我和行业厂商聊了聊自动驾驶现在的样子

根据中国智能网联汽车产业创新联盟数据显示，2020 年L2 级别自动驾驶新车渗透率已近15%。当前正处于L2向L3级别转化的阶段，预计2025年L2.5级别自动驾驶车辆渗透率达到50%。

从产业链上看，2025年智能驾驶感知、座舱领域市场空间约4000亿，年复合增长率超过20%。政策、需求、供给三管齐下，汽车智能化成为必然趋势，汽车软硬件以及内部架构、行业竞争格局、产业链价值分配也将发生深远变化。

在此节点，与非网推出本期专题，来探索ADAS与自动驾驶的发展之路，以及产业链中各环节企业的动态和布局。本文采访了多家行业知名厂商和专家，主要围绕“感知、决策、执行”自动驾驶核心环节以及其中可能面临的挑战与机遇等问题展开。

感知端

感知层是由各类传感器组成，自动驾驶的实现需要毫米波雷达、超声波雷达、摄像头、激光雷达等传感器产品的保障，自动驾驶渗透率的提升拉动传感产品需求持续提升。

随着L2渗透率越过15%逐渐普及、L2.5/L3密集发布、L4/L5进入开放路段测试，传感端产品的需求将随着自动驾驶渗透率的提升而持续攀升。 

unmannedsystemstechnology.com

车用毫米波雷达主要指24GHz和77GHz两种，24GHz主要面向50-70m的中短距探测，主要用于BSD、车道偏离预警（LDW）、PA等功能；77GHz主要面向150-250米的中长距探测，用于AEB、自适应巡航（ACC）、FCW等主动安全领域。

常见的超声波雷达有UPA和APA两种。UPA的探测距离一般在15~250cm，主要用于测量汽车前后方的障碍物；APA的探测距离一般在30~500cm，不仅可以用于测量汽车左右侧的障碍物，还可以判断停车库位是否存在。

目前，在自动驾驶的感知层面，行业主要是围绕“视觉方案”和“激光雷达”两种路线在讨论和布局。

视觉方案

单目摄像头+深度学习——识别的准确性和深度学习的可靠性是迈向自动驾驶的瓶颈；双目识别+传统算法——一致性和成本是迈向商业化的挑战。

摄像头系统是ADAS核心传感器，在采集图像后，由摄像头内的感光组件电路及控制组件对图像进行处理并转化为电脑能处理的数字信号，从而实现感知车辆周边的路况情况。其最大优势在于识别内容丰富，且摄像头硬件成本相对低廉。

目前应用于自动驾驶的路况判断方案，多以单目摄像头方案为主。

单目摄像头领域，Mobileye以70%市场份额占主导地位，与 Tier1 配合为 OEM 定义产品，掌握视觉传感器算法，并向下游客户提供车载摄像头模组，EyeQ 芯片及算法在内的整套方案，成本低于其他方案，但存在探测长度和宽度无法同时保障和测距不准的问题。

激光雷达

具有高精度、高分辨率、建立周边3D模型优势，工作原理是将激光线束竖向排列形成一个面，通过调整角度发射激光束、传感器接收记录，做到对周围环境的三维感知。竖向排列线束越多，扫描密度越大，精度就越高，价格也越贵。

激光雷达主要应用于L3级别以上的自动驾驶，分为16线、64线和128线。相比之下，线越多，探测距离越远，质量越轻，分辨率也越来越高，适用的驾驶级别也越高。 

Velodyne的64线机械式激光雷达价格高达7万美元以上，而华为发布的96线激光雷达，未来计划将成本降至200美元。固态激光雷达赛道还有大疆、禾赛、Velodyne、Luminar、ouster、Quanergy、ibeo等，法雷奥第三代Scala也从机械转向固态。从商业化考虑，因机械式高昂的成本，预计固态大概率会率先上车。

综合来看，纯视觉方案瓶颈在于极高要求的算法；激光雷达路线商业化瓶颈在于价格。辅助驾驶时代，以单目摄像头为主，激光雷达逐渐渗透；未来，进入商业化，成本是必须突破的环节，高等级自动驾驶激光雷达方案胜出具有更大概率。

决策端

图源 | IEEE

随着自动驾驶等级的提高，要求更高的算力和更多传感器件，ECU的增长迎来爆发，而传统的汽车分布式电子电气架构，各个ECU都是通过CAN和LIN总线连接在一起。这种ECU架构若无限扩张，成本端和技术端都将面临巨大挑战。

如何在愈发复杂的线路中，保证数据处理及网络安全最优化成为难题，汽车电子电气架构（EEA）由分布式向集中式升级已成为了必然。此时，DCU（域控制器）和MDC（多域控制器）应运而生，以更强大的中心化架构逐步替代分布式架构。

域控制器的出现体现了智能驾驶对整车功能的重新定义与整合，将减小整车企业软件算法开发难度，方便功能扩展。同时，通过域控制器的整合，分散的车辆硬件之间可以实现信息互联互通和资源共享，软件可升级，硬件和传感器可以更换和进行功能扩展。

以博世经典的五域分类拆分整车为动力域、底盘域、座舱域、自动驾驶域和车身域，不同域之间的通信，需要由更高传输性能的以太网作为主干网络承担信息交换任务。五域较为完备的集成了L3车型的功能，逐渐开始在L3级别车型上进行应用。

但是，在ECU向DCU的转型过程中，产业链厂商会面临种种挑战，上游原厂作为核心芯片供应商，如何看待其中挑战？

安森美半导体表示，挑战包括硬件方面需满足多传感器之间的协同要求，接口芯片需要满足多传感器带宽需求，核心处理芯片能力需提供不同等级自动驾驶的算力和接口要求，以及功能安全和网络安全的实现。最重要需提供平台化的器件系列产品以适应产品的升级。

恩智浦认为，整车电子电气架构从分布式转换成域控制器架构，是目前中国汽车市场快速发生的变化。但是，目前对各个域控制器的具体功能，业界并未形成相对统一的功能定义。另一方面，新一代的车用网络主架构，快速从CAN更新到以百千兆以太网为主干网的高速网络技术。

转型之余，软件系统正成为未来汽车倚重的核心，在汽车格局重构，软件定义汽车的趋势下，对原有产业链带来冲击。

从芯片厂的角度来讲，在推出相关芯片的时候，要跟上下游的生态伙伴搭建相应的软件供应链，围绕产品所需要的各层软件，有相应的第三方伙伴来提供产品来帮助最终客户开发完整的产品。

安森美半导体认为，软件定义硬件的模式，是为适应快速迭代、用户体验的持续提升。这对原有的产业链带来巨大冲击，已经不再是Tier1提供系统的每个部分，包括感知，控制器，算法等整体打包给车企。

作为芯片供应商最重要的就是和软件算法提供商合作，更早了解其应用算法的需求，在硬件设计方面满足实现其软件和算法。另外则需提供具有平台化的硬件系列产品，以适应软件的升级。

“现在，产业链关系上，汽车供应链正发生颠覆性变革，过去式等级森严的金字塔关系，现在都在转向拼图式的合作关系。当前的创新拼的是速度，已经不允许单打独斗。未来，主机厂跟有软件能力的芯片公司形成直接战略合作，是智能汽车时代新的合作范式。”地平线总结了其产品研发路径与当前汽车电子的发展趋势。

汽车AI芯片格局与国产困境

图源 | SciTech Daily

当前智能汽车发展的核心瓶颈是算力不足，智能化竞争在提速，首先体现在算力的军备竞赛上，现阶段L2级别自动驾驶计算量已达10TOPS， L3级别需要60TOPS，L4级别算力将超过100TOPS。车规级AI芯片成了行业新宠。

AI芯片主要分为GPU、FPGA、ASIC，当前主流的AI芯片是GPU，未来可能被ASIC替代。三类AI芯片之间的区别在于适用范围不同。GPU属于通用型芯片，ASIC则属于专用型芯片，而FPGA则是介于两者之间的半定制化芯片。

自ADAS技术，或者L1~L2级自动驾驶技术兴起之后，自动驾驶芯片市场长期被Mobileye和赛灵思两个玩家所掌控，不过从近些年开始，这一现象正在被逐渐改写。随着汽车对计算芯片的算力要求也越来越高，GPU王者英伟达、移动芯片霸主高通先后推出大算力自动驾驶SoC，开始抢夺市场份额。

去年10月，AMD宣布350亿美元收购FPGA巨头赛灵思，除了看中赛灵思的FPGA架构之外，汽车业务也是合并后公司的重点业务之一。另一边，飞速发展的特斯拉，陆续甩开Mobileye、英伟达等供应商，直接做了自己的自动驾驶芯片，来提供更高的算力，同样证明着这一变革大势所趋。

种种“动作”，可以看做芯片巨头在当前自动驾驶领域的一个缩影。2021年，随着L2级自动驾驶普及度的不断增高，汽车由分布式计算向中央计算的不断进化，各方巨头的自动驾驶芯片之“战”还将不断升级。

看回国产芯片市场。过去几十年，我国汽车产业取得了长足进展，但主要还是在集成创新层面，智能汽车时代，只停留在集成阶段是没有未来的，必须在上游的车载芯片方面取得突破，这也是智能化最难的赛道之一。

但现实是残酷的，这个市场基本上还是国外公司一统天下，2019年，全球汽车芯片市场总规模大约为475亿美元，其中，中国自主汽车芯片产业规模不到150亿元人民币，不到4.5%，对比我国汽车产量占比全球超过30%，差距巨大。

令人欣喜的是，中国车载芯片创新力量正在迅速崛起，以地平线、黑芝麻等本土企业为代表的是自动驾驶AI芯片背负着行业期待。但芯片行业的残酷性在于赢者通吃，如果不能做到行业前两名，基本上就没有未来。

“在芯片领域，车载的门槛是很高的，并且车规AI芯片更是全新的领域。如果要进入决赛圈，2020年就必须要做到量产落地，因为车规级芯片研发周期长，研发周期一般长达五年之久，先发优势一旦建立就很难打破，而且后面的竞争烈度会非常强。截至目前，地平线是继 Mobileye、Nvidia 后，第三个实现前装量产的 AI 芯片公司。”地平线向笔者说道。

追赶与突围是我国芯片产业近年来的主旋律，在这个过程中最重要的是什么？地平线表示，肯定还是芯片设计能力，要经过车规级验证和市场考验。

纵观产业生态，正逐渐打破传统Tier1和Tier 2边界，供应链上的各个参与者紧紧围绕在主机厂的周围，去提供相应的服务和零部件。从底层去赋能，跟客户实现真正的协同，而不是简单的交付。

从L2到L4的芯片之战正在进行，无论是芯片巨头还是初创企业，看好的不仅是当前的市场，更多的是未来L4级自动驾驶的市场，追求高算力以及中央计算的电子电气架构将是自动驾驶芯片公司未来一个时期内的主要目标。

IP厂商如何助力产业前行？

上述AI芯片之外，在从L2/L3级ADAS向L4/L5级全自动驾驶演进的过程中，神经网络加速器也将是至关重要的组成部分。

Imagination产品营销高级总监Andrew Grant表示，神经网络在视觉推理方面表现出色。从摄像头和其他传感器处获取图像输入，并识别其中的内容，然后将数据交由其他组件处理，以支持车辆进行决策。

Imagination专为汽车市场设计了NNA内核——IMG Series4神经网络加速器（NNA），该NNA与车用XS GPU内核一起开发，目标是让汽车整车厂能够通过授权来采用完整的GPU和NNA IP产品，为客户提供算力、功耗、带宽和延迟等方面的最佳组合性能，以提供高性能ADAS和自动驾驶功能。

不同的AI芯片之间各有优劣，FPGA凭借功能可修改的优势，在算法不断更新、迭代的环境下将有很强的竞争优势，在需求量较小的专用领域将保持住一定的市场份额。 

Achronix是目前主要的嵌入式FPGA（eFPGA）IP提供商。与传统FPGA相比，eFPGA的最主要特点是能将可编程逻辑单元与其他ASIC IP整合到同一款SoC中，在缩小芯片面积的同时降低系统功耗。

二维片上网络（2D NoC）

行业专家“老石谈芯”表示，Achronix历时15年的发展，从无到有，从小到大，直到今天能和两大FPGA巨头公司一较高下，这其中有着很多值得我们国产FPGA公司借鉴的启示和经验：技术发展没有捷径；拥抱新技术；离开“舒适区”。

其他厂商在如何布局？

自动驾驶汽车的产业链很长，各方企业参与其中。除了上面提到的上游芯片原厂，AI芯片供应商，IP公司之外，行业分销商、封测厂商、投资机构对此也表达了各自的观点。

分销商

对于汽车产业的“新四化”的发展趋势，安富利很早就有着前瞻性预判，电动化、智能化、网联化、共享化等领域推出了从汽车连接、数字控制、传感器、算法再到系统整合等诸多解决方案。而安富利自身的角色，也从原来的汽车零部件供应商，一步步增加了对硬件、软件、算法的支持，最终转变为能够针对各种应用场景、实时满足客户需求的汽车解决方案提供商。

对于阻碍自动驾驶进一步落地的因素，安富利认为，自动驾驶的发展比大家预想的更难、更贵和更慢。政策标准并不完善、技术和应用缺陷有待填补、商业模式和产品成本控制等因素是阻碍自动驾驶发展的主要原因。

封测

关于汽车电子芯片的封测相比其他领域的难点和挑战，长电科技表示，相比于其他领域， 汽车半导体行业壁垒高、垄断性强；零缺陷要求高；产品认证周期长、可靠性要求高等特性；随着汽车产业的高速发展，我国汽车电子也面临着挑战，主要表现在芯片主要依赖国外进口，且芯片紧缺；半导体元件国产化率低；厂商缺乏完整开发汽车电子产品的经验等。

未来随着汽车技术的进一步升级，芯片封装复杂度也逐渐增大。众多汽车OEM厂商考虑到成本、散热、可靠性、效能等原因，正积极追求一些先进的封装方法，例如倒装封装（Flip Chip）,系统级封装（SiP）和扇入型晶圆级封装，以便在这个激烈的市场竞争中实现自身的差异化优势。

资本市场

2019年，全球自动驾驶产业融资总额66.4亿美元，一共发生交易104起，其中公开披露金额的融资事件为70起。

2020年全行业融资仍旧火热，这一倾向在2021年更加明显，自动驾驶汽车制造商Cruise宣布获得微软、通用、本田等20亿美元投资，文远知行宣布完成宇通集团领投3.1亿美元的B轮融资。

行业融资额的增长，一方面是因为流动性充裕的现状向一级市场扩散；更重要的是随着自动驾驶技术发展和应用落地，行业逐渐获得资本认可。

对于行业资本市场的动态，步日欣介绍道，目前看无人驾驶被资本关注的热门领域主要分为两个层面：一个是无人驾驶整车，涌现出了众多无人驾驶汽车公司，包括传统车企、创业公司以及跨领域转型的公司；第二是车规级的核心汽车电子元器件，典型的如激光雷达、双目摄像头、惯导等。

尽管资本市场表现火热，但自动驾驶是一个技术含量较高的行业，涉及到自动化、汽车、新能源、人工智能等综合领域，对团队的综合素质要求较高，既要有汽车整车厂研发和从业经验，有需要掌握人工智能等核心技术。并且该领域不是一个特别新的领域，行业巨头已经布局多年，从大行业来看，已经不适合创业公司介入，窗口已经关闭。如果有创业机会，可能会存在于一些与智能驾驶相关的汽车电子细分领域。

以上。

- END -