01
自动驾驶汽车概况
自动驾驶汽车是一种自动感知和运算的自动化载具，它根据收集到的信息进行自主运算和判断，并将判断传送给驾驶员或系统，由驾驶员或系统来进行执行。
自动驾驶可以理解为是传统汽车和智能终端的融合。自动驾驶汽车同时具有传统汽车和消费电子的属性。随着市场持续增长，各类玩家增加。从主机厂视角来看，自动驾驶汽车是在传统汽车上加入智能服务。从消费电子和造车新势力角度考虑，自动驾驶汽车则是在一个智能终端上加上硬件。两种视角决定了多样化的开发路径，激发了众多产业链新兴投资机会。
自动驾驶汽车可具体分为行车和泊车两大场景。行车和泊车场景产品，分别面对在不同路况中如何实现自动化的问题。针对于行车场景，路况包括：单车道、多车道、匝道、环岛、隧道、十字路口、非结构化城镇道路等。泊车场景相对来说更封闭和简单，需要考虑的是多类停车场及停车位自动化的问题。由于两种场景所需覆盖的路况不同，所以两种场景对应的解决方案也有所不同。行车和泊车场景产品车场景整体上是一个从封闭到开放，从简单到复杂的过程。
行车功能产品通常以自动化程度（SAE）来归类，根据其自动化程度不同分为6级。按照国际汽车工程师协会（SAE International）J3016，自动驾驶分为L0级-L5级；2021年市场监管总局（标准委）《汽车驾驶自动化分级》同样将汽车驾驶自动化等级划分为0-5级。自动驾驶级别越高，车辆的自动化程度越高，动态行驶过程中对驾驶员的参与度需求越低，对车载传感器组成的环境感知系统的依赖性也越强。
L3级是自动驾驶的分水岭。L2以下的决策责任方完全在驾驶员，L4-L5的决策责任方全部在于系统或汽车，而L3级驾驶责任的界定最为复杂。在自动驾驶功能开启的场景中，L3级环境监控主体从驾驶员变成了传感器系统，驾驶决策责任方由驾驶员过渡到了汽车系统，在不同场景下有不同的责任方划分。
NOA系统的出现标志着车企实力已经向L3迈进。2019年特斯拉开发了导航辅助驾驶NOA（Navigate on Autopilot），该系统的出现标志着车企的自动驾驶实力已经向L3迈进。该功能在小鹏称为NGP，在蔚来称为NOP，在理想称为NOA，华为则推出了HI全栈解决方案。目前车企是否进入L3，主要在于车企是否已经理清事故责任，以及当地政策是否支持L3以上自动驾驶汽车落地。
泊车场景产品路径比较清晰，从基础泊车功能向行泊一体发展。当前泊车的功能主要有自动泊车辅助APA、远程泊车辅助/遥控泊车、记忆泊车HPA/MPA、自主代客泊车AVP等。参照传感器和芯片融合维度，可以划分出基础泊车、遥控泊车、融合泊车、行泊一体四个发展阶段。泊车发展阶段可以与行车场景L0-L5（SAE）相对应，L4级别AVP尚未落地。
自动泊车系统可分为车端方案、场端方案、车场协同方案。根据中国汽车工程学会《自主代客泊车系统总体技术要求》（征求意见稿），不同技术路线下AVP分为车端方案、场端方案、车场协同方案。
自动泊车系统的主要商业模式区别点，在于选择车端方案还是场端方案。泊车过程大致可包含五大环节：环境感知、停车位检测与识别、泊车路径规划、泊车路径跟随控制、模拟显示。偏车端方案：在车端按照雷达，借助车载传感器对周围环境以及自身状态进行感知、决策并执行车辆动作，在必要时提醒用户进行车内或远程接管操控。偏车端方案的优势在于不受场地及图商数据供应的限制，劣势在于对车辆智能化要求较高，单车成本较高。
偏场端方案：在停车场内布置激光雷达或双目摄像头来实现对车辆状态及周边环境的监控，通过预埋式停车场传感器探测当前车位占用状态，将传感器数据汇总在数据中心进行分析，再将处理信息传递至车端。偏场端方案的优势在于对车辆智能化要求较低，劣势在于对高精地图或停车场基础设施依赖度较高，而高精地图供应商目前商业模式尚不清晰。
02
自动驾驶感知层
自动驾驶系统架构可分为感知层、决策层、执行层，感知层主要用于汽车定位、静态障碍物绘制、移动障碍物检测和跟踪、道路映射、交通信号检测和识别等。感知层的实现方式包括GPS定位、高精地图、各类雷达及摄像头智能传感器以及物理传感器（MEMS）。
1.高精地图
感知层识别车辆位置的技术主要为GPS及高精地图，并以高精地图为主。高精地图是指精度高且精细化定义的地图，与传统导航地图的区别主要在于数据精度及商业模式。高精地图通过配备激光雷达、相机等专用设备的车辆沿街行驶来进行数据采集，精度要求在20cm左右，相对精度一般为厘米级，而传统电子导航地图的精度一般在10米左右。在更新频率方面，对于静态数据，传统电子导航地图通常要求月度或季度级别，高精地图要求周级或天级更新。对于动态数据，普通导航地图不做要求；高精度地图要求车道级路况或交通事件等信息实时更新。
高精地图极大的简化了自动驾驶功能的研发，可以弥补感知能力的上限。高精地图可以提供超视距的静态环境信息，提供道路限速、特殊车道、前方路形分叉汇合、曲率变化等静态信息，方便自动驾驶超前作出判断。高精地图使得自动驾驶难度和复杂性大幅下降。
我国高精地图市场竞争格局高度集中。据IDC统计的数据显示，2020年中国高精地图市场规模为4.74亿元，百度市场份额排名第一，占比28.07%，CR5市场份额合计达86.7%。2022年IDC发布的《中国高精地图市场份额》报告显示，2021年中国高精度地图市场规模为6.46亿元，其中，百度依旧占据市场份额第一，占比32.7%，2021年CR5市场份额合计达88.6%，集中度进一步上升。
高精地图资质稀缺，审批速度逐步放缓。在我国，从事高精地图测绘需要持有甲级测绘资质证书，制作导航地图需要持有甲级导航电子地图制作资质证书（自然资源部）。我国甲级测绘资质证书较少，且获批速度逐步放缓。
车企和互联网企业通过并购及合作等方式获得高清地图资质。在互联网企业中，为了获得甲级测绘资质，2013年百度收购了常棣万方，阿里收购了高德地图，腾讯入股四维图新。在自动驾驶领域，2021年英伟达收购了Deepmap，小米收购了Deep Motion，丰田收购无人驾驶汽车地图和数据提供商Carmera，小鹏收购智途科技。上汽集团建立合资子公司中海庭并投资于具有高精地图资质的Momenta。吉利于2016年创立易卡通，2019年投资易图通。由于资质和高精地图服务能力的稀缺性，多数车企仍然会选择与高精地图企业通过业务合作来获取地图。2021年5月，理想宣布与高德地图合作。2022年2月，蔚来披露了与腾讯在高精地图领域的合作计划。
测绘资质并非一劳永逸。甲级测绘资质有效期为5年，到期的资质需要重新审核。2022年2月、3月、8月，自然资源部公布了导航电子地图制作甲级测绘资质复查换证结果显示，19家企业已通过资质复查，而智途科技（小鹏）、嘀嘀（滴滴）、中海庭（上汽）、Momenta等家企业尚未公示复查结果。
高精地图测绘成本高昂，覆盖全部路段较为困难。高精地图制备需要通过专用测绘车来采集，每辆测绘车成本超过500万人民币，数据采集成本较高，且人工、车队维护成本也较为昂贵，导致高精地图制作成本高昂。对于图商而言，测绘车即需要长期高额投入，因此只有顶级图商能维持百辆以上数量级的测绘车。百辆测绘车队仅能覆盖部分道路，对于覆盖更丰富，采集难度更大的城市道路较为困难。同时，由于我国城市道路不断翻修，高精地图需要保持一定的时效性。另外，高精地图辅助自动驾驶的服务费也较高，除部分图商外，预计每辆车为700-800元/年，是普通导航电子地图每辆车年服务费的20-35倍。
成本因素及测绘资质收紧，使得自动驾驶企业兴起“去高精地图化”趋势。“去高精地图化”为了解决之后无图的限制，旨在通过传感器传回的数据进行仿真数据训练，逐渐丰富汽车的识别和决策能力。目前，在传感器不能完全覆盖环境识别的情况下，车企同时使用高精地图和车内传感装置来识别，并考虑在不同路况下，给予两种感知方法不同的置信度。
传统图商探索与消费导航市场融合。2022年自然资源部办公厅印发《关于做好智能网联汽车高精度地图应用试点有关工作的通知》，支持不同类型地图面向自动驾驶应用多元化路径探索。高德、腾讯、百度、华为纷纷将高精地图的部分能力延伸至消费级市场。
部分厂商则寻求在AVP停车场众包高精地图实现突破。众包高精地图利用在路上行驶的汽车收集道路数据并上传GPS数据、行驶轨迹、行驶路线、传感器数据等。地图厂家在云端通过AI算法对上传的道路数据进行处理，提取出道路的机构化信息，配合定位信息绘制高精地图。虽然众包高精度地图仍需要小规模十万至百万元量级的基准修正车辆，但是参与众包的车辆越多，地图的精度越高，更新速度也越快。2022年3月，晶众地图签下业内首个停车场高精度地图量产订单。
2.物理传感器
感知层的传感器包括智能传感器和物理传感器，MEMS传感器在物理传感器中普遍使用。MEMS传感器是基于半导体制造技术基础上采用微电子和微机械加工技术制造出来的新型传感器，广泛应用于汽车、智能手机、医疗、可穿戴设备等。MEMS传感器可满足汽车环境苛刻、可靠性高、精度准确、成本低的要求。在汽车上，MEMS传感器应用方向包括车辆的防抱死系统（ABS）、电子车身稳定程序（ESP）、电控悬挂（ECS）、电动手刹（EPB）、斜坡起动辅助（HAS）、胎压监控（EPMS）、引擎防抖等。目前，MEMS系统以压力传感器、加速度计、陀螺仪与流量传感器四类器件为主。
MEMS进入门槛较高，国外代工厂垄断MEMS传感器市场，市场规模增长稳定。根据Yole《MEMS产业现状2022》，2021年MEMS代工厂中，赛微电子全资子公司瑞典Silex Microsystems AB在全球排名位居第一，且为连续三年夺冠。MEMS代工厂第二至第五名分别为TELEDYNE MEMS、台积电、X-FAB、索尼。
3.智能传感器
车身附近的识别技术主要依靠的技术是智能传感器。智能传感器用来实现测距、定位和对象的识别。智能传感器的上游是芯片、雷达零部件，下游是车企。
智能传感器包括超声波雷达、摄像头、毫米波雷达、激光雷达等。摄像头和超声波雷达是最稳定的传感器。摄像头自身没有测距功能，超声波雷达主要应用于短距离场景。毫米波雷达较为稳定，但是对于环境障碍物复杂的情况下，以及涉及金属目标物的情况下识别能力较弱，且识别仅能反馈平面数据，分辨率较低。激光雷达识别信息可以形成3D点云，拥有识别高度，但是成本较高，也容易受到恶劣天气（雨雪）和烟雾环境的影响。
超声波雷达是自动泊车系统的主流传感器。超声波雷达成本低，短距离测量中具有优势，探测范围在0.1-3米之间，而且精度较高，但测量距离有限，且很容易受到恶劣天气的影响。自动泊车促进超声波雷达需求，超声波雷达在自动驾驶中主要应用在泊车辅助预警、汽车盲区碰撞预警功能、倒车雷达。
车载摄像头是视觉传感器，也是最为成熟的车载传感器之一。摄像头本身无法进行测距，单一使用摄像头来测距的特斯拉通过自研算法运算来实现计算纯视觉路线测距。借由镜头采集图像后，摄像头内的感光组件电路及控制组件对图像进行处理并转化为电脑能处理的数字信号，从而实现感知车辆周边的路况情况。摄像头按安装位臵不同可分为前视、环视、侧视、后视和内视等。
根据YOLE分类，自动驾驶摄像头按用途分类可分为智能座舱摄像头、ADAS（感知类）摄像头和成像（Viewing）摄像头。其中智能座舱摄像头用于驾驶员疲劳监控等舱内行为及行车记录。ADAS摄像头用于前视ADAS环境监控和夜视，夜视仪由红外热成像摄像头负责。智能座舱摄像头和ADAS摄像头收集的数据均为自动驾驶软件计算分析使用。成像摄像头则为驾驶员的辅助感知使用，成像摄像头将车身环境情况通过照片的形式反馈给驾驶员，包括电子后视镜，电子屏幕360°环视（含倒车雷达）及后视图等。
ADAS摄像头和成像类摄像头功能不同，成本结构也有差异。ADAS摄像头用于主动安全，需要准确捕捉图像。成像类摄像头用于被动安全，并将所拍摄的图像存储或发送给用户。一般情况下，前视和侧视往往优先搭载感知类摄像头，环视和后视一般为成像类，但随着自动驾驶等级的提升可能升级为感知类摄像头。根据YOLE数据，成本结构方面，ADAS摄像头对芯片有更高要求，预计至2024年算法芯片占60%的成本，摄像头模组占40%。成像类摄像头的成本则以摄像头模组为主，成本占比约70%。
毫米波雷达是常见车载雷达，使用毫米级波长电磁波进行探测。毫米波的波长位于1-10mm范围、频率在30-300GHz。毫米波雷达通过发送和接收毫米波的时间差，运用多普勒效应来计算目标参数，最终得到周围物体的相对距离、相对像素、角度及运动方向等物理信息。
毫米波雷达探测距离远、特殊天气影响小，但分辨率较低。与其它传感器相比，毫米波雷达具有很强的穿透能力，在夜间、雨雾雪等环境下均能正常工作，而摄像头和激光雷达等传感器受环境影响大。同时，毫米波雷达具有探测距离远、可快速获取目标的距离等信息、系统响应快速可靠的优点，非常适用于各种安全预警和事故预防的ADAS功能系统。但是，毫米波的分辨率较低，且只能反馈二维数据，对于物体高度识别较弱。
主流车载毫米波雷达频率为24GHz、77GHz、79GHz三种。毫米波的“大气窗口”主要集中在35GHz、45GHz、94GHz、140GHz、220GHz频段附近。77-79GHz与24GHz相比价格相近，基于各国对频段资源分配的法规和性能优势，未来主流搭载波段将为77-79GHz。2021年12月6日，工信部印发《汽车雷达无线电管理暂行规定》指出，为推动汽车智能化技术应用和产业发展，将76-79GHz频段规划用于汽车雷达。该规定2022年3月1日正式实施起，不再受理和审批24.25-26.65GHz频段汽车雷达的无线电发射设备型号核准申请。
4D毫米波雷达希望成为激光雷达的平替，分辨率及通过车规测试情况仍有不足。传统毫米波雷达只能2D成像，而4D毫米波雷达具有3D识别能力，可以输出带有高度的目标点云，，为智能驾驶系统提供更为精确的车辆周围环境感知系统方案。同时，4D毫米波雷达的价格约为激光雷达的10%-50%。因此，4D毫米波雷达技术成为激光雷达的平替竞争者。但是，4D毫米波相对激光而言能量较弱，分辨率尚未达到激光雷达的级别。而且，4D毫米波雷达直到2020年才出现可供上车的成熟方案，2021年各大车企开始上车测试。根据目前车规级对于产品要求2,000小时至10万小时检验时间的监管标准，目前4D毫米波雷达通过车规测试达到量产仍需要一定时间。
激光雷达通过测量激光信号的时间差和相位差来确定距离，对于复杂场景有3D识别优势。激光雷达通过发射和接收激光束，分析激光遇到目标对象后的折返时间，计算出到目标对象的相对距离，并利用此过程中收集到的目标对象表面大量密集的点的三维坐标、反射率和纹理等信息，快速得到出被测目标的三维模型，建立3D点云图，绘制出环境地图。因此，激光雷达测量的对象具有海拔高度，可以通过点云进行3D识别。
针对部分复杂场景和极端天气，激光雷达的优势明显。激光雷达不受到光线影响，且能量较高，因此在复杂路况、光线较暗的场景、部分极端天气下可以实现安全冗余。而毫米波雷达针对超远距、隧道、车库等复杂场景存在分辨率不足问题，且毫米波雷达不能进行高度识别。摄像头受到照明条件影响，在雨雪雾等天气下受限制较大。
激光波长需要考虑人眼安全，目前量产项目以905nm为主。激光波长的选择需要考虑激光与大气的相互作用、激光发射器技术、成本可控的光电探测器，以及人眼安全。目前业内主流采用905nm和1550nm波长。根据YOLE数据，在公开定点量产的29款激光雷达产品中，有20项产品选用905nm波长，占比69%。两种波长各有利弊：905nm波长技术成熟度较高，成本更低，射出的光损失较少；1550nm使用的光电探测器较贵，但对人眼安全性更高，大气吸收率更强，探测距离更远。
激光雷达仍处于发展初期，车规化速度成为竞争力的关键。激光雷达上车时需要面对严苛多变的环境挑战，需要通过车规级认证。ISO 26262功能安全标准尤为严苛，要求对产品整个生命周期进行评估，涵盖功能性安全需求规划、设计、实施、集成、验证、确认和配置等方面。目前市场中激光雷达从发射器、接收器到运算方法均未形成固定的主流技术模式，同时作为精密电子仪器，在通过车规测试上仍具有较大难度。未来激光雷达公司的车规化能力及上车速度将成为决定技术格局的关键。
在自动驾驶汽车需求提升的背景下，车辆开始搭载越来越多的传感器，通过融合算法保障行车安全。但是，传感器各有性能边界，因而有时对同一目标的感知数据会出现冲突，有时又出现数据冗余分散芯片算力。
从产业链角度来看，雷达供应商倾向于在雷达中嵌入计算芯片对数据预加工，从而提升产品价格。对于车企和软件供应商而言，经过加工的数据更方便软件处理，但预处理同时也会损失大量细节信息。
在此背景下，如何提升芯片算力利用率、如何设置传感器置信度及信息损失等问题，成为车企提升自动驾驶能力的关键。请期待下期《汽车自动驾驶决策系统全景》。
