汽车行业深度报告汽车自动驾驶技术路径对比分析

　　（报告出品方作者：红塔证券，宋辛南）1。引言
　　数字经济是通过数字技术，对生活生产实现数字化管理，促进实体经济高效发展，充分发挥数据信息价值，是未来经济发展的主要驱动力，其发展速度之快、辐射范围之广、影响程度之深前所未有，正推动生产方式、生活方式和治理方式深刻变革，成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量。
　　随着近年来数字经济在国民经济中的重要性不断提升，党和国家也对其越来越重视：从早期十三五国家科技创新规划中提出，到中央政治局会议将其作为议题，再到写入十九大报告后，数字经济被正式写入十四五规划，并对一些指标提出了相应的预期性目标。结合其他各项政策的陆续出台，愈发凸显出党和政府对我国数字经济发展的支持和鼓励态度。
　　因此，在这样的背景下，数字经济范畴内的各产业在未来中长期时间内，在内将有充分的需求逐渐涌现，在外则有良好的政策环境保驾护航，将是我国国民经济发展的重要抓手。其中，智能驾驶车联网作为数字经济发展的一项应用，象征着未来人类出行方式的颠覆性改变，可能催生出全新的商业模式、全新的产业格局，因此具有巨大的想象空间，而在诸多厂商和研究机构的努力下，其技术已经发展了一段不短的时间，但所采用的技术路径则各有不同。因此，本文将尝试对比分析目前主流的智能驾驶实现方案及其相关产业链，从而为后续寻找产业链的投资机会提供参考。2。背景
　　2。1。智能驾驶简介
　　根据定义，智能驾驶是指汽车通过搭载先行的传感器、控制器、执行器、通讯模块等设备实现协助驾驶员对车辆的操控，甚至完全代替驾驶员实现无人驾驶的功能。
　　当前行业普遍遵循SAE协会定义的智能驾驶等级，其中L2级以下的智能驾驶通常被称为ADAS（高级驾驶辅助系统），其最主要的特点是系统只在特定场景下给驾驶员提供协助，车辆行驶决策权在驾驶员，相应地驾驶员需要承担所有的责任与后果。而在L4及以上的智能驾驶因为是汽车主导驾驶行为，责任主体为汽车生产商或者汽车服务商。而对于中间过渡的L3级别的智能驾驶，因为其只能在特定条件下代替人，并且在系统失效的时候需要人及时接管车辆，在实际应用中的可操作性及责任界定问题在行业内外存在较大争议。从技术角度，L3级别智能驾驶是技术发展的必经阶段，但从法律及产品应用角度，其存在着较大的风险。在我国，智能驾驶常以智能网联汽车作为官方的名称，特别突出了车联网功能。以我国更加完备的通讯基础设施形成车路协同效应，对比欧美的单车智能化。工信部此前发布了《汽车驾驶自动化分级》推荐性国家标准报批公示，规定了汽车驾驶自动化功能的分级，其对智能化等级的划分也与SAE定义大体一致，于2022年3月1日起正式实施。
　　2。2。智能驾驶的基本技术原理
　　车辆实现自动驾驶功能是一个相当复杂的过程，但总的来说，无论是自动驾驶还是人类驾驶，都可以按照感知决策控制的流程来考虑。
　　感知是先决条件。在做出决策和对车辆进行控制之前，首先需要保证足够的信息被掌握，其中包括车辆本身的信息和外部环境的信息，才能给车辆行驶提供充足的决策支持。而在感知层获得足够信息后，决策中心（计算单元大脑）将根据特定的算法经验做出适合当下情况的驾驶决策，并向相关控制机构下达指令，从而完成一轮从感知到决策再到控制的完整驾驶流程。
　　2。3。智能驾驶的技术瓶颈
　　目前从技术上来说，车辆的控制层已经基本打通，只在一些复杂的系统上还存在一定的成本问题，但感知和决策两个过程中仍然还有很多问题亟待解决。
　　2。3。1。感知
　　在感知环节中，车辆运动状态和驾驶员监测的技术门槛相对较低，二者分别感知车辆本身和驾驶员的状态，前者主要靠车载传感器，确保车辆行驶状态符合预想的状态；后者则主要是靠摄像头和生物电监测，确保驾驶员的生存状态和注意力保持正常。
　　而环境感知是最主要，也是最关键的部分。目前实现环境感知的技术路径主要包括视觉传感（摄像头）、毫米波雷达和激光雷达三种。
　　前文提到，感知是智能驾驶实现的先决条件。在理想状态下，车辆只需要获取道路的地面标识、路侧标志、前方障碍物情况等少量数据即可，但在实际操作中，可能存在譬如地面标识不清、路标被遮挡等情况，并且障碍物往往还包括其他车辆、行人、自行车等移动物体，以及路锥、石墩等固定物体，从而导致传感器很难将其有效地转换为计算中心可识别的数据，对后续自动驾驶的决策产生了极大的干扰。
　　2。3。1。1。视觉传感
　　视觉传感器主要指的是摄像头，主要用于车道线检测、交通标示识别、行人车辆识别等任务。
　　由于人类驾驶员在驾驶过程中的主要信息感知方式也是通过视觉，因此使用摄像头作为车辆环境感知的方式是最自然的，而且由于摄像头本身技术成熟，因此其生产成本较低，在区分人和物体、识别道路标识等方面具有优势。但同时，通过摄像头的视觉传感也有缺点。
　　首先，由于车辆本身并不能直接读取视频信号，因此需要通过相应的算法将摄像头采集到的视频信号转换为处理芯片能识别的标准信号，这就对相关算法的能力和效率提出了很高的要求。而且因为物体识别是基于机器学习数据库，所以形成有效的数据库所需要的训练样本很大，训练周期长，并且系统通常无法识别出数据库尚未掌握的新的非标准障碍物，就可能会导致自动驾驶过程中发生危险。
　　其次，无论是分辨率、抗干扰还是大脑和芯片对信息的处理，摄像头跟人眼都无法相提并论，因此摄像头受到外部环境的干扰也更严重。包括正面强光炫目、摄像头上沾有水滴遮挡、暴雨暴雪等恶劣天气、黑夜等低照度情况，以及各种原因产生的物体倒影等，都会造成摄像头成像或识别困难。
　　第三，由于分辨率限制，摄像头的识别距离较小；同时，光学成像也导致了其测距测速功能差，不足以支撑车辆完成自动驾驶的决策过程。
　　2。3。1。2。毫米波雷达
　　毫米波雷达指的是工作在毫米波段（波长110mm，频域30300GHz）的雷达。目前车用毫米波雷达主要包括24GHz和77GHz两种。
　　毫米波的波长介于微波和厘米波之间，因此毫米波雷达兼有微波雷达和光电雷达的一些优点。同厘米波雷达相比，毫米波雷达具有体积小、质量轻和空间分辨率高的特点。与红外、激光、电视等光学雷达相比，毫米波雷达穿透雾、烟、灰尘的能力强，具有全天候全天时的特点。同时，与摄像头不同，毫米波雷达的感知探测距离较远，并且能够对目标距离和速度做出高精度测量。
　　77GHz雷达各项性能都具有优势。相比24GHz雷达，77GHz雷达可以同时做到长距离探测和更高的距离分辨率；并且在物体分辨率、测速和测距精确度上具有显著优势；同时，77GHz雷达由于波长更短，所以收发天线面积体积更小，因此体积也更小。但是77GHz雷达由于技术相对较新，且数量规模较小，目前价格仍然较高，因此24GHz雷达还是目前的主流，但未来77GHz雷达可能会将其替代。
　　毫米波雷达的缺点主要包括以下几个：
　　1）探测范围较小，通常需要多个雷达组合使用，导致总成本明显提高；
　　2）由于其分辨率参数是以角度计量，因此其实际分辨率在远距离时可以达到足够高，但近距离可能无法准确分辨位置；
　　3）对行人的反射波弱，难以识别；
　　4）对横向目标敏感度低，并且只能提供角度和距离信息而无法提供高度信息；
　　5）无法成像，无法进行图像颜色识别。
　　2。3。1。3。激光雷达
　　激光雷达（LiDAR，LightDetectionandRanging），即激光探测及测距系统，是一种集激光、GPS和惯性测量设备三种技术于一身的系统。由于激光波长短，准直性强，因而激光雷达具有角分辨率和距离分辨率高、抗干扰能力强、能获得目标多种图像信息（深度、反射率等）、体积小、质量轻等优势。
　　根据激光雷达线束数量的多少，可以将激光雷达分为单线（2D）雷达和多线（3D）雷达，而由于单线雷达只能获得平面数据，无法完成复杂路面地形环境的模型建立，因此目前在实际使用中，基本都是多线雷达。目前主流的激光雷达通常从16线到64线，也有少数128线等高线束数量的产品。
　　由于激光雷达可以依靠其探测范围广、抗干扰能力强及测量精度高的特点，收集到足够多的数据信息，并以此实现对车辆周围环境的建模。因此在理想状态下，激光雷达能够为自动驾驶的决策提供最丰富的参考信息，但在实际应用过程中，激光雷达仍面临一些尚待解决的问题。
　　首先，最大的问题就是激光雷达成本太高。目前技术最成熟的是机械式激光雷达，即通过旋转电机等机械设备实现360度扫描，但这种方式的硬件集成难度高，因此高线束激光雷达的成本甚至难以降至3000美元以下。而作为替代技术的半固态MEMS方式器件价格较高，并且扫描控制难度大；固态的Flash方式尽管成本较低，但探测距离短，不足以适应自动驾驶的需求；固态的OPA方式潜力最大，但目前技术还不够成熟，供应链也不完善，中短期内实现技术突破仍有困难。
　　其次，由于激光雷达获得的道路信息极多，数据量大，对数据处理的算法要求很高。目前主流的算法基础为点云分割，即根据点云分布的整体特征和局部特征，将点云进行分割，从而形成多个独立的子集，从而快速提取有用的物体信息。因此，车辆使用激光雷达作为传感器，既需要足够出色的数据算法作软件支持，也需要充足的硬件算力作保障。
　　第三，激光雷达发射的激光在云、雾、雨雪等恶劣环境下衰减严重，无法提供精确的环境图像，因此自动驾驶过程无法完全依赖激光雷达，必须有其他传感器设备配合。
　　2。3。2。决策
　　自动驾驶的决策层主要包括两大部分，即硬件部分和软件部分。其中硬件部分是指各类计算单元，目前主要包括CPU、GPU和FPGA，其作用是为后续的软件处理数据提供基本的算力支持。而软件部分则是各类算法，包括对信息数据的处理、道路短期未来情况的推演预测、行驶方案的制定等等，是自动驾驶技术中非常核心的部分，也是各大自动驾驶方案提供商的核心竞争力所在。
　　2。3。2。1。硬件部分
　　自动驾驶的计算平台需要考虑的因素具有其独特性：
　　为了处理海量数据，并为AI运算提供充足算力，需要足够有效的计算性能；
　　计算结果直接决定了车辆行驶的安全性，关乎车上驾乘人员的生命安全，并且其工作环境可能较为恶劣（温度、颠簸等），因此需要保证其具有高可靠性；
　　作为移动平台，需要保证其功耗在可接受范围内；
　　需要具有良好的可扩展性；
　　由于产品最终要用于普通车辆上，作为消费品，需要控制其成本。
　　目前自动驾驶所使用的计算单元主要包括CPU、GPU、FPGA（现场可编程门阵列）和ASIC（专用集成电路），四种方式各有优劣。
　　主流的自动驾驶计算平台供应商大多选择混用不同的计算单元。目前全球能够提供高性能自动驾驶芯片的领先企业主要包括特斯拉、华为、瑞萨、英伟达（Nvidia）、Mobileye、高通等，而其中特斯拉的系统封闭，软硬一体化，不对外供应芯片，华为也只提供MDC计算平台，而不单独对外出售芯片，其他几家则大多以SoC方式提供产品。
　　2。3。2。2。软件部分
　　目前自动驾驶技术的算法底层技术都是机器学习算法，但具体采用的算法则会因厂家而异，而且这也是各大自动驾驶开发厂商最核心的竞争力。
　　全球致力于开发自动驾驶系统的企业和研究机构仍有不少，而这些企业和研究机构的背景也各不相同，其中包括整车主机厂（特斯拉、宝马、沃尔沃等）、汽车零部件厂商（安波福等）、IT巨头（谷歌Waymo、百度等）、专门的初创企业（Aurora、小马智行等）。由于这些不同的企业诞生于不同的地区和行业背景下，因此他们开发的自动驾驶系统也往往在取向和进程上有着不同的进展，具体情况我们将在后文中详细分析。
　　而当下从软件端来看，为了保证自动驾驶过程中驾驶的安全性和可靠性，需要大量的测试和验证，而目前业界普遍采用的基于机器学习算法来处理大数据集的深度学习技术尽管已经取得了巨大发展，但在面对自动驾驶的复杂程度时仍然显得效率不足。3。自动驾驶主要开发商介绍及对比
　　3。1。Waymo
　　Waymo前身是谷歌下属的一个项目组，因此其一直能够收到谷歌及其母公司Alphabet的持续投入，因此它自始至终开发资金都很充足，目前Waymo仍然被认为是走在自动驾驶技术最前列的开发商。
　　Waymo在最关键的路测阶段积累了大量的经验，是全球测试里程最长的开发商，并且相较后来者有着数量级上的差距，根据目前数据，Waymo自动驾驶路测里程占全部路测里程的一半以上。而Waymo采用的强感知强智能路线也成为目前全球自动驾驶开发企业最主流思路。
　　而Waymo开发自动驾驶汽车的思路其实是脱离了汽车本身的，Waymo想做的是改变人类的出行方式，即建立一套由自动驾驶汽车构成的基础设施，并将其整体打包作为服务向民众提供。因此，Waymo无论是在开发过程还是路测过程中，都是以此作为目标，直接将目标放在了无人驾驶的终极形态上。
　　3。1。1。传感器
　　Waymo采用的传感器方案非常完备，包括了激光雷达、摄像头、毫米波雷达及其他传感器（音频探测等），并且相当一部分雷达在整辆车上配备有复数个，从而保证对环境的完全掌握。
　　Waymo的技术方案采用了基本上目前主流的所有传感器，因而保证了其在各种时间、气候条件下都能够为算力中心提供充分的环境数据。
　　3。1。2。软件
　　Waymo的算法本身还是机器学习算法，但他们通过上百亿英里的模拟和超过2000万英里的实际路测对其自动驾驶系统进行训练，使其能够通过传感器传递的数据信息，探测、理解车辆周围的物体，并预判其可能的行为方式及对车辆行驶线路的影响，从而依此做出相应的驾驶决策。
　　整套系统包括三大部分：感知、行为预测和规划。感知系统通过处理传感器提供的外部环境数据信息，帮助车辆区分行人、骑行者、汽车等交通参与者，以及车道线、信号灯、障碍物等静态物体；随后借助行为预测系统，软件尽可能预测道路上各个物体的运动趋向，确保车辆行驶在保持安全的同事，尽可能地高效；在获得感知和行为预测提供的信息后，规划器能够为车辆规划出合理的路径，而这一过程需要尽可能保证车辆行驶的安全、顺畅和平稳。
　　3。2。特斯拉
　　特斯拉作为现今在自动驾驶领域声音最大的企业，选择了与Waymo不同的开发思路。特斯拉在开发自动驾驶时，着眼的是改变用户体验，车辆本身并没有变化，更多地是以赋能的形式呈现，让特斯拉的车辆在具有自动驾驶功能后，与市场上的其他竞品根本性地区别开来。
　　而从技术上来说，相比于Waymo及其他企业普遍采用的强感知强智能路径，特斯拉摒弃了成本高昂的激光雷达，采用高清摄像头为主，毫米波雷达为辅的弱感知超强智能，以软件决策为核心搭建其自动驾驶平台。
　　在特斯拉的传感器方案中共有8个摄像头，其中包括了3个前视主摄像头（广角、主摄、窄视各一个）、2个侧方前视摄像头、2个侧方后视摄像头，以及1个后视主摄像头，此外还有车身周围共12个超声波雷达和1个车头雷达。
　　算法方面特斯拉综合采用了CNN（ConvolutionalNeuralNetworks，卷积神经网络）、RNN（RecurrentNeuralNetworks，递归神经网络）、DRL（DeepReinforcementLearning，深度强化学习）三种主流机器学习算法，从而提高了准确度并降低了硬件算力需求。而除了其内部的路试之外，特斯拉还依托其目前庞大的客户数量，获得更多的数据，从而通过训练不断迭代升级其自动驾驶系统AutoPilot。
　　另外，与其他厂商不同的是，特斯拉会展望无地图技术路径，即在对车辆定位和路径规划的过程中完全依赖传感器对外部的感知，而不需要借助高精度地图等基础数据库类型的支持（目前仍然依赖高精度地图）。
　　3。3。沃尔沃Uber
　　沃尔沃在2016年就与Uber达成了战略协议，共同开发自动驾驶汽车与技术。与Waymo相比，其技术方案在考量的侧重点有所不同。
　　相比Waymo，沃尔沃Uber在XC90上使用了更多的摄像头来增强其视觉传感系统，其中包括车顶的一个前视摄像头和一个车侧及车尾摄像头、进气格栅处的一个前视摄像头、两侧后视镜上的侧视摄像头，以及车尾的后视摄像头。另外，沃尔沃Uber还使用了一前一后各一个超声波雷达，以及前后两侧各一个毫米波雷达，以及车顶的一个激光雷达。
　　而在沃尔沃最新发布的Recharge概念车上，搭载了Luminar供应的第三代Iris激光雷达传感系统，整套系统由1个激光雷达、8个摄像头、5个毫米波雷达和16个超声波雷达组成；整套自动驾驶软件的开发商则是沃尔沃旗下自由的科技公司Zenseact，搭载了可提供单片算力254TOPS的英伟达Orin自动驾驶芯片。
　　3。4。总结及其他
　　目前主流的自动驾驶技术路线有两条，二者的分歧在于是否采用激光雷达，而在不用激光雷达的阵营中目前基本上只有特斯拉一家，几乎所有其他企业都或多或少地依赖激光雷达，而出现这种分歧的核心原因在于激光雷达具有最好的感知性能的同时，也有着最高昂的成本。
　　特斯拉CEO马斯克曾多次表示对于自动驾驶系统使用激光雷达的不屑，其曾经公开表示激光雷达很愚蠢。任何使用激光雷达的都会完蛋（Lidarisafool。AnyonerelyingonLidarisdoomed），而事实上激光雷达在出现的前几年成本都显得过于昂贵，使其完全不具备商业价值，因此即便使用激光雷达可以有效提升自动驾驶系统的性能，对于特斯拉这家期望快速商业化的企业来说，性能的提升并不能抵消其对于成本的考量。然而随着技术进步，目前车载激光雷达逐渐摒弃了成本高昂的机械式设计，同时随着产品上量，规模效应也显著地降低了车载激光雷达的装载成本，因此基于激光雷达强大的性能，其商业价值也开始逐渐显现。
　　从技术本身来看，激光雷达仍然是目前自动驾驶系统中性能表现最好的，而因为激光雷达的降本有很大一部分来自规模效应，后续随着产量提高，激光雷达的成本也有快速下降的基础。因此综合来看，在没有新的革命性技术出现的情况下，搭载激光雷达仍将是自动驾驶解决方案中的关键一环。4。其他相关配套设施
　　4。1。OTA
　　OTA全称为OverTheAirtechnology，即空中下载技术，指的是通过移动通信的接口实现对软件进行远程管理、升级等操作的技术。当车辆软件需要升级时，传统的做法是到4S店通过整车OBD对相应的ECU软件完成升级操作。这项技术最早被广泛应用于智能手机，目前很多汽车也都提供了OTA功能。
　　随着汽车智能化程度越来越高，OTA所能实现的功能也越来越多，目前车辆OTA的更新范围通常涵盖了涉及自动驾驶、人机交互、动力、BMS等领域。
　　前文提到，目前自动驾驶技术还处在相对早期，因此软件端的技术迭代非常快。基于此，大多数车企往往都会在车辆上搭载性能冗余的硬件，而后通过OTA的方式将学习成长后的软件不断同步到用户端，从而保证用户车辆上的自动驾驶程序尽可能保持最新。
　　OTA具有明显的便捷性优势。对于车主来说，OTA帮他们省去了频繁往返4S店的麻烦，同时也节省了时间和金钱；而对于车企来说，OTA技术不仅省去了反复召回客户的沟通成本，也通过这种方式加强了产品的竞争力，也因此现在OTA在乘用车端的渗透率不断提高。
　　4。2。V2X5G车联网
　　目前广泛应用的自动驾驶技术中，普遍还是以车辆单向感知为主，通过摄像头、雷达等设备实现对外部环境的感知。而这种方式对传感器的精度、响应速度、处理能力等都有极高的要求，所以车路协同的概念就被提了出来。
　　V2X，VehicleToEverything，指的是车辆与外部的信息交换，其中主要包括V2N（车辆与网络云）、V2V（车辆与车辆）、V2I（车辆与道路基础设施）、V2P（车辆与行人），通过这种近乎于万物互联的方式，使得车辆在行驶过程中能够提前获知外部信息，从而检测隐藏的威胁并扩大自动驾驶感知范围，而且能通过主动通信提前进行预测和规划，从而进一步提升自动驾驶实现的安全性、效率和舒适性，这也就是所谓的车路协同。
　　过去V2X一直发展不畅，一个重要的因素就是网络条件不够好，带宽、延迟等方面都不足以达到V2X所需的理想状况。而在5G技术成熟应用之后，其极高的网络传输速度和极短的网络延迟使得V2X的实现获得了硬件基础支持，同时5G网络切片技术也能提升自动驾驶的稳定性。
　　如果我们将车路协同按深度划分为协同感知、协同决策、协同控制和车路一体化四个阶段，毫无疑问目前只能是协同感知，而且只能算是初期。当前车企在智能驾驶端仍然把注意力集中在单车智能上，而需要利用基站与无线通信技术进行车、路、人之间协同的V2X并不是靠车企自己能解决的，更重要的是需要有国家层面对相关基础设施建设的政策支持。5。总结
　　目前从事自动驾驶系统开发的厂商数量众多且分布广泛，并且由于整个系统需要从硬件架构到软件编写再到车企验证的多个环节，整个产业链涉及到的范围很广，但总体来说能够实现量产装车上路的基本上还停留在L2。5级别，部分功能可以达到L3或以上，距离L4和L5的高度自动驾驶还有很长一段路要走。
　　从技术路径来看，软件端分歧不大，本质上都是依靠机器学习算法，结合实际路测数据和模拟路测数据实现迭代。而硬件端的分歧主要在是否使用激光雷达：由于具有优异的性能，为了保证自动驾驶的安全性，激光雷达是绝大多数厂商的选择，其中包括了Waymo、沃尔沃、通用等；而由于高昂的成本，基于商业化量产考虑，特斯拉不采用激光雷达，而是采用以视觉方式为主，超声、毫米波雷达为辅的方式来构建其感知模块。我们认为从优先保证安全性的角度出发，未来激光雷达仍将是自动驾驶系统最重要的传感器之一，而其目前高昂的成本会在技术进步和规模效应的多重作用下显著降低，从而使其具有足够的经济性。
　　从自动驾驶的终局模式来考虑，车路一体化是最后的理想状态，但这也会是一个极其漫长的发展过程，在这个过程中，我们相信国家推动的数字经济发展战略将持续为车路协同的发展提供支持。
　　（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
　　精选报告来源：【未来智库】。未来智库官方网站