2022智能汽车盘点（下）：智能化下半场开赛|看新车在哪个软件比较好_汽车

2022年中国新能源汽车渗透率首次超过30%，随着新能源汽车进入下半场，体感上我们也见证了自主品牌最近几年的高速发展，竞争愈发激烈的情况下，更多更好成本更低的智能化配置从未像现在一般在消费者面前涌现。不管是智能化的中控大屏、ARHUD、主动安全系统、还是ADAS、激光雷达等配置，以往只在高端车型上的选配正在持续降维落地，缺芯背景下国产替代迎来最佳的发展机遇，也势必打破国际T1对于我国汽车供应链的垄断格局。

今年我们不是第一次谈论智能汽车，也不会是最后一次，不同的是我们以往更多的是从产业链的角度来解读汽车这个高端制造行业，这次我们试图从AI的角度重新理解智能汽车的变革逻辑，即在第四次科技革命的开端，AI+机器人的大背景下，汽车行业又在发生如何的改变？

我们参考人工智能的分支可以将智能汽车也分为以感知/计算机视觉为主的认知智能、以自然语言识别为主的交互智能、以神经网络/深度学习为主的决策智能。分别对应的也是智能汽车的三条主线，即ADAS、智能座舱与高阶智能驾驶。

回到智能汽车的定义上来说，智能汽车是搭载先进传感系统、决策系统、执行系统，运用信息通信、互联网、大数据、云计算、人工智能等新技术，具有部分或完全自动驾驶功能，由单纯交通运输工具逐步向智能移动空间转变的新一代汽车，按照大类来分我们又可以分为智舱和智驾。按照这个逻辑我们来初步测算一下智能汽车的渗透率，智舱因为范围比较难以界定，所以我们选择智驾作为参照点。根据汽车之家数据，可推测出整体智能汽车渗透率在40%上下。

22年新能源汽车一二线城市销售占比接近70%，依旧是新能源汽车最大市场，其中9月上海以46108辆上险数遥遥领先第二名深圳（24000辆上险）。10月上海依旧居首，但环比下降32%，排名第二的城市深圳环比下降22%。我们认为智能汽车的主战场依旧集中在一线及新一线城市，结合22年新能源汽车销量600万辆，单车智能化功能占单车价值比约为20%，则智能汽车市场规模可达2500亿以上。

汽车的智能化的大方向已经成为了产业共识和市场共识，然而什么叫智能化却没有一个明确的定义。有观点认为智能化的关键在于智能汽车的软件“可迭代、可演进”，即汽车将主要通过软件实现更多的特性和功能，从高度机电一体化的机械终端转变为以软件为中心的移动电子设备转型，同时汽车软件可实现的功能范围更丰富多样。从另外一个角度也可以理解为用芯片替代保险丝和继电器。

该趋势在以下方面有显著体现：

1.单车软件代码行数呈指数增长，目前高端车型代码数已超1亿行，未来几年将超3亿行。

2.单车价值软件占比增加。据麦肯锡预计，有望在2030年达到30%。

3.汽车软件市场呈高速增长。目前国内汽车软件产业增长以应用型软件为主，主要为智能驾驶增长迅速，智能座舱软件已具规模、增长相对平稳，车联网处于相对起步阶段。

主要因以下需求倒逼EE架构走向集中化：

1.传统ECU架构的算力水平无法满足爆炸式的数据处理需求和更高的运算速度，此外还涉及复杂的逻辑运算和非结构数据处理场景，同时ECU各控制模块间的算力资源也无法共享；

2.传感器数量大幅增加且需要融合，对车载通讯带宽和时延的需求提高，DCU的以太网通讯可允许每秒千兆比特的传输；

3.线束革命需要，减少线束、无线化可提高生产效率，同时降低线束和布线成。

以上才能使智能驾驶和智能座舱成为可能。博世将电子电气架构的发展分为六阶段：

当前不同车企/Tier1根据自身的规划，对域划分个数不尽相同，如博世分为5个域（动力域、底盘域、座舱域、自动驾驶域、车身域）；大众MEB平台车型和华为分为3个域（自动驾驶域、智能座舱域、车身控制域[大众]/整车控制域[华为]）；特斯拉分为3个域（前车身控制域、左车身控制域、右车身控制域）。

EE架构主要由传感器、控制器、执行器等组成，传感器获得汽车行驶的状态信息，传输到控制器，由控制器算法发出执行指令，由执行器完成具体操作。其集中化升级包括硬件、软件、通信架构三大方面的升级。

软件架构分层化、模块化，软件独立为核心零部件产品，使得软硬件可解耦，实现并行开发，并可实现从面向信号的架构走向SOA（面向服务的体系结构，service-orientedarchitecture，其本质是根据软件需求组合调配硬件功能）。SOA软件架构下的底层软件主要包括系统内核OS（含RTOS）、硬件抽象层（BSP及Hypervisor）及中间件层。

车载操作系统是唯一可驱动硬件工作的部分，内核主要有Linux家族(包括Android)、RTOS家族(包括QNX\Vxworks)等。

智能座舱域中，IVI注重消费者体验和应用生态丰富性，以Android系统为主；仪表盘因高安全性要求以QNX为主；自动驾驶系统因更高实时性及功能安全要求，以RTOS为主，主流RTOS有三种RT-Linux、QNX、VxWorks。随着域集中及域融合的趋势，智能座舱OS重开放、兼容和生态，与自动驾驶OS重安全、实时和稳定，以上两者将是对OS的核心诉求。

同时主机厂开始探索内核程序的替代，可不再依赖外部软件服务方，无需开放核心数据，自行完成整车OTA。而操作系统的成功与否，关键在于生态系统，需要搭建起完整产业链上的软件开发者、芯片企业、终端企业、运营商等各个主体的共生生态。

此外引入虚拟化技术、中间件技术等，使得底层软件具备接口标准化、相互独立、松耦合三大特点，因此应用层功能够在不同车型、硬件平台、操作系统上复用，并可以通过标准化接口对应用功能进行快速升级。

虚拟化技术实现了底层物理硬件的隐藏，可实现多个操作系统共享硬件，QNX是当前主流。中间件技术是对底层软件模块的封装和接口标准化，是系统软件和应用软件之间连接，呈现标准统一化趋势。车厂常依赖于第三方供应商提供中间件，最著名的是AUTOSAR的RTE。但AUTOSAR的开发工具链及基础软件被几家国外零部件企业所垄断，因此国内企业也开始自己研发，如华为智能驾驶域控制器MDC。

电动智能变革驱动汽车底盘线控化升级。传统燃油车的底盘系统由驱动、传动、转向、制动四部分组成，机械、液压零部件繁多，结构复杂，无法满足高阶自动驾驶对车辆操控性和主动安全的需求；通过线束传输信号+电机直接驱动能实现对执行机构高效、精准的控制，底盘子系统的电动智能升级驱动线控驱动、线控悬架、线控转向、线控制动等线控系统的成长。伴随整车电子电气架构的集成化升级，对于底盘系统集成化的要求越来越高，底盘域控制器将作为整车“小脑”，进行多执行系统的协同控制，底盘也将由子系统线控化向整个底盘全线控进化，线控底盘系统标准化、模块化，底盘运算控制集成化、协同化将成为重要发展趋势。

线控底盘由线控转向、线控制动、线控换挡、线控油门以及线控悬挂五大系统组成，和传统底盘的最大差异是通过线（电信号）取代了传统的机械、液压、气动等结构从而实现更精密的控制，其中线控制动及线控转向是两大关键产品。对于高级别自动驾驶而言，底盘执行机构对系统响应和精度有着更高的要求，因此线控底盘是实现高级别自动驾驶的必备条件。功能安全冗余技术和横纵协调控制是最主要的两个技术难点，目前核心技术依旧被欧美日等一线T1掌控。

1.高阶自动驾驶：高阶自动驾驶要求实现主动动力输出和控制能力，线控底盘取消机械、液压、气压等辅助装置，采用电信号传递信息完成制动、转向灯执行动作，能够1）通过传感器感知驾驶意图及行车状况，实现对整车动力输出的主动控制；2）具备响应速度快和控制精度高的特点，能够满足自动驾驶对实时响应的需要，安全性更高。

2.电子电气架构升级：集成式电子电气架构加速线控底盘技术应用。分布式架构下，制动、转向、驱动为独立子系统，由单独的ECU分别控制，由于底盘运动执行信号来自驾驶员，各子系统协同需求较低，EPS、ABS、ESP、线控驱动等子系统在分布式EEA架构下可独立应用。随着整车智能化程度的提升，分布式架构存在各子系统难协同、网络结构复杂、软硬件耦合关系强、无法统一OTA升级等问题。线控底盘融合各子系统及底盘域控，能有效解决上述问题，实现底盘运动控制运算的集成化、协同化，有望受益电子电气架构升级实现加速落地。

3.集成化造车：远期来看，集成化造车要求上下解耦，线控底盘技术是必要技术。展望未来，滑板底盘是集成化造车的集大成者，使得整车制造实现上下装结构独立、分体开发，从而有效缩短研发周期、降低造车门槛，有望成为汽车底盘的终极形态。从结构上看，滑板底盘集成底盘所有子模块，是独立于上车体的模块化产品，需要实现机电一体化和控制集中化。滑板底盘上下解耦的核心需求要求在执行层面做到自主动力输出，有望作为终极指引，推动线控技术的开发和应用。

综上所述，快速响应、精确控制、主动控制、安全性高、轻量化、低能耗、电动化、满足个性化需求、易于整车智能化升级等是线控底盘的主要优势。

EHB电子液压制动（单价约2500元左右）通过包含了电机、泵、蓄电池等等部件的综合制动模块来取代传统制动器中的压力调节器和ABS模块等，产生并储存制动压力，可分别对4个轮胎的制动力矩进行单独调节，EHB中由电机取代真空助力器，直接推动主缸活塞实现制动，既解决新能源汽车中真空助力的问题，又提高了制动响应速度，是近三年的主流方案。中国市场90%大部分线控制动系统为以博世的iBooster与IPB系列为代表的EHB产品，包括特斯拉（Model3、ModelY），蔚来(EC6、ES6、ES8）、理想、小鹏、威马等大部分主机厂，也有部分选择联创电子的C-booster系列。

技术难点：

集成化趋势：

OneBox方案（AEB自动刹车系统/ESP和电子助力器集成）由于其更高的能量回收效率、集成度高、体积小、重量轻、成本低等优势相比冗余的ESP车身稳定系统和电子助力器相互独立的two-box方案有望成为未来的主流，但是技术上可能存在一定安全隐患，例如踏板解耦后，需要通过传感器感受踏板力度带动电机推动活塞，软件调教难度大。

目前市面上的产品距离支撑高级别的自动驾驶仍然有不少距离，除博世OneBox方案（集成ibooster与EPS电子制动并加上RBU回馈式制动单元互为冗余）以及大陆的MKC1（与MK100HBE电子制动互为冗余）宣称支持L4级别自动驾驶以外，其他供应商在支持L2级别自动驾驶的水平左右，市面上成熟方案依旧非常稀缺，国内诸如同驭、格陆博、英创汇智等创业公司也在探索的途中，我们整体预计国产化方案将于2023年小批量上车，24年开始逐步量产。

线控转向从最早的无助力，到后来机械液压助力（HPS）、电动液压助力（EHPS），再到如今广泛普及的电动助力（EPS），转向都依赖于驾驶者的力量，一旦转向柱与转向机分离，司机转动方向盘的力无法传递到转向机，从而可能引发交通事故；同时机械机构的转向比也相对较低。线控转向的目的是为了使得方向盘控制更加自由、车辆转向指令设计更加自由、驾驶体验的反馈更加自由。

线控转向的优势主要在于快响应速度及高灵活性，并且可根据路况通过调节实现更高的转向比（丰田OMG150度+）具备更好的操控和稳定性。目前线控转向主要分为机械冗余式线控转向（DAS）与电控系统备份冗余式转向（SBW）两大类，除上文提到的优点外，线控转向同时也为智能座舱节省了更大的空间，使其具备实现多样化功能和生态的基础；目前单价约为1500元左右。

可靠性与高成本是当前落地的主要障碍，高阶智驾驱动下有望实现规模应用。线控转向硬件结构与R-EPS相似，主要区别在于软件算法复杂度大幅提升。目前，路感模拟、主动转向控制等核心技术尚不成熟+冗余备份带来额外硬件成本，阻碍线控转向落地。

线控转向驱动因素：

滑板底盘从形态上和传统燃油车中使用的非承载式车身（即通过弹性元件连接大梁式结构的底盘，多应用于SUV上）有一定的相似点，均采用上下分离的结构，底盘都具备刚性。主要区别在于滑板底盘更低且用于新能源汽车上满足软硬解耦的接口。二者在理念上有非常大的趋同。

由于滑板底盘采用上下车体独立研发的形式，可以针对不同的场景选择上车体的形态，从而实现零售、巡逻、消防等特种车辆。另外滑板底盘也给部分研发能力有限的主机厂提供了更集成的选择，使其能够专注上车体的研发和交互上，通过通用接口连接缩短了开发周期。

由于滑板底盘类似集成平台，国外玩家主要包括Rivian、REE、ARRIVAL、CANOO等，国内核心玩家主要包括传统T1、具备自有场景公司（于万智驾等）、初创企业（PIXMoving、易咖智车、悠跑科技）等。掌控核心技术例如线控转向、线控制动、CTC电池（将电池布局在底盘上）轮毂电机等是重要的竞争要素。

目前行业对于滑板底盘仍旧存在一定的争议，在乘用车上落地依旧为时尚早。一方面滑板底盘存在一定的设计边界，为了安全性能可能失去部分的标准化优势；另一方面底盘作为主机厂的核心技术，供应链壁垒很难打破，现有的优势不足以使得车厂大规模采用；其次特斯拉的零件通用化率已达70%，并没有采用上下分体的滑板底盘也实现了高度的标准化，因此滑板底盘的趋势仍旧有待验证。

智能驾驶主要可以分为感知层、决策层与执行层，感知层主要可以分为：

环境感知，如附近车辆、车道线、行人、交通标志、信号灯等，利用四大硬件传感器。从传感器的形态和功能维度来看，可以分为几个阶段：

车身感知，如车辆位置、行驶速度、姿态方位等，利用惯性导航、卫星导航和高精度地图。

网联感知，实现车辆与外界的网联通信以此来获得道路信息行人信息等，主要利用路侧设备、车载终端以及V2X云平台。

目前对哪种传感器最适合自动驾驶还没统一标准看法，主流自动驾驶技术路径分两种：

激光雷达

激光雷达其本质是一种电磁波，波长在千纳米级，指向性强不拐弯，探测到很小的点，很多点集合起来就形成了点云（需要足够多光束），可精确（厘米级）还原三维特征，最大优势是准，有很多丰富的细节，探测距离远（100-250m），视角广阔且有更强的抗光干扰性，是L3及以上自动驾驶的必备组件。劣势是比较贵，在恶劣天气会罢工。

主要包括激光发射（光源）、扫描（光束操纵）、接收（光电探测）和信息处理（测距方法）四大系统，每个系统下有不同技术路径。其中，光束操纵是最复杂、最关键的技术维度。

从激光波长看，目前最主流的是905nm（70%占比），但Luminar等公司选用的是1550nm。

从光束操纵方式看，技术路径多样，沿机械式→半固态→固态的方向发展。混合固态作为当前过渡期主流，纯固态将会是激光雷达终极形态，芯片化架构是未来激光雷达发展方向。芯片化架构的激光雷达可将数百个分立器件集成于一颗芯片，降低物料成本和人力生产成本，同时器件数量减少也显著降低了因单一器件失效而导致系统失效的概率，提升了可靠性。

（1）机械式：通过不断旋转发射头，将激光从“线”变成“面”，达到3D扫描目的。优势：扫描速度快、精度高、技术成熟，可实现360度扫描。劣势：成本高昂、装配复杂、生产周期长，BOM成本较高难以达车规量产要求，平均时效仅1千至3千小时但车厂要求最低1万3千小时。

（2）混合固态：即收发模组固定+转动镜子，镜面转动配合可扫描多个平面，如96个平面即等效96线（垂直方向），以实现扫描效果。

MEMS微振镜

棱镜式

转镜式

（3）纯固态：不再包含任何机械运动部件。

图为Flash

图为OPA

目前国内车型搭载的激光雷达，扫描方式基本都采用转镜方案，激光发射器采用905nm和1550nm都有。典型车型搭载情况如下：

技术路径迭代带来的成本下降是推动激光雷达上车的重要因素。整体车载激光雷达的应用会呈“成本降低、性能提升（视场角和分辨率、信噪比、雨雪天气抗干扰性、相互间防扰、可靠性）、固态化、满足高级别自动驾驶功能安全”的方向进一步发展。

车载摄像头

摄像头最接近人眼成像，分辨率高、速度快、传递的信息丰富、成本低，是唯一可以读取“内容”信息的传感器。

但其需使用计算机视觉算法或深度学习进行解析、依赖数据训练，识别率不能保证100%，可能判断失误。单目摄像头无法提供3D信息、缺少深度感知能力，可能会有延迟，双目摄像头所提供的3D内容准确性不高。与其他传感器不同，摄像头属于被动传感器，易受夜晚、雨雪雾霾等恶劣天气外界光不稳定的影响，且不擅长于远距离观察。

单目摄像头是通过图像匹配进行目标识别，通过目标在图像中的大小去估算目标距离，由于成本较低且能满足L3以下级别需求，短期内单目摄像头为车载摄像头的主流方案。

双目摄像头则更加像人类的双眼，主要通过两幅图像的视差计算来确定距离，是视觉信息的三角测量结果，不依赖庞大的训练集、精度相对较高。但双目需要对每一个像素点都做立体匹配，存在如计算量大、系统性能要求高、立体算法匹配难度大，对摄像头间误差精度要求高等诸多挑战。比起LiDAR，双目摄像头最大的优势是成本，价格在几千元人民币。

车载摄像头一般是固定焦距的（目前车载摄像头每秒处理的图像在20帧左右，每秒处理的数据量巨大），其无法像人眼一样快速变焦，不同的焦距满足不同的范围。感光元件大小确定的情况下，焦距越长，视角越窄，但分辨率能大大提高。即在探测范围和距离两个方面，有不可调和的矛盾。实际使用时利用不同焦距的摄像头，来实现不同特定的功能，根据摄像头的安装位置，可以分为前视、侧视、后视、内置、环视等，以实现不同目标的监测。在高级别自动驾驶车辆上，配置的摄像头有多个甚至十多个。

典型车型摄像头配置情况

车载摄像头成本相对低廉，价格也从2010年的300多元持续走低，易于普及应用。随着目前计算集中化，摄像头有向“只采集不计算”方向发展趋势，即把计算部分放到域控制器中。在剥离了摄像头的计算功能后，摄像头BOM成本下降了约六成。如特斯拉前视摄像头，未配置SoC、MCU等计算模块。

毫米波雷达

毫米波雷达的抗干扰能力强，对降雨、沙尘、烟雾等离子的穿透能力要比激光和红外强很多，可全天候工作，可同时测速和测距，价格和体积适中。

但其测量精度差，空间分辨率有限(3°-5°)，俯仰测角/测高能力缺失，信号衰减大，容易受到建筑物、人体等的阻挡，传输距离较短，难以成像，不能做主传感器。

根据毫米波频率，国内集中在24GHz和77GHz两个频段，更高的射频频率导致更好的速度分辨率和精度。77GHz的毫米波雷达比24GHz的速度分辨率和精度提高了3倍，能够检测小至零点几毫米的移动，探测距离更长，体积也可以实现其三分之一。随着技术成熟及成本下降，77GHz将逐渐取代24GHz成为未来毫米波雷达的主流。

毫米波雷达的技术总趋势是朝集成度更高、成本更低、体积更小、功耗更低、精度更高及多维成像的方向发展。芯片工艺上朝着利用CMOS工艺，将MMIC、MCU、DSP等集成在一颗SoC芯片中发展。

由于目前的量产毫米波雷达都只能称为3D雷达或准4D雷达（4D指目标探测4个维度，包括它的速度、距离、水平角度、垂直高度），缺失或有很弱的俯仰测角/测高能力，导致雷达无法单独作为传感器识别前方的静止障碍物，因为其无法区分前方的车辆（真实障碍）和桥梁/井盖（虚假障碍）。

毫米波雷达的下一个方向就是高分辨的4D成像雷达。如华为高分辨4D成像雷达：1）水平分辨率达到一度，垂直分辨率达到两度，同时测量精度大幅提升；2）大视场无模糊，水平视场提升到±60°，垂直视场提升到±15°，纵向探测距离从200米提升到300米以上。高分辨4D成像雷达具备可实现“高度”探测、分辨率更高、可实现对静态障碍物分类等优势，集中在前视区域应用，达到类似低线数激光雷达效果。

2021年5月，特斯拉发布FSDBetav9时，取消了美国车型Model3/Y毫米波雷达，当下纯视觉图像感知系统很大程度上已可以覆盖毫米波雷达的特性。

超声波雷达（倒车雷达）

单个超声波雷达售价大约为几十元，成本低廉，国产化率高，是成熟的车载传感器；超声波雷达0.2-5m范围内障碍物精度可达1-3cm，在短距离测量中，具有非常大优势；防水、防尘，即使有少量的泥沙遮挡也不影响。

但其属于声波、传播速度340m/s、速度慢；散射角大、方向性差，在测量远距离目标时回波信号较弱、影响测量精度，只能看有没障碍物，无法知道障碍物的形状和位置；只能用于停车等低速场景。其探测精度易受到车速、振动、温湿度等影响，在抗干扰、标定等方面充满挑战。

所以其主要作用是通过蜂鸣器来辅助泊车，或用在保持与相邻车道车辆的安全距离。

超声波雷达的分类

红外夜视

汽车夜视系统能够观察到比普通汽车前大灯远3-5倍的距离，甚至可以达到10倍以上的距离。尤其是在雾、雪或雨天的条件下可全天候工作，利用汽车夜视系统可以非常清楚地观察前方路面情况，大大提高了驾驶安全性。

60%交通事故发生在晚间，夜间行驶安全隐患大，利用红外成像技术，使驾驶员在黑夜里看得更远更清楚。同时可在自动驾驶领域发挥作用，弥补可见光摄像头无法在黑暗条件下进行行人检测的劣势，且能弥补激光雷达无法对物体进行分类的硬伤。

高德红外官网

国内外厂商已具备成熟红外夜视系统技术，价格偏高一直是制约其普及的主要因素，国内红外夜视系统上车目前仍倾向高价位车型。随着探测器成本的下探、红外传感器国产化和像元尺寸变小，成本正快速下降。

中国红外占全球市场近半壁江山，国内厂商众多。美国FLIR市占率35%排名第一，高德红外市占率17%位居第二。全球十强中其他中国厂商还有海康威视（15%）、睿创微纳（10%）和大立科技（2%）。

组合导航GPS/IMU

GPS（GlobalPositioningSystem），即全球定位系统，依靠卫星定位，只提供位置信息（位置（经纬度）和航向角（车头与正北方向的夹角））。测量精确，但依赖外界GPS信号，容易因信号被折射/反射或信号不好而失效。更新频率低，大概在10Hz左右，即1秒钟更新个10次，对于无人驾驶反应太慢。

主要构成：

目前按照区域通常分为前向ADAS、侧向ADAS、自动泊车、全景环视四个部分，其中前两个系统又被称为行车ADAS，后两个系统为泊车ADAS。随着E/E架构演进，计算平台算力提升，可以支持更复杂的融合算法，行泊一体将成为未来的方向。高度集成化在成本上也具有一定优势，对于L2+向低端车型下沉有重要意义。

从传感器方案角度，大多数为xVxR的方案，目前主流智能化车型多为5V5R方案，成本稍低的情况下选择5VxR的方案。小鹏XPILOT选择了12V5R的方案加上激光雷达后已经可基本实现L3级别功能。

在L0-L2自动驾驶场景下，堆料不是必须的，核心考验的是各家厂商的算法能力和系统能力，以尽量少的传感器实现低成本的自动驾驶应用落地为目标。因此在L0-L2自动驾驶的场景，视觉方案有着天然的成本优势。但是随着4D毫米波雷达的发展，视觉+雷达方案有望扳回一城。

市场情况：

以车型维度来看，中国目前市场在售车型7364款车型中360度全景影像和AEB、FCW搭载率相对较高，车道辅助LKA与自动泊车搭载率最低。

未来发展：

1.政策层面欧美国家10年初已将ADAS列入NCAP中，AEB等安全功能一直是重要的评分要素，根据中国工信部发布的车联网（智能网联汽车）产业发展行动计划》，到2020年，中国新车驾驶辅助系统（L2）搭载率要达到30%以上，目前基本已按照预期实现。

5.2021年起，渐近式的自动驾驶逐渐成为主流，诸多L3/L4企业通过降维方式切入Adas市场。通过这种方式自动驾驶企业获取真实道路信息与测试数据，推动自身研发更迭。

决策层——自动驾驶DCU

高性能的车载计算平台是高阶自动驾驶的必备，除了异构多核的硬件架构外，分布弹性可扩展、丰富的I/O接口资源、高内存带宽、车规与功能安全等也都是高阶自动驾驶域控制器的必备特点，通过芯片+操作系统+中间件+应用算法软件+数据构建核心技术闭环。特斯拉HW3.0的BOM大概在7500-8000左右，其中芯片约为5000元（主控SoC芯片（FSD）约占总芯片成本的61%左右），此外为车规级接插件、以太网连接器以及PCB等外围硬件。三类玩家如系统集成商/T1、软件平台厂商以及OEM厂商都在进行自主研发。

（1）主控SoC芯片：自动驾驶域在AI算力和功能安全要求较高，根据地平线数据披露，自动驾驶等级每增加一级，所需要的芯片算力就会呈现十数倍的上升，L2级至L5级自动驾驶的算力需求分别为2-2.5TOPS、20-30TOPS、200TOPS以上、2000TOPS。

（2）自动驾驶操作系统内核：

自动驾驶OS内核的格局较为稳定，主要玩家为QNX（Blackberry）、Linux（开源基金会）、VxWorks（风河）。基于QNX开发中间件相对简单，并且受QNX官方的约束比较大，而基于Linux开发中间件有很高的技术壁垒，开发者们也可以享有更大的自主权。

当前汽车座舱迎来了高度集成化、高安全性、高度智能化和交互方式多样化的智能时代。座舱空间将被重新定义，其不仅是多项独立功能的实现，更多应是通过座舱内声光电的融合，实现空间的最佳体验。

汽车电子化为座舱智能化的实现提供了可能性，在电子化的基础上又有几大关键驱动：ECU迈向DCU（软硬解耦、域内集中控制）；芯片算力提升；以太网通讯传输；AI感知和交互的应用等。

在智驾的不同阶段，驾驶员需求取决于智能驾驶自动化程度及其能解放驾驶员注意力、双眼、双手和双脚的程度。当前尚未达完全自动驾驶的阶段，智能座舱并未产生颠覆性变化，座舱正处于智能时代初级阶段，把握以下几点非常关键：

硬件层——智能化设备：

软件层——多模态智能交互

座舱交互逻辑不能照搬手机，座舱是个封闭狭小的空间，需要空间交互方式，而不是平面交互逻辑。此外，呈现多外设、多用户、多并发和多模态特点。未来交互自被动向主动转化，座舱空间变得更懂你。

系统层——座舱OTA

OTA可加速新品体验/缩短研发周期、自行升级进行修复、提供灵活的迭代体验并催生新的软件商业模式，实现软件定义汽车。据市监局统计，21年OTA升级351次，涉及车辆达3424万辆，以供应商给主机厂的能力输出为主。但大部分车型仅具备SOTA能力（类似手机app升级），具备整车OTA/FOTA的仅有特斯拉、造车新势力的新能源车型及少数燃油车型。当前OTA实际能力有限，因为目前很多功能受限于硬件的性能，很多机械部件存在缺陷或错误，并不能靠OTA解决，想要软件定义汽车对硬件要求极高。

未来智能座舱需在有限空间去发掘驾驶以外的新场景价值，通过精准感知和理解个人行为数据，在视听触嗅和体感上为用户提供主动、智慧、个性化、情感化、拟人化的交互体验。

（1）空间定义：趋于自然交互、万物互联、生态服务、个性化千人千面。

（2）新技术的应用：

（3）特色应用如：

（1）数据归属问题：主要涉及三类数据，行车工况数据关系到车辆行驶安全，由车企掌握；地图数据由地图商和车企共享；基于车联网平台形成大量用户数据是未来增值服务核心部分。对于第三部分，车厂和互联网存在数据所有权上的碰撞。车厂想作为自己的数据资源维护和处理，只有深度把握用户需求，才能协调各参与主体有序进行个性化、定制化开发，提高产品创新力及用户粘性，通过软件订阅提供增量价值。最终以上三部分汇总的大数据，将在产业链核心玩家（Tier1、OEM、第三方服务提供商）中分配。而当前因大部分车企不愿向外界公开车辆和驾驶数据，合作方难以获得，导致现有交互技术无法得到足够数据积累。在数据规模将直接影响座舱用户体验的前提下，数据互联互通能力的缺失使智能座舱的优化迭代面临较大挑战。

（2）用户数据隐私及安全问题：

（3）新商业模式未来可期：拿到用户数据即可进行精准营销等，且随自动驾驶的落地，座舱将催生社交、娱乐、商务等更多维需求，存在较大付费想象空间，在寿命周期内通过服务及运营更大程度挖掘用户价值，因此主机厂及互联网科技公司积极卡位。

智能座舱域控制器=座舱SoC芯片+操作系统+中间件+应用+HMI交互窗口。从过去相对独立的系统，变为以单颗具有较强算力的主控芯片支持多个操作系统、驱动多块屏幕和应用程序，EE架构向集中式过渡。ICVTank数据显示，2021年全球智能座舱域控制器出货量为240万套。

（1）智能座舱芯片：座舱内影响算力需求的因素众多，据IHSMarket，24年CPU算力需求将是21年的6倍（高通SA8295：200KDMIPS）。座舱SoC不仅需更强大的计算和集成能力，还需要更强大的AI处理能力，据IHSMarket，自21年到24年，仅感知算法部分NPU算力需求每年增加1倍（高通SA8295：30TOPS）。芯片能力发挥，依赖于硬件和软件两方面，芯片厂商正从硬件供应转向提供更多的软件服务，着手硬件+软件甚至整套系统解决方案，跳过Tier1直接与主机厂合作。

（2）智能座舱操作系统内核：目前国际上还没有统一的智能座舱OS标准，主要包括QNX、Linux及由基于Linux内核开发的Android等，底层OS格局相对稳定。主机厂和Tier1供应商通常在上述OS的基础上开发定制化界面，包括系统内核修改。只有通过自主开发OS，软硬件的可解耦性才更清晰，更利于主导进行OTA升级、功能应用场景的新增和扩展、人机交互策略的更新，深度参与应用软件的部署和开发、保证数据资产的所有权，所以主机厂必须牢牢抓住。座舱应用生态若要实现不断升级、常用常新，对座舱OS应用接口的一致性和稳定性提出严格要求，未来API接口将统一化、标准化，但目前车厂各家软硬件差异大，车机软硬件平台的非一致性，让整个汽车生态服务没法形成合力共建类似于智能手机的应用市场，智能座舱无法聚合全家桶的生态服务。其对实时性与可靠性要求并不严苛，但需支持更多样化的应用与服务，并具有丰富的生态资源。

高阶自动驾驶是新能源汽车智能化的最重要战场，如同新能源车对于燃油汽车的打击关键在于用车成本的大幅降低，无人化最大的驱动因素是出行成本的大幅降低。成本和效率是交通领域的永恒话题，正是Robotaxi描绘的美好图景——汽车利用率大幅上升，规模越大成本越低，吸引着众多巨头与创业公司纷纷入局。

恰巧中美在高阶自动驾驶领域代表了不同的体制对于共同目标的不同选择，美国特斯拉之于Waymo的成功恰巧是强调个体的渐进式单车智能的胜利，Google尽管坐拥庞大的地图资源，强悍的算法和硬件能力，但是在美国的土壤上并没有取得预计上的成功。而中国选择了一条截然不同的道路，正如中国人对于举国体制优势的痴迷也符合中国基建狂魔的一贯调性。不管是全国的道路改造，统一的技术规范，路端网络全国联通，对于世界上的任何其他国家都是绝无可能的超大难题。

与特斯拉全球的畅销，FSD的功能几乎已经实现了高阶自动驾驶相比，中国的车路协同路线发展的并不足够顺利，重资产投入，难以商业化等问题使得目前的车路协同仍然局限在部分自动驾驶示范区，全国范围的推广仍然遥遥无期。如果从马斯克推崇的第一性原理出发，高阶自动驾驶的本质是什么？我们认为是将人类从繁琐的日常劳动中解放出来，即解放生产力。解放生产力是为了提高人民的物质和文化生活水平,不断满足人民日益增长的物质生活和精神生活的需要。改革则是对旧有的生产关系、上层建筑作局部或根本性的调整变动。我们提取出以下关键词，改革、旧的生产关系、上层建筑。再回到高阶自动驾驶的话题，我们不难发现，改革是技术创新，算法和数据的积累，上层建筑则是交通法规、道德规范，生产关系则是车辆的所有权问题。

1.特斯拉将BEV带入大众视野

特斯拉通过不同的汽车采集到的数据共同构建一个通用的感知网络架构，然而不同汽车由于摄像头安装外参的差异，可能导致采集的数据存在微小偏差，为此特斯拉在感知框架中加入了一层“虚拟标准相机”，引入摄像头标定外参将每辆车采集到的图像数据通过去畸变、旋转等方式处理后，统一映射到同一套虚拟标准摄像头坐标中，从而实现各摄像头原始数据的“校准（Rectify）”，消除外参误差，确保数据一致性。

BEVlayer：

2.BEV在学术上探索

BEV的实现方式可以分为从3D到2D以及从2D到3D两大类，思路又包括Psuedo-Lidartrack、center-pointtrack、Depthpenertration、和直接做BEV视角变换的几大类。自2021年以来，以BEV为核心的视觉路线一直是学术界非常活跃的方向，从2021年7月清华和MIT提出的HDMapNet到鉴智机器人在12月提出的BEVDet，到22年3月达摩院和MIT提出的BEVFusion。BEV的多模态融合技术将感知算法的发展推向新的高度，边缘部署将变得更加简单，意味着更低的算力的情况下能实现同等的精度，对于辅助驾驶/高阶自动驾驶的商业落地均有重大的价值。

2022年特斯拉AIDay上提出了新的概念，即OccupancyNetwork。借鉴了机器人领域常用的思想，基于occupancygridmapping，是一种简单形式的在线3d重建。将世界划分为一系列网格单元，然后定义哪个单元被占用，哪个单元是空闲的。通过预测3d空间中的占据概率来获得一种简单的3维空间表示。occupancynetwork是对于BEV的优化，由于BEV视角下高度信息的匮乏，可能会导致可行驶区域的检测遇到一些挑战。例如对于一些神经网络数据集中没有出现过的对象反馈并不好，对于悬挂的障碍物难以感知，无法看穿障碍物等等。

为了解决以上问题，特斯拉将世界拆分为微小的立方体，预测每个立方体是否有被占用，这与以往对每个物体赋予一个矩形的方式完全不同。对于未曾在数据集标注过的物体能进行更好的处理，尤其是对于地平线深度不一致、物体形状固定、静态和移动物体、遮挡和本体裂缝等问题能够有更好的效果，同时对于内存的占用更少。另外NeRF（神经辐射场）的应用也是特斯拉探索的一个方向，通过将Occupancy产生的模型与Nerf离线训练得到的模型进行比较，从而能够预测3D场景是否与“地图”匹配（NeRF产生3D重建）。

规划与决策指的是路径规划与行为决策两个部分：路径规划指具体的运动轨迹设计；行为决策主要指抽象的驾驶决策，例如是否跟车、换道、刹车。

决策主要包含两个方面，一个是车辆自己的形式决策，另一个是对于其它行驶车辆的行为的预测。

每次行为的整体决策链路非常长，而且每一步决策相互影响，所以这种自动驾驶车辆行为决策的功能可以看成是一系列概率的加成，可以看成是马尔科夫决策过程。

规划和决策最大的挑战之一是很难找到一个全局连续最优的方案，因为本身行为空间是一个Non-convex(非凸性）问题，局部最小值很难解决。其次汽车需要对10-15s之后做出预测和规划，因此会产生大量的参数，是一个高维问题。

特斯拉的解决方案可以概括如下：仅有唯一解的问题，可直接生成明确的规控方案，而对于有多个可选方案的复杂问题，使用向量空间和感知网络提取的中间层特征训练神经网络规划器，得到轨迹分布，再融入成本函数、人工干预数据或其他仿真模拟数据，获得最优的规控方案，最终生成汽车转向、加速、刹车等控制指令，由汽车执行模块接受控制指令实现汽车自动驾驶。

人类对于自动驾驶的探索早在八九十年代便开始，发展历程依据自动驾驶数据流的顺序，从从传感器到定位到感知再到决策规划、控制。早期研究传感器，07年开始研究定位和比较初级的感知SLAM技术，09年Waymo成立，10年后感知在深度学习计算机视觉的应用已经基本初具框架，14-16年深度学习在感知上应用的提升让人类看到自动驾驶的曙光。

预测和决策的规划，各个自动驾驶厂的框架都不太一样。无论是偏搜索、偏数值优化，或端到端机器学习（主要是美国厂商）、或是强化学习，目前没有任何一个方法能确定是未来的方向。

1.E/E架构变革，软件定义汽车的趋势已成未来新能源汽车的范式，但各主机厂路径均有差异，有实力的主机厂相较于T1的竞合态势将更为强势，从黑盒到白盒的改变也对T1提出了差异化的要求；

2.与三电系统不同，国际T1在控制领域仍存在比较明显的先发优势，缺芯大环境下主机厂保供需求催生国产化机会，国内厂商以其成本与服务的本土优势有望打破国际T1对于部分核心零部件的垄断，预计未来中国汽车供应链将有实力与国际T1在国内/全球层面竞争；

3.L2+随着整体技术和工程化的进步，已到达渗透率的拐点，量产上车节奏可能会超预期；供应商率先拿下以比亚迪、广汽埃安为代表的中端的A、B级的目标车型将占据行业制高点；

5.高阶自动驾驶短期仍难以量产落地，近年感知层面的学术探索有望加速视觉路线的单车智能的发展，激光雷达的成本降低也在预料之中，但规控现阶段依旧没有特别成熟的方法论，行业亟需更为激进的国内主机厂充当鲶鱼的角色。

快报