汽车自动驾驶产业链深度研究报告.docx

汽车自动驾驶产业链深度研究
AI加持，赋能自动驾驶广阔市场
 
 
一、自动驾驶历史及定义
早期（1925~2016），自动驾驶雏形建立
自动驾驶的研究历史悠久，是人类的终极梦想之一。早在1925年，就诞生了人类历史上第一辆“无人驾驶汽车”,由一位来 自美国陆军的电子工程师Francis P. Houdina，通过无线电波来控制前方车辆的方向盘，离合器，制动器等部件来完成的， 至今已近百年历史。自此之后，人们主要利用摄像头进行数据采集并指导车辆进行自动驾驶。 u 自21世纪初的美国DARPA挑战赛加入激光雷达之后，现代意义的自动驾驶汽车雏形已经确立。当DARPA挑战赛的参赛车 队使用摄像头、激光雷达等传感器设备以及计算设备，实现了车辆的自动驾驶后，人们意识到了自动驾驶的可行性，科技公 司（如Waymo）和整车厂（奥迪、沃尔沃）等纷纷开展相关的研究。随着相关企业的不断投入，相关产业链也日臻完善。
爆发期（2016~至今），深度绑定人工智能
自动驾驶是人工智能实现场景落地的重要方向：人工智能的主要细分技术，包括机器视觉，深度学习，增强学习、传感器 技术等均在自动驾驶领域发挥着重要的作用，自动驾驶发展的瓶颈主要在于这些人工智能底层技术上能否实现突破。 u 科技企业、造车新势力纷纷加入智能化汽车的竞争。自动驾驶行业迎来爆发期，呈现快速发展的新格局。除了谷歌、百度 等软件科技企业外，偏硬件的公司如小米、华为、英伟达、苹果等巨头也纷纷加入自动驾驶汽车领域的研究，还有特斯拉、 蔚来、小鹏以及众多传统车企也纷纷开展自动驾驶的研究，整个市场呈现快速发展的势头。
自动驾驶分类及技术路线：L1~2与L3+
目前有自上而下与自下而上两种自动驾驶研发思路。 一种是不考虑成本的研究L4+级完全自动驾驶，代表 企业有谷歌的Waymo、通用的Cruise、百度的 Apollo等，目前其实现自动驾驶的系统成本在数十万 到百万元人民币以上；另一种主要是车企，他们要考 虑成本因素，所以一般是自下而上的，由低级别的自 动驾驶开始逐渐提升水平，目前商业化的汽车基本上 可以达到L2级ADAS （Advanced driver-assistance systems）水平，代表企业有特斯拉、奥迪、蔚来、 小鹏等。
二、环境感知系统
纯视觉or多传感器融合，决策权重各有不同
感知是实现自动驾驶极为重要的一环。只有车辆能够感知并且可以正确识别周围物体的时候，才能给决策机构正确的输入 信号从而实现自动驾驶。主流的环境感知设备有摄像头、超声波雷达、毫米波雷达以及激光雷达等。
从技术路线上分为纯视觉和多传感器融合两种：一种是以特斯拉为代表的视觉方案，主要依赖摄像头等成本较低的传感器 而不使用成本较高的激光雷达（据2021年7月的最新消息，特斯拉FSD Beta9方案也不采用毫米波雷达数据，只使用摄像 头数据）。这种技术路线把更多精力放在研发强大的视觉算法及专用AI芯片的能力来处理自动驾驶可能遇到的所有情况； 另一种是绝大多数科技公司以及车企所采用的多传感器融合方案，因为以目前的技术发展水平来看，没有一个传感器能够 完成自动驾驶所需的全部功能，因此利用摄像头以及各种雷达进行环境感知，综合进行自动驾驶决策。
纯视觉更依赖视觉算法，多传感器融合需要解决不同传感器数据匹配问题。视觉算法目前存在测距不准、恶劣天气适应性 差等缺陷，对于算法是否能够弥补这些缺陷，学术界尚存在争议，不过这种路线的好处是硬件成本低，而且不需要为决策 权重分配而苦恼；多传感器融合的好处是可以发挥不同传感器的优势，但硬件成本高，且需要预设算法分配不同传感器的 决策权重，这也为判断带来一定隐患。
三、决策规划系统
汽车电气架构：由分散式到集中式
分散式-集中式架构的演变：为了实现智能化自动驾驶，需要非常多的车载传感器进行环境探测。摄像头/激光雷达/毫米波雷 达模块的数据流可达数千Mbps，传统的LIN/CAN总线无法传输这么大的数据量。各个传感器得到的数据通常还需要由一个统 一的大脑来分析做出决策，传统的硬件架构都是单一ECU来控制单一传感器，架构比较分散，需要进行集中化升级。汽车电气 化架构升级的路径为：
1. 硬件架构升级：分布式（从模块化到集成化）到域集中（从域控制集中到跨域融合）再到车辆集中（车载电脑→车-云计 算）。其优点是：由各个微处理器MCU处理单一数据到统一的CPU/AI芯片来处理不同传感器发送的数据，这样不仅可 以优化算力利用率，还可以实现整车数据融合，实现整车功能协同；与此同时，新的架构还可以缩短线束，减轻质量。
2. 软件架构升级：提供标准接口定义，模块化设计，促使软硬件解耦分层，实现软硬件设计分离。优点是：可实现软件/固 件OTA升级、软件架构的软实