传感器：定位与功能不同，优势互补自动驾驶汽车往往会配备多种传感器，包括摄像头、毫米波雷达、激光雷达等。这些传感器功能和定位各不相同，优势互补；作为一个整体，它们成为自动驾驶汽车的眼睛。2021年后的新车搭载大量传感器，目的是为了预留冗余硬件，以便未来通过OTA实现更多的自动驾驶功能。2021年1-5月国内新发布车型的传感器配置和核心功能。摄像头的作用：主要用于车道线、交通标志、红绿灯以及车辆和行人的检测。具有检测信息全面、价格低廉的特点，但会受到雨雪天气和光照的影响。现代相机由镜头、镜头模块、滤镜、CMOS/CCD、ISP和数据传输组成。光线通过光学镜头和滤光片后聚焦在传感器上，光信号通过CMOS或CCD集成电路转换成电信号，再转换成RAW、RGB或格式的标准数字图像YUV图像处理器(ISP)。信号通过数据传输接口传输到计算机。相机可以提供丰富的信息。但是，相机依赖于自然光源。目前，视觉传感器的动态范围还不是特别宽。当光线不足或光线变化剧烈时，可能会暂时失去视觉形象，在雨水和污染的情况下功能会受到严重限制。相机的各种缺点通常是通过计算机视觉来克服的。车载摄像头是一个高增量市场。车载摄像头的使用量随着自动驾驶功能的不断升级而增加。比如前视一般需要1-3个摄像头，环视需要4-8个摄像头。预计到2025年，全球车载摄像头市场规模将达到1762.6亿元，其中中国市场为237.2亿元。2015-2025全球及中国车载摄像头市场规模（亿元）车载摄像头产业链包括上游镜头组供应商、胶材供应商、图像传感器供应商、ISP芯片供应商、中游模组供应商、系统集成商、下游消费电子企业、自动驾驶Tier1等。从价值上看，图像传感器（CMOSImageSensor）占总成本的50%，其次是模组封装占25%，光学镜头占14%。激光雷达在摄像头产业链中的作用：主要用于检测周围物体的距离和速度。在激光雷达发射端，激光半导体产生高能激光束。激光与周围目标碰撞后反射回来，由激光雷达接收端捕获并计算，得到目标的距离和速度。激光雷达比毫米波和摄像头的探测精度更高，探测距离远，往往能达到200米以上。激光雷达按其扫描原理分为机械式、旋转镜式、MEMS和固态激光雷达。根据测距原理，可分为飞行时间测距（ToF）和调频连续波（FMCW）。目前业界处于激光雷达应用探索阶段，没有明确的方向，也无法知道未来哪条技术路线会成为主流。激光雷达市场广阔，中国企业将领先美国。激光雷达市场前景广阔。我们预计到2025年，中国激光雷达市场将接近150亿元，全球市场将接近300亿元；到2030年，中国激光雷达市场规模将接近350亿元，全球市场规模将接近650亿元。市场年化增长率达到48.3%。美国最大的自动驾驶公司特斯拉，采用的是纯视觉方案。其他车企并没有具体计划在车上使用激光雷达。因此，中国已成为车载激光雷达最大的潜在市场。2022年，国内汽车厂商将大量推出搭载激光雷达的产品，预计2022年车载激光雷达产品出货量将达到20万台。中国企业胜出的可能性更大，因为中国企业离中国更近。市场，与中国整车厂合作程度高，更容易获得市场订单，因此成本下降的速度会更快，形成良性循环。中国广阔的市场将助力中国激光雷达企业缩小与国外企业的技术差距。2022-2030年中国激光雷达市场展望激光雷达型号一览现阶段，各技术路线各有优缺点。我们的判断是未来FMCW技术会和TOF技术共存，1550nm的激光发射器会比905nm的更好。同时，市场可能会跳过半固态，直接走向全固态。FMCW技术与TOF技术并存：TOF技术相对成熟，具有响应速度快、检测精度高等优点，但不能直接测速；FMCW通过多普勒原理直接测速，灵敏度高（比ToF高10倍以上），抗干扰能力强，检测距离远，功耗低。未来FMCW可能用于高端产品，TOF可能用于低端产品。1550nm优于905nm：905nm是近红外激光，容易被人体视网膜吸收，造成视网膜损伤，所以905nm溶液只能维持在低功率。1550nm激光具有可见光谱原理。相同功率条件下的激光对人眼的伤害更小，探测距离更远，但缺点是需要InGaAs作为发生器，不能使用硅基探测器。跳过半固态，直接进入全固态：现有的半固态解决方案，如旋转镜、角度和MEMS，都具有少量的机械部件，在车辆环境中的使用寿命短，使得很难通过车辆认证。固态激光雷达VCSEL+SPAD方案采用芯片级技术，结构简单，易于通过车规。已经成为纯固态激光雷达最主流的技术方案。iPhone12pro背后的激光雷达采用了VCSEL+SPAD方案。激光雷达的技术路线和代表企业的高精地图或将被颠覆。在高级地图领域，路线之争仍在继续。特斯拉提出了一种不需要提前测绘的高精度地图。它根据摄像头采集的数据，利用人工智能技术构建环境的三维空间。每辆车都提供道路信息并将其汇总到云端。因此，我们需要警惕技术革新对高精地图的颠覆。有从业者认为，智能驾驶离不开高精地图。从视觉上看，高精地图没有遮挡，没有距离和视觉上的缺陷。特殊天气条件下，高精度地图仍能发挥作用；从误差的角度来看，高精地图可以有效消除部分传感器误差，在某些路况下，可以有效补充和修正现有的传感器系统。此外，高精度地图还可以构建驾驶体验数据库，通过多维时空数据挖掘分析危险区域，为驾驶者提供全新的驾驶体验数据集。激光雷达+视觉技术、采集车+众包模式是未来高精地图的主流解决方案。高精度地图需要平衡精度和速度这两个指标。采集精度太低，更新频率太低，无法满足自动驾驶对高精度地图的需求。为了解决这个问题，高精地图公司采用了一些新的方法来应对，比如众包模式。每辆自动驾驶汽车作为高精度地图的采集设备，提供高精度的动态信息，然后聚合分发给其他汽车使用。.在这种模式下，领先的高精地图公司由于可以参与众包的模型数量多，可以收集到更准确、更快的高精地图，保持强者恒强的局面。高德地图融合方案计算平台：对芯片的要求不断提高，半导体技术是护城河计算平台，又称自动驾驶域控制器。随着L3以上自动驾驶渗透率的提升，对算力的要求也随之提高。虽然目前L3的法规和算法还没有出台，但整车厂商都采用了冗余算力方案，为后续的软件迭代做储备。空间。未来计算平台将具有两个发展特征：异构性和分布弹性。异构：针对高端自动驾驶汽车，计算平台需要兼容多种类型、多数据传感器，并具有高安全性和高性能。现有的单芯片无法满足众多的接口和计算能力需求，需要异构芯片的硬件解决方案。异构性可以体现在一块板上集成多种架构芯片，如奥迪zFAS集成MCU（微控制器）、FPGA（可编程门阵列）、CPU（中央处理器）等；还可以体现在一个强大的单芯片（SoC，system-on-a-chip）上同时集成了多个架构单元，比如NVIDIAXavier集成了GPU（图形处理单元）和CPU两个异构单元。分布灵活：目前的汽车电子架构逐渐将许多单一功能的芯片集成到域控制器中。高级别自动驾驶要求车载智能计算平台具有系统冗余和平滑扩展的特点。一方面，考虑异构架构和系统冗余，采用多板实现系统解耦和备份；另一方面，采用多板的分布扩展，满足高级别自动驾驶对算力和接口的要求。在同一个自动驾驶操作系统的统一管理和适配下，整个系统协同实现自动驾驶功能，通过改变硬件驱动和通信服务适配不同的芯片。随着自动驾驶水平的提高，系统对计算能力和接口的要求将与日俱增。除了增加单个芯片的计算能力外，还可以通过硬件组件的反复堆叠，实现硬件组件的灵活调整和平滑扩展，从而提高整个系统的计算能力，增加接口，完善功能。异构分布式硬件架构主要由三部分组成：AI单元、计算单元和控制单元。AI单元：采用并行计算架构AI芯片，采用多核CPU配置AI芯片和必要的处理器。目前，AI芯片主要用于多传感器数据的高效融合与处理，并在执行层输出执行的关键信息。AI单元是异构架构中对算力要求最高的部分，需要突破成本、功耗、性能等瓶颈，才能满足产业化的要求。AI芯片可选择GPU、FPGA、ASIC（专用集成电路）等。不同类型芯片的计算单元对比：计算单元由多个CPU组成。具有单核主频高、计算能力强等特点，满足相应的功能安全要求。加载Hypervisor，Linux内核管理系统，管理软件资源，完成任务调度，用于执行自动驾驶相关的大部分核心算法，整合多种数据实现路径规划和决策控制。控制单元：主要基于传统的整车控制器（MCU）。控制单元加载ClassicAUTOSAR平台基础软件，MCU通过通信接口与ECU相连，实现车辆动态的水平和垂直控制，满足功能安全ASIL-D等级要求。以特斯拉FSD芯片为例。FSD芯片采用CPU+GPU+ASIC架构。包含3个四核Cortex-A72集群，总共12个2.2GHz的CPU；以1GHz运行的MaliG71MP12GPU、2个神经处理单元(NPU)和各种其他硬件加速器。三类传感器之间有明确的分工。Cortex-A72核心CPU用于通用计算处理，Mali核心GPU用于轻量化后处理，NPU用于神经网络计算。GPU算力达到600GFLOPS，NPU算力达到73.73Tops。特斯拉FSD芯片架构自动驾驶域控制器的技术核心是芯片，其次是软件和操作系统。短期护城河是客户和交付能力。芯片决定了自动驾驶计算平台的计算能力。设计制造难度大，容易成为瓶颈。高端市场由国际半导体巨头Nvidia、Mobileye、德州仪器、恩智浦主导；在L2及以下市场，以地平线为代表的国内企业正逐渐获得客户的认可。中国网域控制器厂商一般与芯片厂商深度合作，采购芯片交付给具有自身硬件制造和软件集成能力的OEM厂商。与芯片公司的合作一般都是排他性的。从芯片合作来看，德赛西威绑定英伟达和创达绑定高通优势最为明显。国内另一家自动驾驶域控制器公司华阳集团与华为海思、东软睿驰、恩智浦、地平线建立了合作关系。国内域控公司与芯片公司的合作关系域控的竞争力是由上游合作的芯片公司决定的，而下游的OEM往往会采购芯片公司提供的整套解决方案。比如蔚来、理想、小鹏的高端机型采购了英伟达Orin芯片和英伟达自动驾驶软件；极氪和宝马向芯片公司Mobileye采购解决方案；长安和长城采购地平线L2解决方案。应继续关注芯片与域控公司的合作。芯片企业与车企的产品协同3、数据与算法：数据促成算法的迭代，算法的好坏是自动驾驶企业的核心竞争力。用户数据对于改造自动驾驶系统极为重要。在自动驾驶的过程中，会出现概率很低的罕见场景。这种场景称为cornercase。如果感知系统遇到边角情况，将会带来严重的安全隐患。比如前几年，特斯拉的Autopilot没有认出正在穿越的白色大货车，直接从侧面撞过去，导致车主死亡；2022年4月，小鹏汽车在马路中间开启自动驾驶时发生翻车事故。解决这类问题只有一个办法，那就是车企率先收集真实数据，同时在自动驾驶计算平台上模拟更多类似的环境，让系统学习更好的处理下次。一个典型的例子是特斯拉的影子模式：与人类驾驶员的行为进行比较以寻找潜在的cornercases。然后将这些场景标记并添加到训练集中。相应地，车企需要建立数据处理流程，将收集到的真实数据用于模型迭代，迭代后的模型才能安装到真正的量产车上。同时，为了让机器大规模地学习cornercases，在得到一个cornercase之后，会对这个cornercase遇到的问题进行大规模的模拟，衍生出更多的cornercases系统学习。NvidiaDriveSim是NVIDIA采用Metaverse技术开发的仿真平台，就是其中的仿真系统之一。数据领先的公司建立数据护城河。常见的数据处理过程是：1）判断自动驾驶车辆是否遇到cornercase，并上传2）标记上传的数据3）使用仿真软件模拟创建额外的训练数据4）迭代更新神经网络模型数据5)通过OTA将模型部署到实车数据处理流数据闭环，依托超大算力的数据中心。根据Nvidia在2022CES上的演讲，投资L2辅助驾驶系统的企业只需要1-2000个GPU，而开发一个完整的L4自动驾驶系统的企业则需要25000个GPU来建设一个数据中心。1、特斯拉目前拥有3大计算中心，总计11544块GPU：自动标记计算中心拥有1752块A100GPU，另外两个用于训练的计算中心分别拥有4032块和5760块A100GPU；2021AIDAY发布的自主研发的DOJO超级计算机系统拥有3000个D1芯片，计算能力高达1.1EFLOPS。2、商汤科技在建的上海超算中心项目规划20000+A100GPU。全部完成后，峰值算力将达到3.65EFLPOS（BF16/CFP8）。
