五、认知智能——智能驾驶的关键在于更好的感知和执行

（一）感知层雷达与视觉融合趋势明显

智能驾驶主要可以分为感知层、决策层与执行层，感知层主要可以分为：

环境感知，如附近车辆、车道线、行人、交通标志、信号灯等，利用四大硬件传感器。从传感器的形态和功能维度来看，可以分为几个阶段：

• 第一阶段：以超声波雷达为主的燃油车时代；

• 第二阶段：以超声波和毫米波雷达为主的高配置燃油车时代；

• 第三阶段：以超声波、毫米波、摄像头为主，实现L2／L2．5级别辅助驾驶的智能电动车；

• 第四阶段：在上述基础上加入激光雷达，实现包含城市等更高级别的自动驾驶。

车身感知，如车辆位置、行驶速度、姿态方位等，利用惯性导航、卫星导航和高精度地图。

网联感知，实现车辆与外界的网联通信以此来获得道路信息行人信息等，主要利用路侧设备、车载终端以及V2X云平台。

目前对哪种传感器最适合自动驾驶还没统一标准看法，主流自动驾驶技术路径分两种：

• 以特斯拉为代表的视觉算法：以摄像头主导、可搭配毫米波雷达，不使用激光雷达、高精地图、V－C2X等，不依赖外部车联网基础设施（具备中国特色）。其通过海量数据和庞大的计算能力去训练自动驾驶的神经网络：1．因其在自动驾驶上有先发优势，已售出百万台车，因此可依赖海量行车数据进行模型训练。2．进行训练的超级计算机（排名全球第5）由5760个GPU英伟达A100（算力为321TFLOPS）组成，每秒运算达1．8EFLOPS，数据吞吐率为每秒1．6TB，存储容量为10PB。整体上，该种路径单车成本相对低但所需算法要求高，该路径相对小众。

• 以Waymo、百度Apollo等为代表的激光雷达主导的流派。硬件成本高但可进行远距离、全方位的探测。激光雷达的应用是打破特斯拉先发优势的利器。

激光雷达

激光雷达其本质是一种电磁波，波长在千纳米级，指向性强不拐弯，探测到很小的点，很多点集合起来就形成了点云（需要足够多光束），可精确（厘米级）还原三维特征，最大优势是准，有很多丰富的细节，探测距离远（100－250m），视角广阔且有更强的抗光干扰性，是L3及以上自动驾驶的必备组件。劣势是比较贵，在恶劣天气会罢工。

主要包括激光发射（光源）、扫描（光束操纵）、接收（光电探测）和信息处理（测距方法）四大系统，每个系统下有不同技术路径。其中，光束操纵是最复杂、最关键的技术维度。

从激光波长看，目前最主流的是905nm（70％占比），但Luminar等公司选用的是1550nm。

• 905nm激光器可以直接选用价格较低的硅材质发射器，技术成熟、成本可控。而400－1400nm波段内激光都可以穿过玻璃体、不会被晶状体和角膜吸收，聚焦在视网膜上，因此905nm激光雷达为避免对人眼造成伤害，发射功率需控制在对人无害的范围内，因此其探测距离受到限制。

• 1550nm激光会被人眼晶状体和角膜吸收，不会对视网膜产生伤害、更安全，因此其功率可以不受限，是传统905nm硅光电系统的40倍，也可解决905nm对雨雾的穿透力的不足的问题，在复杂气候天气下也能将有效探测距离保持在200米以上。但1550nm激光雷达需要用到更昂贵的铟镓砷（InGaAs）发射器，因此价格上会高很多。

从光束操纵方式看，技术路径多样，沿机械式→半固态→固态的方向发展。混合固态作为当前过渡期主流，纯固态将会是激光雷达终极形态，芯片化架构是未来激光雷达发展方向。芯片化架构的激光雷达可将数百个分立器件集成于一颗芯片，降低物料成本和人力生产成本，同时器件数量减少也显著降低了因单一器件失效而导致系统失效的概率，提升了可靠性。

（1）机械式：通过不断旋转发射头，将激光从“线”变成“面”，达到3D扫描目的。优势：扫描速度快、精度高、技术成熟，可实现360度扫描。劣势：成本高昂、装配复杂、生产周期长，BOM成本较高难以达车规量产要求，平均时效仅1千至3千小时但车厂要求最低1万3千小时。

（2）混合固态：即收发模组固定＋转动镜子，镜面转动配合可扫描多个平面，如96个平面即等效96线（垂直方向），以实现扫描效果。

• MEMS微振镜式。优势：集成度高、尺寸小、批量生产成本低、分辨率高、采集速度快。劣势：微振镜、悬臂梁等结构脆弱，工作寿命较短、有效探测距离短、视场角窄（小于120度），多用于近距离补盲或前向探测。目前，目前MEMS振镜方案没有过车规的产品。

• 棱镜式通过2个斜面柱状镜头组合，调整棱镜转速以控制扫描区域，扫描图案形状若菊花。优势：点云密度高、探测距离远、可靠性更高、符合车规。劣势：单个雷达FOV较小、对电机轴承有较高要求。如大疆Hap即为棱镜方案。

• 转镜式是反射镜面围绕圆心不断旋转，从而实现激光的扫描。在转镜方案中，也存在一面扫描镜（一维转镜）和一纵一横两面扫描镜（二维转镜）两种。一维转镜线束与激光发生器数量一致，而二维转镜可以实现等效更多的线束，在集成度和成本控制上存在优势。

MEMS微振镜

棱镜式

转镜式

（3）纯固态：不再包含任何机械运动部件。

• 主流是Flash，不是以来回扫射的方式，而是拍照射出一片发散的激光。优势：体积小、结构简单、成本低、采集信息量大、技术成熟、易过车规。劣势：功率有限、探测距离短（50米以内）、精度不高，主要用于补盲或低速自动驾驶。

• OPA相控阵技术，利用波之间的干涉，无需活动的机械结构就可实现扫描结果。优势：体积小、精度高、扫描速度快、可控性好、抗震性好。劣势：易受到环境光干扰、光信号覆盖有限、对材料和工艺要求苛刻、上游产业链不成熟、量产难度高、成本高昂。

图为Flash

图为OPA

从测距方法上看，主要可以分为飞行时间（ToF）测距法、基于相干探测的调频连续波（FMCW）测距法、及三角测距法等。ToF是目前中长距主流方案，FMCW难度较大，但随FMCW整机和上游成熟，两者未来将并存。

目前国内车型搭载的激光雷达，扫描方式基本都采用转镜方案，激光发射器采用905nm和1550nm都有。典型车型搭载情况如下：

国产激光雷达上车情况，数据来源：感知芯视界、国家智能传感器创新中心传感器产品资料库平台

激光雷达主流产品参数，数据来源：公开信息整理

技术路径迭代带来的成本下降是推动激光雷达上车的重要因素。整体车载激光雷达的应用会呈“成本降低、性能提升（视场角和分辨率、信噪比、雨雪天气抗干扰性、相互间防扰、可靠性）、固态化、满足高级别自动驾驶功能安全”的方向进一步发展。

车载摄像头

摄像头最接近人眼成像，分辨率高、速度快、传递的信息丰富、成本低，是唯一可以读取“内容”信息的传感器。

但其需使用计算机视觉算法或深度学习进行解析、依赖数据训练，识别率不能保证100％，可能判断失误。单目摄像头无法提供3D信息、缺少深度感知能力，可能会有延迟，双目摄像头所提供的3D内容准确性不高。与其他传感器不同，摄像头属于被动传感器，易受夜晚、雨雪雾霾等恶劣天气外界光不稳定的影响，且不擅长于远距离观察。

单目摄像头是通过图像匹配进行目标识别，通过目标在图像中的大小去估算目标距离，由于成本较低且能满足L3以下级别需求，短期内单目摄像头为车载摄像头的主流方案。

双目摄像头则更加像人类的双眼，主要通过两幅图像的视差计算来确定距离，是视觉信息的三角测量结果，不依赖庞大的训练集、精度相对较高。但双目需要对每一个像素点都做立体匹配，存在如计算量大、系统性能要求高、立体算法匹配难度大，对摄像头间误差精度要求高等诸多挑战。比起LiDAR，双目摄像头最大的优势是成本，价格在几千元人民币。

车载摄像头一般是固定焦距的（目前车载摄像头每秒处理的图像在20帧左右，每秒处理的数据量巨大），其无法像人眼一样快速变焦，不同的焦距满足不同的范围。感光元件大小确定的情况下，焦距越长，视角越窄，但分辨率能大大提高。即在探测范围和距离两个方面，有不可调和的矛盾。实际使用时利用不同焦距的摄像头，来实现不同特定的功能，根据摄像头的安装位置，可以分为前视、侧视、后视、内置、环视等，以实现不同目标的监测。在高级别自动驾驶车辆上，配置的摄像头有多个甚至十多个。

典型车型摄像头配置情况

车载摄像头成本相对低廉，价格也从2010年的300多元持续走低，易于普及应用。随着目前计算集中化，摄像头有向“只采集不计算”方向发展趋势，即把计算部分放到域控制器中。在剥离了摄像头的计算功能后，摄像头BOM成本下降了约六成。如特斯拉前视摄像头，未配置SoC、MCU等计算模块。

毫米波雷达

毫米波雷达的抗干扰能力强，对降雨、沙尘、烟雾等离子的穿透能力要比激光和红外强很多，可全天候工作，可同时测速和测距，价格和体积适中。

但其测量精度差，空间分辨率有限（3°－5°），俯仰测角／测高能力缺失，信号衰减大，容易受到建筑物、人体等的阻挡，传输距离较短，难以成像，不能做主传感器。

根据毫米波频率，国内集中在24GHz和77GHz两个频段，更高的射频频率导致更好的速度分辨率和精度。77GHz的毫米波雷达比24GHz的速度分辨率和精度提高了3倍，能够检测小至零点几毫米的移动，探测距离更长，体积也可以实现其三分之一。随着技术成熟及成本下降，77GHz将逐渐取代24GHz成为未来毫米波雷达的主流。

数据来源：头豹研究院、国信证券研究所

毫米波雷达的技术总趋势是朝集成度更高、成本更低、体积更小、功耗更低、精度更高及多维成像的方向发展。芯片工艺上朝着利用CMOS工艺，将MMIC、MCU、DSP等集成在一颗SoC芯片中发展。

由于目前的量产毫米波雷达都只能称为3D雷达或准4D雷达（4D指目标探测4个维度，包括它的速度、距离、水平角度、垂直高度），缺失或有很弱的俯仰测角／测高能力，导致雷达无法单独作为传感器识别前方的静止障碍物，因为其无法区分前方的车辆（真实障碍）和桥梁／井盖（虚假障碍）。

毫米波雷达的下一个方向就是高分辨的4D成像雷达。如华为高分辨4D成像雷达：1）水平分辨率达到一度，垂直分辨率达到两度，同时测量精度大幅提升；2）大视场无模糊，水平视场提升到±60°，垂直视场提升到±15°，纵向探测距离从200米提升到300米以上。高分辨4D成像雷达具备可实现“高度”探测、分辨率更高、可实现对静态障碍物分类等优势，集中在前视区域应用，达到类似低线数激光雷达效果。

4D点云成像雷达代表产品，来源：各公司官网

2021年5月，特斯拉发布FSD Beta v9时，取消了美国车型Model 3／Y毫米波雷达，当下纯视觉图像感知系统很大程度上已可以覆盖毫米波雷达的特性。

超声波雷达（倒车雷达）

单个超声波雷达售价大约为几十元，成本低廉，国产化率高，是成熟的车载传感器；超声波雷达0．2－5m范围内障碍物精度可达1－3cm，在短距离测量中，具有非常大优势；防水、防尘，即使有少量的泥沙遮挡也不影响。

但其属于声波、传播速度340m／s、速度慢；散射角大、方向性差，在测量远距离目标时回波信号较弱、影响测量精度，只能看有没障碍物，无法知道障碍物的形状和位置；只能用于停车等低速场景。其探测精度易受到车速、振动、温湿度等影响，在抗干扰、标定等方面充满挑战。

所以其主要作用是通过蜂鸣器来辅助泊车，或用在保持与相邻车道车辆的安全距离。

超声波雷达的分类

红外夜视

汽车夜视系统能够观察到比普通汽车前大灯远3－5倍的距离，甚至可以达到10倍以上的距离。尤其是在雾、雪或雨天的条件下可全天候工作，利用汽车夜视系统可以非常清楚地观察前方路面情况，大大提高了驾驶安全性。

60％交通事故发生在晚间，夜间行驶安全隐患大，利用红外成像技术，使驾驶员在黑夜里看得更远更清楚。同时可在自动驾驶领域发挥作用，弥补可见光摄像头无法在黑暗条件下进行行人检测的劣势，且能弥补激光雷达无法对物体进行分类的硬伤。

高德红外官网

国内外厂商已具备成熟红外夜视系统技术，价格偏高一直是制约其普及的主要因素，国内红外夜视系统上车目前仍倾向高价位车型。随着探测器成本的下探、红外传感器国产化和像元尺寸变小，成本正快速下降。

中国红外占全球市场近半壁江山，国内厂商众多。美国FLIR市占率35％排名第一，高德红外市占率17％位居第二。全球十强中其他中国厂商还有海康威视（15％）、睿创微纳（10％）和大立科技（2％）。

组合导航GPS／IMU

GPS（Global Positioning System），即全球定位系统，依靠卫星定位，只提供位置信息（位置（经纬度）和航向角（车头与正北方向的夹角））。测量精确，但依赖外界GPS信号，容易因信号被折射／反射或信号不好而失效。更新频率低，大概在10Hz左右，即1秒钟更新个10次，对于无人驾驶反应太慢。

IMU（Inertial measurement unit），即惯性测量单元，通常由陀螺仪、加速度计和算法处理单元组成，通过对加速度和旋转角度的测量得出自体运动轨迹，提供车身姿态信息。频率很高1KHz，但是IMU有误差，且这种误差会随着时间累积，所以只能在一个很短的时间区间里依赖IMU。不需要任何外部信号，可以被安装在底盘等隐蔽位置，以避免电子或机械的攻击。

IMU（1KHZ）可以弥补GPS（10HZ）更新频率低的问题，GPS可以弥补IMU随着时间增多位置误差大的缺点。

（二）ADAS渗透加速，以中端车型为切入点的L2＋成为主流

主要构成：

目前按照区域通常分为前向ADAS、侧向ADAS、自动泊车、全景环视四个部分，其中前两个系统又被称为行车ADAS，后两个系统为泊车ADAS。随着E／E架构演进，计算平台算力提升，可以支持更复杂的融合算法，行泊一体将成为未来的方向。高度集成化在成本上也具有一定优势，对于L2＋向低端车型下沉有重要意义。

ADAS分布式的四大子系统，资料来源：德邦研究所

从传感器方案角度，大多数为xVxR的方案，目前主流智能化车型多为5V5R方案，成本稍低的情况下选择5VxR的方案。小鹏XPILOT选择了12V5R的方案加上激光雷达后已经可基本实现L3级别功能。

主流车企、主流车型感知层零部件配置方案，资料来源：德邦研究所

在L0－L2自动驾驶场景下，堆料不是必须的，核心考验的是各家厂商的算法能力和系统能力，以尽量少的传感器实现低成本的自动驾驶应用落地为目标。因此在L0－L2自动驾驶的场景，视觉方案有着天然的成本优势。但是随着4D毫米波雷达的发展，视觉＋雷达方案有望扳回一城。

市场情况：

21年国内自主品牌中ADAS装配量近200万辆，增速超150％，整体装配率超25％，其中领克、比亚迪、哈弗和吉利装配量位于第一梯队，长安、广汽传祺、红旗、荣威等紧随其后。主要受到热门车型例如比亚迪汉、领克01／03等带动，长安由于其庞大的销量基数未来在L2级别的装配量有望大幅提升。

21年合资品牌中ADAS装配率超400万辆，年增长超过25％，整体装配率超过49％；丰田装配量近百万遥遥领先于本田、别克和特斯拉等第二梯队厂商，主要由于卡罗拉、雷凌、RAV4等热门车型带动。值得一提的是沃尔沃ADAS装配率近100％，大部分为1R1V方案。

以车型维度来看，中国目前市场在售车型7364款车型中360度全景影像和AEB、FCW搭载率相对较高，车道辅助LKA与自动泊车搭载率最低。

资料来源：汽车之家

未来发展：

1．政策层面欧美国家10年初已将ADAS列入NCAP中，AEB等安全功能一直是重要的评分要素，根据中国工信部发布的车联网（智能网联汽车）产业发展行动计划》，到2020年，中国新车驾驶辅助系统（L2）搭载率要达到30％以上，目前基本已按照预期实现。

2．未来视觉方案或将成为一定时间下量产车主流配置（不考虑未来向更高级别升级），随着传感器技术进步，视觉＋极少量传感器可能成为行业终局。

3．L2级别中具体功能的实现与国外厂商依旧存在一定的差距，尤其以车道辅助相关偏向L3的功能上，目前国内除造车新势力以及头部主机厂外技术实现上长期会依赖T1提供。

4．消费者认知依旧以辅助人类进行更安全的驾驶为核心关注点，ADAS功能现阶段有利于主机厂打造自己的差异化品牌认知，未来具体功能层面有望更丰富。

5．2021年起，渐近式的自动驾驶逐渐成为主流，诸多L3／L4企业通过降维方式切入Adas市场。通过这种方式自动驾驶企业获取真实道路信息与测试数据，推动自身研发更迭。

决策层——自动驾驶DCU

高性能的车载计算平台是高阶自动驾驶的必备，除了异构多核的硬件架构外，分布弹性可扩展、丰富的I／O接口资源、高内存带宽、车规与功能安全等也都是高阶自动驾驶域控制器的必备特点，通过芯片＋操作系统＋中间件＋应用算法软件＋数据构建核心技术闭环。特斯拉HW3．0的BOM大概在7500－8000左右，其中芯片约为5000元（主控SoC芯片（FSD）约占总芯片成本的61％左右），此外为车规级接插件、以太网连接器以及PCB等外围硬件。三类玩家如系统集成商／T1、软件平台厂商以及OEM厂商都在进行自主研发。

（1）主控SoC芯片：自动驾驶域在AI算力和功能安全要求较高，根据地平线数据披露，自动驾驶等级每增加一级，所需要的芯片算力就会呈现十数倍的上升，L2级至L5级自动驾驶的算力需求分别为2－2．5TOPS、20－30TOPS、200TOPS以上、2000TOPS。

• 玩家主要为特斯拉（自研）、Mobileye、英伟达、高通、华为和地平线等，目前各家发布的最新芯片平台均可以支持L3或L4级的算力需求，英伟达当前处于领先位置。英伟达单颗Orin（22年量产）的算力可以达到254TOPS，而22年落地的车型中搭载4颗Orin的蔚来ET7和威马M7其巅峰算力将超过1000TOPS；高通骁龙Ride平台（22年量产）的巅峰算力预计在700－760TOPS；Mobileye也推出了面向高阶自动驾驶的EyeQ6 Ultra（25年量产），算力达到176 TOPS，当前各家最先进的算力平台均可以支持L3或L4级的算力需求。从量产车型来看，英伟达Orin成为当下的主流选择，Mobileye正在逐渐掉队。

• 2017年开始特斯拉开始启动自研主控芯片，主控芯片中的神经网络算法和AI处理单元全部自己完成。目前已量产芯片，特斯拉单芯片算力最强，达72TOPS。特斯拉正与博通合作研发新款HW 4．0自动驾驶芯片，预计22年第四季度量产，采用7nm工艺，算力有望达432 TOPS以上。

（2）自动驾驶操作系统内核：

自动驾驶OS内核的格局较为稳定，主要玩家为QNX（Blackberry）、Linux（开源基金会）、VxWorks（风河）。基于QNX开发中间件相对简单，并且受QNX官方的约束比较大，而基于Linux开发中间件有很高的技术壁垒，开发者们也可以享有更大的自主权。

• 自动驾驶OS上承载着油门、刹车、转向等基本行驶功能，未来还将纳入车身和底盘控制功能，涉及行驶的基本安全，对系统的安全性、稳定性和实时性要求非常高，在ISO 26262 ASIL的安全等级中基本在C或更高的D，是当前重点研发的L3及以上级别自动驾驶功能的核心。AUTOSAR仅作为标准定义了操作系统的技术规范，基于这些技术规范，各家软件和工具服务商开发了各自的操作系统产品。当前自动驾驶OS还处于百家争鸣的阶段，未来将决胜于底层OS内核和芯片的深度打磨、实现最佳体验。

• 华为MDC智能驾驶计算平台搭载基于华为鸿蒙的智能驾驶OS，兼容AUTOSAR与ROS，是我国首个获得ASIL－D认证的操作系统内核。

• 大众VW．OS采用Linux、QNX、VxWorks等多个底层操作系统打造一体式平台。但各家供应商标准接口和协议各不相同，高度依赖AutoSAR实现中间件标准化，产生大量庞大繁杂的模块、组件以支持来自不同供应商的软件。首款搭载vw．OS的量产车型是纯电动汽车ID．3。

• 百度Apollo是一个开源的基于QNX内核的自动驾驶平台，向汽车行业提供一个开放、完整、安全的软件平台，帮助快速搭建一套完整的自动驾驶系统。

• 特斯拉Autopilot的操作系统Version主要基于Linux建立。

       原文标题 : 2022智能汽车盘点（下）：智能化下半场开赛(2)