庖丁解牛自动驾驶汽车产业生态系统全景图解

小君君在本文中简单粗暴地划分，一百多年前，汽车企业作为手工作坊，几乎要敲打出全部主要零部件的时代为汽车产业的.0阶段；福特T型车，流水线规模化生产，后来产业链条专业分工，是汽车产业的.0阶段，汽车产业成为工业制造王冠上的明珠；那么未来，汽车产业的3.0阶段就要来了——一个更加复杂的生态系统，一个横跨多重业态的生态圈代替原本分工明确的一条产业链。

之所以如此，就是因为智能网联汽车技术的发展对原有的链条提出挑战，造出，对于任何想要在该领域开展竞争的人来说都是一个复杂的任务。整车厂与传统汽车零部件供应商以积极开展合作、投资和兼并来提高其战略地位。大型高科技公司也积极开发竞争平台战略，并通过风投基金广泛开展投资。除原有汽车产业链上的参与者，整车厂，tier供应商，科技巨头以外，还有AI、新型传感、芯片等数百家新兴公司想要在自动驾驶生态系统领域分一杯羹。其中有许多获得新一轮融资的初创企业狂热地追求传感、定位、模拟和绘图领域的技术突破。许多公司从地球科学、人工智能等周边领域进军自动驾驶领域。一些公司甚至还从航天、防卫和采矿等周边产业进军该领域。

如下图所示，引用VSI的信息图解析当前自动驾驶生态系统，可以看到参与方的复杂（图中企业集中在智能汽车本身单车智能，只覆盖了车载技术，不包含基建、云平台或企业技术等移动出行生态系统的重要基础设施）

一、智能驾驶整车开发

该领域代表了制造具备完整自动驾驶车功能汽车平台的公司。该领域未来的参与者可能有两个类别：整车厂和移动出行。

、主机厂

作为.0时代站在汽车产业链顶端的主机厂，在量产车型上的辅助驾驶功能和未来机器人出租车/MaaS(MobilityasaService)开发自动驾驶技术等方面都积极投入。如最近日本丰田汽车计划投资滴滴出行公司，投资金额约为亿日元（约合4.57亿美元）。同时，双方还将组建汽车租赁公司，丰田向其中注资80亿日元（约合万美元），新公司将购买丰田汽车并借给司机，丰田的经销商则负责汽车维修。以丰田为代表的企业，最终目标是转型为“移动出行服务公司”，向消费者和/或自动驾驶服务运营商销售其自动驾驶车产品。

近几年，多家整车厂开始为量产车配套L系统。一些整车厂为量产车提供更先进的安全功能和先进的L+系统。部分整车厂已为量产车应用了L3能力。然而，因为法规和驾驶权限移交的问题，部署L3自动驾驶系统仍面临许多挑战。这导致部分L3功能逐渐渗透至L的领域，仍要求驾驶员始终参与驾驶。

VSI认为，只有少数几家整车厂仍计划在未来几年生产3/4级量产型自动驾驶车。几乎所有的整车厂都专注于4级机器人出租车/MaaS车、以及量产车中更先进的安全功能以及先进的L+系统。很少有整车厂和其他公司在谈论3/4级量产型汽车。计划量产自动驾驶车的整车厂包括Mobileye的一些合作伙伴，如宝马、日产、奥迪/大众（其中任何一家都可能发生变化）、Apollo/中国整车厂、沃尔沃（有可能）、以及一些不确定是否会推出车辆的EV初创企业。

、移动出行商

整车厂梦想转型为“移动出行服务商”，本处移动出行类别仅仅指包含正在为未来移动出行服务开发和测试完全自动驾驶车的公司。该领域的许多公司对现有量产车进行改装，并将多家供应商提供的系统与其自身的自动驾驶技术堆栈相结合。其最终目标是为公众和商业运输车队运营自动驾驶移动出行服务。

该领域包含的多数产品面向网约车平台、机器人出租车、送货车或在限定区域内运行的接驳车等运营商。部分大型车队、车队服务供应商以及资金充足的初创企业占据了该类别。

二、自动驾驶系统

自动驾驶系统包含提供能够处理感知、决策和控制的自动驾驶硬件及/或软件平台的公司。这些公司正在开发自动驾驶平台技术，用于控制自动驾驶功能的多领域。

该领域的多数公司还有用于各自测试目的地的自动驾驶车。终极目标是向正在自主研发完整自动驾驶车的整车厂及移动出行服务运营商提供自动驾驶硬件和/或软件。列入该类别上的一些公司通过提供硬件参考设计和软件开发包（SDK），提供更完整的自动驾驶功能组合包。部分公司通过使用其他公司的自动驾驶硬件和组件，专注于研发自动驾驶平台。

其中多数企业将自动驾驶硬件及/或软件和堆栈商品化，向整车厂以及移动出行服务公司供货。同时，该领域的若干企业将其软件开源化，广泛呼吁业界的参与和协作，以共享知识、扩充其开源自动驾驶软件和知识库。还有企业将收集的数据进行销售等，作为收益来源进行充分利用。苹果也被列入这个范畴，但苹果的自动驾驶项目开展得非常机密，因此苹果在自动驾驶领域有何目标尚不明确。苹果目前正开展自有自动驾驶车的路试，继Waymo与GM-Cruise之后，是加州自动驾驶车保有量中排名第三的公司。苹果应该在上市的准备完成前不会透露信息，VSI认为，苹果自身不会成为自动驾驶车的制造商，而是会成为自动驾驶系统的技术供应商。

三、传感领域

传感领域因为涉及诸多新兴领域，很多领域原有巨头优势不明显，参与者众多，竞争目前已经较为激烈。传感器占据了自动驾驶系统的大部分，其组件涵盖了单一传感器到完整的传感器模块等整个格式。

该信息图未能完全看到传感领域的进一步细分类型，例如CMOS/CCD、雷达、LiDAR、超声波、IR/NIR（或温度）、GPS/GNSS以及惯性测量单元（IMU）等类型。在多种功能中，传感器除了车辆周围3D环境以外，还用于检测进入的车辆、行人、以及动物等其他对象物体。要想在量产车型上实现SAEL4/L5的全自动驾驶功能，就需要应用多种传感器冗余系统。当今的半自动驾驶系统采用了各种各样数量和设计的雷达和摄像头系统。因为涵盖面比较广，本处略作分别解释：

.、摄像头

优点：成本低廉，用摄像头做算法开发的人员也比较多，技术相对比较成熟。

劣势：获取准确三维信息非常难（单目摄像头难，双目或RGBD摄像头可以）；受环境光限制比较大。

摄像头的工作包括：

*车道线检测；

*障碍物检测，障碍物识别以及对障碍物进行分类，如行人和车辆检测；

*交通标志的识别，比如识别红绿灯和限速牌。

*视觉slam:通过摄像头实现定位与建图。

.、双目、RGB-D摄像头

双目方案：

最大的问题在于实现算法需要很高的计算资源，导致实时性很差，而且基本跟分辨率，检测精度挂钩。也就是说，分辨率越高，要求精度越高，则计算越复杂，同时，纯双目方案受光照，物体纹理性质影响。

结构光方案：

目的就是为了解决双目中匹配算法的复杂度和鲁棒性问题而提出，该方案解决了大多数环境下双目的上述问题。但是，在强光下，结构光核心技术激光散斑会被淹没。因此，不合适室外。同时，在长时间监控方面，激光发射设备容易坏，重新换设备后，需要重新标定。

TOF方案：

传感器技术不是很成熟，因此，分辨率较低，成本高，但由于其原理与另外两种完全不同，实时性高，不需要额外增加计算资源，几乎无算法开发工作量，是未来。双目、RGB-D工作包括：

*障碍物检测，障碍物识别以及对障碍物进行分类；

*视觉slam:通过摄像头实现定位与建图。

.3、激光雷达

激光雷达能非常详细的获得一个实时的三维点云数据，包括目标的三维坐标、距离、方位角、反射激光的强度、激光编码、时间等等，常用的有单线、4线、6线、3线、64线、8线束。

优点：精度高、其探测距离较远，而且能够准确获取物体的三维信息；稳定性相当高，鲁棒性好。

缺点：采集周期长，一般00ms一场数据,最快50ms但点会稀疏；成本较高。激光受大气及气象影响大，大气衰减和恶劣天气使作用距离降低，大气湍流会降低激光雷达的测量精度，容易丢失远处窄小目标。

激光雷达的工作包括：路沿检测；障碍物检测，障碍物识别，对静态物体和动态物体的识别；制作高精地图；定位，利用激光雷达配合AMCL、ICP算法分别实现单线、多线的激光定位。

.4、惯性测量单元(InertialMeasurementUnit，简称IMU)

一般由三个单轴加速度计和陀螺仪组成。惯导解算主要是通过加速度计测得的载体加速度和陀螺测得的载体相对于导航坐标系的角速度来对载体的位置、姿态及速度进行解算。IMU传感器用于从检测到的位置预测车辆动作等GPS等传感器无法完全满足要求的情况。

优点：优势是不依赖外界环境，靠自身就可以实现定位。

缺点：长时间推算，存在一个累计误差，随着时间越来越长，如果没有办法给它提供校正的话，这个误差就会越来越大。高精度级的IMU成本居高不下，消费级精度的IMU又不能够满足自动驾驶领域的技术要求与可靠性要求。（截至目前，国内羲朗科技等国内IMU模块已经能很好满足终端对于性能和成本的要求）。

IMU的工作包括：

提供机器人的姿态变化信息（三轴的加速度、角速度）。

根据姿态变化信息积分得到机器人当前时刻的位置、速度、姿态等信息。

可利用陀螺仪和加速度计配合轮速计通过车辆运动模型去推算车辆下一个时刻所处位置、航向。

配合GPS组成组合惯导系统。IMU可以在GPS信号消失的时候，仍然提供持续若干秒的亚米级定位精度，并且提供相对位置和相对姿态，还可以在GPS信号发生漂移的时候对GPS信号进行纠偏。

配合视觉摄像头组成VIO，做视觉里程计。

配合激光做lamb状态估计与建图。

.5、毫米波雷达

毫米波雷达可能是当前最受欢迎的传感器了，毫米波，是工作在毫米波波段（millimeterwave），工作频率在30～00GHz，波长在～0mm之间的电磁波，通过向障碍物发射电磁波并接收回波来精确探测目标的距离、速度和角度，其全天候全天时以及准确的测速测距深受开发者的喜爱。

凭借出色的测距测速能力，毫米波雷达被广泛地应用在自适应巡航控制(ACC)、前向防撞报警(FCW)、盲点检测(BSD)、辅助停车(PA)、辅助变道(LCA)等汽车ADAS中。

优点：、与红外、激光等光学导引头相比，毫米波导引头穿透雾、烟、灰尘的能力强，传输距离远，具有全天候全天时的特点；、性能稳定，不受目标物体形状、颜色等干扰。毫米波雷达很好的弥补了如红外、激光、超声波、摄像头等其他传感器在车载应用中所不具备的使用场景。3、毫米波雷达的探测距离一般在50m-50m之间，有的高性能毫米波雷达探测距离甚至能达到m，可以满足汽车在高速运动时探测较大范围的需求。与此同时，毫米波雷达的探测精度较高。

缺点：不具备对障碍物的识别能力，容易误检测。噪声严重。

.6、GPS-RTK

利用差分GPS卫星定位技术，通过双天线的接收机，实现对车辆的厘米级定位和准确的航向确认。配合IMU组成组合惯导设备，实现优势互补。

优点：使用方便，定位精度高；

缺点：是容易收到电磁干扰、环境遮挡影响（大楼、树荫）。

.7、超声波传感器

超声波传感器是根据超声波在空气中的传播速度为已知，超声波遇到障碍物会反射回来的特性进行距离测量的一种传感器。首先，超声波传感器会发射一组高频声波，一般为40-45KHz，当声波遇到物体后，就会被反弹回，并被接受到。通过计算声波从发射到返回的时间，再乘以声波在媒介中的传播速度（米/秒，空气中）。从而获得物体相对于传感器的距离值。

、精度：超声波测距的测量精度是厘米级；

、报错概率：超声波测距传感器容易报错，主要原因在于超声波测距传感器是声波发射，具有声波的扇形发射特性，所以当声波经过之处障碍物较多时，反射回来的声波较多，干扰较多，易报错；

3、测量范围：超声波测距仪的测量范围通常在80米以内，车用超声探头一般.5米以内。

优点：成本低，使用方便；

缺点：由于声速固定，所以探测距离和探测评率一般较小；容易受到干扰，经常出现误报、错报；容易丢失面积较小的障碍物；探测角度大，只能得到障碍物的大致方位，无法精确获取障碍物的具体位置；超声测距传感器一般都有探测盲区，单探头超声传感器盲区在0-30厘米。

.8、编码器、轮速计

编码器是安装在底盘驱动电机、驱动轴或者轮子上的测量电机、轮子转动速度、位置的传感器，根据单位时间的脉冲个数或者单位脉冲的时间差即可计算出轮子单位时间的转动速度。

优点：成本低，使用方便，精度高，速度反馈准确、及时；

缺点：对于非电机自带的传感器，安装较为麻烦，机械设计要求较高。

四、处理领域

“处理”领域是指提供处理逻辑或授权IP的企业。包含在该范畴内的处理器技术与种类包括数字信号处理（DSP）、现场可编程门阵列（FPGA）、图形处理器（GPU）、系统芯片（SoC）以及视觉处理单元（VPU）等具有代表性的技术。

从与自动化的关联来看，这些处理技术用于图像识别、定位、控制信号、神经网络、车联网、网络安全以及安全性等领域。与汽车行业相关的大部分知名半导体公司提供主动安全以及自动驾驶控制等各个范畴的解决方案（即节点）。既是芯片这一实体的硅供应商，也是提供用于自定义配置的可获得授权的指令集供应商。

从处理器角度来看，自动驾驶要求的处理器接近可实时处理几百万像素（或数据点）的游戏用计算机。因此，作为处理的方法，经常会需要可同时处理多个数据流的巨量平行（massivelyparallel）架构。IoT半导体行业的三大公司—英特尔、AMD、英伟达宣布致力于AI/边缘计算技术，并进行了展示。各半导体厂商今年的侧重领域是电脑游戏和电竞。通过高级计算机绘图技术使这些游戏与虚拟现实（VR）相融合。作为延伸，也在考虑应用至自动驾驶技术的开发所不可或缺的“自动驾驶模拟器”。

GPU是在应对这类计算环境时经常用到的选择。这些架构也适用于处理基于AI的算法。灵活使用AI的英伟达车载计算机平台DRIVEAGXPegasus的架构开发是基于个英伟达Xavier处理器和个下一代TensorCoreGPU。为了充分发挥其计算性能，与熟悉汽车架构的梅赛德斯奔驰的工程师合作，从而实现用于下一代AI汽车的高性能计算机。

五、数据/车联网

在“数据/车联网”领域，包含利用车载网络或通过车外无线网络提供支持数据移动的硬件及/或软件解决方案的企业。其中若干企业是根据需要制作处理数据通信、信息压缩/解压或加密的车联网模块（即网关）的“一级”供应商。其中也包含车辆网络架构的一部分—网络接口及开关类供应商。

此外，制造VX设备、远程通讯控制系统（TCU）等外部通信模块的公司也包含在该领域中。自动驾驶未来必须与其他车辆和基础设施进行通信，因此这些企业可以说是数据和车联网领域所不可或缺的成员。此外，自动驾驶的车载软件类的升级等各类应用也需要维持与服务供应商及数据中心的联网。

针对车联网，08年月，工业和信息化部印发车联网（智能网联汽车）直连通信使用-MHz频段规定（暂行），规划了-MHz频段共0MHz带宽的专用频率资源，用于基于LTE演进形成的VX智能网联汽车的直连通信技术，同时，对相关频率、台站、设备、干扰协调的做出了规定。随着5G和C-VX技术的快速发展，智能化与网联化技术正在加速融合。08年高通推出了C-VX芯片，兼容LTE和5G通信。起亚在08年CES上展出了全新概念电动车NiroEV，搭载全球首款5G网络打造的车载无线传输，基于该网络，驾驶者可通过脸部和声音识别“登陆”车辆，并可进行预先个性化设置。

有了强大的联网能力之后，汽车就可会收集驾驶员的各种数据，包括车辆目的地、路线、交通模式、偏好的音乐类型、最喜欢的餐厅以及加油站，因而，驾驶员会越来越注重数据的安全性，以及如何最有效地使用此类数据。未来几年，越来越多的汽车制造商将会提升数据安全性以及数据使用效率，此外此种能力将会决定哪些汽车制造商能够跻身顶级汽车制造商之列。

六、绘图

用于自动驾驶车的地图数据在保证自动驾驶的性能和安全性方面不可或缺。自动驾驶的地图数据是非常细致的数据，具备看不到车道线的时候、以及恶劣天气等外部因素导致车道线被覆盖时，实现车辆行驶功能的高精度车道模型。此外，自动驾驶地图数据还具备车辆定位所必须的标志性建筑物、其他建筑物的信息。除了这些，地图数据还涵盖了限速、弯道警告、车道封闭等数据。

传统电子导航地图的误差通常在数米，而基于激光雷达收集的海量的点云进行的道路3D重建，获得车道详细形状，并能够保证重建的车道宽度、位置等信息误差不超过0CM。同时，包含了人行横道、隔离带、车道线等诸多信息。摄像头采集的道路标志等信息，经过处理之后将产生限速信息、路况标识信息。同时，结合陀螺仪等车身传感，将产生车道的坡度、弯道曲率等完善信息。掌控全局路况信息，实现L3车道级规划、引导能力。最底层的高精度地图数据信息，具备了辅助完成实现高精度的定位位置功能、道路级和车道级的规划能力、以及车道级的引导能力。

该领域包含为自动驾驶提供数字地图数据的地图公司。这些地图公司既有收集、处理和升级地图数据，也有向整车厂和其他自动驾驶企业供应完整地图的服务公司，还有提供绘图服务的企业。

对于自动驾驶车来说，地图显然是发挥其性能和保证安全所不可或缺的因素。现有企业无论是否初创企业，对于多数企业来说，利用数字地图这一财产开展新服务和商业模式都将是一个机遇。针对高精地图，英伟达宣布在该领域将与新的合作伙伴开展合作。英伟达提供的高精度地图平台（DRIVELocalization）为了准确定位，除了合作企业提供的高精度地图信息以外，还可根据车辆周围车道的边界、标志、电线杆、道路边界等特征性关键信息，利用AI在地图上映射正确的位置，可构成生成高精度地图的生态系统。09年CES展上，针对该系统，Zenrin、百度、HERE、NavInfo、TomTom都宣布接受高精度地图的提供。

高精度地图作为自动驾驶的必要支撑，必须维持底层车道数据的精确性，同时必须能够进行动态路况信息的实时更新，并基于不同车主驾驶习惯进行个性化驾驶支撑。

高精地图数据的创建、使用、更新与分享可能会带来全新的商业模式。在提供高精地图构建技术的基础上，做好基于高精地图的感知和定位服务，从而打通整个数据流通链条是很容易实现的。高精度地图是整体架构的底层基础，底层高精度地图数据主要是通过激光雷达、摄像头、以及陀螺仪等设备进行采集。

在掌握全局路况信息时，自动驾驶汽车能够提前规划驾驶路径，而非在弯道前不远处进行较为紧急的制动转弯。同时，高精度地图也将对基于坡道的燃料选择，自适应前灯等诸多方面做出数据支撑，成为自动驾驶不可或缺的部分。自动驾驶必须实时更新道路状态变化，这是动态道路层需要解决的问题。基于云的动态道路解决方案，打破车身传感的局限性，感知无限延伸。以高精度地图底层数据为支撑，在此基础上以动态交通“云”的方式，进行数据的实时更新以及预警推送。当前方出现交通事故之后，事故车辆以及周边车辆将向云端上传事故位置，云端将向周边的车辆推送事故信息与具体位置，作为车道调整的决策依据。

七、软件、算法

软件将占未来汽车创新的90％，“软件/算法”领域的范围非常广泛，涉及提供中间层、运行态软件、应用程序软件以及AI软件的企业。这些产品作为自动驾驶控制的各类要素得以应用。例如，感知域包含特征性的检测以及进行分类的软件，同时，定位域包含定位相对位置的软件。

“软件定义汽车”（SoftwareDefinedVehicle，SDV）已经成为了汽车差异化竞争的又一战场。和硬件相比，软件成了车里迭代最快、最容易个性化的部分，软件也不再只是仅仅用来控制底层的硬件运行，其充满了无限可能性的天赋使它从幕后走向了台前。多数算法适用于检测特征和将对象物体进行分类等的感知功能，还有用于行进路线计划和周围物体和行人动作等的预测应用程序的算法。

软件开发工具不属于软件的范畴，但包含在“开发工具及域”中。软件开发工具的公司提供的产品一般被称为软件开发工具包（SDK），开发人员负责开发自己的应用程序。算法运行系统和相关运行态组件等深嵌入硬件堆栈内部的软件通常根据处理器架构的形式进行开发。

八、安全/网联安全

该领域涵盖了提供汽车功能安全和网络安全相关产品及/或服务的公司。功能安全标准ISO66在主动安全以及自动驾驶中更是核心因素，在ASILA、B、C、D等汽车安全性等级（AutomotiveSafetyIntegrityLevel,ASIL）中有明确规定。该领域的多数企业设计和提供的组件（硬件或软件）将误差控制在最小限度内，检测异常操作并通知安全功能的界限，获得安全性标准的好评。多数情况下，这类技术适用于软件堆栈（实时运行系统等）内的运行态组件。

在网络安全领域，汽车网络安全相关企业日益增多。既有兼具硬件和软件两方面的产品，也有只从事其中一项的产品。大多数处理逻辑供应商都将其嵌入处理器中，但也有企业由合作伙伴提供网关安全和调制解调器安全产品。L4/L5自动驾驶系统要求云平台也要具备网络安全功能。世界各主要国家和区域也已经制定了对应的法规和机构和来加强信息安全。从汽车行业来说，需要拓展其协同性和共享性才能良好发展。从ISO/SAE协同标准的建立开始，信息安全的要求已经被提高了。

九、开发工具

“开发工具”领域包含提供算法、代码生成、开发环境、网络分析、数据注释和确认、以及调试/编译软件开发工具的企业。还涵盖了提供模拟、建模、制样、记录（recording）/审查（examination）、确认/验证工具的企业。

提供制造和开发自动驾驶系统的开发工具的企业

要设计高级自动驾驶系统，开发工具不可或缺。开发周期的前期首先需要进行建模，然后进行场景设置，在建模后的虚拟环境中测试各个阶段的性能。在模拟环境中，既有提供测试各个组件功能的工具，也有测试算法性能的工具。

运行态组件开发工具也不少。这些工具往往被称之为代码检查器，在代码库中查找错误或异常，根据对象硬件堆栈优化代码库。

同时，提供数据注释与验证的企业近几年来也在自动驾驶生态系统及价值链中提高了其影响力。数据注释与验证对于自动驾驶车的整个开发来说都是极为重要的流程。数据注释与验证的作用是为自动驾驶车配套的传感器类（即摄像头、雷达、LiDAR）产生的庞大数据量赋予意义，并正确识别驾驶员每天遇到的无数个不同的场景，使算法学习如何正确处理这些场景。加上注释的数据可以说为自动驾驶车赋予了智慧。专业从事数据注释的这些企业通过提供大规模带标记的高质量数据，加快了自动驾驶/ADAS技术的开发。

结语

智能网联汽车横跨传统汽车、人工智能、数字通讯等领域，不仅仅是生态链条的重塑，甚至是生态圈的重塑。整车厂、原有零部件巨头、科技巨头，新兴势力，在这条艰难的旅途上“长征”，希望能够“活着”到达终点。汽创君认为，对于这条漫长征途上的参与者，无论块头大小，理解智能网联生态系统全景有着重要的意义，愿原本处于不同生态的参与者多多交流，共建生态。

更多信息，欢迎

转载请注明：http://www.yowohardware.com/jibzd/6586.html