https://new.qq.com/omn/20210916/20210916A06A6S00.html

一、自動駕駛歷史及定義

早期（1925~2016），自動駕駛雛形建立

自動駕駛的研究歷史悠久，是人類的終極夢想之一。早在1925年，就誕生了人類歷史上第一輛“無人駕駛汽車”,由一位來 自美國陸軍的電子工程師Francis P. Houdina，通過無線電波來控制前方車輛的方向盤，離合器，制動器等部件來完成的， 至今已近百年曆史。自此之後，人們主要利用攝像頭進行資料採集並指導車輛進行自動駕駛。u 自21世紀初的美國DARPA挑戰賽加入鐳射雷達之後，現代意義的自動駕駛汽車雛形已經確立。當DARPA挑戰賽的參賽車 隊使用攝像頭、鐳射雷達等感測器裝置以及計算裝置，實現了車輛的自動駕駛後，人們意識到了自動駕駛的可行性，科技公 司（如Waymo）和整車廠（奧迪、沃爾沃）等紛紛開展相關的研究。隨著相關企業的不斷投入，相關產業鏈也日臻完善。

爆發期（2016~至今），深度繫結人工智慧

自動駕駛是人工智慧實現場景落地的重要方向：人工智慧的主要細分技術，包括機器視覺，深度學習，增強學習、感測器 技術等均在自動駕駛領域發揮著重要的作用，自動駕駛發展的瓶頸主要在於這些人工智慧底層技術上能否實現突破。u 科技企業、造車新勢力紛紛加入智慧化汽車的競爭。自動駕駛行業迎來爆發期，呈現快速發展的新格局。除了谷歌、百度 等軟體科技企業外，偏硬體的公司如小米、華為、英偉達、蘋果等巨頭也紛紛加入自動駕駛汽車領域的研究，還有特斯拉、 蔚來、小鵬以及眾多傳統車企也紛紛開展自動駕駛的研究，整個市場呈現快速發展的勢頭。

自動駕駛分類及技術路線：L1~2與L3+

目前有自上而下與自下而上兩種自動駕駛研發思路。 一種是不考慮成本的研究L4+級完全自動駕駛，代表 企業有谷歌的Waymo、通用的Cruise、百度的 Apollo等，目前其實現自動駕駛的系統成本在數十萬 到百萬元人民幣以上；另一種主要是車企，他們要考 慮成本因素，所以一般是自下而上的，由低級別的自 動駕駛開始逐漸提升水平，目前商業化的汽車基本上 可以達到L2級ADAS （Advanced driver-assistance systems）水平，代表企業有特斯拉、奧迪、蔚來、 小鵬等。

二、環境感知系統

純視覺or多感測器融合，決策權重各有不同

感知是實現自動駕駛極為重要的一環。只有車輛能夠感知並且可以正確識別周圍物體的時候，才能給決策機構正確的輸入 訊號從而實現自動駕駛。主流的環境感知裝置有攝像頭、超聲波雷達、毫米波雷達以及鐳射雷達等。

從技術路線上分為純視覺和多感測器融合兩種：一種是以特斯拉為代表的視覺方案，主要依賴攝像頭等成本較低的感測器 而不使用成本較高的鐳射雷達（據2021年7月的最新訊息，特斯拉FSD Beta9方案也不採用毫米波雷達資料，只使用攝像 頭資料）。這種技術路線把更多精力放在研發強大的視覺演算法及專用AI晶片的能力來處理自動駕駛可能遇到的所有情況；另一種是絕大多數科技公司以及車企所採用的多感測器融合方案，因為以目前的技術發展水平來看，沒有一個感測器能夠 完成自動駕駛所需的全部功能，因此利用攝像頭以及各種雷達進行環境感知，綜合進行自動駕駛決策。

純視覺更依賴視覺演算法，多感測器融合需要解決不同感測器資料匹配問題。視覺演算法目前存在測距不準、惡劣天氣適應性 差等缺陷，對於演算法是否能夠彌補這些缺陷，學術界尚存在爭議，不過這種路線的好處是硬體成本低，而且不需要為決策 權重分配而苦惱；多感測器融合的好處是可以發揮不同感測器的優勢，但硬體成本高，且需要預設演算法分配不同感測器的 決策權重，這也為判斷帶來一定隱患。

三、決策規劃系統

汽車電氣架構：由分散式到集中式

分散式-集中式架構的演變：為了實現智慧化自動駕駛，需要非常多的車載感測器進行環境探測。攝像頭/鐳射雷達/毫米波雷 達模組的資料流可達數千Mbps，傳統的LIN/CAN匯流排無法傳輸這麼大的資料量。各個感測器得到的資料通常還需要由一個統 一的大腦來分析做出決策，傳統的硬體架構都是單一ECU來控制單一感測器，架構比較分散，需要進行集中化升級。汽車電氣 化架構升級的路徑為：

1. 硬體架構升級：分散式（從模組化到整合化）到域集中（從域控制集中到跨域融合）再到車輛集中（車載電腦車-雲計 算）。其優點是：由各個微處理器MCU處理單一資料到統一的CPU/AI晶片來處理不同感測器傳送的資料，這樣不僅可 以優化算力利用率，還可以實現整車資料融合，實現整車功能協同；與此同時，新的架構還可以縮短線束，減輕質量。

2. 軟體架構升級：提供標準介面定義，模組化設計，促使軟硬體解耦分層，實現軟硬體設計分離。優點是：可實現軟體/固 件OTA升級、軟體架構的軟實時、作業系統可移植；採集資料資訊多功能應用，有效減少硬體需求量，真正實現軟體定 義汽車。

3. 通訊架構升級：車載網路骨幹由LIN/CAN匯流排向MOST和乙太網方向發展。其優點是：滿足高速傳輸、高通量、低延遲 等效能需求。

決策“大腦”：硬體+軟體+作業系統

無人駕駛決策系統主要包括硬體平臺、軟體及作業系統三個部分。在自動駕駛中，感測器從環境中收集資料，並將這些資料 提供給硬體平臺進行感知和動作的計算，然後再將動作規劃傳送到控制平臺進行執行。在硬體之上，還需要一個作業系統來 協調這些元件之間所有的通訊，並協調不同實時任務的資源分配。決策（功能）軟體實時處理硬體產生的資料，並根據處理 的結果發出相應的指令給執行系統，以達到自動駕駛的目的。應用軟體給智慧汽車的操控帶來極大的便捷，也使汽車有望成 為新的萬物互動的終端。

自動駕駛是AI（人工智慧）最大的落地應用場景。自動駕駛從本質上來說是要讓車輛擁有與人類一樣的觀察與思考的能力， 因此AI技術水平的發展對於自動駕駛能力起著決定性的作用，自動駕駛也為遲遲無法商業化的AI技術找到了巨大的市場。

決策軟體：資料處理+決策規劃，是核心競爭力

決策軟體（演算法）作為自動駕駛的“大腦”， 是理解以及實施決策的基礎，是自動駕駛的核 心競爭力：主要包括視覺演算法、雷達演算法等傳 感器資料處理和融合，以及路徑規劃、行為決 策與動作規劃等部分。

科技公司、造車新勢力與傳統整車廠都在積極 佈局軟體的研發能力，科技公司和造車新勢力 的決策軟體（演算法）能力領先。科技公司，例 如谷歌Waymo、百度Apollo、英特爾的 Mobileye以及國內的AI公司地平線、小馬智 行等，對演算法擁有較強的開發能力。對於車企 來說，造車新勢力中，特斯拉、蔚來和小鵬擁 有較為全面的自主研發演算法的能力，並且依靠 快速增長的使用者積累了很多實戰經驗，演算法能 力增長很快；傳統車企如今仍以與第三方公司 合作為主，但也開始逐步培養自主開發團隊， 以期獲得自主研發能力。

車載視覺演算法實現包括交通標誌、車輛行人的 識別、物體距離（速度）測量：隨著攝像頭的 硬體技術不斷進步，攝像頭的影象採集能力與 人眼不相上下。人能夠憑藉眼睛來觀察路況， 主要是因為人可以根據看到的影象去理解駕駛 環境；同樣的，對於車載攝像頭來說，最重要 的任務就是讓其能夠“看懂”畫面的含義。

鐳射雷達演算法是讓其作用不僅限於速度測量， 而可以進行目標分類、跟蹤識別、軌跡預測和 SLAM等高階功能，助力車輛對周邊環境的理 解能力。

四、控制執行系統

電氣化實現自動駕駛控制優勢：穩定/準確/快速

汽車的電氣化不僅包括從化石燃料到電池的動力升級，還包括從機械控制到電子控制的控制系統升級。

電機在穩定性、快速性、準確性等控制方面都強於內燃機。對於的控制執行來說，電機要遠遠優於內燃機。電機的扭矩脈動小 ，穩定性更好；電機整個傳動系統更簡單，其準確性更高；電機的扭矩響應更快，其快速性也越好。

電動化是汽車升級的上半場，智慧化將會是汽車升級的下半場。電動汽車的普及加速了汽車電氣化的升級，而電氣化也在加速 汽車智慧化的發展，兩者相輔相成，共同快速發展。

控制執行：自動駕駛與電氣化相互促進發展

自動駕駛控制的核心技術就是車輛的縱向控制和橫向控制。縱向控制車輛的油門和制動，而橫向控制的是轉向（方向盤角度 ）。將機械的控制訊號轉變為電訊號，延遲低且操控更精確，但現有的電氣化部件通常壽命短、安全係數低且價格很高，綜 合成本不具備優勢，市場規模較小。隨著自動駕駛的不斷升級，可量化的電訊號天生就適合計算機控制，因此電氣化又開始 受到汽車廠商的關注，進入到了快速發展的時代。

五、解決方案供應商

解決方案供應商的角色定位

如何實現商業化：被車廠收購或進行戰略合作？自己下場造車？

車輛產生的資料在“軟體定義汽車”中所佔的地位越來越重要：不擁有車輛的第三方，如何與車廠進行資料歸屬分配？

科技公司的角色定位：如何與車廠進行演算法共享？如何解決車廠的避免淪為代工廠的自研努力？

Waymo：L4+級自動駕駛領域的領跑者

自動駕駛技術的標杆企業，路測資料及專利數量常年保持領先：Waymo剛開始是Google於2009年1月開啟的一項自動駕駛 汽車計劃，其主要負責人為參與過DARPA挑戰賽的Sebastian Thrun（斯坦福大學人工智慧實驗室SAIL負責人）和Anthony Levandowski（自動駕駛公司510 Systems的創立者）。2016年12月由Google獨立出來，成為Alphabet公司旗下的子公司，專 注於研發最高級別L4~L5的自動駕駛技術。加州車管所公佈了2020年自動駕駛的路測資料，Waymo在平均接管兩次間可行駛裡 程這個指標中排名第一，在測試里程中排名第二。Waymo的有效專利數也是常年領先，近三年增速降低，但仍排在前三位。

目前的商業化模式有：自動駕駛出租（鳳凰城的Robotaxi）、卡車貨運、物流配送、軟體授權服務四大業務場景。

Mobileye：領先的L2級解決方案提供者

視覺方案自動駕駛的先驅和L2級視覺解決方案的主要供應商：1999年，谷歌自動駕駛專案開始的十年前，以色列希伯來大學教 授Amnon Shashua（他在讀一篇論文時注意到，在某些情況下，人類在閉上一隻眼睛的情況下仍然能夠判斷距離）發現視覺技 術用於汽車安全的可能性，創辦Mobileye，致力於用單目視覺來解決三維立體環境中的測距問題。自創立公司以來，Mobileye 獲得了視覺輔助駕駛領域的多項第一併提供了包括行人檢測、車道保持和自適應巡航等輔助駕駛技術。

到2020年底，Mobileye 累計售出約7330萬枚EYEQ晶片（內含演算法解決方案），在L2+方案的市場佔有率約為70%。EYEQ系列晶片出貨量由2014年的 270萬片提升至2020年的1930萬片，CAGR為38.8%。同時，Mobileye營收持續快速增長，2014-2020年總營收CAGR為37.4% 。2017年3月，Mobileye被晶片巨頭英特爾以153億美元的價格收購，成為以色列科技公司有史以來最大的一次收購。

六、整車廠

整車廠路線概述：純視覺VS多感測器融合

特斯拉堅持純視覺路線，利用視覺演算法優勢節省硬體成本：硬體成本低，用演算法挖掘攝像頭潛力，用純視覺來解決自動 駕駛。優勢是普適性強，劣勢是無法解決長尾效應，安全係數不夠高，L4+級無安全冗餘很難得到通過。

小鵬蔚來等中國汽車企業，採用多手段融合助力ADAS能力：視覺演算法能力無法超越特斯拉，因此採用鐳射雷達+高精 地圖+攝像頭等多感測器共同判斷，依靠中國強大的基建實力以及領先的5G基站數量可以實現車輛網的優勢，達到安全 冗餘來實現自動駕駛的方案。優勢是安全係數高，以目前的技術能力來看是商業化達到L5的較為可靠的路徑；劣勢是目 前成本高（鐳射雷達貴），高精地圖繪製成本高，無法做到所有區域全覆蓋。

特斯拉：類蘋果模式，核心軟硬體均自研

攝像頭為主+毫米波雷達為輔+自研自動駕駛晶片和演算法全 部自研，形成算力、演算法、資料閉環：從特斯拉自動駕駛的近 些年發展路線來看，其感測器變化不大，主要變化方向是在芯 片及演算法領域。首先，晶片從Mobileye（EyeQ3）和英偉達 （Terga3）購買，演算法也由Mobileye提供。但特斯拉在和 Mobileye在攝像頭資料的歸屬上產生了分歧後轉向演算法自研 。由於Mobileye的晶片和演算法是繫結的，所以特斯拉首先向 英偉達（TergaParker，Pasca）購買晶片，後自研晶片，形 成了車企唯一一家實現晶片+演算法全自研，再加上特斯拉百萬 輛車的真實路測資料，特斯拉可以迅速迭代自己的軟體和修改 自己的晶片硬體等，使其方案達到其他車企難以企及的能力。

報告節選：

【PS：點選詳情可檢視內容】