圖片來源@視覺中國
文｜光錐智能，作者｜尹漢、司馬潔
2022年中國新能源汽車滲透率首次超過30%，随着新能源汽車進入下半場，體感上我們也見證了自主品牌最近幾年的高速發展，競争愈發激烈的情況下，更多更好成本更低的智能化配置從未像現在一般在消費者面前湧現。不管是智能化的中控大屏、ARHUD、主動安全系統、還是ADAS、激光雷達等配置，以往隻在高端車型上的選配正在持續降維落地，缺芯背景下國産替代迎來最佳的發展機遇，也勢必打破國際T1對于我國汽車供應鍊的壟斷格局。
今年我們不是第一次談論智能汽車，也不會是最後一次，不同的是我們以往更多的是從産業鍊的角度來解讀汽車這個高端制造行業，這次我們試圖從AI的角度重新理解智能汽車的變革邏輯，即在第四次科技革命的開端，AI+機器人的大背景下，汽車行業又在發生如何的改變？
01 智能汽車的定義及分類
我們參考人工智能的分支可以将智能汽車也分為以感知/計算機視覺為主的認知智能、以自然語言識别為主的交互智能、以神經網絡/深度學習為主的決策智能。分别對應的也是智能汽車的三條主線，即ADAS、智能座艙與高階智能駕駛。
資料來源：勢乘資本公開資料整理
回到智能汽車的定義上來說，智能汽車是搭載先進傳感系統、決策系統、執行系統，運用信息通信、互聯網、大數據、雲計算、人工智能等新技術，具有部分或完全自動駕駛功能，由單純交通運輸工具逐步向智能移動空間轉變的新一代汽車，按照大類來分我們又可以分為智艙和智駕。按照這個邏輯我們來初步測算一下智能汽車的滲透率，智艙因為範圍比較難以界定，所以我們選擇智駕作為參照點。根據汽車之家數據，可推測出整體智能汽車滲透率在40%上下。
數據來源：汽車之家
02 智能汽車的整體市場
22年新能源汽車一二線城市銷售占比接近70%，依舊是新能源汽車最大市場，其中9月上海以46108輛上險數遙遙領先第二名深圳（24000輛上險）。10月上海依舊居首，但環比下降32%，排名第二的城市深圳環比下降22%。我們認為智能汽車的主戰場依舊集中在一線及新一線城市，結合22年新能源汽車銷量600萬輛，單車智能化功能占單車價值比約為20%，則智能汽車市場規模可達2500億以上。
數據來源：電車人
03 電子電氣架構變遷，軟件定義汽車趨勢顯著
汽車的智能化的大方向已經成為了産業共識和市場共識，然而什麼叫智能化卻沒有一個明确的定義。有觀點認為智能化的關鍵在于智能汽車的軟件"可叠代、可演進"，即汽車将主要通過軟件實現更多的特性和功能，從高度機電一體化的機械終端轉變為以軟件為中心的移動電子設備轉型，同時汽車軟件可實現的功能範圍更豐富多樣。從另外一個角度也可以理解為用芯片替代保險絲和繼電器。
該趨勢在以下方面有顯著體現：
1.單車軟件代碼行數呈指數增長，目前高端車型代碼數已超1億行，未來幾年将超3億行。
2.單車價值軟件占比增加。據麥肯錫預計，有望在2030年達到30%。
3.汽車軟件市場呈高速增長。目前國内汽車軟件産業增長以應用型軟件為主，主要為智能駕駛增長迅速，智能座艙軟件已具規模、增長相對平穩，車聯網處于相對起步階段。
（一）計算集中化，EE架構由分布式向集中式升級
主要因以下需求倒逼EE架構走向集中化：
1.傳統ECU架構的算力水平無法滿足爆炸式的數據處理需求和更高的運算速度，此外還涉及複雜的邏輯運算和非結構數據處理場景，同時ECU各控制模塊間的算力資源也無法共享；
2.傳感器數量大幅增加且需要融合，對車載通訊帶寬和時延的需求提高，DCU的以太網通訊可允許每秒千兆比特的傳輸；
3.線束革命需要，減少線束、無線化可提高生産效率，同時降低線束和布線成。
以上才能使智能駕駛和智能座艙成為可能。博世将電子電氣架構的發展分為六階段：
資料來源：博世
當前不同車企/Tier1根據自身的規劃，對域劃分個數不盡相同，如博世分為5個域（動力域、底盤域、座艙域、自動駕駛域、車身域）；大衆MEB平台車型和華為分為3個域（自動駕駛域、智能座艙域、車身控制域[大衆]/整車控制域[華為]）；特斯拉分為3個域（前車身控制域、左車身控制域、右車身控制域）。
EE架構主要由傳感器、控制器、執行器等組成，傳感器獲得汽車行駛的狀态信息，傳輸到控制器，由控制器算法發出執行指令，由執行器完成具體操作。其集中化升級包括硬件、軟件、通信架構三大方面的升級。
硬件不再是單一功能芯片，需要有更強大的計算平台。此外，硬件需要可擴展、可更換，傳感器即插即用。
軟件不再是基于某一固定硬件開發，需要可移植、可叠代和可拓展，做到跨車型、跨軟件，跨車企的軟件重用。
通信技術從傳統的CAN、LIN、Flexray等走向車載以太網技術，具備高帶寬（100Mb/s）、通信協議成熟、高延展性、易平台化等特點，僅需要一對雙絞線進行傳輸，降低連接成本的同時也達到減重的目的。
（二）SOA軟件架構分層化、模塊化，軟硬件解耦化
軟件架構分層化、模塊化，軟件獨立為核心零部件産品，使得軟硬件可解耦，實現并行開發，并可實現從面向信号的架構走向SOA（面向服務的體系結構，service-oriented architecture，其本質是根據軟件需求組合調配硬件功能）。SOA軟件架構下的底層軟件主要包括系統内核OS（含RTOS）、硬件抽象層（BSP及Hypervisor）及中間件層。
車載操作系統是唯一可驅動硬件工作的部分，内核主要有Linux家族(包括Android)、RTOS家族(包括QNXVxworks)等。
智能座艙域中，IVI注重消費者體驗和應用生态豐富性，以Android系統為主；儀表盤因高安全性要求以QNX為主；自動駕駛系統因更高實時性及功能安全要求，以RTOS為主，主流RTOS有三種RT-Linux、QNX、VxWorks。随着域集中及域融合的趨勢，智能座艙OS重開放、兼容和生态，與自動駕駛OS重安全、實時和穩定，以上兩者将是對OS的核心訴求。
同時主機廠開始探索内核程序的替代，可不再依賴外部軟件服務方，無需開放核心數據，自行完成整車OTA。而操作系統的成功與否，關鍵在于生态系統，需要搭建起完整産業鍊上的軟件開發者、芯片企業、終端企業、運營商等各個主體的共生生态。
此外引入虛拟化技術、中間件技術等，使得底層軟件具備接口标準化、相互獨立、松耦合三大特點，因此應用層功能夠在不同車型、硬件平台、操作系統上複用，并可以通過标準化接口對應用功能進行快速升級。
虛拟化技術實現了底層物理硬件的隐藏，可實現多個操作系統共享硬件，QNX是當前主流。中間件技術是對底層軟件模塊的封裝和接口标準化，是系統軟件和應用軟件之間連接，呈現标準統一化趨勢。車廠常依賴于第三方供應商提供中間件，最著名的是AUTOSAR的RTE。但AUTOSAR的開發工具鍊及基礎軟件被幾家國外零部件企業所壟斷，因此國内企業也開始自己研發，如華為智能駕駛域控制器MDC。
（三）軟件和服務成為主機廠實現差異化的核心能力
汽車運營商業化：汽車産業逐步從"純硬件銷售"轉變為"軟硬件持續升級和訂閱"的商業模式。軟件和服務能力帶來更多差異化體驗，成為主機廠未來競争核心。
OTA保障全生命周期的服務升級："軟件定義汽車"要求主機廠必須縮短産品上市周期、産品基于消費者需求、支持不斷的叠代、對市場需求迅速反饋等。雖當前主要為SOTA，但未來FOTA的趨勢确定。
産業格局發生變化：由于汽車軟件開發難度提升，傳統OEM和Tier1的研發能力難以滿足需求，汽車軟件産業鍊被重塑。汽車産業鍊逐漸從主機廠、Tier1、Tier2的線性關系演變為主機廠、供應商以及互聯網企業均參與進來，從汽車的全生命周期覆蓋整個産業的網狀關系，具有軟件研發優勢的互聯網和ICT企業入局；部分車企向上遊軟件環節布局，下遊向應用服務延伸；互聯網類企業憑借與消費者的深度關聯擴展汽車軟件後續應用服務價值。
04 線控底盤國産替代迫切，智駕催生行業發展
電動智能變革驅動汽車底盤線控化升級。傳統燃油車的底盤系統由驅動、傳動、轉向、制動四部分組成，機械、液壓零部件繁多，結構複雜，無法滿足高階自動駕駛對車輛操控性和主動安全的需求；通過線束傳輸信号+電機直接驅動能實現對執行機構高效、精準的控制，底盤子系統的電動智能升級驅動線控驅動、線控懸架、線控轉向、線控制動等線控系統的成長。伴随整車電子電氣架構的集成化升級，對于底盤系統集成化的要求越來越高，底盤域控制器将作為整車"小腦"，進行多執行系統的協同控制，底盤也将由子系統線控化向整個底盤全線控進化，線控底盤系統标準化、模塊化，底盤運算控制集成化、協同化将成為重要發展趨勢。
線控底盤域控架構，資料來源：中金公司
線控底盤由線控轉向、線控制動、線控換擋、線控油門以及線控懸挂五大系統組成，和傳統底盤的最大差異是通過線（電信号）取代了傳統的機械、液壓、氣動等結構從而實現更精密的控制，其中線控制動及線控轉向是兩大關鍵産品。對于高級别自動駕駛而言，底盤執行機構對系統響應和精度有着更高的要求，因此線控底盤是實現高級别自動駕駛的必備條件。功能安全冗餘技術和橫縱協調控制是最主要的兩個技術難點，目前核心技術依舊被歐美日等一線T1掌控。
線控底盤技術發展曆史，資料來源：中金公司
線控底盤系統研究框架，資料來源：中金公司
（一）線控底盤的驅動因素
1.高階自動駕駛：高階自動駕駛要求實現主動動力輸出和控制能力，線控底盤取消機械、液壓、氣壓等輔助裝置，采用電信号傳遞信息完成制動、轉向燈執行動作，能夠1）通過傳感器感知駕駛意圖及行車狀況，實現對整車動力輸出的主動控制；2）具備響應速度快和控制精度高的特點，能夠滿足自動駕駛對實時響應的需要，安全性更高。
2.電子電氣架構升級：集成式電子電氣架構加速線控底盤技術應用。分布式架構下，制動、轉向、驅動為獨立子系統，由單獨的ECU分别控制，由于底盤運動執行信号來自駕駛員，各子系統協同需求較低，EPS、ABS、ESP、線控驅動等子系統在分布式EEA架構下可獨立應用。随着整車智能化程度的提升，分布式架構存在各子系統難協同、網絡結構複雜、軟硬件耦合關系強、無法統一OTA升級等問題。線控底盤融合各子系統及底盤域控，能有效解決上述問題，實現底盤運動控制運算的集成化、協同化，有望受益電子電氣架構升級實現加速落地。
3.集成化造車：遠期來看，集成化造車要求上下解耦，線控底盤技術是必要技術。展望未來，滑闆底盤是集成化造車的集大成者，使得整車制造實現上下裝結構獨立、分體開發，從而有效縮短研發周期、降低造車門檻，有望成為汽車底盤的終極形态。從結構上看，滑闆底盤集成底盤所有子模塊，是獨立于上車體的模塊化産品，需要實現機電一體化和控制集中化。滑闆底盤上下解耦的核心需求要求在執行層面做到自主動力輸出，有望作為終極指引，推動線控技術的開發和應用。
綜上所述，快速響應、精确控制、主動控制、安全性高、輕量化、低能耗、電動化、滿足個性化需求、易于整車智能化升級等是線控底盤的主要優勢。
（二）線控制動
線控制動目前在新能源汽車的滲透率并不高，據佐思氣研統計2020年中國線控制動裝配率為1.6%，2021年有望突破2.5%。線控制動市面上主要有EHB（電子液壓制動）與EMB（電子機械制動）兩大類産品。相較于傳統全液壓制動系統而言，線控制動可以将響應時間由300-500毫秒降低至150毫秒（ibooster）甚至90毫秒（布雷博）的同時也不會存在行車電腦和油壓線路控制脫節等問題，因此線控制動的主要優點在于響應時間短、控制精度高以及主動控制能力。
ABS/ESC與EHB、EMB制動過程，資料來源：中金公司
EHB電子液壓制動（單價約2500元左右）通過包含了電機、泵、蓄電池等等部件的綜合制動模塊來取代傳統制動器中的壓力調節器和ABS模塊等，産生并儲存制動壓力，可分别對4個輪胎的制動力矩進行單獨調節，EHB中由電機取代真空助力器，直接推動主缸活塞實現制動，既解決新能源汽車中真空助力的問題，又提高了制動響應速度，是近三年的主流方案。中國市場90%大部分線控制動系統為以博世的iBooster與IPB系列為代表的EHB産品，包括特斯拉（Model3、ModelY），蔚來(EC6、ES6、ES8）、理想、小鵬、威馬等大部分主機廠，也有部分選擇聯創電子的C-booster系列。
EMB抛棄了傳統制動系統的制動液及液壓管路等部件而通過電機驅動制動器産生制動力達到同樣的效果，具備維保簡單、響應時間短等優點，完全電子化能夠與其他電控系統有效的整合，能夠發揮更多的功能；目前市面上沒有完全成熟的方案，Brembo、萬都、瀚德、長城等國内外廠商在這個領域積極的探索，預計2023年能夠實現量産。
技術難點：
目前技術難點在于無限次的電機閉合，閉合出現失效或者斷檔就會導緻刹車距離變長，國家标準要求刹車次數需要達到100萬次在各種工況下的運行，即車輛運行15-20年的時間；國内尚無廠家能夠實現，世界上僅有博世和ABB的産品能滿足标準。
核心原因是目前國内的解碼器的靈敏度、穩定性、使用壽命和國外廠商仍有很大差距，失效率高于國外産品10%以上。
永磁體退磁溫度需要達到180度，目前電機溫度能控制在120度，不過也擔心溫度通過軸承傳導。
集成化趨勢：
One Box方案（AEB自動刹車系統/ESP和電子助力器集成）由于其更高的能量回收效率、集成度高、體積小、重量輕、成本低等優勢相比冗餘的ESP車身穩定系統和電子助力器相互獨立的two-box方案有望成為未來的主流，但是技術上可能存在一定安全隐患，例如踏闆解耦後，需要通過傳感器感受踏闆力度帶動電機推動活塞，軟件調教難度大。
目前市面上的産品距離支撐高級别的自動駕駛仍然有不少距離，除博世One Box方案（集成ibooster與EPS電子制動并加上RBU回饋式制動單元互為冗餘）以及大陸的MK C1（與MK100 HBE電子制動互為冗餘）宣稱支持L4級别自動駕駛以外，其他供應商在支持L2級别自動駕駛的水平左右，市面上成熟方案依舊非常稀缺，國内諸如同馭、格陸博、英創彙智等創業公司也在探索的途中，我們整體預計國産化方案将于2023年小批量上車，24年開始逐步量産。
（三）線控轉向
線控轉向從最早的無助力，到後來機械液壓助力（HPS）、電動液壓助力（EHPS），再到如今廣泛普及的電動助力（EPS），轉向都依賴于駕駛者的力量，一旦轉向柱與轉向機分離，司機轉動方向盤的力無法傳遞到轉向機，從而可能引發交通事故；同時機械機構的轉向比也相對較低。線控轉向的目的是為了使得方向盤控制更加自由、車輛轉向指令設計更加自由、駕駛體驗的反饋更加自由。
線控轉向的優勢主要在于快響應速度及高靈活性，并且可根據路況通過調節實現更高的轉向比（豐田OMG 150度+）具備更好的操控和穩定性。目前線控轉向主要分為機械冗餘式線控轉向（DAS）與電控系統備份冗餘式轉向（SBW）兩大類，除上文提到的優點外，線控轉向同時也為智能座艙節省了更大的空間，使其具備實現多樣化功能和生态的基礎；目前單價約為1500元左右。
機械冗餘式線控轉向（DAS），即線控系統出現故障的時候駕駛員可以自行接管通過機械結構保障駕駛安全；最早應用在宇宙飛船中，民用後由英菲尼迪Q50第一次搭載。
電控系統備份冗餘式轉向（SBW），即通過多個電機實現控制冗餘度，通過傳感器完全取代了方向盤與轉向機之間的機械結構，除響應速度快、靈活性高之外，同時也節約了車輛的空間。
可靠性與高成本是當前落地的主要障礙，高階智駕驅動下有望實現規模應用。線控轉向硬件結構與R-EPS相似，主要區别在于軟件算法複雜度大幅提升。目前，路感模拟、主動轉向控制等核心技術尚不成熟+冗餘備份帶來額外硬件成本，阻礙線控轉向落地。
目前僅英菲尼迪（DAS）、豐田（One motion grip）等少數主機廠在線控轉向技術上率先嘗試，其他布局幾乎為外資企業諸如博世、Kayaba、采埃孚、JTEKT等，國内廠商中長城汽車通過旗下長城精工率先布局，其他供應商還包括耐世特、聯創電子、拓普集團等。21年底集度、蔚來、吉利正式成為線控轉向技術發展和标準化研究聯合牽頭單位，将牽頭線控轉向相關國家标準的制定。目前集度已初步鎖定設計方案，2022年初将進行樣件測試，下半年即可開放集度線控轉向相關體驗硬件平台。
線控轉向驅動因素：
智能駕駛驅動：EPS等動力助力轉向系統的轉向信号來自于駕駛員，需要借助機械傳導實現助力，無法支持L3+以上自動駕駛；線控轉向由ECU接受方向盤轉矩信号，綜合車輛速度、加速度等路況信息進行分析并控制電動機産生轉向動力，信号來源為軟件算法，能夠實現轉向執行動作與駕駛員操作的解耦，滿足高階自動駕駛的需求，是實現自動駕駛的必需部件。
政策障礙掃除：2022年1月1日，中國轉向标準GB 17675-2021正式實施，新政解除過去政策對轉向系統方向盤和車輪物理解耦的限制，中汽研标準所與集度、蔚來、吉利等OEM将共同推動制定中國線控轉向的行業标準制定，為線控轉向落地掃除政策障礙。
（四）滑闆底盤
2002年通用汽車在北美車展上的氫燃料汽車AUTOnomy上第一次使用了滑闆底盤的概念，到2021年滑闆底盤公司Rivian上市，同年國内廠商悠跑科技也發布了悠跑UP超級底盤，滑闆底盤成為2022年的熱門話題。歸根結底，滑闆底盤類似高度集成的平台化概念，即将轉向、制動、三電、懸架等系統通過模塊化的方式集成在底盤上，從而可以根據不同的車型進行模塊化上下車體解耦的開發，縮短開發周期，低速商用車是當下最合适的落地場景。
滑闆底盤從形态上和傳統燃油車中使用的非承載式車身（即通過彈性元件連接大梁式結構的底盤，多應用于SUV上）有一定的相似點，均采用上下分離的結構，底盤都具備剛性。主要區别在于滑闆底盤更低且用于新能源汽車上滿足軟硬解耦的接口。二者在理念上有非常大的趨同。
由于滑闆底盤采用上下車體獨立研發的形式，可以針對不同的場景選擇上車體的形态，從而實現零售、巡邏、消防等特種車輛。另外滑闆底盤也給部分研發能力有限的主機廠提供了更集成的選擇，使其能夠專注上車體的研發和交互上，通過通用接口連接縮短了開發周期。
由于滑闆底盤類似集成平台，國外玩家主要包括Rivian、REE、ARRIVAL、CANOO等，國内核心玩家主要包括傳統T1、具備自有場景公司（于萬智駕等）、初創企業（PIX Moving、易咖智車、悠跑科技）等。掌控核心技術例如線控轉向、線控制動、CTC電池（将電池布局在底盤上）輪毂電機等是重要的競争要素。
目前行業對于滑闆底盤仍舊存在一定的争議，在乘用車上落地依舊為時尚早。一方面滑闆底盤存在一定的設計邊界，為了安全性能可能失去部分的标準化優勢；另一方面底盤作為主機廠的核心技術，供應鍊壁壘很難打破，現有的優勢不足以使得車廠大規模采用；其次特斯拉的零件通用化率已達70%，并沒有采用上下分體的滑闆底盤也實現了高度的标準化，因此滑闆底盤的趨勢仍舊有待驗證。
05 認知智能——智能駕駛的關鍵在于更好的感知和執行
（一）感知層雷達與視覺融合趨勢明顯
智能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、交通标志、信号燈等，利用四大硬件傳感器。從傳感器的形态和功能維度來看，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級别輔助駕駛的智能電動車；
第四階段：在上述基礎上加入激光雷達，實現包含城市等更高級别的自動駕駛。
車身感知，如車輛位置、行駛速度、姿态方位等，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信以此來獲得道路信息行人信息等，主要利用路側設備、車載終端以及V2X雲平台。
目前對哪種傳感器最适合自動駕駛還沒統一标準看法，主流自動駕駛技術路徑分兩種：
以特斯拉為代表的視覺算法：以攝像頭主導、可搭配毫米波雷達，不使用激光雷達、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）。其通過海量數據和龐大的計算能力去訓練自動駕駛的神經網絡：1.因其在自動駕駛上有先發優勢，已售出百萬台車，因此可依賴海量行車數據進行模型訓練。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，數據吞吐率為每秒1.6TB，存儲容量為10PB。整體上，該種路徑單車成本相對低但所需算法要求高，該路徑相對小衆。
以Waymo、百度Apollo等為代表的激光雷達主導的流派。硬件成本高但可進行遠距離、全方位的探測。激光雷達的應用是打破特斯拉先發優勢的利器。
激光雷達
激光雷達其本質是一種電磁波，波長在千納米級，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），可精确（厘米級）還原三維特征，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幹擾性，是L3及以上自動駕駛的必備組件。劣勢是比較貴，在惡劣天氣會罷工。
主要包括激光發射（光源）、掃描（光束操縱）、接收（光電探測）和信息處理（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。
從激光波長看，目前最主流的是905nm（70%占比），但Luminar等公司選用的是1550nm。
905nm激光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波段内激光都可以穿過玻璃體、不會被晶狀體和角膜吸收，聚焦在視網膜上，因此905nm激光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内，因此其探測距離受到限制。
1550nm激光會被人眼晶狀體和角膜吸收，不會對視網膜産生傷害、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将有效探測距離保持在200米以上。但1550nm激光雷達需要用到更昂貴的铟镓砷（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→半固态→固态的方向發展。混合固态作為當前過渡期主流，純固态将會是激光雷達終極形态，芯片化架構是未來激光雷達發展方向。芯片化架構的激光雷達可将數百個分立器件集成于一顆芯片，降低物料成本和人力生産成本，同時器件數量減少也顯著降低了因單一器件失效而導緻系統失效的概率，提升了可靠性。
（1）機械式：通過不斷旋轉發射頭，将激光從"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、生産周期長，BOM成本較高難以達車規量産要求，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）混合固态：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：集成度高、尺寸小、批量生産成本低、分辨率高、采集速度快。劣勢：微振鏡、懸臂梁等結構脆弱，工作壽命較短、有效探測距離短、視場角窄（小于120度），多用于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産品。
棱鏡式通過2個斜面柱狀鏡頭組合，調整棱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即為棱鏡方案。
轉鏡式是反射鏡面圍繞圓心不斷旋轉，從而實現激光的掃描。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。一維轉鏡線束與激光發生器數量一緻，而二維轉鏡可以實現等效更多的線束，在集成度和成本控制上存在優勢。
MEMS微振鏡
棱鏡式
轉鏡式
（3）純固态：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激光。優勢：體積小、結構簡單、成本低、采集信息量大、技術成熟、易過車規。劣勢：功率有限、探測距離短（50米以内）、精度不高，主要用于補盲或低速自動駕駛。
OPA相控陣技術，利用波之間的幹涉，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：易受到環境光幹擾、光信号覆蓋有限、對材料和工藝要求苛刻、上遊産業鍊不成熟、量産難度高、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、基于相幹探測的調頻連續波（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，但随FMCW整機和上遊成熟，兩者未來将并存。
目前國内車型搭載的激光雷達，掃描方式基本都采用轉鏡方案，激光發射器采用905nm和1550nm都有。典型車型搭載情況如下：
國産激光雷達上車情況，數據來源：感知芯視界、國家智能傳感器創新中心傳感器産品資料庫平台
激光雷達主流産品參數，數據來源：公開信息整理
技術路徑叠代帶來的成本下降是推動激光雷達上車的重要因素。整體車載激光雷達的應用會呈"成本降低、性能提升（視場角和分辨率、信噪比、雨雪天氣抗幹擾性、相互間防擾、可靠性）、固态化、滿足高級别自動駕駛功能安全"的方向進一步發展。
車載攝像頭
攝像頭最接近人眼成像，分辨率高、速度快、傳遞的信息豐富、成本低，是唯一可以讀取"内容"信息的傳感器。
但其需使用計算機視覺算法或深度學習進行解析、依賴數據訓練，識别率不能保證100%，可能判斷失誤。單目攝像頭無法提供3D信息、缺少深度感知能力，可能會有延遲，雙目攝像頭所提供的3D内容準确性不高。與其他傳感器不同，攝像頭屬于被動傳感器，易受夜晚、雨雪霧霾等惡劣天氣外界光不穩定的影響，且不擅長于遠距離觀察。
單目攝像頭是通過圖像匹配進行目标識别，通過目标在圖像中的大小去估算目标距離，由于成本較低且能滿足L3以下級别需求，短期内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，主要通過兩幅圖像的視差計算來确定距離，是視覺信息的三角測量結果，不依賴龐大的訓練集、精度相對較高。但雙目需要對每一個像素點都做立體匹配，存在如計算量大、系統性能要求高、立體算法匹配難度大，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，價格在幾千元人民币。
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圖像在20幀左右，每秒處理的數據量巨大），其無法像人眼一樣快速變焦，不同的焦距滿足不同的範圍。感光元件大小确定的情況下，焦距越長，視角越窄，但分辨率能大大提高。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、内置、環視等，以實現不同目标的監測。在高級别自動駕駛車輛上，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，易于普及應用。随着目前計算集中化，攝像頭有向"隻采集不計算"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等計算模塊。
毫米波雷達
毫米波雷達的抗幹擾能力強，對降雨、沙塵、煙霧等離子的穿透能力要比激光和紅外強很多，可全天候工作，可同時測速和測距，價格和體積适中。
但其測量精度差，空間分辨率有限(3°-5°)，俯仰測角/測高能力缺失，信号衰減大，容易受到建築物、人體等的阻擋，傳輸距離較短，難以成像，不能做主傳感器。
根據毫米波頻率，國内集中在24GHz和77GHz兩個頻段，更高的射頻頻率導緻更好的速度分辨率和精度。77GHz的毫米波雷達比24GHz的速度分辨率和精度提高了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。随着技術成熟及成本下降，77GHz将逐漸取代24GHz成為未來毫米波雷達的主流。
數據來源：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集成度更高、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。芯片工藝上朝着利用CMOS工藝，将MMIC、MCU、DSP等集成在一顆SoC芯片中發展。
由于目前的量産毫米波雷達都隻能稱為3D雷達或準4D雷達（4D指目标探測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，導緻雷達無法單獨作為傳感器識别前方的靜止障礙物，因為其無法區分前方的車輛（真實障礙）和橋梁/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）水平分辨率達到一度，垂直分辨率達到兩度，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、分辨率更高、可實現對靜态障礙物分類等優勢，集中在前視區域應用，達到類似低線數激光雷達效果。
4D點雲成像雷達代表産品，來源：各公司官網
2021年5月，特斯拉發布FSD Beta v9時，取消了美國車型Model 3/Y毫米波雷達，當下純視覺圖像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，國産化率高，是成熟的車載傳感器；超聲波雷達0.2-5m範圍内障礙物精度可達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。
但其屬于聲波、傳播速度340m/s、速度慢；散射角大、方向性差，在測量遠距離目标時回波信号較弱、影響測量精度，隻能看有沒障礙物，無法知道障礙物的形狀和位置；隻能用于停車等低速場景。其探測精度易受到車速、振動、溫濕度等影響，在抗幹擾、标定等方面充滿挑戰。
所以其主要作用是通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，夜間行駛安全隐患大，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，且能彌補激光雷達無法對物體進行分類的硬傷。
高德紅外官網
國内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，國内紅外夜視系統上車目前仍傾向高價位車型。随着探測器成本的下探、紅外傳感器國産化和像元尺寸變小，成本正快速下降。
中國紅外占全球市場近半壁江山，國内廠商衆多。美國FLIR市占率35%排名第一，高德紅外市占率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，隻提供位置信息（位置（經緯度）和航向角（車頭與正北方向的夾角））。測量精确，但依賴外界GPS信号，容易因信号被折射/反射或信号不好而失效。更新頻率低，大概在10Hz左右，即1秒鐘更新個10次，對于無人駕駛反應太慢。
IMU（Inertial measurement unit），即慣性測量單元，通常由陀螺儀、加速度計和算法處理單元組成，通過對加速度和旋轉角度的測量得出自體運動軌迹，提供車身姿态信息。頻率很高1KHz，但是IMU有誤差，且這種誤差會随着時間累積，所以隻能在一個很短的時間區間裡依賴IMU。不需要任何外部信号，可以被安裝在底盤等隐蔽位置，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随着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。随着E/E架構演進，計算平台算力提升，可以支持更複雜的融合算法，行泊一體将成為未來的方向。高度集成化在成本上也具有一定優勢，對于L2+向低端車型下沉有重要意義。
ADAS分布式的四大子系統，資料來源：德邦研究所
從傳感器方案角度，大多數為xVxR的方案，目前主流智能化車型多為5V5R方案，成本稍低的情況下選擇5VxR的方案。小鵬XPILOT選擇了12V5R的方案加上激光雷達後已經可基本實現L3級别功能。
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算法能力和系統能力，以盡量少的傳感器實現低成本的自動駕駛應用落地為目标。因此在L0-L2自動駕駛的場景，視覺方案有着天然的成本優勢。但是随着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年國内自主品牌中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于第一梯隊，長安、廣汽傳祺、紅旗、榮威等緊随其後。主要受到熱門車型例如比亞迪漢、領克01/03等帶動，長安由于其龐大的銷量基數未來在L2級别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于本田、别克和特斯拉等第二梯隊廠商，主要由于卡羅拉、雷淩、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年初已将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（智能網聯汽車）産業發展行動計劃》，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.未來視覺方案或将成為一定時間下量産車主流配置（不考慮未來向更高級别升級），随着傳感器技術進步，視覺+極少量傳感器可能成為行業終局。
3.L2級别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，目前國内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功能現階段有利于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企業通過降維方式切入Adas市場。通過這種方式自動駕駛企業獲取真實道路信息與測試數據，推動自身研發更叠。
決策層——自動駕駛DCU
高性能的車載計算平台是高階自動駕駛的必備，除了異構多核的硬件架構外，分布彈性可擴展、豐富的I/O接口資源、高内存帶寬、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，通過芯片+操作系統+中間件+應用算法軟件+數據構建核心技術閉環。特斯拉HW3.0的BOM大概在7500-8000左右，其中芯片約為5000元（主控SoC芯片（FSD）約占總芯片成本的61%左右），此外為車規級接插件、以太網連接器以及PCB等外圍硬件。三類玩家如系統集成商/T1、軟件平台廠商以及OEM廠商都在進行自主研發。
（1）主控SoC芯片：自動駕駛域在AI算力和功能安全要求較高，根據地平線數據披露，自動駕駛等級每增加一級，所需要的芯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别為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，目前各家發布的最新芯片平台均可以支持L3或L4級的算力需求，英偉達當前處于領先位置。英偉達單顆Orin（22年量産）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其巅峰算力将超過1000TOPS；高通骁龍Ride平台（22年量産）的巅峰算力預計在700-760TOPS；Mobileye也推出了面向高階自動駕駛的EyeQ6 Ultra（25年量産），算力達到176 TOPS，當前各家最先進的算力平台均可以支持L3或L4級的算力需求。從量産車型來看，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芯片，主控芯片中的神經網絡算法和AI處理單元全部自己完成。目前已量産芯片，特斯拉單芯片算力最強，達72TOPS。特斯拉正與博通合作研發新款HW 4.0自動駕駛芯片，預計22年第四季度量産，采用7nm工藝，算力有望達432 TOPS以上。
（2）自動駕駛操作系統内核：
自動駕駛OS内核的格局較為穩定，主要玩家為QNX（Blackberry）、Linux（開源基金會）、VxWorks（風河）。基于QNX開發中間件相對簡單，并且受QNX官方的約束比較大，而基于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上承載着油門、刹車、轉向等基本行駛功能，未來還将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及以上級别自動駕駛功能的核心。AUTOSAR僅作為标準定義了操作系統的技術規範，基于這些技術規範，各家軟件和工具服務商開發了各自的操作系統産品。當前自動駕駛OS還處于百家争鳴的階段，未來将決勝于底層OS内核和芯片的深度打磨、實現最佳體驗。
華為MDC智能駕駛計算平台搭載基于華為鴻蒙的智能駕駛OS，兼容AUTOSAR與ROS，是我國首個獲得ASIL-D認證的操作系統内核。
大衆VW.OS采用Linux、QNX、VxWorks等多個底層操作系統打造一體式平台。但各家供應商标準接口和協議各不相同，高度依賴AutoSAR實現中間件标準化，産生大量龐大繁雜的模塊、組件以支持來自不同供應商的軟件。首款搭載vw.OS的量産車型是純電動汽車ID.3。
百度Apollo是一個開源的基于QNX内核的自動駕駛平台，向汽車行業提供一個開放、完整、安全的軟件平台，幫助快速搭建一套完整的自動駕駛系統。
特斯拉Autopilot的操作系統Version主要基于Linux建立。
06 交互智能——智能座艙
當前汽車座艙迎來了高度集成化、高安全性、高度智能化和交互方式多樣化的智能時代。座艙空間将被重新定義，其不僅是多項獨立功能的實現，更多應是通過座艙内聲光電的融合，實現空間的最佳體驗。
汽車電子化為座艙智能化的實現提供了可能性，在電子化的基礎上又有幾大關鍵驅動：ECU邁向DCU（軟硬解耦、域内集中控制）；芯片算力提升；以太網通訊傳輸；AI感知和交互的應用等。
（一）座艙正處于智能時代初級階段
在智駕的不同階段，駕駛員需求取決于智能駕駛自動化程度及其能解放駕駛員注意力、雙眼、雙手和雙腳的程度。當前尚未達完全自動駕駛的階段，智能座艙并未産生颠覆性變化，座艙正處于智能時代初級階段，把握以下幾點非常關鍵：
中國消費者對于智能座艙的需求和付費意願遠高于其他國家。據IHS調研，國内消費者購車關鍵因素中，座艙智能科技水平是僅次于安全配置的第二大關鍵因素，重要程度超過動力、價格、能耗等。
因座艙功能設計上存在大量堆砌、技術門檻較低，造成座艙解決方案雷同、功能臃腫。整車廠更需根據品牌的特性設計符合自身調性的智能座艙，基于場景進行功能設計，而非僅作軟硬件堆料。當前消費者訴求主要在：語音交互體驗提升、目的地停車入口輔助、倒車輔助、座艙操控便利性和一成不變上車體驗上的改進。當前最高頻應用主要在：音樂、語音交互、地圖、中控、藍牙電話、360影像，之後才是App應用生态。
需求的前瞻性非常關鍵。整車從策劃到交付需2-3年，加上在售及保有周期約合8年（中國平均換車周期5-8年），而軟件的叠代和運維周期僅數月，因此硬件可伸縮（支持模組級可插拔式的硬件即插即用）、軟件可升級，且能率先發掘未來潛在需求便十分重要。其中技術趨勢是最關鍵的變量，需從3年/5年/10年去做技術趨勢分析和跟蹤發掘。
硬件層——智能化設備：
全液晶儀表DIC：新能源汽車的電量電壓、聯網情況、導航、預警等信息顯示需求催生了液晶儀表的出現，未來将和中控屏、HUD、副駕屏和後排娛樂屏打通融合，作為未來車内主要的信息輸出端口，HMI界面設計以保障交互效率和體驗是未來重要課題。但軟件控制的可靠性和穩定性不如機械式。
中控大屏(包括車載信息娛樂系統IVI)：集成信息、娛樂及安全等綜合性功能，車内交互方式的叠代對駕駛體驗産生質的影響。不僅有更大畫幅、更高像素的沉浸式視覺體驗訴求，還需以新科技呵護用戶的用眼護眼、防暈車需求。屏幕呈現自小到大、自單到多、自LED/LCD到OLED，自平面到曲面，自2D到3D的趨勢，但實際應結合用戶定位及場景需求。
流媒體中央後視鏡CMS：因FOV拓寬（15°-35°）和有效距離延伸，對于消除盲區非常有效，夜晚優勢更明顯。目前全球隻有日本和歐洲的法規允許使用電子後視鏡系統代替玻璃視鏡，中國目前允許安裝但不允許取代，但在國家強制性安全标準GB15084（機動車輛間接視野裝置性能和安裝要求）實施後，取代傳統外後視鏡、裝載CMS的新車型将被允許上市銷售。
擡頭顯示系統HUD：AR-HUD産品體驗當前仍不成熟，但從産品趨勢上而言确定性高，憑借沉浸式體驗、無需低頭的高安全性成為智能座艙重要賣點并自21年以來逐漸向中低端車型滲透。技術層面仍需解決：FOV更寬（标準10°×5°）和VID更遠（15m以上）、顯示質量參差、體積控制、環境識别及融合、眩暈解決等難題。
駕駛員監控系統DMS（此處僅包含主動式）：國内兩客一危的強裝要求，且已成為Euro NCAP五星安全評級的關鍵要素。當前生物傳感器的布置方案成本高，主要基于視覺攝像頭和，ToF技術和毫米波雷達也在逐步引入。當前最大挑戰是對人類駕駛員精神狀态的檢測精準度的問題，誤報率大，此外視覺傳感器受環境（如明暗光）影響較大，對算力和算法的要求較高。未來将和ADAS數據進行融合交互，為車輛提供定制化的智能服務和交互。21年1-9月中國乘用車新車滲透率1.7%，但正以數倍速高速增長。
軟件層——多模态智能交互
座艙交互邏輯不能照搬手機，座艙是個封閉狹小的空間，需要空間交互方式，而不是平面交互邏輯。此外，呈現多外設、多用戶、多并發和多模态特點。未來交互自被動向主動轉化，座艙空間變得更懂你。
語音交互可解放人眼和四肢，是未來最主要的車内交互方式，技術叠代核心在于自然語言理解、多音區識别、拾音及主動降噪、多模語音融合等。
計算機視覺為座艙主動交互提供基礎：包括人臉及頭部（Face ID、表情、唇語、眼動/視線）、手勢（動态手勢識别、隔空手勢）、肢體行為等，視覺感知呈現單幀向時序、平面向立體、單模向多模的趨勢，同時數據的合法獲取和使用涉及用戶隐私課題。
IoT設備與汽車的交互，需建立設備間極速連接通道，融合如手機和汽車的硬件資源、系統能力、服務生态，實現跨設備協同的最佳體驗。
其他交互方式還包括按鍵、旋鈕、觸控、指紋、生命體征檢測等。
多維度感知融合是未來主要叠代方向，包括車輛、環境、車上人員狀态等。
美國車載語音助手主要應用場景，資料來源：Voicebot.ai
系統層——座艙OTA
OTA可加速新品體驗/縮短研發周期、自行升級進行修複、提供靈活的叠代體驗并催生新的軟件商業模式，實現軟件定義汽車。據市監局統計，21年OTA升級351次，涉及車輛達3424萬輛，以供應商給主機廠的能力輸出為主。但大部分車型僅具備SOTA能力（類似手機app升級），具備整車OTA/FOTA的僅有特斯拉、造車新勢力的新能源車型及少數燃油車型。當前OTA實際能力有限，因為目前很多功能受限于硬件的性能，很多機械部件存在缺陷或錯誤，并不能靠OTA解決，想要軟件定義汽車對硬件要求極高。
（二）聲光電融合交互，實現"第三空間"最佳體驗
未來智能座艙需在有限空間去發掘駕駛以外的新場景價值，通過精準感知和理解個人行為數據，在視聽觸嗅和體感上為用戶提供主動、智慧、個性化、情感化、拟人化的交互體驗。
（1）空間定義：趨于自然交互、萬物互聯、生态服務、個性化千人千面。
上車場景（當前涉及數字鑰匙、提前調溫、智能召喚等）；
駕駛場景（當前涉及導航、方向盤及座椅加熱、按摩、中置安全氣囊、路噪消減等）；
睡眠場景（當前涉及可調節座椅、空氣淨化/香芬、床墊/枕頭、鞋收納、鬧鐘等）；
娛樂場景（當前涉及遊戲、視頻、K歌、移動影院、沉浸式環繞聲等）；
戶外場景（當前涉及露營、無人機環繞跟車、太陽能車頂、外接電源、車載冰箱等）；
辦公場景（當前涉及wifi5下的VR設備多屏辦公、AR替代大屏實現裸眼全息等）。
（2）新技術的應用：
生物體征識别：情緒識别、虹膜識别等，以及未來更先進的腦機，是未來智能汽車無感體驗的最核心交互方式之一。當前生物傳感器的布置方案成本高，傳感器與用戶的接觸和佩戴體驗差，檢測精度受限于傳感器的接觸方式。
虛拟現實：未來屏幕将被各種先進的顯示技術代替，如透明顯示玻璃、全息影像、智能表面，也會有AI虛拟人（智能管家）的參與，無屏界面帶來更加便捷自然的交互體驗。
多通道交互方式MCUI：實現多設備協同和跨設備場景遷移的價值特征。
（3）特色應用如：
高合HiPhi X全新燈光系統：可完成同級罕見的車舞秀，PML可編程智能大燈和ISD智能交互燈組成的燈光系統；
透明A柱系統：将車外的實時畫面輸入到A柱的曲面屏上，讓顯示畫面與車外景物融合；
BMW懸浮式巨幕：集成在頂篷的超寬全景屏，将後排空間打造成一個專屬私人影院；
BMW電子墨水（E-ink）技術：實現車身一鍵變色。
（三）用戶數據成為各路玩家争奪的主戰場
（1）數據歸屬問題：主要涉及三類數據，行車工況數據關系到車輛行駛安全，由車企掌握；地圖數據由地圖商和車企共享；基于車聯網平台形成大量用戶數據是未來增值服務核心部分。對于第三部分，車廠和互聯網存在數據所有權上的碰撞。車廠想作為自己的數據資源維護和處理，隻有深度把握用戶需求，才能協調各參與主體有序進行個性化、定制化開發，提高産品創新力及用戶粘性，通過軟件訂閱提供增量價值。最終以上三部分彙總的大數據，将在産業鍊核心玩家（Tier1、OEM、第三方服務提供商）中分配。而當前因大部分車企不願向外界公開車輛和駕駛數據，合作方難以獲得，導緻現有交互技術無法得到足夠數據積累。在數據規模将直接影響座艙用戶體驗的前提下，數據互聯互通能力的缺失使智能座艙的優化叠代面臨較大挑戰。
（2）用戶數據隐私及安全問題：
21年8月《汽車數據安全管理若幹規定(試行)》正式出台，主要包括以下2方面：一是防範化解汽車數據安全風險，如超越實際需要，過度收集重要數據；未經用戶同意，違規處理個人信息；未經安全評估，違規出境重要數據等。二是保障汽車數據依法合理有效利用，規範了汽車數據處理活動，如堅持"車内處理"、"默認不收集"、"精度範圍适用"、"脫敏處理"等原則。但草案并未落地，具體的限制措施和細則也未出台，違反規定的處罰也暫時未定。
據工信部數據，20年中國涉及車聯網相關的惡意攻擊多達280萬次，平台漏洞、通信劫持、隐私洩露等風險較大，汽車數據安全面臨嚴峻挑戰，未來或可通過區塊鍊、密碼等技術解決。
（3）新商業模式未來可期：拿到用戶數據即可進行精準營銷等，且随自動駕駛的落地，座艙将催生社交、娛樂、商務等更多維需求，存在較大付費想象空間，在壽命周期内通過服務及運營更大程度挖掘用戶價值，因此主機廠及互聯網科技公司積極卡位。
（四）集中的EE架構是座艙智能化的前提
智能座艙域控制器=座艙SoC芯片+操作系統+中間件+應用+HMI交互窗口。從過去相對獨立的系統，變為以單顆具有較強算力的主控芯片支持多個操作系統、驅動多塊屏幕和應用程序，EE架構向集中式過渡。ICVTank數據顯示，2021年全球智能座艙域控制器出貨量為240萬套。
（1）智能座艙芯片：座艙内影響算力需求的因素衆多，據IHS Market，24年CPU算力需求将是21年的6倍（高通SA8295：200KDMIPS）。座艙SoC不僅需更強大的計算和集成能力，還需要更強大的AI處理能力，據IHS Market，自21年到24年，僅感知算法部分NPU算力需求每年增加1倍（高通SA8295：30TOPS）。芯片能力發揮，依賴于硬件和軟件兩方面，芯片廠商正從硬件供應轉向提供更多的軟件服務，着手硬件+軟件甚至整套系統解決方案，跳過Tier1直接與主機廠合作。
相對于消費級芯片，車規級芯片對于可靠性、安全性的要求更高，開發需求要求更高，在芯片設計、測試等環節投入的成本和時間更高，更新換代速度相對較慢。消費電子領域的出貨及研發可攤薄車載芯片研發成本（先進制程研發費用高昂），座艙領域叠代速度向消費電子看齊，原消費電子機領域的廠家加入陣營使原傳統汽車芯片廠家壓力大增。
NXP、德州儀器、瑞薩電子等傳統汽車芯片廠商主要面向中低端市場，進入落幕周期；消費電子領域廠商如聯發科、三星、高通、英特爾、英偉達、AMD等也加入競争，主要面向高端市場；國内有華為、傑發科技、芯馳科技、瑞芯微、地平線、芯擎科技等。
目前國内搭載座艙域控芯片主要仍為德州儀器的Jacinto6和NXP的i.mx6等上一代産品。高通SA8155是目前經典的智能座艙平台，威馬W6、吉利星越L、小鵬P5等均已搭載，據稱，其在電動車智能座艙中占80%以上份額。21年11月，高通宣布其第四代骁龍汽車智能座艙平台SA8295已經出樣，CPU、GPU等比SA8155提升50%以上。
（2）智能座艙操作系統内核：目前國際上還沒有統一的智能座艙OS标準，主要包括QNX、Linux及由基于Linux内核開發的Android等，底層OS格局相對穩定。主機廠和Tier1供應商通常在上述OS的基礎上開發定制化界面，包括系統内核修改。隻有通過自主開發OS，軟硬件的可解耦性才更清晰，更利于主導進行OTA升級、功能應用場景的新增和擴展、人機交互策略的更新，深度參與應用軟件的部署和開發、保證數據資産的所有權，所以主機廠必須牢牢抓住。座艙應用生态若要實現不斷升級、常用常新，對座艙OS應用接口的一緻性和穩定性提出嚴格要求，未來API接口将統一化、标準化，但目前車廠各家軟硬件差異大，車機軟硬件平台的非一緻性，讓整個汽車生态服務沒法形成合力共建類似于智能手機的應用市場，智能座艙無法聚合全家桶的生态服務。其對實時性與可靠性要求并不嚴苛，但需支持更多樣化的應用與服務，并具有豐富的生态資源。
QNX主要用于對安全性和穩定性要求更高的儀表盤，21年座艙操作系統市占率達43%，在車用儀表占有率超70%。
Linux免費的開源系統，定制開發靈活、成本較低，主要應用于信息娛樂系統，21年市占率35%（含Android）。Android系統最大優勢在于龐大的手機群體，為其OS 開發了極其豐富的應用，可以迅速移植，在汽車上快速建立起軟件生态。由于國内Android應用生态廣泛，國内自主品牌和新勢力大多基于Android定制汽車操作系統，如比亞迪DiLink、奇瑞GKUI、蔚來NIOOS、小鵬XmartOS等。但作為汽車OS，Android的穩定性和安全性較差，且Android手機應用在交互邏輯和觸控體驗與汽車操控不相适應。基于政治風險和專利保護，國内主機廠免費使用Android存在不确定性，給國産底層OS帶來拓展機會，如AliOS和Harmony OS。
OS和Hypervisor（主流為QNX和Greenhills）的格局相對穩固，但随主機廠軟件能力的提升，将在第三方的協助下進行OS定制化開發，同時也将深度介入核心應用算法層的開發；BSP（闆級支持包）開發仍然是傳統Tier-1基本盤，通常由座艙域控供應商完成，與硬件封裝在一起；應用層開發工作一般主機廠承擔；各個應用程序SDK則主要由互聯網/科技公司提供。
資料來源：車市物語
07 決策智能——高階自動駕駛
高階自動駕駛是新能源汽車智能化的最重要戰場，如同新能源車對于燃油汽車的打擊關鍵在于用車成本的大幅降低，無人化最大的驅動因素是出行成本的大幅降低。成本和效率是交通領域的永恒話題，正是Robotaxi描繪的美好圖景——汽車利用率大幅上升，規模越大成本越低，吸引着衆多巨頭與創業公司紛紛入局。
恰巧中美在高階自動駕駛領域代表了不同的體制對于共同目标的不同選擇，美國特斯拉之于Waymo的成功恰巧是強調個體的漸進式單車智能的勝利，Google盡管坐擁龐大的地圖資源，強悍的算法和硬件能力，但是在美國的土壤上并沒有取得預計上的成功。而中國選擇了一條截然不同的道路，正如中國人對于舉國體制優勢的癡迷也符合中國基建狂魔的一貫調性。不管是全國的道路改造，統一的技術規範，路端網絡全國聯通，對于世界上的任何其他國家都是絕無可能的超大難題。
與特斯拉全球的暢銷，FSD的功能幾乎已經實現了高階自動駕駛相比，中國的車路協同路線發展的并不足夠順利，重資産投入，難以商業化等問題使得目前的車路協同仍然局限在部分自動駕駛示範區，全國範圍的推廣仍然遙遙無期。如果從馬斯克推崇的第一性原理出發，高階自動駕駛的本質是什麼？我們認為是将人類從繁瑣的日常勞動中解放出來，即解放生産力。解放生産力是為了提高人民的物質和文化生活水平,不斷滿足人民日益增長的物質生活和精神生活的需要。改革則是對舊有的生産關系、上層建築作局部或根本性的調整變動。我們提取出以下關鍵詞，改革、舊的生産關系、上層建築。再回到高階自動駕駛的話題，我們不難發現，改革是技術創新，算法和數據的積累，上層建築則是交通法規、道德規範，生産關系則是車輛的所有權問題。
舉個極端例子，如果交通法規發生變化，假設兩條路線同樣實現了高階自動駕駛，誰能更快的适應新的交通法規？無疑是車路協同路線。所以兩者的目标并不完全一緻，從技術角度來看，特斯拉路線背後是深度學習和神經網絡的廣泛應用，難度更大解釋性弱，能否實現最終的目标未知，99分到100分可能需要花費數年數十年的時間。車路協同的背後是規則，即車端50分+路端50分，顯然50分比99人更容易實現，雙向奔赴的效率更高，而汽車永遠需要跑在道路上。我們認為美國的高階自動駕駛已經到達瓶頸階段，而中國才正蓄勢待發，車路協同商業化完成閉環後，整體産業将迎來高速增長。
（一）以BEV為基礎的視覺方向将迎來最大的發展契機
1.特斯拉将BEV帶入大衆視野
特斯拉通過不同的汽車采集到的數據共同構建一個通用的感知網絡架構，然而不同汽車由于攝像頭安裝外參的差異，可能導緻采集的數據存在微小偏差，為此特斯拉在感知框架中加入了一層"虛拟标準相機"，引入攝像頭标定外參将每輛車采集到的圖像數據通過去畸變、旋轉等方式處理後，統一映射到同一套虛拟标準攝像頭坐标中，從而實現各攝像頭原始數據的"校準（Rectify）"，消除外參誤差，确保數據一緻性。
BEV layer：
由于基于視覺的算法缺乏3D信息，當把平面映射到三維自主坐标上的時候難免出現偏差，這也是很多公司選擇毫米波雷達或者激光雷達輔助提供深度信息，如果忽略自主坐标系的高度信息，即為BEV（鳥瞰圖）坐标。
之前視覺方案更多是通過地平面作為參考通過算法獲得深度信息，然後進行多攝像頭的拼接和BEV的轉換。2020年下半年版本的FSD Beta中，特斯拉使用了直接通過神經網絡實現圖像到BEV的變換，即将輸入的2D圖像空間的特征圖層轉換到BEV自車坐标下的特征圖層的過程。（Fully Connected& Cross attention)
資料來源：特斯拉
BEV網絡的優勢不僅在于可以使用感知輸出到一個3D向量空間，直接進行決策規劃，BEV的方法還是一個非常有效的多相機融合框架，通過BEV的方案，原本很難進行正确關聯的跨多個相機的近處的大目标的尺寸估計和追蹤都變得更加準确、穩定，同時這種方案也使得算法對于某一個或幾個相機短時間的遮擋、丢失有了更強的魯棒性。
2.BEV在學術上探索
BEV的實現方式可以分為從3D到2D以及從2D到3D兩大類，思路又包括Psuedo-Lidar track、center-point track、Depth penertration、和直接做BEV視角變換的幾大類。自2021年以來，以BEV為核心的視覺路線一直是學術界非常活躍的方向，從2021年7月清華和MIT提出的HDMapNet到鑒智機器人在12月提出的BEVDet，到22年3月達摩院和MIT提出的BEVFusion。BEV的多模态融合技術将感知算法的發展推向新的高度，邊緣部署将變得更加簡單，意味着更低的算力的情況下能實現同等的精度，對于輔助駕駛/高階自動駕駛的商業落地均有重大的價值。
資料來源：鑒智機器人
（二）Occupancy Network
2022年特斯拉AI Day上提出了新的概念，即Occupancy Network。借鑒了機器人領域常用的思想，基于occupancy grid mapping，是一種簡單形式的在線3d重建。将世界劃分為一系列網格單元，然後定義哪個單元被占用，哪個單元是空閑的。通過預測3d空間中的占據概率來獲得一種簡單的3維空間表示。occupancy network是對于BEV的優化，由于BEV視角下高度信息的匮乏，可能會導緻可行駛區域的檢測遇到一些挑戰。例如對于一些神經網絡數據集中沒有出現過的對象反饋并不好，對于懸挂的障礙物難以感知，無法看穿障礙物等等。
為了解決以上問題，特斯拉将世界拆分為微小的立方體，預測每個立方體是否有被占用，這與以往對每個物體賦予一個矩形的方式完全不同。對于未曾在數據集标注過的物體能進行更好的處理，尤其是對于地平線深度不一緻、物體形狀固定、靜态和移動物體、遮擋和本體裂縫等問題能夠有更好的效果，同時對于内存的占用更少。另外NeRF（神經輻射場）的應用也是特斯拉探索的一個方向，通過将Occupancy産生的模型與Nerf離線訓練得到的模型進行比較，從而能夠預測3D場景是否與"地圖"匹配（NeRF産生3D重建）。
（三）時空序列
單純依靠HydraNet和BEV仍會因為隻是用了單一時刻的多張圖像作為感知輸入而存在連續信息丢失的問題。人對于速度，對于空間的感知很多來自時間維度，同樣FSD也需要具備處理連續的時空序列數據的能力，才能正确處理如城市環境下常見的閃爍的交通燈，分辨參與交通的臨時停車和路邊的靜止車輛，預測周圍物體與自車的相對速度，根據曆史信息預測參與交通的物體可能的運行軌迹，解決段時間遮擋問題，記憶剛剛開過的速度标識，車道行駛方向等等。換句話說，FSD需要被賦予短期記憶。
如果車子行駛到紅綠燈路口停止，車子在到達路口前觀察到了各車道允許行駛方向的箭頭，然而如果單純依靠時間隊列，那麼當紅燈非常長的時候，前面時刻觀察到的車道方向終究會被遺忘，但如果引入空間隊列，那麼由于紅燈下車子沒動，無論在紅綠燈路口停止多久，空間隊列仍能保留對前面觀察到的車道行駛方向的記憶。
（四）規劃與決策
規劃與決策指的是路徑規劃與行為決策兩個部分：路徑規劃指具體的運動軌迹設計；行為決策主要指抽象的駕駛決策，例如是否跟車、換道、刹車。
決策主要包含兩個方面，一個是車輛自己的形式決策，另一個是對于其它行駛車輛的行為的預測。
對交通參與方的預測：對于交通參與方的預測可以通過多種算法來實現，構建一套運動模型的方式。比較常用的解法是通過高斯噪聲來代表交通參與者運動的不确定性，因為大部分參與方的行為一定是服從正态分布的，所以整個模型構建可以看作是一個高斯過程。對于交通參與方的行為和意圖的預測，可以看作是一個動态的時序過程，可以用深度學習LSTM這樣的循環神經網絡解決相應的問題。
車輛自身行為的決策：
每次行為的整體決策鍊路非常長，而且每一步決策相互影響，所以這種自動駕駛車輛行為決策的功能可以看成是一系列概率的加成，可以看成是馬爾科夫決策過程。
規劃和決策最大的挑戰之一是很難找到一個全局連續最優的方案，因為本身行為空間是一個Non-convex(非凸性）問題，局部最小值很難解決。其次汽車需要對10-15s之後做出預測和規劃，因此會産生大量的參數，是一個高維問題。
基于（離散）搜索的方法能夠比較好的解決非凸性問題，但是對于高維問題難以解決，不包含梯度信息，因為必須搜索完所有點才知道哪些是最優的；
連續（數值）優化基于梯度能夠很快的找到最合适的方案，但是很容易出現局部最小值。
特斯拉的解決方案可以概括如下：僅有唯一解的問題，可直接生成明确的規控方案，而對于有多個可選方案的複雜問題，使用向量空間和感知網絡提取的中間層特征訓練神經網絡規劃器，得到軌迹分布，再融入成本函數、人工幹預數據或其他仿真模拟數據，獲得最優的規控方案，最終生成汽車轉向、加速、刹車等控制指令，由汽車執行模塊接受控制指令實現汽車自動駕駛。
目前規劃與決策主要是通過sequential planning、behavior-awareplanning、以及end-to-end planning三種方法。sequential planning屬于最傳統的方法，感知、決策與控制三個部分層次分明，behavior-aware planning引入了諸如人機共駕、車路協同以及車輛對外部動态環境的風險預估等等，end-to-endplanning基于DL、DRL技術，借助大量的數據做訓練，獲得從圖像等感知信息到方向盤轉角等車輛控制輸入的關系。
（五）高階自動駕駛的核心影響因素
人類對于自動駕駛的探索早在八九十年代便開始，發展曆程依據自動駕駛數據流的順序，從從傳感器到定位到感知再到決策規劃、控制。早期研究傳感器，07年開始研究定位和比較初級的感知SLAM技術，09年Waymo成立，10年後感知在深度學習計算機視覺的應用已經基本初具框架，14-16年深度學習在感知上應用的提升讓人類看到自動駕駛的曙光。
從技術層面看現階段控制相關的技術也已比較成熟，下遊的主要問題圍繞預測、決策、規劃展開。決策的定義目前也都有很多争論，像是交通法規有比較灰色的地方，代碼轉化為人的思維方式等仍在探索的階段，預測可以說是自動駕駛學術界最活躍的領域。
預測和決策的規劃，各個自動駕駛廠的框架都不太一樣。無論是偏搜索、偏數值優化，或端到端機器學習（主要是美國廠商）、或是強化學習，目前沒有任何一個方法能确定是未來的方向。
随着特斯拉FSD在自動駕駛的諸多創新型的成果，漸進式的高階自動駕駛成為市場熱門的方向；封閉場景自動駕駛落地也催生其餘車廠紛紛入場，小鵬、蔚來、集度等均推出了高階自動駕駛方案。我們認為短期來看高階自動駕駛兼具量産能力是競争的關鍵，對于長坡厚雪的自動駕駛賽道而言，融資能力和自我造血能力同樣重要，高階自動駕駛技術角度尚未達到數據與技術完美閉環的階段，在很長一段時間内人類依舊需要在降低資源消耗和Conner Case上不斷積累。
08 總結
1.E/E架構變革，軟件定義汽車的趨勢已成未來新能源汽車的範式，但各主機廠路徑均有差異，有實力的主機廠相較于T1的競合态勢将更為強勢，從黑盒到白盒的改變也對T1提出了差異化的要求；
2.與三電系統不同，國際T1在控制領域仍存在比較明顯的先發優勢，缺芯大環境下主機廠保供需求催生國産化機會，國内廠商以其成本與服務的本土優勢有望打破國際T1對于部分核心零部件的壟斷，預計未來中國汽車供應鍊将有實力與國際T1在國内/全球層面競争；
3.L2+随着整體技術和工程化的進步，已到達滲透率的拐點，量産上車節奏可能會超預期；供應商率先拿下以比亞迪、廣汽埃安為代表的中端的A、B級的目标車型将占據行業制高點；
4.智能座艙依舊是主機廠重要的毛利來源，顯性配置的優勢對于消費者有更天然的吸引力，但一味的花哨的功能堆砌脫離汽車的本質意義并不大，核心關注座艙與其他零部件産品層面的交互設計以及成本控制能力；
5.高階自動駕駛短期仍難以量産落地，近年感知層面的學術探索有望加速視覺路線的單車智能的發展，激光雷達的成本降低也在預料之中，但規控現階段依舊沒有特别成熟的方法論，行業亟需更為激進的國内主機廠充當鲶魚的角色。
更多精彩内容，關注钛媒體微信号（ID：taimeiti），或者下載钛媒體App
