正道租车 传感器融合才是自动驾驶的正道之光

10月21日，特斯拉CEO埃隆马斯克(elon musk)在推特上表示，特斯拉的全自动驾驶测试版软件已经推给了一小部分客户。10月11日早些时候，百度还宣布其无人出租车服务百度阿波罗在北京正式开通运营。

10月份以来，连续两波自动驾驶技术将人们对自动驾驶的热情推向了高潮。而且，今年其实是自主驾驶的重要一年，因为今年正好是自主驾驶技术商业化的第十年，从2010年谷歌的自动驾驶项目启动开始。

在过去的十年里，自动驾驶作为人工智能最贴近生活的应用场景，受到了人们的高度期待。今天，随着大数据、AI、5G等技术的突破和应用，百度、优步、滴滴、文远知行，越来越多的自动驾驶技术正在从实验室走向道路。

对于辅助驾驶系统和自动驾驶汽车来说，可能从来没有一种单一和最有效的方法来实现传感技术。这个神奇的数字可能是6，因为每个汽车制造商都会以6个基本考虑来决定如何以自己的方式实现它，这将导致每个人创造自己独特的方法来将传感器集成到未来的车辆中。

国内外一些综合实力较强的汽车零部件公司在自动驾驶传感器上进行多产品布局，可以为下游客户提供全面的自动驾驶解决方案，形成较强的竞争力。这些公司包括博世、大陆、法雷奥、海拉、德尔福、富士通、奥托立夫等外国公司，以及德赛四维、华宇汽车、宝龙科技等国内公司。

越来越多的传感器部署在整车中，积极解决安全问题。今天我们的汽车里有多少传感器？进一步提高自主性还需要多少传感器？这个问题的答案是，如果考虑ADAS-超声波、雷达、感应用摄像机、观测用摄像机、LiDAR的传感器，根据车辆的类型，估计车辆有10到20个传感器。

传感器将是解决高自动化水平的关键，传感器的数量和类型预计将会增加。

自动驾驶环境监测传感器主要包括摄像头和雷达。首先，摄像机通过图像识别技术实现测距和目标识别功能；其次，雷达利用透射波和反射波的时差和相位差来获取目标物体的位置和速度数据。根据使用的波的不同类型，雷达可以分为毫米波雷达、激光雷达和超声波雷达。

相机:自动驾驶仪的眼睛

相机方面，根据覆盖位置可以分为前视相机、环视相机和内视相机。其中，前视摄像头最为关键，可以实现车道偏离预警系统、前方碰撞预警系统、行人识别预警等功能。前视摄像机有不同的解决方案，如单目摄像机、双目摄像机，甚至多摄像机摄像机。虽然双目或多摄像机具有更高的测距精度和更宽的视角，但由于其成本高、对精度和计算芯片的要求高，仍无法大规模生产。目前，Mobileye的单目摄像头解决方案是市场的主流。

汽车相机产业链主要涉及上游材料、中游元器件、下游产品三个主要环节。上游材料中的光学透镜、滤光片和保护膜用于制作透镜组，晶圆用于制作CMOS芯片和DSP信号处理器。在中游，将镜头组、CMOS芯片、胶合材料组装成一个模块，用DSP信号处理器封装成相机产品。在产业链的这一级，上游供应商已经可以向下游车辆或一级供应商提供完整的相机产品。

在汽车摄像头产业链中，摄像头和软件算法共同构成了一个汽车摄像头解决方案，应用于自主车。车载摄像头产业链长，上下游环节多，每一个环节都涉及到国内外很多厂商和公司。

与消费类电子产品中使用的相机相比，车标相机对抗冲击性能、稳定性、连续聚焦特性、热补偿、杂散光和强光的抗干扰性要求更高，因此模块组装工艺复杂，技术堡垒高。从全球相机供应市场来看，国外公司如松下、法雷奥、富士通、中国、麦格纳等。目前占据较大份额，前五大厂商的市场份额约为59%，集中度相对较高。

雷达:自动驾驶的大脑

就雷达而言，主要分为三类:1。毫米波雷达:介于微波和红外之间，频率范围为10GHz —200GHz，波长为毫米；2.激光雷达:介于红外光和可见光之间，频率约为100000GHz，波长为纳米；3.超声波雷达:频率高于20000Hz。根据公式:光速=波长*频率，频率越高，波长越短。波长越短意味着分辨率越高。分辨率越高，距离、速度、角度的测量精度越高。

我们常用的倒车雷达是超声波雷达，它发射声波，只能达到音速。超声波雷达体积小，价格低，但探测精度差，范围小，在高速运动时影响大，很少用于自动驾驶。

毫米波雷达应用广泛，发射电磁波，以光速传播。毫米波雷达主要有24GHz和77GHz。24GHz频率低，带宽窄，精度相对较低，主要用于盲点监控和自动停车。而77GHz的精度要高得多，可以更准确的探测距离，天气对其影响不大。并且与摄像头融合可以很好的感知环境。

但是毫米波雷达可以感知距离，但是不能准确感知物体的具体形状或者前方两个人的距离，同时也检测到大量的噪声。比如，空在一条废弃的道路上，由于路面有些起伏或者颗粒，反射也会干扰毫米波雷达的判断。

激光雷达可以很好地解决这些问题，其精度可以达到厘米级。激光雷达上每个激光发生器代表一条线，常用的机械旋转激光雷达有10条线、64条线、128条线等。激光雷达实际上是一种工作在光学波段的雷达，其优势非常明显。

一是分辨率极高:激光雷达工作在光学波段，频率比微波高2 ~ 3个数量级。因此，与微波雷达相比，激光雷达具有极高的距离分辨率、角分辨率和速度分辨率。

二、抗干扰能力强:激光波长短，可以发射发散角很小的激光束，多径效应小，可以探测到低空/超低空目标。

第三，获得的信息量丰富:可以直接获得目标的距离、角度、反射强度、速度等信息，生成目标的多维图像。第四，可以全天工作:激光主动探测，不受外界光照条件或目标本身辐射特性的影响。它只需要发射自己的激光束，通过检测发射激光束的回波信号获得目标信息。

然而，由于价格和体积的限制，目前激光雷达很少在生产车辆上组装。马斯克多次批评激光雷达“笨重”、“丑陋”、“完全没有必要”。这也是激光雷达的一个主要缺点。目前每个人都很难缩小它的尺寸，它在车顶的位置也比较突兀，直接影响量产，所以我们还没有看到量产车上安装的激光雷达系统。

目前，最后的超声波雷达已经成为一种常见的汽车部件，支持自动停车等驾驶辅助功能，并将为未来的全自动驾驶做出贡献。其工作原理是以1-3厘米的精度测量0.2-5米范围内的障碍物，充当“车之眼”。超声波雷达可分为模拟、四线数字、两线数字和三线有源数字。他们的信号抗干扰能力依次提高，技术难度和价格普遍提高。

特斯拉的自动驾驶仪自推出以来，对超声波雷达的依赖度一直很高，一直坚持使用4+4+4的超声波雷达布局。在早期版本中，特斯拉在停车辅助前后使用了8部雷达，在辅助驾驶期间使用了所有12部雷达。特斯拉表示，与摄像头监控车道标线不同，超声波雷达可以监控周围区域，清除车辆或其他物体等盲点。

特斯拉“偏爱”超声波雷达是有原因的。如上所述，激光雷达虽然好，但成本太高，暂时无法在大型车辆上组装，也限制了高水平自动驾驶技术的推广。

而超声波雷达便宜。目前单个超声波雷达价格在几十元左右，倒车雷达系统的雷达硬件成本不到200元，自动泊车系统的雷达硬件成本在500元左右。相比之下，毫米波雷达的价格还在千元级别，激光雷达的价格高达几十万元。相对较低的价格将汽车公司与超声波雷达捆绑在一起，促进了车载超声波雷达市场的繁荣。

根据P&S情报数据，2019年全球车载超声波雷达市场为34.6亿美元；该机构预测，2020年至2030年，全球车载超声雷达市场将保持5.1%的复合年增长率，2030年将达到61亿美元。

但是，超声波雷达并不是自动驾驶技术的突破。受身体特征限制。车载超声雷达的探测范围被限制在几米以内，无法准确描述障碍物的位置；此外，同频段多部雷达多采用时分复用，避免回波“战斗”，信息采集速度变慢；其检测精度易受车速、振动、温度和湿度的影响，在抗干扰和标定方面充满挑战。总之，超声雷达是“辅助材料”，而不是“主食”，只有配合毫米波雷达、相机甚至激光雷达才能支持更高级别的驾驶辅助。

集成是传感器的未来

显然，传感器将是解决高自动化水平的关键，传感器的数量和类型预计将会增加。越来越多的传感器只是冰山一角。传感器可以产生大量数据，而系统的处理能力受到严重限制。

所以传感器越多越好？可能有人会这么想，但是出于成本或者集成度的原因，车内传感器的数量不会无限增加。预计自动化传感器的数量将在某个时候达到稳定水平，主要差异在于软件水平和企业有效处理大量数据的能力。一些原始设备制造商，如特斯拉，仍然不使用激光雷达，但打赌传感器和人工智能计算的结合，以实现高水平的自动化。

就像人的感觉一样，传感器必须战略性地定位，以持续反馈汽车周围的信息。然而，传感器的放置存在技术限制。例如，前灯中的冷凝水可能会妨碍激光雷达的工作。在下雪或寒冷的天气，霜冻可能会导致传感器故障。红外传感器不能穿透玻璃，也不能放在挡风玻璃后面。

目前自动驾驶的主流解决方案有三种。一种是基于视觉，利用GPS地图和AI人工智能进行自动驾驶。目前特斯拉模式以视觉为主。特斯拉通过所有特斯拉相机采集环境数据，结合图像处理和机器学习，不依靠预先录制的地图就能过关。特斯拉汽车边开车边收集数据学习，把学到的东西分享给所有特斯拉汽车，以类似人眼的方式查看地形，然后通过人工智能分析引导自主车做出决策。

第二，基于激光雷达，视觉制导，利用高精度地图和人工智能进行自动驾驶。这是主流传统OEM通用、奔驰、福特以及包括Waymo、Google在内的众多自动驾驶公司所采用的自动驾驶模式。这些车辆依赖于预先记录的周围环境的3D高分辨率地图，该地图由配备有激光雷达的车辆预先捕获和绘制。然后，车辆可以使用地图，使用自己的激光雷达设备定位并确定环境是否发生了变化，然后在地图区域巡航时进行控制。

第三，基于互联网的车辆领先，多传感器融合的人工智能自动驾驶。车联网需要巨大的基础设施投入，所有的自动驾驶操作都在同一个平台。与前两种策略相比，这是一个更广阔的生态系统。通过投资建设更智能的道路，可以降低车辆自主性的复杂性和不确定性。这就需要汽车厂商、V2X供应商和市政当局共同努力，打造车辆的基础设施和标准，让车辆能够顺畅行驶，降低误差阈值。

显然，前两种解决方案是基于当前传统路况、汽车状况和法律法规的现实解决方案。虽然特斯拉的方案只有一家公司采用，但是特斯拉在电动车市场的体积也很大，所以很难说基于视觉的自动驾驶方案肯定比基于激光雷达的方案差。

但有一点可以肯定，基于车联网的第三种方案是未来自主驾驶发展的必由之路。在车联网的指导下，将需要大量的传感器，这些传感器将相互配合，与车身形成一个完整的自动驾驶系统。所以传感器的发展前景几乎可以用一条平坦的道路来形容。

人们评价汽车

2019年全球自主车产量约几千辆，预计到2032年增至年产40万辆，累计总产量10亿辆。届时，与自主车生产相关的总收入也将达到600亿美元，其中40%来自车辆本身，28%来自传感硬件，28%来自计算硬件，其余4%来自集成。这意味着在未来15年内，将围绕自动驾驶汽车技术建立一个完整的工业生态。

在这方面，Yole Développement的分析师预计，2024年传感器收入将为广达4亿美元，雷达6000万美元，相机1.6亿美元，惯性测量单元2.3亿美元，全球导航卫星系统设备2000亿美元，但不同类型传感器之间的分布可能在未来15年再次发生变化。到2032年，传感硬件的总收入将达到170亿美元，而计算硬件的收入应该在同一数量级。无论如何，这是一个巨大的市场，没有人愿意自动放弃这块蛋糕。