赛迪观点：智能网联时代汽车传感器发展趋势预判

一、 自动驾驶推动单车传感器搭载量激增

智能网联汽车是通过搭载先进的车载传感器、控制器、执行器等装置，融合现代通信与网络技术，能够感知复杂的环境，并做到智能决策、协同控制和执行，很终可实现自动驾驶的新一代汽车。根据美国汽车工程师学会(SAE)很新标准，汽车驾驶自动化系统可分为六个等级：L0级(无自动驾驶)、L1级(驾驶辅助)、L2级(部分自动驾驶)、L3级(有条件的自动驾驶)、L4级(高度自动驾驶)、L5级(完全自动驾驶)。目前90%的新能源汽车可以达到L2级(部分自动驾驶)级别，配置有ACC自适应巡航、车道保持系统、自动刹车辅助系统和自动泊车系统等；少数新能源汽车可以达到L3级，增加自动紧急制动等功能，可在特定环境和路段下由车辆自动判断行车环境是否可以自动驾驶，并在复杂路段自动提示司机接管操作；从L4级开始进入真正意义上的无人驾驶，该级别目前仍限制行驶区域；到了很高的L5级，车辆可以在任何区域自动行驶。



汽车自动化程度越高，对传感器的依赖就越强。目前车载传感器根据装备目的不同，可分为提升单车信息化水平的传统传感器和为无人驾驶系统提供支持的智能传感器两大类。传统传感器包括压力、位置、温度、加速度、流量、气体传感器等几类，主要应用于动力总成系统、底盘系统、车身控制系统中。而当汽车进入智能网联时代后，除必备的传统传感器外，需要更多的智能传感器作为汽车的五官，进行外部环境感知和内部人机交互。目前用于环境感知的主流车载传感器包括激光雷达、毫米波雷达、超声波雷达、摄像头等；用于车内人员感知交互的传感器主要有驾驶员监控摄像系统、语音识别传感器等。高等别自动驾驶汽车装配的环境感知传感器数量普遍在 30 个左右，随着智能网联汽车的逐步普及，其对车载传感器的需求还将成倍增长。




二、智能网联时代汽车传感器的发展趋势

低时延要求促使车载传感器向着近传感器计算方向发展。自动驾驶汽车需要快速分析数据并做出实时决策，而在传统的感知计算架构中，传感器和计算单元在物理空间上的分离会导致信号严重延迟。采用近传感器计算(例如边缘计算、雾计算)可以有效解决信息延迟问题。其中边缘计算技术是在靠近传感器的位置安装集存储、计算、网络等功能于一体的开放平台，例如将汽车电子控制单元置于各个传感器附近，就近接收并处理传感器数据，并作出相应决策；雾计算是将服务器大量放置在道路两侧，从而可以就近对车载传感器数据进行分析计算，以实现更快、更可靠的导航和决策。

安全性要求促使传感器系统向着车路协同方向发展。受限于传感器的安装位置、感知范围，以及路边障碍物和周围车辆尺寸的影响，仅使用车载传感器无法对道路情况进行全面准确的感知，而在道路两侧安装感知传感器则可以为自动驾驶车辆提供“上帝视角”，从而与车载传感器信息形成互补。5G 技术的发展也为车路传感器的快速协同提供了基础通信技术保障。在道路两侧密集部署感知传感器也在一定程度上减轻了车载传感器的成本压力，更有利于自动驾驶汽车后期的市场推广。

数据安全要求促使传感器与区块链技术逐步融合。自动驾驶汽车本质上是使用计算机和传感器的物联网设备，容易遭受黑客攻击。区块链通过分布式账本、非对称加密、共识机制和智能合约等重心技术，建立具有去中心化、开放性、独立性、安全性、匿名性的数据存储系统，不仅具有数据可溯源的优势，而且保证了节点数据无法被篡改，可以有效帮助车载传感器系统避免DDoS攻击。然而采用区块链技术对传感器模块的数据存储能力也提出了更高的要求。

单点失效可能性促使智能网联汽车采用传感器冗余设计。单个传感器在特定环境下失效，将导致智能网联汽车对某一环境信息的感知不到位，从而导致汽车做出错误的或保守性的决策。为预防行车途中可能存在的某一关键性信息缺失，智能网联汽车会采用冗余的传感器系统。不同传感器的工作原理和技术特性各不相同，适合不同的应用场景，可采用多类型传感器结合的冗余方案确保行车安全。例如在外部感知层面，采用超声波雷达 毫米波雷达 立体摄像头 激光雷达的多传感器冗余方案，可确保在任何状况下都能准确感知外部环境；在定位模块方面，采用卫星定位智能传感器和雷达相结合的冗余设计，将基于卫星信号的jue对定位信息和基于道路特征的相对定位信息进行比对，确认汽车在当前道路中的位置，从而可以实现厘米级的定位精度。

自动驾驶的技术需求提升推动了传感器技术的快速升级，随着新产品的不断迭代，车载传感器市场规模也将迅速扩大，未来车载传感器必将迎来更大的发展机遇和更为广阔的前景。