2022智能汽车盘点（下）：智能化下半场开赛

钛媒体 • 1年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

2022智能 汽车盘点（下）：智能化下半场开赛

光锥智能

· 2022.12.28 10:00

微信扫码

6959

新能源汽车下半场，智能化从概念到量产的机会在哪里？

2022智能汽车盘点（下）：智能化下半场开赛

图片来源@视觉中国

文｜光锥智能，作者｜尹汉、司马洁

2022年中国新能源汽车渗透率首次超过30%，随着新能源汽车进入下半场，体感上我们也见证了自主品牌最近几年的高速发展，竞争愈发激烈的情况下，更多更好成本更低的智能化配置从未像现在一般在消费者面前涌现。不管是智能化的中控大屏、ARHUD、主动安全系统、还是ADAS、激光雷达等配置，以往只在高端车型上的选配正在持续降维落地，缺芯背景下国产替代迎来最佳的发展机遇，也势必打破国际T1对于我国汽车供应链的垄断格局。

今年我们不是第一次谈论智能汽车，也不会是最后一次，不同的是我们以往更多的是从产业链的角度来解读汽车这个高端制造行业，这次我们试图从AI的角度重新理解智能汽车的变革逻辑，即在第四次科技革命的开端，AI+机器人的大背景下，汽车行业又在发生如何的改变？

01 智能汽车的定义及分类

我们参考人工智能的分支可以将智能汽车也分为以感知/计算机视觉为主的认知智能、以自然语言识别为主的交互智能、以神经网络/深度学习为主的决策智能。分别对应的也是智能汽车的三条主线，即ADAS、智能座舱与高阶智能驾驶。

资料来源：势乘资本公开资料整理

回到智能汽车的定义上来说，智能汽车是搭载先进传感系统、决策系统、执行系统，运用信息通信、互联网、大数据、云计算、人工智能等新技术，具有部分或完全自动驾驶功能，由单纯交通运输工具逐步向智能移动空间转变的新一代汽车，按照大类来分我们又可以分为智舱和智驾。按照这个逻辑我们来初步测算一下智能汽车的渗透率，智舱因为范围比较难以界定，所以我们选择智驾作为参照点。根据汽车之家数据，可推测出整体智能汽车渗透率在40%上下。

数据来源：汽车之家

02 智能汽车的整体市场

22年新能源汽车一二线城市销售占比接近70%，依旧是新能源汽车最大市场，其中9月上海以46108辆上险数遥遥领先第二名深圳（24000辆上险）。10月上海依旧居首，但环比下降32%，排名第二的城市深圳环比下降22%。我们认为智能汽车的主战场依旧集中在一线及新一线城市，结合22年新能源汽车销量600万辆，单车智能化功能占单车价值比约为20%，则智能汽车市场规模可达2500亿以上。

数据来源：电车人

03 电子电气架构变迁，软件定义汽车趋势显著

汽车的智能化的大方向已经成为了产业共识和市场共识，然而什么叫智能化却没有一个明确的定义。有观点认为智能化的关键在于智能汽车的软件“可迭代、可演进”，即汽车将主要通过软件实现更多的特性和功能，从高度机电一体化的机械终端转变为以软件为中心的移动电子设备转型，同时汽车软件可实现的功能范围更丰富多样。从另外一个角度也可以理解为用芯片替代保险丝和继电器。

该趋势在以下方面有显著体现：

1.单车软件代码行数呈指数增长，目前高端车型代码数已超1亿行，未来几年将超3亿行。

2.单车价值软件占比增加。据麦肯锡预计，有望在2030年达到30%。

3.汽车软件市场呈高速增长。目前国内汽车软件产业增长以应用型软件为主，主要为智能驾驶增长迅速，智能座舱软件已具规模、增长相对平稳，车联网处于相对起步阶段。

（一）计算集中化，EE架构由分布式向集中式升级

主要因以下需求倒逼EE架构走向集中化：

1.传统ECU架构的算力水平无法满足爆炸式的数据处理需求和更高的运算速度，此外还涉及复杂的逻辑运算和非结构数据处理场景，同时ECU各控制模块间的算力资源也无法共享；

2.传感器数量大幅增加且需要融合，对车载通讯带宽和时延的需求提高，DCU的以太网通讯可允许每秒千兆比特的传输；

3.线束革命需要，减少线束、无线化可提高生产效率，同时降低线束和布线成。

以上才能使智能驾驶和智能座舱成为可能。博世将电子电气架构的发展分为六阶段：

资料来源：博世

当前不同车企/Tier1根据自身的规划，对域划分个数不尽相同，如博世分为5个域（动力域、底盘域、座舱域、自动驾驶域、车身域）；大众MEB平台车型和华为分为3个域（自动驾驶域、智能座舱域、车身控制域[大众]/整车控制域[华为]）；特斯拉分为3个域（前车身控制域、左车身控制域、右车身控制域）。

EE架构主要由传感器、控制器、执行器等组成，传感器获得汽车行驶的状态信息，传输到控制器，由控制器算法发出执行指令，由执行器完成具体操作。其集中化升级包括硬件、软件、通信架构三大方面的升级。

硬件不再是单一功能芯片，需要有更强大的计算平台。此外，硬件需要可扩展、可更换，传感器即插即用。

软件不再是基于某一固定硬件开发，需要可移植、可迭代和可拓展，做到跨车型、跨软件，跨车企的软件重用。

通信技术从传统的CAN、LIN、Flexray等走向车载以太网技术，具备高带宽（100Mb/s）、通信协议成熟、高延展性、易平台化等特点，仅需要一对双绞线进行传输，降低连接成本的同时也达到减重的目的。

（二）SOA软件架构分层化、模块化，软硬件解耦化

软件架构分层化、模块化，软件独立为核心零部件产品，使得软硬件可解耦，实现并行开发，并可实现从面向信号的架构走向SOA（面向服务的体系结构，service-oriented architecture，其本质是根据软件需求组合调配硬件功能）。SOA软件架构下的底层软件主要包括系统内核OS（含RTOS）、硬件抽象层（BSP及Hypervisor）及中间件层。

车载操作系统是唯一可驱动硬件工作的部分，内核主要有Linux家族(包括Android)、RTOS家族(包括QNX\Vxworks)等。

智能座舱域中，IVI注重消费者体验和应用生态丰富性，以Android系统为主；仪表盘因高安全性要求以QNX为主；自动驾驶系统因更高实时性及功能安全要求，以RTOS为主，主流RTOS有三种RT-Linux、QNX、VxWorks。随着域集中及域融合的趋势，智能座舱OS重开放、兼容和生态，与自动驾驶OS重安全、实时和稳定，以上两者将是对OS的核心诉求。

同时主机厂开始探索内核程序的替代，可不再依赖外部软件服务方，无需开放核心数据，自行完成整车OTA。而操作系统的成功与否，关键在于生态系统，需要搭建起完整产业链上的软件开发者、芯片企业、终端企业、运营商等各个主体的共生生态。

此外引入虚拟化技术、中间件技术等，使得底层软件具备接口标准化、相互独立、松耦合三大特点，因此应用层功能够在不同车型、硬件平台、操作系统上复用，并可以通过标准化接口对应用功能进行快速升级。

虚拟化技术实现了底层物理硬件的隐藏，可实现多个操作系统共享硬件，QNX是当前主流。中间件技术是对底层软件模块的封装和接口标准化，是系统软件和应用软件之间连接，呈现标准统一化趋势。车厂常依赖于第三方供应商提供中间件，最著名的是AUTOSAR的RTE。但AUTOSAR的开发工具链及基础软件被几家国外零部件企业所垄断，因此国内企业也开始自己研发，如华为智能驾驶域控制器MDC。

（三）软件和服务成为主机厂实现差异化的核心能力

汽车运营商业化：汽车产业逐步从“纯硬件销售”转变为“软硬件持续升级和订阅”的商业模式。软件和服务能力带来更多差异化体验，成为主机厂未来竞争核心。

OTA保障全生命周期的服务升级：“软件定义汽车”要求主机厂必须缩短产品上市周期、产品基于消费者需求、支持不断的迭代、对市场需求迅速反馈等。虽当前主要为SOTA，但未来FOTA的趋势确定。

产业格局发生变化：由于汽车软件开发难度提升，传统OEM和Tier1的研发能力难以满足需求，汽车软件产业链被重塑。汽车产业链逐渐从主机厂、Tier1、Tier2的线性关系演变为主机厂、供应商以及互联网企业均参与进来，从汽车的全生命周期覆盖整个产业的网状关系，具有软件研发优势的互联网和ICT企业入局；部分车企向上游软件环节布局，下游向应用服务延伸；互联网类企业凭借与消费者的深度关联扩展汽车软件后续应用服务价值。

04 线控底盘国产替代迫切，智驾催生行业发展

电动智能变革驱动汽车底盘线控化升级。传统燃油车的底盘系统由驱动、传动、转向、制动四部分组成，机械、液压零部件繁多，结构复杂，无法满足高阶自动驾驶对车辆操控性和主动安全的需求；通过线束传输信号+电机直接驱动能实现对执行机构高效、精准的控制，底盘子系统的电动智能升级驱动线控驱动、线控悬架、线控转向、线控制动等线控系统的成长。伴随整车电子电气架构的集成化升级，对于底盘系统集成化的要求越来越高，底盘域控制器将作为整车“小脑”，进行多执行系统的协同控制，底盘也将由子系统线控化向整个底盘全线控进化，线控底盘系统标准化、模块化，底盘运算控制集成化、协同化将成为重要发展趋势。

线控底盘域控架构，资料来源：中金公司

线控底盘由线控转向、线控制动、线控换挡、线控油门以及线控悬挂五大系统组成，和传统底盘的最大差异是通过线（电信号）取代了传统的机械、液压、气动等结构从而实现更精密的控制，其中线控制动及线控转向是两大关键产品。对于高级别自动驾驶而言，底盘执行机构对系统响应和精度有着更高的要求，因此线控底盘是实现高级别自动驾驶的必备条件。功能安全冗余技术和横纵协调控制是最主要的两个技术难点，目前核心技术依旧被欧美日等一线T1掌控。

线控底盘技术发展历史，资料来源：中金公司

线控底盘系统研究框架，资料来源：中金公司

（一）线控底盘的驱动因素

1.高阶自动驾驶：高阶自动驾驶要求实现主动动力输出和控制能力，线控底盘取消机械、液压、气压等辅助装置，采用电信号传递信息完成制动、转向灯执行动作，能够1）通过传感器感知驾驶意图及行车状况，实现对整车动力输出的主动控制；2）具备响应速度快和控制精度高的特点，能够满足自动驾驶对实时响应的需要，安全性更高。

2.电子电气架构升级：集成式电子电气架构加速线控底盘技术应用。分布式架构下，制动、转向、驱动为独立子系统，由单独的ECU分别控制，由于底盘运动执行信号来自驾驶员，各子系统协同需求较低，EPS、ABS、ESP、线控驱动等子系统在分布式EEA架构下可独立应用。随着整车智能化程度的提升，分布式架构存在各子系统难协同、网络结构复杂、软硬件耦合关系强、无法统一OTA升级等问题。线控底盘融合各子系统及底盘域控，能有效解决上述问题，实现底盘运动控制运算的集成化、协同化，有望受益电子电气架构升级实现加速落地。

3.集成化造车：远期来看，集成化造车要求上下解耦，线控底盘技术是必要技术。展望未来，滑板底盘是集成化造车的集大成者，使得整车制造实现上下装结构独立、分体开发，从而有效缩短研发周期、降低造车门槛，有望成为汽车底盘的终极形态。从结构上看，滑板底盘集成底盘所有子模块，是独立于上车体的模块化产品，需要实现机电一体化和控制集中化。滑板底盘上下解耦的核心需求要求在执行层面做到自主动力输出，有望作为终极指引，推动线控技术的开发和应用。

综上所述，快速响应、精确控制、主动控制、安全性高、轻量化、低能耗、电动化、满足个性化需求、易于整车智能化升级等是线控底盘的主要优势。

（二）线控制动

线控制动目前在新能源汽车的渗透率并不高，据佐思气研统计2020年中国线控制动装配率为1.6%，2021年有望突破2.5%。线控制动市面上主要有EHB（电子液压制动）与EMB（电子机械制动）两大类产品。相较于传统全液压制动系统而言，线控制动可以将响应时间由300-500毫秒降低至150毫秒（ibooster）甚至90毫秒（布雷博）的同时也不会存在行车电脑和油压线路控制脱节等问题，因此线控制动的主要优点在于响应时间短、控制精度高以及主动控制能力。

ABS/ESC与EHB、EMB制动过程，资料来源：中金公司

EHB电子液压制动（单价约2500元左右）通过包含了电机、泵、蓄电池等等部件的综合制动模块来取代传统制动器中的压力调节器和ABS模块等，产生并储存制动压力，可分别对4个轮胎的制动力矩进行单独调节，EHB中由电机取代真空助力器，直接推动主缸活塞实现制动，既解决新能源汽车中真空助力的问题，又提高了制动响应速度，是近三年的主流方案。中国市场90%大部分线控制动系统为以博世的iBooster与IPB系列为代表的EHB产品，包括特斯拉（Model3、ModelY），蔚来(EC6、ES6、ES8）、理想、小鹏、威马等大部分主机厂，也有部分选择联创电子的C-booster系列。

EMB抛弃了传统制动系统的制动液及液压管路等部件而通过电机驱动制动器产生制动力达到同样的效果，具备维保简单、响应时间短等优点，完全电子化能够与其他电控系统有效的整合，能够发挥更多的功能；目前市面上没有完全成熟的方案，Brembo、万都、瀚德、长城等国内外厂商在这个领域积极的探索，预计2023年能够实现量产。

技术难点：

目前技术难点在于无限次的电机闭合，闭合出现失效或者断档就会导致刹车距离变长，国家标准要求刹车次数需要达到100万次在各种工况下的运行，即车辆运行15-20年的时间；国内尚无厂家能够实现，世界上仅有博世和ABB的产品能满足标准。

核心原因是目前国内的解码器的灵敏度、稳定性、使用寿命和国外厂商仍有很大差距，失效率高于国外产品10%以上。

永磁体退磁温度需要达到180度，目前电机温度能控制在120度，不过也担心温度通过轴承传导。

集成化趋势：

One Box方案（AEB自动刹车系统/ESP和电子助力器集成）由于其更高的能量回收效率、集成度高、体积小、重量轻、成本低等优势相比冗余的ESP车身稳定系统和电子助力器相互独立的two-box方案有望成为未来的主流，但是技术上可能存在一定安全隐患，例如踏板解耦后，需要通过传感器感受踏板力度带动电机推动活塞，软件调教难度大。

目前市面上的产品距离支撑高级别的自动驾驶仍然有不少距离，除博世One Box方案（集成ibooster与EPS电子制动并加上RBU回馈式制动单元互为冗余）以及大陆的MK C1（与MK100 HBE电子制动互为冗余）宣称支持L4级别自动驾驶以外，其他供应商在支持L2级别自动驾驶的水平左右，市面上成熟方案依旧非常稀缺，国内诸如同驭、格陆博、英创汇智等创业公司也在探索的途中，我们整体预计国产化方案将于2023年小批量上车，24年开始逐步量产。

（三）线控转向

线控转向从最早的无助力，到后来机械液压助力（HPS）、电动液压助力（EHPS），再到如今广泛普及的电动助力（EPS），转向都依赖于驾驶者的力量，一旦转向柱与转向机分离，司机转动方向盘的力无法传递到转向机，从而可能引发交通事故；同时机械机构的转向比也相对较低。线控转向的目的是为了使得方向盘控制更加自由、车辆转向指令设计更加自由、驾驶体验的反馈更加自由。

线控转向的优势主要在于快响应速度及高灵活性，并且可根据路况通过调节实现更高的转向比（丰田OMG 150度+）具备更好的操控和稳定性。目前线控转向主要分为机械冗余式线控转向（DAS）与电控系统备份冗余式转向（SBW）两大类，除上文提到的优点外，线控转向同时也为智能座舱节省了更大的空间，使其具备实现多样化功能和生态的基础；目前单价约为1500元左右。

机械冗余式线控转向（DAS），即线控系统出现故障的时候驾驶员可以自行接管通过机械结构保障驾驶安全；最早应用在宇宙飞船中，民用后由英菲尼迪Q50第一次搭载。

电控系统备份冗余式转向（SBW），即通过多个电机实现控制冗余度，通过传感器完全取代了方向盘与转向机之间的机械结构，除响应速度快、灵活性高之外，同时也节约了车辆的空间。

可靠性与高成本是当前落地的主要障碍，高阶智驾驱动下有望实现规模应用。线控转向硬件结构与R-EPS相似，主要区别在于软件算法复杂度大幅提升。目前，路感模拟、主动转向控制等核心技术尚不成熟+冗余备份带来额外硬件成本，阻碍线控转向落地。

目前仅英菲尼迪（DAS）、丰田（One motion grip）等少数主机厂在线控转向技术上率先尝试，其他布局几乎为外资企业诸如博世、Kayaba、采埃孚、JTEKT等，国内厂商中长城汽车通过旗下长城精工率先布局，其他供应商还包括耐世特、联创电子、拓普集团等。21年底集度、蔚来、吉利正式成为线控转向技术发展和标准化研究联合牵头单位，将牵头线控转向相关国家标准的制定。目前集度已初步锁定设计方案，2022年初将进行样件测试，下半年即可开放集度线控转向相关体验硬件平台。

线控转向驱动因素：

智能驾驶驱动：EPS等动力助力转向系统的转向信号来自于驾驶员，需要借助机械传导实现助力，无法支持L3+以上自动驾驶；线控转向由ECU接受方向盘转矩信号，综合车辆速度、加速度等路况信息进行分析并控制电动机产生转向动力，信号来源为软件算法，能够实现转向执行动作与驾驶员操作的解耦，满足高阶自动驾驶的需求，是实现自动驾驶的必需部件。

政策障碍扫除：2022年1月1日，中国转向标准GB 17675-2021正式实施，新政解除过去政策对转向系统方向盘和车轮物理解耦的限制，中汽研标准所与集度、蔚来、吉利等OEM将共同推动制定中国线控转向的行业标准制定，为线控转向落地扫除政策障碍。

（四）滑板底盘

2002年通用汽车在北美车展上的氢燃料汽车AUTOnomy上第一次使用了滑板底盘的概念，到2021年滑板底盘公司Rivian上市，同年国内厂商悠跑科技也发布了悠跑UP超级底盘，滑板底盘成为2022年的热门话题。归根结底，滑板底盘类似高度集成的平台化概念，即将转向、制动、三电、悬架等系统通过模块化的方式集成在底盘上，从而可以根据不同的车型进行模块化上下车体解耦的开发，缩短开发周期，低速商用车是当下最合适的落地场景。

滑板底盘从形态上和传统燃油车中使用的非承载式车身（即通过弹性元件连接大梁式结构的底盘，多应用于SUV上）有一定的相似点，均采用上下分离的结构，底盘都具备刚性。主要区别在于滑板底盘更低且用于新能源汽车上满足软硬解耦的接口。二者在理念上有非常大的趋同。

由于滑板底盘采用上下车体独立研发的形式，可以针对不同的场景选择上车体的形态，从而实现零售、巡逻、消防等特种车辆。另外滑板底盘也给部分研发能力有限的主机厂提供了更集成的选择，使其能够专注上车体的研发和交互上，通过通用接口连接缩短了开发周期。

由于滑板底盘类似集成平台，国外玩家主要包括Rivian、REE、ARRIVAL、CANOO等，国内核心玩家主要包括传统T1、具备自有场景公司（于万智驾等）、初创企业（PIX Moving、易咖智车、悠跑科技）等。掌控核心技术例如线控转向、线控制动、CTC电池（将电池布局在底盘上）轮毂电机等是重要的竞争要素。

目前行业对于滑板底盘仍旧存在一定的争议，在乘用车上落地依旧为时尚早。一方面滑板底盘存在一定的设计边界，为了安全性能可能失去部分的标准化优势；另一方面底盘作为主机厂的核心技术，供应链壁垒很难打破，现有的优势不足以使得车厂大规模采用；其次特斯拉的零件通用化率已达70%，并没有采用上下分体的滑板底盘也实现了高度的标准化，因此滑板底盘的趋势仍旧有待验证。

05 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。

06 交互智能——智能座舱

当前汽车座舱迎来了高度集成化、高安全性、高度智能化和交互方式多样化的智能时代。座舱空间将被重新定义，其不仅是多项独立功能的实现，更多应是通过座舱内声光电的融合，实现空间的最佳体验。

汽车电子化为座舱智能化的实现提供了可能性，在电子化的基础上又有几大关键驱动：ECU迈向DCU（软硬解耦、域内集中控制）；芯片算力提升；以太网通讯传输；AI感知和交互的应用等。

（一）座舱正处于智能时代初级阶段

在智驾的不同阶段，驾驶员需求取决于智能驾驶自动化程度及其能解放驾驶员注意力、双眼、双手和双脚的程度。当前尚未达完全自动驾驶的阶段，智能座舱并未产生颠覆性变化，座舱正处于智能时代初级阶段，把握以下几点非常关键：

中国消费者对于智能座舱的需求和付费意愿远高于其他国家。据IHS调研，国内消费者购车关键因素中，座舱智能科技水平是仅次于安全配置的第二大关键因素，重要程度超过动力、价格、能耗等。

因座舱功能设计上存在大量堆砌、技术门槛较低，造成座舱解决方案雷同、功能臃肿。整车厂更需根据品牌的特性设计符合自身调性的智能座舱，基于场景进行功能设计，而非仅作软硬件堆料。当前消费者诉求主要在：语音交互体验提升、目的地停车入口辅助、倒车辅助、座舱操控便利性和一成不变上车体验上的改进。当前最高频应用主要在：音乐、语音交互、地图、中控、蓝牙电话、360影像，之后才是App应用生态。

需求的前瞻性非常关键。整车从策划到交付需2-3年，加上在售及保有周期约合8年（中国平均换车周期5-8年），而软件的迭代和运维周期仅数月，因此硬件可伸缩（支持模组级可插拔式的硬件即插即用）、软件可升级，且能率先发掘未来潜在需求便十分重要。其中技术趋势是最关键的变量，需从3年/5年/10年去做技术趋势分析和跟踪发掘。

硬件层——智能化设备：

全液晶仪表DIC：新能源汽车的电量电压、联网情况、导航、预警等信息显示需求催生了液晶仪表的出现，未来将和中控屏、HUD、副驾屏和后排娱乐屏打通融合，作为未来车内主要的信息输出端口，HMI界面设计以保障交互效率和体验是未来重要课题。但软件控制的可靠性和稳定性不如机械式。

中控大屏(包括车载信息娱乐系统IVI)：集成信息、娱乐及安全等综合性功能，车内交互方式的迭代对驾驶体验产生质的影响。不仅有更大画幅、更高像素的沉浸式视觉体验诉求，还需以新科技呵护用户的用眼护眼、防晕车需求。屏幕呈现自小到大、自单到多、自LED/LCD到OLED，自平面到曲面，自2D到3D的趋势，但实际应结合用户定位及场景需求。

流媒体中央后视镜CMS：因FOV拓宽（15°-35°）和有效距离延伸，对于消除盲区非常有效，夜晚优势更明显。目前全球只有日本和欧洲的法规允许使用电子后视镜系统代替玻璃视镜，中国目前允许安装但不允许取代，但在国家强制性安全标准GB15084（机动车辆间接视野装置性能和安装要求）实施后，取代传统外后视镜、装载CMS的新车型将被允许上市销售。

抬头显示系统HUD：AR-HUD产品体验当前仍不成熟，但从产品趋势上而言确定性高，凭借沉浸式体验、无需低头的高安全性成为智能座舱重要卖点并自21年以来逐渐向中低端车型渗透。技术层面仍需解决：FOV更宽（标准10°×5°）和VID更远（15m以上）、显示质量参差、体积控制、环境识别及融合、眩晕解决等难题。

驾驶员监控系统DMS（此处仅包含主动式）：国内两客一危的强装要求，且已成为Euro NCAP五星安全评级的关键要素。当前生物传感器的布置方案成本高，主要基于视觉摄像头和，ToF技术和毫米波雷达也在逐步引入。当前最大挑战是对人类驾驶员精神状态的检测精准度的问题，误报率大，此外视觉传感器受环境（如明暗光）影响较大，对算力和算法的要求较高。未来将和ADAS数据进行融合交互，为车辆提供定制化的智能服务和交互。21年1-9月中国乘用车新车渗透率1.7%，但正以数倍速高速增长。

软件层——多模态智能交互

座舱交互逻辑不能照搬手机，座舱是个封闭狭小的空间，需要空间交互方式，而不是平面交互逻辑。此外，呈现多外设、多用户、多并发和多模态特点。未来交互自被动向主动转化，座舱空间变得更懂你。

语音交互可解放人眼和四肢，是未来最主要的车内交互方式，技术迭代核心在于自然语言理解、多音区识别、拾音及主动降噪、多模语音融合等。

计算机视觉为座舱主动交互提供基础：包括人脸及头部（Face ID、表情、唇语、眼动/视线）、手势（动态手势识别、隔空手势）、肢体行为等，视觉感知呈现单帧向时序、平面向立体、单模向多模的趋势，同时数据的合法获取和使用涉及用户隐私课题。

IoT设备与汽车的交互，需建立设备间极速连接通道，融合如手机和汽车的硬件资源、系统能力、服务生态，实现跨设备协同的最佳体验。

其他交互方式还包括按键、旋钮、触控、指纹、生命体征检测等。

多维度感知融合是未来主要迭代方向，包括车辆、环境、车上人员状态等。

美国车载语音助手主要应用场景，资料来源：Voicebot.ai

系统层——座舱OTA

OTA可加速新品体验/缩短研发周期、自行升级进行修复、提供灵活的迭代体验并催生新的软件商业模式，实现软件定义汽车。据市监局统计，21年OTA升级351次，涉及车辆达3424万辆，以供应商给主机厂的能力输出为主。但大部分车型仅具备SOTA能力（类似手机app升级），具备整车OTA/FOTA的仅有特斯拉、造车新势力的新能源车型及少数燃油车型。当前OTA实际能力有限，因为目前很多功能受限于硬件的性能，很多机械部件存在缺陷或错误，并不能靠OTA解决，想要软件定义汽车对硬件要求极高。

（二）声光电融合交互，实现“第三空间”最佳体验

未来智能座舱需在有限空间去发掘驾驶以外的新场景价值，通过精准感知和理解个人行为数据，在视听触嗅和体感上为用户提供主动、智慧、个性化、情感化、拟人化的交互体验。

（1）空间定义：趋于自然交互、万物互联、生态服务、个性化千人千面。

上车场景（当前涉及数字钥匙、提前调温、智能召唤等）；

驾驶场景（当前涉及导航、方向盘及座椅加热、按摩、中置安全气囊、路噪消减等）；

睡眠场景（当前涉及可调节座椅、空气净化/香芬、床垫/枕头、鞋收纳、闹钟等）；

娱乐场景（当前涉及游戏、视频、K歌、移动影院、沉浸式环绕声等）；

户外场景（当前涉及露营、无人机环绕跟车、太阳能车顶、外接电源、车载冰箱等）；

办公场景（当前涉及wifi5下的VR设备多屏办公、AR替代大屏实现裸眼全息等）。

（2）新技术的应用：

生物体征识别：情绪识别、虹膜识别等，以及未来更先进的脑机，是未来智能汽车无感体验的最核心交互方式之一。当前生物传感器的布置方案成本高，传感器与用户的接触和佩戴体验差，检测精度受限于传感器的接触方式。

虚拟现实：未来屏幕将被各种先进的显示技术代替，如透明显示玻璃、全息影像、智能表面，也会有AI虚拟人（智能管家）的参与，无屏界面带来更加便捷自然的交互体验。

多通道交互方式MCUI：实现多设备协同和跨设备场景迁移的价值特征。

（3）特色应用如：

高合HiPhi X全新灯光系统：可完成同级罕见的车舞秀，PML可编程智能大灯和ISD智能交互灯组成的灯光系统；

透明A柱系统：将车外的实时画面输入到A柱的曲面屏上，让显示画面与车外景物融合；

BMW悬浮式巨幕：集成在顶篷的超宽全景屏，将后排空间打造成一个专属私人影院；

BMW电子墨水（E-ink）技术：实现车身一键变色。

（三）用户数据成为各路玩家争夺的主战场

（1）数据归属问题：主要涉及三类数据，行车工况数据关系到车辆行驶安全，由车企掌握；地图数据由地图商和车企共享；基于车联网平台形成大量用户数据是未来增值服务核心部分。对于第三部分，车厂和互联网存在数据所有权上的碰撞。车厂想作为自己的数据资源维护和处理，只有深度把握用户需求，才能协调各参与主体有序进行个性化、定制化开发，提高产品创新力及用户粘性，通过软件订阅提供增量价值。最终以上三部分汇总的大数据，将在产业链核心玩家（Tier1、OEM、第三方服务提供商）中分配。而当前因大部分车企不愿向外界公开车辆和驾驶数据，合作方难以获得，导致现有交互技术无法得到足够数据积累。在数据规模将直接影响座舱用户体验的前提下，数据互联互通能力的缺失使智能座舱的优化迭代面临较大挑战。

（2）用户数据隐私及安全问题：

21年8月《汽车数据安全管理若干规定(试行)》正式出台，主要包括以下2方面：一是防范化解汽车数据安全风险，如超越实际需要，过度收集重要数据；未经用户同意，违规处理个人信息；未经安全评估，违规出境重要数据等。二是保障汽车数据依法合理有效利用，规范了汽车数据处理活动，如坚持“车内处理”、“默认不收集”、“精度范围适用”、“脱敏处理”等原则。但草案并未落地，具体的限制措施和细则也未出台，违反规定的处罚也暂时未定。

据工信部数据，20年中国涉及车联网相关的恶意攻击多达280万次，平台漏洞、通信劫持、隐私泄露等风险较大，汽车数据安全面临严峻挑战，未来或可通过区块链、密码等技术解决。

（3）新商业模式未来可期：拿到用户数据即可进行精准营销等，且随自动驾驶的落地，座舱将催生社交、娱乐、商务等更多维需求，存在较大付费想象空间，在寿命周期内通过服务及运营更大程度挖掘用户价值，因此主机厂及互联网科技公司积极卡位。

（四）集中的EE架构是座舱智能化的前提

智能座舱域控制器=座舱SoC芯片+操作系统+中间件+应用+HMI交互窗口。从过去相对独立的系统，变为以单颗具有较强算力的主控芯片支持多个操作系统、驱动多块屏幕和应用程序，EE架构向集中式过渡。ICVTank数据显示，2021年全球智能座舱域控制器出货量为240万套。

（1）智能座舱芯片：座舱内影响算力需求的因素众多，据IHS Market，24年CPU算力需求将是21年的6倍（高通SA8295：200KDMIPS）。座舱SoC不仅需更强大的计算和集成能力，还需要更强大的AI处理能力，据IHS Market，自21年到24年，仅感知算法部分NPU算力需求每年增加1倍（高通SA8295：30TOPS）。芯片能力发挥，依赖于硬件和软件两方面，芯片厂商正从硬件供应转向提供更多的软件服务，着手硬件+软件甚至整套系统解决方案，跳过Tier1直接与主机厂合作。

相对于消费级芯片，车规级芯片对于可靠性、安全性的要求更高，开发需求要求更高，在芯片设计、测试等环节投入的成本和时间更高，更新换代速度相对较慢。消费电子领域的出货及研发可摊薄车载芯片研发成本（先进制程研发费用高昂），座舱领域迭代速度向消费电子看齐，原消费电子机领域的厂家加入阵营使原传统汽车芯片厂家压力大增。

NXP、德州仪器、瑞萨电子等传统汽车芯片厂商主要面向中低端市场，进入落幕周期；消费电子领域厂商如联发科、三星、高通、英特尔、英伟达、AMD等也加入竞争，主要面向高端市场；国内有华为、杰发科技、芯驰科技、瑞芯微、地平线、芯擎科技等。

目前国内搭载座舱域控芯片主要仍为德州仪器的Jacinto6和NXP的i.mx6等上一代产品。高通SA8155是目前经典的智能座舱平台，威马W6、吉利星越L、小鹏P5等均已搭载，据称，其在电动车智能座舱中占80%以上份额。21年11月，高通宣布其第四代骁龙汽车智能座舱平台SA8295已经出样，CPU、GPU等比SA8155提升50%以上。

（2）智能座舱操作系统内核：目前国际上还没有统一的智能座舱OS标准，主要包括QNX、Linux及由基于Linux内核开发的Android等，底层OS格局相对稳定。主机厂和Tier1供应商通常在上述OS的基础上开发定制化界面，包括系统内核修改。只有通过自主开发OS，软硬件的可解耦性才更清晰，更利于主导进行OTA升级、功能应用场景的新增和扩展、人机交互策略的更新，深度参与应用软件的部署和开发、保证数据资产的所有权，所以主机厂必须牢牢抓住。座舱应用生态若要实现不断升级、常用常新，对座舱OS应用接口的一致性和稳定性提出严格要求，未来API接口将统一化、标准化，但目前车厂各家软硬件差异大，车机软硬件平台的非一致性，让整个汽车生态服务没法形成合力共建类似于智能手机的应用市场，智能座舱无法聚合全家桶的生态服务。其对实时性与可靠性要求并不严苛，但需支持更多样化的应用与服务，并具有丰富的生态资源。

QNX主要用于对安全性和稳定性要求更高的仪表盘，21年座舱操作系统市占率达43%，在车用仪表占有率超70%。

Linux免费的开源系统，定制开发灵活、成本较低，主要应用于信息娱乐系统，21年市占率35%（含Android）。Android系统最大优势在于庞大的手机群体，为其OS 开发了极其丰富的应用，可以迅速移植，在汽车上快速建立起软件生态。由于国内Android应用生态广泛，国内自主品牌和新势力大多基于Android定制汽车操作系统，如比亚迪DiLink、奇瑞GKUI、蔚来NIOOS、小鹏XmartOS等。但作为汽车OS，Android的稳定性和安全性较差，且Android手机应用在交互逻辑和触控体验与汽车操控不相适应。基于政治风险和专利保护，国内主机厂免费使用Android存在不确定性，给国产底层OS带来拓展机会，如AliOS和Harmony OS。

OS和Hypervisor（主流为QNX和Greenhills）的格局相对稳固，但随主机厂软件能力的提升，将在第三方的协助下进行OS定制化开发，同时也将深度介入核心应用算法层的开发；BSP（板级支持包）开发仍然是传统Tier-1基本盘，通常由座舱域控供应商完成，与硬件封装在一起；应用层开发工作一般主机厂承担；各个应用程序SDK则主要由互联网/科技公司提供。

资料来源：车市物语

07 决策智能——高阶自动驾驶

高阶自动驾驶是新能源汽车智能化的最重要战场，如同新能源车对于燃油汽车的打击关键在于用车成本的大幅降低，无人化最大的驱动因素是出行成本的大幅降低。成本和效率是交通领域的永恒话题，正是Robotaxi描绘的美好图景——汽车利用率大幅上升，规模越大成本越低，吸引着众多巨头与创业公司纷纷入局。

恰巧中美在高阶自动驾驶领域代表了不同的体制对于共同目标的不同选择，美国特斯拉之于Waymo的成功恰巧是强调个体的渐进式单车智能的胜利，Google尽管坐拥庞大的地图资源，强悍的算法和硬件能力，但是在美国的土壤上并没有取得预计上的成功。而中国选择了一条截然不同的道路，正如中国人对于举国体制优势的痴迷也符合中国基建狂魔的一贯调性。不管是全国的道路改造，统一的技术规范，路端网络全国联通，对于世界上的任何其他国家都是绝无可能的超大难题。

与特斯拉全球的畅销，FSD的功能几乎已经实现了高阶自动驾驶相比，中国的车路协同路线发展的并不足够顺利，重资产投入，难以商业化等问题使得目前的车路协同仍然局限在部分自动驾驶示范区，全国范围的推广仍然遥遥无期。如果从马斯克推崇的第一性原理出发，高阶自动驾驶的本质是什么？我们认为是将人类从繁琐的日常劳动中解放出来，即解放生产力。解放生产力是为了提高人民的物质和文化生活水平,不断满足人民日益增长的物质生活和精神生活的需要。改革则是对旧有的生产关系、上层建筑作局部或根本性的调整变动。我们提取出以下关键词，改革、旧的生产关系、上层建筑。再回到高阶自动驾驶的话题，我们不难发现，改革是技术创新，算法和数据的积累，上层建筑则是交通法规、道德规范，生产关系则是车辆的所有权问题。

举个极端例子，如果交通法规发生变化，假设两条路线同样实现了高阶自动驾驶，谁能更快的适应新的交通法规？无疑是车路协同路线。所以两者的目标并不完全一致，从技术角度来看，特斯拉路线背后是深度学习和神经网络的广泛应用，难度更大解释性弱，能否实现最终的目标未知，99分到100分可能需要花费数年数十年的时间。车路协同的背后是规则，即车端50分+路端50分，显然50分比99人更容易实现，双向奔赴的效率更高，而汽车永远需要跑在道路上。我们认为美国的高阶自动驾驶已经到达瓶颈阶段，而中国才正蓄势待发，车路协同商业化完成闭环后，整体产业将迎来高速增长。

（一）以BEV为基础的视觉方向将迎来最大的发展契机

1.特斯拉将BEV带入大众视野

特斯拉通过不同的汽车采集到的数据共同构建一个通用的感知网络架构，然而不同汽车由于摄像头安装外参的差异，可能导致采集的数据存在微小偏差，为此特斯拉在感知框架中加入了一层“虚拟标准相机”，引入摄像头标定外参将每辆车采集到的图像数据通过去畸变、旋转等方式处理后，统一映射到同一套虚拟标准摄像头坐标中，从而实现各摄像头原始数据的“校准（Rectify）”，消除外参误差，确保数据一致性。

BEV layer：

由于基于视觉的算法缺乏3D信息，当把平面映射到三维自主坐标上的时候难免出现偏差，这也是很多公司选择毫米波雷达或者激光雷达辅助提供深度信息，如果忽略自主坐标系的高度信息，即为BEV（鸟瞰图）坐标。

之前视觉方案更多是通过地平面作为参考通过算法获得深度信息，然后进行多摄像头的拼接和BEV的转换。2020年下半年版本的FSD Beta中，特斯拉使用了直接通过神经网络实现图像到BEV的变换，即将输入的2D图像空间的特征图层转换到BEV自车坐标下的特征图层的过程。（Fully Connected& Cross attention)

资料来源：特斯拉

BEV网络的优势不仅在于可以使用感知输出到一个3D向量空间，直接进行决策规划，BEV的方法还是一个非常有效的多相机融合框架，通过BEV的方案，原本很难进行正确关联的跨多个相机的近处的大目标的尺寸估计和追踪都变得更加准确、稳定，同时这种方案也使得算法对于某一个或几个相机短时间的遮挡、丢失有了更强的鲁棒性。

2.BEV在学术上探索

BEV的实现方式可以分为从3D到2D以及从2D到3D两大类，思路又包括Psuedo-Lidar track、center-point track、Depth penertration、和直接做BEV视角变换的几大类。自2021年以来，以BEV为核心的视觉路线一直是学术界非常活跃的方向，从2021年7月清华和MIT提出的HDMapNet到鉴智机器人在12月提出的BEVDet，到22年3月达摩院和MIT提出的BEVFusion。BEV的多模态融合技术将感知算法的发展推向新的高度，边缘部署将变得更加简单，意味着更低的算力的情况下能实现同等的精度，对于辅助驾驶/高阶自动驾驶的商业落地均有重大的价值。

资料来源：鉴智机器人

（二）Occupancy Network

2022年特斯拉AI Day上提出了新的概念，即Occupancy Network。借鉴了机器人领域常用的思想，基于occupancy grid mapping，是一种简单形式的在线3d重建。将世界划分为一系列网格单元，然后定义哪个单元被占用，哪个单元是空闲的。通过预测3d空间中的占据概率来获得一种简单的3维空间表示。occupancy network是对于BEV的优化，由于BEV视角下高度信息的匮乏，可能会导致可行驶区域的检测遇到一些挑战。例如对于一些神经网络数据集中没有出现过的对象反馈并不好，对于悬挂的障碍物难以感知，无法看穿障碍物等等。

为了解决以上问题，特斯拉将世界拆分为微小的立方体，预测每个立方体是否有被占用，这与以往对每个物体赋予一个矩形的方式完全不同。对于未曾在数据集标注过的物体能进行更好的处理，尤其是对于地平线深度不一致、物体形状固定、静态和移动物体、遮挡和本体裂缝等问题能够有更好的效果，同时对于内存的占用更少。另外NeRF（神经辐射场）的应用也是特斯拉探索的一个方向，通过将Occupancy产生的模型与Nerf离线训练得到的模型进行比较，从而能够预测3D场景是否与“地图”匹配（NeRF产生3D重建）。

（三）时空序列

单纯依靠HydraNet和BEV仍会因为只是用了单一时刻的多张图像作为感知输入而存在连续信息丢失的问题。人对于速度，对于空间的感知很多来自时间维度，同样FSD也需要具备处理连续的时空序列数据的能力，才能正确处理如城市环境下常见的闪烁的交通灯，分辨参与交通的临时停车和路边的静止车辆，预测周围物体与自车的相对速度，根据历史信息预测参与交通的物体可能的运行轨迹，解决段时间遮挡问题，记忆刚刚开过的速度标识，车道行驶方向等等。换句话说，FSD需要被赋予短期记忆。

如果车子行驶到红绿灯路口停止，车子在到达路口前观察到了各车道允许行驶方向的箭头，然而如果单纯依靠时间队列，那么当红灯非常长的时候，前面时刻观察到的车道方向终究会被遗忘，但如果引入空间队列，那么由于红灯下车子没动，无论在红绿灯路口停止多久，空间队列仍能保留对前面观察到的车道行驶方向的记忆。

（四）规划与决策

规划与决策指的是路径规划与行为决策两个部分：路径规划指具体的运动轨迹设计；行为决策主要指抽象的驾驶决策，例如是否跟车、换道、刹车。

决策主要包含两个方面，一个是车辆自己的形式决策，另一个是对于其它行驶车辆的行为的预测。

对交通参与方的预测：对于交通参与方的预测可以通过多种算法来实现，构建一套运动模型的方式。比较常用的解法是通过高斯噪声来代表交通参与者运动的不确定性，因为大部分参与方的行为一定是服从正态分布的，所以整个模型构建可以看作是一个高斯过程。对于交通参与方的行为和意图的预测，可以看作是一个动态的时序过程，可以用深度学习LSTM这样的循环神经网络解决相应的问题。

车辆自身行为的决策：

每次行为的整体决策链路非常长，而且每一步决策相互影响，所以这种自动驾驶车辆行为决策的功能可以看成是一系列概率的加成，可以看成是马尔科夫决策过程。

规划和决策最大的挑战之一是很难找到一个全局连续最优的方案，因为本身行为空间是一个Non-convex(非凸性）问题，局部最小值很难解决。其次汽车需要对10-15s之后做出预测和规划，因此会产生大量的参数，是一个高维问题。

基于（离散）搜索的方法能够比较好的解决非凸性问题，但是对于高维问题难以解决，不包含梯度信息，因为必须搜索完所有点才知道哪些是最优的；

连续（数值）优化基于梯度能够很快的找到最合适的方案，但是很容易出现局部最小值。

特斯拉的解决方案可以概括如下：仅有唯一解的问题，可直接生成明确的规控方案，而对于有多个可选方案的复杂问题，使用向量空间和感知网络提取的中间层特征训练神经网络规划器，得到轨迹分布，再融入成本函数、人工干预数据或其他仿真模拟数据，获得最优的规控方案，最终生成汽车转向、加速、刹车等控制指令，由汽车执行模块接受控制指令实现汽车自动驾驶。

目前规划与决策主要是通过sequential planning、behavior-awareplanning、以及end-to-end planning三种方法。sequential planning属于最传统的方法，感知、决策与控制三个部分层次分明，behavior-aware planning引入了诸如人机共驾、车路协同以及车辆对外部动态环境的风险预估等等，end-to-endplanning基于DL、DRL技术，借助大量的数据做训练，获得从图像等感知信息到方向盘转角等车辆控制输入的关系。

（五）高阶自动驾驶的核心影响因素

人类对于自动驾驶的探索早在八九十年代便开始，发展历程依据自动驾驶数据流的顺序，从从传感器到定位到感知再到决策规划、控制。早期研究传感器，07年开始研究定位和比较初级的感知SLAM技术，09年Waymo成立，10年后感知在深度学习计算机视觉的应用已经基本初具框架，14-16年深度学习在感知上应用的提升让人类看到自动驾驶的曙光。

从技术层面看现阶段控制相关的技术也已比较成熟，下游的主要问题围绕预测、决策、规划展开。决策的定义目前也都有很多争论，像是交通法规有比较灰色的地方，代码转化为人的思维方式等仍在探索的阶段，预测可以说是自动驾驶学术界最活跃的领域。

预测和决策的规划，各个自动驾驶厂的框架都不太一样。无论是偏搜索、偏数值优化，或端到端机器学习（主要是美国厂商）、或是强化学习，目前没有任何一个方法能确定是未来的方向。

随着特斯拉FSD在自动驾驶的诸多创新型的成果，渐进式的高阶自动驾驶成为市场热门的方向；封闭场景自动驾驶落地也催生其余车厂纷纷入场，小鹏、蔚来、集度等均推出了高阶自动驾驶方案。我们认为短期来看高阶自动驾驶兼具量产能力是竞争的关键，对于长坡厚雪的自动驾驶赛道而言，融资能力和自我造血能力同样重要，高阶自动驾驶技术角度尚未达到数据与技术完美闭环的阶段，在很长一段时间内人类依旧需要在降低资源消耗和Conner Case上不断积累。