一文聊聊自動駕駛三大核心要素

感測器：不同定位與功能，優勢互補

自動駕駛汽車往往配備了多種感測器，包括攝影機、毫米波雷達、光達。這些感測器各有不同的功能與定位，優勢互補；作為一個整體，成為了自動駕駛汽車的眼睛。 2021 年以後的新車都配備了大量的傳感器，目的是預留冗餘硬件，以便後續透過 OTA 的方式實現更多自動駕駛功能。

#2021年1-5月國內新發表車款感測器配置及核心功能

攝影機的作用：主要用於車道線、交通標示牌、紅綠燈以及車輛、行人偵測，有偵測資訊全面、價格便宜的特徵，但會受到雨雪天氣和光照的影響。現代相機由鏡頭、鏡頭模組、濾光片、CMOS/CCD、ISP、資料傳輸部分組成。光線經過光學鏡頭和濾光片後聚焦到感光元件上，透過CMOS或CCD積體電路將光訊號轉換成電訊號，再經過影像處理器（ISP）轉換成標準的RAW，RGB或YUV等格式的數位影像訊號，透過資料傳輸介面傳到電腦端。攝影機可以提供豐富的資訊。但是相機依賴自然光源，目前視覺感測器的動態做得不是特別寬，在光照不足或光照劇烈變化的時候視覺畫面可能會出現短暫的丟失，並且在雨污狀況下功能會受到嚴重的限制，行業內通常透過電腦視覺的方式克服攝影機的各種缺點。

車載攝影機是高增量市場。車載攝影機的使用量隨著自動駕駛功能的不斷升級而增加，例如前視普遍需要 1-3 個攝影機、環視需要4-8 個攝影機。預計2025年全球車載攝影機市場將達 1,762.6 億元，其中中國市場 237.2 億元。

#2015-2025年全球與中國車載攝影機市場規模（億元）

#車載攝影機產業產業鏈包括上游的鏡頭組供應商、膠合材料供應商、影像感測器供應商、ISP晶片供應商，以及中游的模組供應商、系統整合商，下游的消費性電子企業、自動駕駛Tier1等。從價值量來看影像感測器（CMOS Image Sensor）佔了總成本的 50%，其次是佔 25%的模組封裝和佔14%的光學鏡頭。

#攝影機產業鏈

激光雷達（Lidar）的作用：主要用於偵測週邊物體的距離和速度。在雷射雷達的發射端，由雷射半導體產生一種高能量的雷射光束，雷射與周圍的目標發生碰撞後，再被反射回來，由雷射雷達接收端捕獲並進行運算，得到目標的距離和速度。光達具有比毫米波和攝影機更高的偵測精度，可偵測的偵測距離遠，往往可以達到 200公尺以上。光達依其掃描原理分為機械式、轉鏡式、MEMS和固態雷射雷達。根據測距原理可以分為飛行時間測距（ToF）和調頻連續波（FMCW）。目前產業處於光達應用的摸索階段，還沒有一個清晰的方向，無法明確哪條技術路線會成為未來主流。

雷射雷達市場廣闊，中國企業將領先美國。光達市場前景廣闊，我們預測到2025 年，中國光達市場將接近150 億元，全球市場接近300 億元；至2030 年中國光達市場將接近350 億元，全球市場接近650 億元，全球市場年化成長率達48.3%。美國最大自動駕駛公司特斯拉採用純視覺方案，其他車企暫無雷射雷達上車的具體計劃，因此中國成為車載雷射雷達的最大潛在市場。 2022 年有大量國內整車廠推出搭載光達的產品，預計 2022 年車載光達產品出貨量將達到 20 萬台。中國企業更具勝出機率是因為中國企業更貼近市場，與中國整車廠配合度高，更容易取得市場訂單，因此降本速度也會更快，形成良性循環。中國廣大的市場將會協助中國光達企業彌補與國外企業的技術差距。

#2022至2030年中國雷射雷達市場展望

2022至2030年中國雷射雷達市場展望

#雷射雷達車型一覽表

#目前階段各個技術路線各有優缺點，我們的判斷是未來FMCW 技術將與TOF 技術並存、1550nm 的雷射發射器會優於905nm，同時市場可能會跳過半固態直接跨越到全固態階段。

FMCW 技術與TOF 技術並存：TOF 技術較為成熟，具有響應速度快、探測精度高的優點，但無法直接測量速度；FMCW 可以直接透過多普勒原理測量速度且靈敏度高（高出ToF 10 倍以上），抗干擾能力強，可長距離探測，功耗低。未來可能高階產品用 FMCW，低階產品用TOF。

1550nm 優於 905 nm：905nm 屬於近紅外線激光，容易被人類視網膜吸收並造成視網膜損傷，因此 905nm 方案只能維持在低功率下。 1550nm的激光，原理可見光譜，同等功率條件下的激光對人眼的損傷更小，探測距離更遠，但缺點是需要InGaAs 做發生器，且不能使用矽基探測器。

跳過半固態直接跨越到全固態：現有的半固態方案轉鏡式、棱角式、MEMS，都存在少量機械部件，車載環境下使用壽命短，難以通過車規認證。固態雷射雷達的 VCSEL SPAD 方案採用晶片級工藝，結構簡單，易過車規，成為目前純固態雷射雷達最主流的技術方案。 iPhone12 pro 背後的雷射雷達用的就是VCSEL SPAD方案。

#雷射雷達的技術路線及代表性企業

高精地圖存在被顛覆的可能。路線之爭在高級地圖領域持續，特斯拉提出了不需要提前測繪的高精地圖的方案，用攝像頭採集到數據為基礎，利用人工智能技術構建環境的三維空間，採用眾包的思維，由每一輛車提供道路訊息，並在雲端統一匯總。因此我們需要警惕科技革新對高精地圖的顛覆。

部分從業者認為高精度地圖對於智慧駕駛不可或缺，從視野範圍看，高精度地圖不受遮擋，不存在距離和視覺的缺陷，在特殊天氣條件下，高精度地圖依舊可以發揮作用；從誤差看，高精度地圖可以有效消除部分感測器誤差，在部分路況條件下，可以有效對現有感測器系統進行補充修正。此外，高精度地圖還可以建立駕駛經驗資料庫，透過多維時空資料的挖掘，分析危險區域，為駕駛者提供新的駕駛經驗資料集。 #########雷射雷達 視覺技術，採集車 眾包模式是未來高精地圖的主流方案。 ###

高精地圖需要平衡精準度和速度兩個衡量指標。過低的採集精度和過低的更新頻率無法滿足自動駕駛對高精地圖的需求。為解決這一問題高精地圖企業採用了一些新方法來應對，例如眾包的模式，每一台自動駕駛汽車都作為高精地圖的採集設備提供高精動態信息，匯總後分發給其他汽車使用。在這模式下，領先的頭部高精地圖企業由於可參與眾包的車型數量多，因此可以採集更精確、快速的高精地圖，維持強者恆強的局面。

#高德地圖融合方案

運算平台：對晶片的要求不斷提高，半導體技術是護城河

#計算平台也叫做自動駕駛域控制器。隨著L3以上自動駕駛滲透率的提升，對算力的要求也提升，雖然目前L3的法規和演算法都暫未出台，但整車企業均採用算力冗餘方案，為後續的軟體迭代預留空間。

運算平台未來有兩個發展特點：異質和分佈彈性。

異質：高階自動駕駛車輛，運算平台需相容多種類型，多資料感測器並具備高安全性和高效能。現有單一晶片無法滿足諸多介面和算力要求，需採用異質晶片的硬體方案。異構可以體現在單闆卡整合多種架構晶片，如奧迪zFAS整合MCU（微控制器）、FPGA（可程式閘陣列）、CPU（中央處理器）等；也可以體現在功能強大的單晶片（SoC，系統級晶片）同時整合多個架構單元，如英偉達Xavier整合GPU（圖形處理器）和CPU 兩個異構單元。

分散彈性：目前汽車電子架構由眾多單功能晶片逐漸整合於網域控制器。高階自動駕駛要求車載智慧運算平台具備系統冗餘、平滑拓展等特性。一方面考慮到異質架構和系統冗餘利用多闆卡實現系統的解耦和備份；另一方面採用多闆卡分佈擴展的方式滿足高階自動駕駛對於算力和接口的要求。整體系統在同一自動駕駛操作系統的統一管理適配下，協同實現自動駕駛功能，透過變更硬體驅動、通訊服務等進行不同晶片的適配。隨著自動駕駛等級提升，系統對於算力、介面等需求都會與日俱增。除了增加單一晶片的運算能力，還可以將硬體部件進行重複堆疊，實現對硬體部件的靈活調整和平滑的擴充，從而實現對整個系統的運算能力的提升，增加介面、完善功能。

異質分散硬體架構主要由三個部分組成：AI 單元、運算單元和控制單元。

AI 單元：採用平行運算架構 AI 晶片，並使用多核心 CPU 配置 AI 晶片和必要處理器。目前AI 晶片主要用於多感測器資料高效融合與處理，輸出用於執行層執行的關鍵資訊。 AI 單元是異質架構中算力需求最大的一部分，需要突破成本功耗和效能的瓶頸才能達到產業化要求。 AI 晶片可選用 GPU、FPGA、ASIC（專用積體電路）等。

不同類型晶片比較

計算單元：計算單元由多個CPU組成。具有單核心主頻高，運算能力強等特點，滿足對應功能安全要求。裝載 Hypervisor, Linux的核心管理系統，管理軟體資源，完成任務調度，用於執行自動駕駛相關大部分核心演算法，並將多元資料整合起來，實現路徑規劃與決策的控制。

###控制單元：主要基於傳統車輛控制器（MCU）。控制單元載入 ClassicAUTOSAR平台基礎軟體，MCU透過通訊介面與 ECU相連，實現車輛動力學橫縱向控制，並滿足功能安全ASIL-D 等級要求。 ######

特斯拉 FSD 晶片為例，FSD 晶片採用 CPU GPU ASIC 架構。包含 3 個四核心 Cortex-A72 集群，總共 12 個 CPU，運行頻率為 2.2 GHz；一個 Mali G71 MP12 GPU 運行頻率為 1 GHz、2 個神經處理單元（NPU）以及各種其他硬體加速器。三類感測器之間分工明確，Cortex-A72 核心 CPU 用於通用運算處理、Mali 核心 GPU 用於輕量級後處理，NPU 用於神經網路運算。 GPU 算力達到 600GFLOPS， NPU 算力達到 73.73Tops。

#特斯拉FSD 晶片架構

#自動駕駛域控制器的技術核心是晶片，其次是軟體和作業系統，短期護城河是客戶與交付能力。

晶片決定了自動駕駛運算平台的算力，設計製造難度高，容易成為卡片脖子環節。高端市場均由國際半導體巨頭英偉達、Mobileye、德州儀器、恩智浦等把持；在 L2及以下的市場以地平線為代表的國內企業也逐漸獲得客戶的認可。中國的網域控制器廠商一般都會與一家晶片廠商深度合作，採購晶片，配合自身硬體製造、軟體整合能力交付給整車廠。與晶片企業的合作一般具有排他性質。從晶片合作角度來看，德賽西威綁定英偉達、中科創達綁定高通，優點最明顯。國內其他自動駕駛域控制器企業華陽集團綁定華為海思、東軟睿馳與恩智浦和地平線建立合作關係。

國內網域控制站企業與晶片企業的合作關係

#網域控制器的競爭力由上游合作的晶片企業決定，下游整車廠採購的往往是晶片企業提供的一整套解決方案。例如蔚來、理想、小鵬的高階車型採購的就是英偉達 Orin 晶片以及英偉達自動駕駛軟體；極氪和寶馬採購的是晶片企業Mobileye 的解決方案；長安、長城採購的是地平線的L2 解決方案。我們應持續關注晶片和網域控制器企業的合作情況。 ##################################################################################################################################################################################################################################### ####三、 資料與演算法：資料有助於迭代演算法，演算法品質是自動駕駛企業的核心競爭力############使用者資料對於改造自動駕駛系統極為重要。自動駕駛的過程中有一類發生機率不高的罕見場景，這類場景被稱為 corner case。若感知系統遇到了 corner case 則會帶來嚴重的安全隱憂。例如前幾年發生的特斯拉的Autopilot 沒有識別出正在橫穿的白色大卡車，直接從側面撞上去，導致車主死亡；2022 年4 月小鵬在開啟自動駕駛的過程中撞上了側翻在路中間的車輛。 ############此類問題的解決方法只有一個，便是由車企牽頭收集真實數據，同時在自動駕駛計算平台上模擬出更多相似的環境，讓系統學習以便下次更好地處理。一個典型的例子就是特斯拉的影子模式：透過與人類駕駛行為進行比對，找出潛在的cornercases。而後對這些場景進行標註，並加入至訓練集。 ############對應的，車企需要建立資料處理流程，以便蒐集上來的真實資料可以用於模型迭代，同時迭代後的模型可以實裝到真實量產車上。同時為了大規模地讓機器學習cornercase，在取得一個cornercase 後還會針對這個cornercase 遇到的問題進行大規模模擬，推導出更多的cornercases 系統學習。英偉達應用元宇宙技術開發的模擬平台—NvidiaDriveSim 就是模擬系統之一。數據領先的企業會建構數據護城河。 ############常見的資料處理流程為：#######

1） 判斷自動駕駛車輛是否遇到corner case，並上傳

2） 針對上傳的資料進行標註

3） 使用模擬軟體模擬並建立額外的訓練資料

4） 用資料迭代更新神經網路模型

#5） 透過OTA 的方式將模型部署至真實車輛

#資料處理流程

資料閉環的背後依賴超大算力的資料中心，根據英偉達在2022CES 上的發言，投資L2 輔助駕駛系統的公司只需1-2000 個GPU，而開發完整的L4 自動駕駛系統公司需要25000 個GPU 來建置資料中心。

1、目前特斯拉擁有3 大運算中心總計11544 個GPU：自動標記運算中心有1752 個A100GPU，其他兩個用來訓練的運算中心分別有4032 個、5760個A100 GPU；在2021 AI DAY 發表的自研DOJO 超級電腦系統有3000個D1晶片，算力高達1.1EFLOPS。

2、商湯科技在建的上海超算中心專案規劃了20000 A100 GPU，全部建成後算力峰值將達到 3.65EFLPOS (BF16/CFP8)。

以上是一文聊聊自動駕駛三大核心要素的詳細內容。更多資訊請關注PHP中文網其他相關文章！