五、認知智慧——智慧駕駛的關鍵在於更好的感知和執行

（一）感知層雷達與視覺融合趨勢明顯

智慧駕駛主要可以分為感知層、決策層與執行層，感知層主要可以分為：

環境感知，如附近車輛、車道線、行人、交通標誌、訊號燈等，利用四大硬體感測器。從感測器的形態和功能維度來看，可以分為幾個階段：

第一階段：以超聲波雷達為主的燃油車時代；

第二階段：以超聲波和毫米波雷達為主的高配置燃油車時代；

第三階段：以超聲波、毫米波、攝像頭為主，實現L2/L2。5級別輔助駕駛的智慧電動車；

第四階段：在上述基礎上加入鐳射雷達，實現包含城市等更高級別的自動駕駛。

車身感知，如車輛位置、行駛速度、姿態方位等，利用慣性導航、衛星導航和高精度地圖。

網聯感知，實現車輛與外界的網聯通訊以此來獲得道路資訊行人資訊等，主要利用路側裝置、車載終端以及V2X雲平臺。

目前對哪種感測器最適合自動駕駛還沒統一標準看法，主流自動駕駛技術路徑分兩種：

以特斯拉為代表的視覺演算法：以攝像頭主導、可搭配毫米波雷達，不使用鐳射雷達、高精地圖、V-C2X等，不依賴外部車聯網基礎設施（具備中國特色）。其透過海量資料和龐大的計算能力去訓練自動駕駛的神經網路：1。因其在自動駕駛上有先發優勢，已售出百萬臺車，因此可依賴海量行車資料進行模型訓練。2。進行訓練的超級計算機（排名全球第5）由5760個GPU英偉達A100（算力為321TFLOPS）組成，每秒運算達1。8EFLOPS，資料吞吐率為每秒1。6TB，儲存容量為10PB。整體上，該種路徑單車成本相對低但所需演算法要求高，該路徑相對小眾。

以Waymo、百度Apollo等為代表的鐳射雷達主導的流派。硬體成本高但可進行遠距離、全方位的探測。鐳射雷達的應用是打破特斯拉先發優勢的利器。

鐳射雷達

鐳射雷達其本質是一種電磁波，波長在千奈米級，指向性強不拐彎，探測到很小的點，很多點集合起來就形成了點雲（需要足夠多光束），可精確（釐米級）還原三維特徵，最大優勢是準，有很多豐富的細節，探測距離遠（100-250m），視角廣闊且有更強的抗光干擾性，是L3及以上自動駕駛的必備元件。劣勢是比較貴，在惡劣天氣會罷工。

主要包括鐳射發射（光源）、掃描（光束操縱）、接收（光電探測）和資訊處理（測距方法）四大系統，每個系統下有不同技術路徑。其中，光束操縱是最複雜、最關鍵的技術維度。

從鐳射波長看，目前最主流的是905nm（70%佔比），但Luminar等公司選用的是1550nm。

905nm鐳射器可以直接選用價格較低的矽材質發射器，技術成熟、成本可控。而400-1400nm波段內鐳射都可以穿過玻璃體、不會被晶狀體和角膜吸收，聚焦在視網膜上，因此905nm鐳射雷達為避免對人眼造成傷害，發射功率需控制在對人無害的範圍內，因此其探測距離受到限制。

1550nm鐳射會被人眼晶狀體和角膜吸收，不會對視網膜產生傷害、更安全，因此其功率可以不受限，是傳統905nm矽光電系統的40倍，也可解決905nm對雨霧的穿透力的不足的問題，在複雜氣候天氣下也能將有效探測距離保持在200米以上。但1550nm鐳射雷達需要用到更昂貴的銦鎵砷（InGaAs）發射器，因此價格上會高很多。

從光束操縱方式看，技術路徑多樣，沿機械式→半固態→固態的方向發展。混合固態作為當前過渡期主流，純固態將會是鐳射雷達終極形態，晶片化架構是未來鐳射雷達發展方向。晶片化架構的鐳射雷達可將數百個分立器件集成於一顆晶片，降低物料成本和人力生產成本，同時器件數量減少也顯著降低了因單一器件失效而導致系統失效的機率，提升了可靠性。

（1）機械式：透過不斷旋轉發射頭，將鐳射從“線”變成“面”，達到3D掃描目的。優勢：掃描速度快、精度高、技術成熟，可實現360度掃描。劣勢：成本高昂、裝配複雜、生產週期長，BOM成本較高難以達車規量產要求，平均時效僅1千至3千小時但車廠要求最低1萬3千小時。

（2）混合固態：即收發模組固定+轉動鏡子，鏡面轉動配合可掃描多個平面，如96個平面即等效96線（垂直方向），以實現掃描效果。

MEMS微振鏡式。優勢：整合度高、尺寸小、批次生產成本低、解析度高、採集速度快。劣勢：微振鏡、懸臂樑等結構脆弱，工作壽命較短、有效探測距離短、視場角窄（小於120度），多用於近距離補盲或前向探測。目前，目前MEMS振鏡方案沒有過車規的產品。

稜鏡式透過2個斜面柱狀鏡頭組合，調整稜鏡轉速以控制掃描區域，掃描圖案形狀若菊花。優勢：點雲密度高、探測距離遠、可靠性更高、符合車規。劣勢：單個雷達FOV較小、對電機軸承有較高要求。如大疆Hap即為稜鏡方案。

轉鏡式是反射鏡面圍繞圓心不斷旋轉，從而實現鐳射的掃描。在轉鏡方案中，也存在一面掃描鏡（一維轉鏡）和一縱一橫兩面掃描鏡（二維轉鏡）兩種。一維轉鏡線束與鐳射發生器數量一致，而二維轉鏡可以實現等效更多的線束，在整合度和成本控制上存在優勢。

MEMS微振鏡

稜鏡式

轉鏡式

（3）純固態：不再包含任何機械運動部件。

主流是Flash，不是以來回掃射的方式，而是拍照射出一片發散的鐳射。優勢：體積小、結構簡單、成本低、採集資訊量大、技術成熟、易過車規。劣勢：功率有限、探測距離短（50米以內）、精度不高，主要用於補盲或低速自動駕駛。

OPA相控陣技術，利用波之間的干涉，無需活動的機械結構就可實現掃描結果。優勢：體積小、精度高、掃描速度快、可控性好、抗震性好。劣勢：易受到環境光干擾、光訊號覆蓋有限、對材料和工藝要求苛刻、上游產業鏈不成熟、量產難度高、成本高昂。

圖為Flash

圖為OPA

從測距方法上看，主要可以分為飛行時間（ToF）測距法、基於相干探測的調頻連續波（FMCW）測距法、及三角測距法等。ToF是目前中長距主流方案，FMCW難度較大，但隨FMCW整機和上游成熟，兩者未來將並存。

目前國內車型搭載的鐳射雷達，掃描方式基本都採用轉鏡方案，鐳射發射器採用905nm和1550nm都有。典型車型搭載情況如下：

國產鐳射雷達上車情況，資料來源：感知芯視界、國家智慧感測器創新中心感測器產品資料庫平臺

鐳射雷達主流產品引數，資料來源：公開資訊整理

技術路徑迭代帶來的成本下降是推動鐳射雷達上車的重要因素。整體車載鐳射雷達的應用會呈“成本降低、效能提升（視場角和解析度、信噪比、雨雪天氣抗干擾性、相互間防擾、可靠性）、固態化、滿足高級別自動駕駛功能安全”的方向進一步發展。

車載攝像頭

攝像頭最接近人眼成像，解析度高、速度快、傳遞的資訊豐富、成本低，是唯一可以讀取“內容”資訊的感測器。

但其需使用計算機視覺演算法或深度學習進行解析、依賴資料訓練，識別率不能保證100%，可能判斷失誤。單目攝像頭無法提供3D資訊、缺少深度感知能力，可能會有延遲，雙目攝像頭所提供的3D內容準確性不高。與其他感測器不同，攝像頭屬於被動感測器，易受夜晚、雨雪霧霾等惡劣天氣外界光不穩定的影響，且不擅長於遠距離觀察。

單目攝像頭是透過影象匹配進行目標識別，透過目標在影象中的大小去估算目標距離，由於成本較低且能滿足L3以下級別需求，短期內單目攝像頭為車載攝像頭的主流方案。

雙目攝像頭則更加像人類的雙眼，主要透過兩幅影象的視差計算來確定距離，是視覺資訊的三角測量結果，不依賴龐大的訓練集、精度相對較高。但雙目需要對每一個畫素點都做立體匹配，存在如計算量大、系統性能要求高、立體演算法匹配難度大，對攝像頭間誤差精度要求高等諸多挑戰。比起LiDAR，雙目攝像頭最大的優勢是成本，價格在幾千元人民幣。

車載攝像頭一般是固定焦距的（目前車載攝像頭每秒處理的影象在20幀左右，每秒處理的資料量巨大），其無法像人眼一樣快速變焦，不同的焦距滿足不同的範圍。感光元件大小確定的情況下，焦距越長，視角越窄，但解析度能大大提高。即在探測範圍和距離兩個方面，有不可調和的矛盾。實際使用時利用不同焦距的攝像頭，來實現不同特定的功能，根據攝像頭的安裝位置，可以分為前視、側視、後視、內建、環視等，以實現不同目標的監測。在高級別自動駕駛車輛上，配置的攝像頭有多個甚至十多個。

典型車型攝像頭配置情況

車載攝像頭成本相對低廉，價格也從2010年的300多元持續走低，易於普及應用。隨著目前計算集中化，攝像頭有向“只採集不計算”方向發展趨勢，即把計算部分放到域控制器中。在剝離了攝像頭的計算功能後，攝像頭BOM成本下降了約六成。如特斯拉前視攝像頭，未配置SoC、MCU等計算模組。

毫米波雷達

毫米波雷達的抗干擾能力強，對降雨、沙塵、煙霧等離子的穿透能力要比鐳射和紅外強很多，可全天候工作，可同時測速和測距，價格和體積適中。

但其測量精度差，空間解析度有限（3°-5°），俯仰測角/測高能力缺失，訊號衰減大，容易受到建築物、人體等的阻擋，傳輸距離較短，難以成像，不能做主感測器。

根據毫米波頻率，國內集中在24GHz和77GHz兩個頻段，更高的射頻頻率導致更好的速度解析度和精度。77GHz的毫米波雷達比24GHz的速度解析度和精度提高了3倍，能夠檢測小至零點幾毫米的移動，探測距離更長，體積也可以實現其三分之一。隨著技術成熟及成本下降，77GHz將逐漸取代24GHz成為未來毫米波雷達的主流。

資料來源：頭豹研究院、國信證券研究所

毫米波雷達的技術總趨勢是朝整合度更高、成本更低、體積更小、功耗更低、精度更高及多維成像的方向發展。晶片工藝上朝著利用CMOS工藝，將MMIC、MCU、DSP等整合在一顆SoC晶片中發展。

由於目前的量產毫米波雷達都只能稱為3D雷達或準4D雷達（4D指目標探測4個維度，包括它的速度、距離、水平角度、垂直高度），缺失或有很弱的俯仰測角/測高能力，導致雷達無法單獨作為感測器識別前方的靜止障礙物，因為其無法區分前方的車輛（真實障礙）和橋樑/井蓋（虛假障礙）。

毫米波雷達的下一個方向就是高分辨的4D成像雷達。如華為高分辨4D成像雷達：1）水平解析度達到一度，垂直解析度達到兩度，同時測量精度大幅提升；2）大視場無模糊，水平視場提升到±60°，垂直視場提升到±15°，縱向探測距離從200米提升到300米以上。高分辨4D成像雷達具備可實現“高度”探測、解析度更高、可實現對靜態障礙物分類等優勢，集中在前視區域應用，達到類似低線數鐳射雷達效果。

4D點雲成像雷達代表產品，來源：各公司官網

2021年5月，特斯拉釋出FSD Beta v9時，取消了美國車型Model 3/Y毫米波雷達，當下純視覺影象感知系統很大程度上已可以覆蓋毫米波雷達的特性。

超聲波雷達（倒車雷達）

單個超聲波雷達售價大約為幾十元，成本低廉，國產化率高，是成熟的車載感測器；超聲波雷達0。2-5m範圍內障礙物精度可達1-3cm，在短距離測量中，具有非常大優勢；防水、防塵，即使有少量的泥沙遮擋也不影響。

但其屬於聲波、傳播速度340m/s、速度慢；散射角大、方向性差，在測量遠距離目標時回波訊號較弱、影響測量精度，只能看有沒障礙物，無法知道障礙物的形狀和位置；只能用於停車等低速場景。其探測精度易受到車速、振動、溫溼度等影響，在抗干擾、標定等方面充滿挑戰。

所以其主要作用是透過蜂鳴器來輔助泊車，或用在保持與相鄰車道車輛的安全距離。

超聲波雷達的分類

紅外夜視

汽車夜視系統能夠觀察到比普通汽車前大燈遠3-5倍的距離，甚至可以達到10倍以上的距離。尤其是在霧、雪或雨天的條件下可全天候工作，利用汽車夜視系統可以非常清楚地觀察前方路面情況，大大提高了駕駛安全性。

60%交通事故發生在晚間，夜間行駛安全隱患大，利用紅外成像技術，使駕駛員在黑夜裡看得更遠更清楚。同時可在自動駕駛領域發揮作用，彌補可見光攝像頭無法在黑暗條件下進行行人檢測的劣勢，且能彌補鐳射雷達無法對物體進行分類的硬傷。

高德紅外官網

國內外廠商已具備成熟紅外夜視系統技術，價格偏高一直是制約其普及的主要因素，國內紅外夜視系統上車目前仍傾向高價位車型。隨著探測器成本的下探、紅外感測器國產化和像元尺寸變小，成本正快速下降。

中國紅外佔全球市場近半壁江山，國內廠商眾多。美國FLIR市佔率35%排名第一，高德紅外市佔率17%位居第二。全球十強中其他中國廠商還有海康威視（15%）、睿創微納（10%）和大立科技（2%）。

組合導航GPS/IMU

GPS（Global Positioning System），即全球定位系統，依靠衛星定位，只提供位置資訊（位置（經緯度）和航向角（車頭與正北方向的夾角））。測量精確，但依賴外界GPS訊號，容易因訊號被折射/反射或訊號不好而失效。更新頻率低，大概在10Hz左右，即1秒鐘更新個10次，對於無人駕駛反應太慢。

IMU（Inertial measurement unit），即慣性測量單元，通常由陀螺儀、加速度計和演算法處理單元組成，透過對加速度和旋轉角度的測量得出自體運動軌跡，提供車身姿態資訊。頻率很高1KHz，但是IMU有誤差，且這種誤差會隨著時間累積，所以只能在一個很短的時間區間裡依賴IMU。不需要任何外部訊號，可以被安裝在底盤等隱蔽位置，以避免電子或機械的攻擊。

IMU（1KHZ）可以彌補GPS（10HZ）更新頻率低的問題，GPS可以彌補IMU隨著時間增多位置誤差大的缺點。

（二）ADAS滲透加速，以中端車型為切入點的L2+成為主流

主要構成：

目前按照區域通常分為前向ADAS、側向ADAS、自動泊車、全景環視四個部分，其中前兩個系統又被稱為行車ADAS，後兩個系統為泊車ADAS。隨著E/E架構演進，計算平臺算力提升，可以支援更復雜的融合演算法，行泊一體將成為未來的方向。高度整合化在成本上也具有一定優勢，對於L2+向低端車型下沉有重要意義。

ADAS分散式的四大子系統，資料來源：德邦研究所

從感測器方案角度，大多數為xVxR的方案，目前主流智慧化車型多為5V5R方案，成本稍低的情況下選擇5VxR的方案。小鵬XPILOT選擇了12V5R的方案加上鐳射雷達後已經可基本實現L3級別功能。

主流車企、主流車型感知層零部件配置方案，資料來源：德邦研究所

在L0-L2自動駕駛場景下，堆料不是必須的，核心考驗的是各家廠商的演算法能力和系統能力，以儘量少的感測器實現低成本的自動駕駛應用落地為目標。因此在L0-L2自動駕駛的場景，視覺方案有著天然的成本優勢。但是隨著4D毫米波雷達的發展，視覺+雷達方案有望扳回一城。

市場情況：

21年國內自主品牌中ADAS裝配量近200萬輛，增速超150%，整體裝配率超25%，其中領克、比亞迪、哈弗和吉利裝配量位於第一梯隊，長安、廣汽傳祺、紅旗、榮威等緊隨其後。主要受到熱門車型例如比亞迪漢、領克01/03等帶動，長安由於其龐大的銷量基數未來在L2級別的裝配量有望大幅提升。

21年合資品牌中ADAS裝配率超400萬輛，年增長超過25%，整體裝配率超過49%；豐田裝配量近百萬遙遙領先於本田、別克和特斯拉等第二梯隊廠商，主要由於卡羅拉、雷凌、RAV4等熱門車型帶動。值得一提的是沃爾沃ADAS裝配率近100%，大部分為1R1V方案。

以車型維度來看，中國目前市場在售車型7364款車型中360度全景影像和AEB、FCW搭載率相對較高，車道輔助LKA與自動泊車搭載率最低。

資料來源：汽車之家

未來發展：

1。政策層面歐美國家10年初已將ADAS列入NCAP中，AEB等安全功能一直是重要的評分要素，根據中國工信部發布的車聯網（智慧網聯汽車）產業發展行動計劃》，到2020年，中國新車駕駛輔助系統（L2）搭載率要達到30%以上，目前基本已按照預期實現。

2。未來視覺方案或將成為一定時間下量產車主流配置（不考慮未來向更高級別升級），隨著感測器技術進步，視覺+極少量感測器可能成為行業終局。

3。L2級別中具體功能的實現與國外廠商依舊存在一定的差距，尤其以車道輔助相關偏向L3的功能上，目前國內除造車新勢力以及頭部主機廠外技術實現上長期會依賴T1提供。

4。消費者認知依舊以輔助人類進行更安全的駕駛為核心關注點，ADAS功能現階段有利於主機廠打造自己的差異化品牌認知，未來具體功能層面有望更豐富。

5。2021年起，漸近式的自動駕駛逐漸成為主流，諸多L3/L4企業透過降維方式切入Adas市場。透過這種方式自動駕駛企業獲取真實道路資訊與測試資料，推動自身研發更迭。

決策層——自動駕駛DCU

高效能的車載計算平臺是高階自動駕駛的必備，除了異構多核的硬體架構外，分佈彈性可擴充套件、豐富的I/O介面資源、高記憶體頻寬、車規與功能安全等也都是高階自動駕駛域控制器的必備特點，透過晶片+作業系統+中介軟體+應用演算法軟體+資料構建核心技術閉環。特斯拉HW3。0的BOM大概在7500-8000左右，其中晶片約為5000元（主控SoC晶片（FSD）約佔總晶片成本的61%左右），此外為車規級接外掛、乙太網聯結器以及PCB等外圍硬體。三類玩家如系統整合商/T1、軟體平臺廠商以及OEM廠商都在進行自主研發。

（1）主控SoC晶片：自動駕駛域在AI算力和功能安全要求較高，根據地平線資料披露，自動駕駛等級每增加一級，所需要的晶片算力就會呈現十數倍的上升，L2級至L5級自動駕駛的算力需求分別為2-2。5TOPS、20-30TOPS、200TOPS以上、2000TOPS。

玩家主要為特斯拉（自研）、Mobileye、英偉達、高通、華為和地平線等，目前各家釋出的最新晶片平臺均可以支援L3或L4級的算力需求，英偉達當前處於領先位置。英偉達單顆Orin（22年量產）的算力可以達到254TOPS，而22年落地的車型中搭載4顆Orin的蔚來ET7和威馬M7其巔峰算力將超過1000TOPS；高通驍龍Ride平臺（22年量產）的巔峰算力預計在700-760TOPS；Mobileye也推出了面向高階自動駕駛的EyeQ6 Ultra（25年量產），算力達到176 TOPS，當前各家最先進的算力平臺均可以支援L3或L4級的算力需求。從量產車型來看，英偉達Orin成為當下的主流選擇，Mobileye正在逐漸掉隊。

2017年開始特斯拉開始啟動自研主控晶片，主控晶片中的神經網路演算法和AI處理單元全部自己完成。目前已量產晶片，特斯拉單晶片算力最強，達72TOPS。特斯拉正與博通合作研發新款HW 4。0自動駕駛晶片，預計22年第四季度量產，採用7nm工藝，算力有望達432 TOPS以上。

（2）自動駕駛作業系統核心：

自動駕駛OS核心的格局較為穩定，主要玩家為QNX（Blackberry）、Linux（開源基金會）、VxWorks（風河）。基於QNX開發中間件相對簡單，並且受QNX官方的約束比較大，而基於Linux開發中間件有很高的技術壁壘，開發者們也可以享有更大的自主權。

自動駕駛OS上承載著油門、剎車、轉向等基本行駛功能，未來還將納入車身和底盤控制功能，涉及行駛的基本安全，對系統的安全性、穩定性和實時性要求非常高，在ISO 26262 ASIL的安全等級中基本在C或更高的D，是當前重點研發的L3及以上級別自動駕駛功能的核心。AUTOSAR僅作為標準定義了作業系統的技術規範，基於這些技術規範，各家軟體和工具服務商開發了各自的作業系統產品。當前自動駕駛OS還處於百家爭鳴的階段，未來將決勝於底層OS核心和晶片的深度打磨、實現最佳體驗。

華為MDC智慧駕駛計算平臺搭載基於華為鴻蒙的智慧駕駛OS，相容AUTOSAR與ROS，是我國首個獲得ASIL-D認證的作業系統核心。

大眾VW。OS採用Linux、QNX、VxWorks等多個底層作業系統打造一體式平臺。但各家供應商標準介面和協議各不相同，高度依賴AutoSAR實現中介軟體標準化，產生大量龐大繁雜的模組、元件以支援來自不同供應商的軟體。首款搭載vw。OS的量產車型是純電動汽車ID。3。

百度Apollo是一個開源的基於QNX核心的自動駕駛平臺，向汽車行業提供一個開放、完整、安全的軟體平臺，幫助快速搭建一套完整的自動駕駛系統。

特斯拉Autopilot的作業系統Version主要基於Linux建立。