och höja ribban för vad som räknas som robust autonom funktionalitet.

Why the Electra L7 won

Electra L7 är en SAIC-GM-modell med förlängd räckvidd (EREV) som kombinerar ett effektivt drivlinaupplägg med en robust autonom mjukvarustack. Avgörande för vinsten var att det var det första fordonet i tävlingen som utrustats med Momentas R6 Flywheel Big Model AD-plattform kopplad till dess Navigate on Autopilot (NOA)-system. Momenta fokuserar på storskalig perception och planering med betoning på multi-sensorfusion — särskilt LiDAR — vilket verkar ha varit en avgörande fördel på banan.

Momenta använder stora perceptions- och planeringsmodeller som kan integrera data från kamera, LiDAR, radar och högnoggrannhetskartor (HD-maps). Denna typ av arkitektur möjliggör mer tillförlitlig detektering av lågkontrast- eller transparanta objekt och bättre långsiktig planering i komplexa trafikscenarier. I praktiken innebär det att NOA kan fatta stabilare och mer konsekventa körbeslut, vilket minskar antalet mänskliga övertaganden och fel i svåra vägförhållanden.

En teknisk förklaring till Electra L7:s framgång är också systemets redundans och feldetekteringslogik. När flera sensorer bekräftar en händelse kan mjukvaran fatta ett mer informerat beslut; när data skiljer sig åt används heuristiker och sannolikhetsbaserade modeller för att väga input och prioritera säkrare handlingsplaner. Detta skiljer sig från vissa visionbara end-to-end-lösningar som förlitar sig mer på konfidens i bildperceptionen och mindre på fysisk djupinformation.

Ytterligare fördelar inkluderade integration med högupplösta kartor för ruttförutsägelse, lokaliseringsprecision via sensorfusion och optimerade kontrollalgoritmer som förbättrar filval och väjningsbeteende i komplexa korsningar. Sammantaget gav detta Electra L7 en stabil, repeterbar prestanda genom hela den hemliga 29 km-banan.

För beslutsfattare och flottköpare visar vinsten att investering i LiDAR och stora AI-modeller kan vara en effektiv strategi för att uppnå högre nivåer av verklighetsvaliderad autonom funktionalitet — särskilt i varierade urbana och landsbygds-miljöer.

Observationer från tävlingens telemetri och domarprotokoll indikerade även snabba anpassningar i Electra L7:s planeringsmodul under testet, vilket tyder på vältrimmade online-inlärningskomponenter eller snabba parametriska uppdateringar i realtid som gav bättre respons i oväntade situationer.

Several test segments highlighted that advantage. A man-made transparent plastic screen designed to simulate low-visibility obstacles was detected by only six cars: Li Auto L9, YangWang U7, Nio ES6, Buick Electra L7, Zeekr 9X and Xiaomi YU7 — all of which carry LiDAR. Vision-only systems, including Tesla's FSD/Intelligent Assisted Driving, missed that obstacle entirely.

Course challenges and system behaviors

Banan kombinerade smala bostadsgator, rondeller, U-svängar med begränsad sikt, landsvägssträckor och konstruerade hinder för att utvärdera navigation, filval, hinderigenkänning och beslutsfattande. Testrutten var avsiktligt varierad för att bedöma både kontinuerlig körning och systemens förmåga att hantera oregelbundna händelser.

• Narrow roads: Designed to test precision and avoidance; three cars requested driver takeover (Wey 07, Xiaomi YU7, Xpeng G6).
• Roundabouts: Successfully completed by all entrants, showing improved lane-selection logic across the market.
• Blind-spot U-turns: Tripped up several cars; Nio ES6 and Xpeng G6 requested driver takeovers while Denza N7 deviated from navigation.
• Man-made transparent obstacle: Only LiDAR-equipped cars reliably detected it.
• Confusing U-turn route: Several models took wrong roads or required interventions, revealing weaknesses in route reasoning under ambiguous signage.

På smala gator testades kontrollnoggrannhet och förmåga att undvika statiska hinder samt att välja säkra passeringspunkter. Tre fordon bad om förarförstärkning — antingen på grund av osäkerhet i planeringsmodulen eller felaktiga sensorfusion-resultat som gav osäkra sannolikheter för fri väg. Den typen av övertaganden är en viktig indikator på var systemet fortfarande kräver mänsklig inblandning för säker drift.

Rondeller genomfördes dock väl av samtliga fordon, vilket antyder att kommersiella ADAS-lösningar har blivit bättre på att hantera standardiserade trafikstrukturer med tydliga vägmärken. Detta visar mognad i filval och lokalt beslutsfattande för vanliga urbaniteter.

Blindsvängs-U-svängarna visade svagheter i hur vissa system hanterar begränsad sikt och oförutsedda fordonspassager. I några fall avvek fordon från navigerad rutt eller valde att avbryta autonom körning och begära att föraren tog över, vilket indikerar att riskbedömningsmodulen prioriterade säkerhet framför fortsättning i osäkra situationer.

Det transparenta hindret, uppbyggt av plast för att efterlikna lågkontrastobjekt, upptäcktes konsekvent enbart av LiDAR-utrustade fordon — vilket bekräftar att fysikalisk djupinformation fortfarande ger praktiska fördelar i vissa scenarier där kamera-baserad perception kan misslyckas. Detta är särskilt viktigt i trafiksäkerhetssammanhang där oförutsedda hinder kan förekomma.

Den förvirrande U-svängsrutten illustrerade brister i ruttresonemang när vägskyltning var otydlig eller när flera alternativ verkade möjliga. I dessa situationer fick flera system assistans eller tog fel väg, vilket visar att högre nivåer av semantisk förståelse och robustare strategisk planering behövs för att hantera oklara routningsscenarier.

Två ytterligare scenarier — en högerkorsning med en efterföljande U-sväng samt en lätt trafikerad landsväg — differentierade ytterligare tävlande. Tesla Model 3 klarade visserligen högerkörnings-testet, men saknade ändå konsekvens över hela banan, vilket bidrog till dess mid-pack-placering. Konsekvens, alltså att upprepa säkra val i många olika situationer, är centralt för att bedöma verklig AD-readiness.

Analysen visade också att kartkvalitet och lokaliseringsprecision hade stor inverkan på navigationsbeteende. System med snabb, stabil lokaliseringsåterkoppling från HD-kartor och GNSS/IMU-fusion uppvisade färre ruttavvikelser och genererade färre avbrott för förarövertagande.

What this means for Tesla and the broader AD market

Tesla har varit tydligt inriktat på artificiell intelligens, robotaxi-tjänster och full autonomi, och Elon Musk har uttalat mål om övervakningsfri körning. I Nordamerika kretsar ofta berättelsen kring konkurrensen mellan Tesla och Waymo, där Waymo redan kör driverless-operationer i begränsade områden. Men den kinesiska marknaden är både tät och snabbflytande: lokala biltillverkare och tekniska aktörer integrerar LiDAR, högprecision-kartor och storskaliga AI-metoder för att öka robustheten i AD-funktioner i komplexa urbana- och landsbygdsmiljöer.

Denna tävling pekar på två viktiga slutsatser:

• Sensorvalet spelar roll. LiDAR-utrustade system visade tydliga fördelar i hinderigenkänning och scenarioförståelse, särskilt för transparenta eller lågkontrastfaror.
• End-to-end-löften ersätter inte konsekvent, scenariospecifik prestanda. Ett enstaka framgångsdemonstration eller ett investoruttalande väger inte lika tungt som upprepade, varierade fälttester på öppna vägar och i tävlingssammanhang.

I praktiken innebär detta att bilköpare, flottoperatörer och reglerande myndigheter bör kräva dokumentation av upprepad och oberoende validering snarare än att förlita sig på marknadsföringspåståenden. Tävlingar som D1EV:s evenemang blottlägger systemens beteende under dolda, varierande scenarier — vilket är en mer sanningsenlig indikator på verklig mognad än upprepade scripted demos i kontrollerade miljöer.

För Tesla innebär resultatet inte nödvändigtvis ett akut misslyckande, men det är en tydlig påminnelse om att vision-only-arkitekturer kan ha begränsningar i vissa kritiska användningsfall. För att bibehålla konkurrenskraft kan Tesla överväga ökad redundans i sensormixen, förbättrad fusion av multimodala data eller tätare samarbete med kart- och AI-leverantörer för att optimera långsiktig scenariobaserad prestanda.

Market and product context

Electra L7:s seger stärker SAIC-GM:s trovärdighet i en marknad där konsumenter och tillsynsmyndigheter i allt större utsträckning fokuserar på ADAS-säkerhet och verifikation i verklig trafik. För Tesla är resultatet en påminnelse om att vision-only-strategier fortfarande möter praktiska begränsningar — särskilt när stora perceptionsmodeller och LiDAR-förstärkt fusion används av konkurrenter.

Ytterligare analys visar att en robust produktstrategi för autonoma funktioner ofta kräver tre komponenter: (1) högkvalitativa sensorer och sensorkonfigurationer, (2) kraftfulla AI-modeller och realtidsfusion, och (3) omfattande verklighetsvalidering genom oberoende tester och fältexponering. Kombinationen av dessa faktorer förstärker både säkerheten och kundernas förtroende.

Citat: "Electra L7 visade konsekvent beslutsfattande över skiftande scenarier," sade en tävlingsobservatör. "Detta är vad som kommer att betyda mest för kunder och flottoperatörer när de väljer AD-aktiverade bilar." Sådana vittnesmål, kombinerat med mätbara poäng och telemetri, blir viktiga referenspunkter i branschdiskussionen om hur man bedömer autonom körprestanda.

Looking ahead

Räkna med ytterligare testomgångar och offentliga demonstrationer när biltillverkare förfinar sina NOA- och ADAS-funktioner. Momentum i Kina kommer sannolikt att driva fler partnerskap mellan OEM:er och AI-företag (som Momenta) och kan påskynda LiDAR-adoptionen i medel- till högsegmentet. Detta i sin tur kan ändra förväntningarna hos konsumenter och flottaffärer vad gäller vilken standard som krävs för att marknadsföra ett fordon som "autonomt" eller "nära autonomt".

För förare och flottköpare är lärdomen enkel: prioritera validerad systemprestanda i verkliga förhållanden framför löften. Sök efter oberoende testresultat, telemetridata från fälttester och tydlig dokumentation om hur systemet hanterar edge-cases — särskilt lågkontrast- och transparenta hinder. Detta är centralt när man bedömer risk och kostnad för integrering av autonoma funktioner i en kommersiell flotta.

Tävlingar som D1EV-evenemanget är värdefulla eftersom de utsätter systemen för dolda, varierande scenarier — en starkare måttstock på beredskap än manusbaserade demonstrationer. De bidrar också till att skapa en mer mogen marknad där robusthet och upprepbarhet premieras framför singulära PR-framgångar.

Highlights

• Event: Second China Intelligent Assisted Driving Competition, Ningbo
• Course: 29 km, 28 traffic lights, 5 waypoints, 8 test sites
• Winning tech: Momenta R6 Flywheel Big Model AD on Buick Electra L7
• Implication: LiDAR + large-model AI fusion currently outperforms vision-only solutions in complex scenarios

När kapplöpningen om autonom körning intensifieras kommer vinnarna att vara de team som kan bevisa säker, repeterbar prestanda över oförutsägbara, verkliga vägar. Detta test visar att Tesla fortfarande har läxor att göra — åtminstone i den kinesiska kontexten — medan etablerade och lokala aktörer pressar sin fördel med nya sensorsammansättningar och AI-partnerskap.

Slutligen bör både konsumenter och beslutsfattare notera att mognaden i autonom teknik inte bara mäts i hastighet mot ett marknadsdatum för full autonomi, utan i hur väl systemen kan hantera komplexitet, oförutsägbarhet och säkerhetskritiska situationer i byggda trafikmiljöer.