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、软件架构的软实时、操作系统可移植;采集数据信息多功能应用,有效减少硬件需求量,真正实现软件定 义汽车。

3. 通信架构升级:车载网络骨干由LIN/CAN总线向MOST和以太网方向发展。其优点是:满足高速传输、高通量、低延迟 等性能需求。

决策“大脑”:硬件+软件+操作系统

无人驾驶决策系统主要包括硬件平台、软件及操作系统三个部分。在自动驾驶中,传感器从环境中收集数据,并将这些数据 提供给硬件平台进行感知和动作的计算,然后再将动作规划发送到控制平台进行执行。在硬件之上,还需要一个操作系统来 协调这些组件之间所有的通信,并协调不同实时任务的资源分配。决策(功能)软件实时处理硬件产生的数据,并根据处理 的结果发出相应的指令给执行系统,以达到自动驾驶的目的。应用软件给智能汽车的操控带来极大的便捷,也使汽车有望成 为新的万物交互的终端。

自动驾驶是AI(人工智能)最大的落地应用场景。自动驾驶从本质上来说是要让车辆拥有与人类一样的观察与思考的能力, 因此AI技术水平的发展对于自动驾驶能力起着决定性的作用,自动驾驶也为迟迟无法商业化的AI技术找到了巨大的市场。

决策软件:数据处理+决策规划,是核心竞争力

决策软件(算法)作为自动驾驶的“大脑”, 是理解以及实施决策的基础,是自动驾驶的核 心竞争力:主要包括视觉算法、雷达算法等传 感器数据处理和融合,以及路径规划、行为决 策与动作规划等部分。

科技公司、造车新势力与传统整车厂都在积极 布局软件的研发能力,科技公司和造车新势力 的决策软件(算法)能力领先。科技公司,例 如谷歌Waymo、百度Apollo、英特尔的 Mobileye以及国内的AI公司地平线、小马智 行等,对算法拥有较强的开发能力。对于车企 来说,造车新势力中,特斯拉、蔚来和小鹏拥 有较为全面的自主研发算法的能力,并且依靠 快速增长的用户积累了很多实战经验,算法能 力增长很快;传统车企如今仍以与第三方公司 合作为主,但也开始逐步培养自主开发团队, 以期获得自主研发能力。

车载视觉算法实现包括交通标志、车辆行人的 识别、物体距离(速度)测量:随着摄像头的 硬件技术不断进步,摄像头的图像采集能力与 人眼不相上下。人能够凭借眼睛来观察路况, 主要是因为人可以根据看到的图像去理解驾驶 环境;同样的,对于车载摄像头来说,最重要 的任务就是让其能够“看懂”画面的含义。

激光雷达算法是让其作用不仅限于速度测量, 而可以进行目标分类、跟踪识别、轨迹预测和 SLAM等高阶功能,助力车辆对周边环境的理 解能力。

四、控制执行系统

电气化实现自动驾驶控制优势:稳定/准确/快速

汽车的电气化不仅包括从化石燃料到电池的动力升级,还包括从机械控制到电子控制的控制系统升级。

电机在稳定性、快速性、准确性等控制方面都强于内燃机。对于的控制执行来说,电机要远远优于内燃机。电机的扭矩脉动小 ,稳定性更好;电机整个传动系统更简单,其准确性更高;电机的扭矩响应更快,其快速性也越好。

电动化是汽车升级的上半场,智能化将会是汽车升级的下半场。电动汽车的普及加速了汽车电气化的升级,而电气化也在加速 汽车智能化的发展,两者相辅相成,共同快速发展。

控制执行:自动驾驶与电气化相互促进发展

自动驾驶控制的核心技术就是车辆的纵向控制和横向控制。纵向控制车辆的油门和制动,而横向控制的是转向(方向盘角度 )。将机械的控制信号转变为电信号,延迟低且操控更精确,但现有的电气化部件通常寿命短、安全系数低且价格很高,综 合成本不具备优势,市场规模较小。随着自动驾驶的不断升级,可量化的电信号天生就适合计算机控制,因此电气化又开始 受到汽车厂商的关注,进入到了快速发展的时代。

五、解决方案供应商

解决方案供应商的角色定位

如何实现商业化:被车厂收购或进行战略合作?自己下场造车?

车辆产生的数据在“软件定义汽车”中所占的地位越来越重要:不拥有车辆的第三方,如何与车厂进行数据归属分配?

科技公司的角色定位:如何与车厂进行算法共享?如何解决车厂的避免沦为代工厂的自研努力?

Waymo:L4+级自动驾驶领域的领跑者

自动驾驶技术的标杆企业,路测数据及专利数量常年保持领先:Waymo刚开始是Google于2009年1月开启的一项自动驾驶 汽车计划,其主要负责人为参与过DARPA挑战赛的Sebastian Thrun(斯坦福大学人工智能实验室SAIL负责人)和Anthony Levandowski(自动驾驶公司510 Systems的创立者)。2016年12月由Google独立出来,成为Alphabet公司旗下的子公司,专 注于研发最高级别L4~L5的自动驾驶技术。加州车管所公布了2020年自动驾驶的路测数据,Waymo在平均接管两次间可行驶里程这个指标中排名第一,在测试里程中排名第二。Waymo的有效专利数也是常年领先,近三年增速降低,但仍排在前三位。

目前的商业化模式有:自动驾驶出租(凤凰城的Robotaxi)、卡车货运、物流配送、软件授权服务四大业务场景。

Mobileye:领先的L2级解决方案提供者

视觉方案自动驾驶的先驱和L2级视觉解决方案的主要供应商:1999年,谷歌自动驾驶项目开始的十年前,以色列希伯来大学教 授Amnon Shashua(他在读一篇论文时注意到,在某些情况下,人类在闭上一只眼睛的情况下仍然能够判断距离)发现视觉技 术用于汽车安全的可能性,创办Mobileye,致力于用单目视觉来解决三维立体环境中的测距问题。自创立公司以来,Mobileye 获得了视觉辅助驾驶领域的多项第一并提供了包括行人检测、车道保持和自适应巡航等辅助驾驶技术。

到2020年底,Mobileye 累计售出约7330万枚EYEQ芯片(内含算法解决方案),在L2+方案的市场占有率约为70%。EYEQ系列芯片出货量由2014年的 270万片提升至2020年的1930万片,CAGR为38.8%。同时,Mobileye营收持续快速增长,2014-2020年总营收CAGR为37.4% 。2017年3月,Mobileye被芯片巨头英特尔以153亿美元的价格收购,成为以色列科技公司有史以来最大的一次收购。

六、整车厂

整车厂路线概述:纯视觉VS多传感器融合

特斯拉坚持纯视觉路线,利用视觉算法优势节省硬件成本:硬件成本低,用算法挖掘摄像头潜力,用纯视觉来解决自动 驾驶。优势是普适性强,劣势是无法解决长尾效应,安全系数不够高,L4+级无安全冗余很难得到通过。

小鹏蔚来等中国汽车企业,采用多手段融合助力ADAS能力:视觉算法能力无法超越特斯拉,因此采用激光雷达+高精 地图+摄像头等多传感器共同判断,依靠中国强大的基建实力以及领先的5G基站数量可以实现车辆网的优势,达到安全 冗余来实现自动驾驶的方案。优势是安全系数高,以目前的技术能力来看是商业化达到L5的较为可靠的路径;劣势是目 前成本高(激光雷达贵),高精地图绘制成本高,无法做到所有区域全覆盖。

特斯拉:类苹果模式,核心软硬件均自研

摄像头为主+毫米波雷达为辅+自研自动驾驶芯片和算法全 部自研,形成算力、算法、数据闭环:从特斯拉自动驾驶的近 些年发展路线来看,其传感器变化不大,主要变化方向是在芯 片及算法领域。首先,芯片从Mobileye(EyeQ3)和英伟达 (Terga3)购买,算法也由Mobileye提供。但特斯拉在和 Mobileye在摄像头数据的归属上产生了分歧后转向算法自研 。由于Mobileye的芯片和算法是绑定的,所以特斯拉首先向 英伟达(TergaParker,Pasca)购买芯片,后自研芯片,形 成了车企唯一一家实现芯片+算法全自研,再加上特斯拉百万 辆车的真实路测数据,特斯拉可以迅速迭代自己的软件和修改 自己的芯片硬件等,使其方案达到其他车企难以企及的能力。

报告节选: