汽车行业中的自动波是什么意思(自动挡为什么叫自动波)

大家好，我是讯享网，大家多多关注。

(报告监制/作者:红塔证券宋欣楠)

1.引言

数字经济是未来经济发展的主要动力，通过数字技术实现日常生活和生产的数字化管理，促进实体经济的高效发展，充分发挥数据和信息的价值。其发展之快、辐射之广、影响之深远前所未有，正在推动生产方式、生活方式、治理方式的深刻变革，成为重组全球要素资源、重塑全球经济格局、改变全球竞争格局的关键力量。

随着近年来数字经济在国民经济中的重要性越来越大，党和国家也越来越重视:从前期的“十三五”国家科技创新规划，到中央政治局会议将其作为议题，再到十九大报告，数字经济被正式写入“十四五”规划，并提出了一些相应的预期目标。随着其他政策的陆续出台，党和政府对我国数字经济发展的支持和鼓励态度日益凸显。

因此，在这样的背景下，在未来的中长期内，数字经济内部的所有行业都将有充足的需求逐渐在内部涌现，而良好的政策环境将在外部为其保驾护航，这将是中国国民经济发展的重要抓手。其中，智能驾驶/车联网作为数字经济发展的一个应用，象征着未来人类出行方式的颠覆性改变，可能会催生一种全新的商业模式和全新的产业格局。因此，它有着巨大的想象力空。在众多厂商和研究机构的努力下，其技术已经发展了很久，但采用的技术路径各不相同。因此，本文将尝试对目前主流的智能驾驶实现方案及其相关产业链进行对比分析，为后续寻找产业链投资机会提供参考。

2.背景

2.1.智能驾驶简介

根据定义，智能驾驶是指汽车配备先进的传感器、控制器、执行器、通信模块等设备，辅助驾驶员控制车辆，甚至完全取代驾驶员实现无人驾驶。

目前业界普遍遵循SAE协会定义的智能驾驶级别，其中L2级别以下的智能驾驶通常称为ADAS(高级驾驶辅助系统)。其主要特点是系统只在特定情况下为驾驶员提供辅助，车辆驾驶的决定权在驾驶员手中，驾驶员要承担相应的所有责任和后果。但L4及以上智能驾驶是汽车的主导驾驶行为，责任主体是汽车制造商或汽车服务商。但对于中级L3智能驾驶，由于只能在一定条件下代替人，且系统出现故障时需要人及时接管车辆，因此在实际应用中的可操作性和责任界定在行业内外都存在争议。从技术角度来看，L3级别的智能驾驶是技术发展的必经阶段，但从法律和产品应用角度来看，风险很大。在国内，智能驾驶往往以智能网联汽车为正式名称，尤其突出车联网功能。中国更完善的通信基础设施，形成车辆与道路的协同效应，对比欧美自行车的智能化。此前，工信部发布了《汽车驾驶自动化分类》推荐性国家标准，规定了汽车驾驶自动化功能的分类。其智能等级划分也与SAE定义大体一致，并于2022年3月1日正式实施。

2.2.智能驾驶的基本技术原理

实现车辆的自动驾驶功能是一个相当复杂的过程，但总的来说，无论是自动驾驶还是人类驾驶，都可以按照“感知决策控制”的流程来考虑。

是感知的先决条件。在做出决策和控制车辆之前，首先需要保证掌握足够的信息，包括车辆本身的信息和外部环境的信息，从而为车辆提供足够的决策支持。感知层获得足够的信息后，决策中枢(计算单元/大脑)会根据特定的算法/经验做出适合当前情况的驾驶决策，并向相关控制机构发出指令，从而完成一个从感知到决策再到控制的完整驾驶过程。

2.3.智能驾驶的技术瓶颈

目前从技术上来说，车辆的控制层已经基本打通，只有一些复杂的系统还存在一些成本问题，但是在感知和决策的过程中还有很多问题需要解决。

2.3.1.感觉

在感知过程中，车辆运动状态和驾驶员监控的技术门槛相对较低，分别感知车辆本身和驾驶员的状态。前者主要依靠车载传感器保证车辆行驶状态符合预期状态；后者主要依靠摄像头和生物电监测来保证驾驶员的生活状态和注意力保持正常。

环境感知是最重要也是最关键的部分。目前实现环境感知的技术路径主要有视觉传感(相机)、毫米波雷达和激光雷达。

如上所述，感知是智能驾驶实现的前提。在理想状态下，车辆只需要获取地面标志、路边标志、道路前方障碍物等少量数据。但在实际操作中，可能会出现一些地面标志不清晰、道路标志被遮挡等情况，障碍物往往包括其他车辆、行人、自行车等移动物体，以及路锥、石墩等固定物体，导致传感器难以有效转换为计算中心可识别的数据，对自动驾驶的后续决策影响很大。

2.3.1.1 .视觉

视觉传感器主要指摄像头，主要用于车道检测、交通标志识别、行人/车辆识别等任务。

由于人类驾驶员在驾驶过程中的主要信息感知方式是通过视觉，因此使用摄像头作为车辆环境感知方式是最自然的方式。而且由于摄像头本身技术成熟，生产成本低，在区分人和物、识别路标方面有优势。同时，通过摄像头的视觉感应也有缺点。

首先，由于车辆本身无法直接读取视频信号，需要通过相应的计算方法将摄像头采集的视频信号转换成处理芯片能够识别的标准信号，这对相关算法的能力和效率提出了很高的要求。而且由于物体识别基于机器学习数据库，形成有效数据库所需的训练样本量大，训练周期长，系统通常无法识别数据库未掌握的新的非标准障碍物，可能导致自驾过程中出现危险。

其次，无论是分辨率、抗干扰还是大脑、芯片对信息的处理，摄像头都无法与人眼相比，所以摄像头受外界环境的干扰更为严重。摄像头成像或识别困难，包括正面眩光、水滴遮挡摄像头、暴雨暴雪等恶劣天气、夜晚等低照度条件、各种原因造成的物体反射等。

第三，由于分辨率的限制，摄像头的识别距离小；同时，光学成像也导致其测距/测速功能较差，不足以支持自动驾驶的决策过程。

2.3.1.2 .毫米波雷达

毫米波雷达是指工作在毫米波段(波长1-10mm，频域30-300GHz)的雷达。目前车用毫米波雷达主要有24GHz和77GHz。

毫米波的波长介于微波和厘米波之间，所以毫米波雷达具有微波雷达和光电雷达的一些优点。与厘米波雷达相比，毫米波雷达具有体积小、重量轻、分辨率高在空之间的特点。与红外、激光、电视等光学雷达相比，毫米波雷达具有很强的穿透雾、烟、尘的能力，具有全天候、全天时的特点。同时，与相机不同，毫米波雷达的传感探测距离远，可以高精度测量目标的距离和速度。

77GHz雷达各方面都有优势。与24GHz雷达相比，77GHz雷达可以同时实现远距离探测和更高的距离分辨率；和测距精度上具有明显的优势；同时，由于77GHz雷达的波长更短，收发天线的表面积更小，所以体积更小。但77GHz雷达由于技术相对较新，规模较小，价格仍然较高，所以目前24GHz雷达仍然是主流，但未来可能会被77GHz雷达取代。

毫米波雷达的缺点主要有以下几点:

1)探测范围小，通常需要多部雷达组合，导致总成本大幅增加；

2)由于它的分辨率参数是用角度来衡量的，所以在远距离下它的实际分辨率可以达到足够高，但在近距离下可能无法准确分辨位置；

3)对行人的反射波较弱，难以识别；

4)对侧向目标敏感度低，只能提供角度和距离信息，不能提供高度信息；

5)不能成像，不能用于图像颜色识别。

2.3.1.3 .激光雷达

LiDAR(光探测与测距)，即激光探测与测距系统，是集激光、GPS和惯性测量设备于一体的系统。激光雷达由于波长短、准直性强，具有角度分辨率和距离分辨率高、抗干扰能力强、体积小、重量轻等优点，可以获得各种图像信息(深度和反射率等。)的目标。

根据激光雷达线束的数量，激光雷达可以分为单线(2D)雷达和多线(3D)雷达。但由于单线雷达只能获取平面数据，无法完成复杂道路地形环境的建模。所以目前实际使用的多是多线雷达。目前主流的激光雷达通常从16线到64线不等，也有少数128线等高光束量的产品。

激光雷达凭借其探测范围广、抗干扰能力强、测量精度高等特点，能够采集足够多的数据信息，实现对车辆周围环境的建模。因此，在理想状态下，激光雷达可以为自动驾驶的决策提供最丰富的参考信息，但在实际应用中，激光雷达仍面临一些有待解决的问题。

首先，最大的问题是激光雷达的成本太高。目前最成熟的技术是机械式激光雷达，即通过旋转电机等机械设备实现360度扫描。但是这种方式的硬件集成比较困难，所以远光激光雷达的成本很难降到3000美元以下。作为替代技术，半固态MEMS器件价格昂贵，扫描控制困难。固态闪光方式虽然成本低，但是探测距离短，不足以满足自动驾驶的需要。固态OPA模式潜力最大，但目前技术还不够成熟，供应链还不完善，中短期内还难以实现技术突破。

其次，由于激光雷达获取的道路信息和数据量大，对数据处理的计算方法要求很高。目前主流的算法是基于点云分割，即根据点云分布的整体和局部特征，将点云分割成多个独立的子集，从而快速提取有用的物体信息。因此，在车辆中使用激光雷达作为传感器，不仅需要优秀的数据算法进行软件支持，还需要足够的硬件计算能力。

再次，激光雷达发射的激光在云、雾、雨、雪等恶劣环境下衰减严重，没有办法提供准确的环境图像。因此，自动驾驶过程不能完全依赖激光雷达，必须有其他传感器设备与之配合。

2.3.2.决策

自动驾驶的决策层主要包括两部分，即硬件部分和软件部分。硬件部分是指各种计算单元，包括目前的CPU、GPU、FPGA，其作用是为后续的软件处理数据提供基本的计算能力支持。软件部分是各种算法，包括信息数据的处理，道路短期未来情况的推演和预测，驾驶计划的制定等等。是自动驾驶技术非常核心的一部分，也是各大自动驾驶方案提供商的核心竞争力。

2.3.2.1 .硬件部分

在自动驾驶的计算平台中需要考虑的因素是独特的:

①为了处理海量数据，为AI运算提供充足的计算能力，需要充足有效的计算性能；

②计算结果直接决定了车辆的行驶安全性，关系到车上驾乘人员的安全，其工作环境可能比较恶劣(温度、湍流等。)，所以要保证其高可靠性；

③作为移动平台，需要保证其功耗在可接受的范围内；

④需要良好的可扩展性；

⑤由于产品最终将用于普通车辆，作为消费品，需要控制其成本。

目前自动驾驶使用的计算单元主要有CPU、GPU、FPGA(现场可编程门阵列)和ASIC(专用集成电路)，四种方式各有优缺点。

主流的自动驾驶计算平台供应商大多选择混合不同的计算单元。目前全球能够提供高性能自动驾驶芯片的领先公司主要有特斯拉、华为、瑞萨、英伟达、Mobileye、高通等其中特斯拉的系统是封闭的，软硬件一体化，不对外供应芯片。华为也只提供MDC计算平台，不单独对外销售芯片。其他的大多是按SoC提供产品。

2.3.2.2 .软件部分

目前自动驾驶技术算法的底层技术是机器学习算法，但具体采用的算法会因厂商而异，而这也是各大自动驾驶开发厂商的核心竞争力。

全球仍有很多企业和研究机构致力于研发自动驾驶系统，而这些企业和研究机构的背景各不相同，包括整车OEM厂商(特斯拉、宝马、沃尔沃等。)、汽车零部件厂商(琥珀等。)、IT巨头(谷歌Waymo、百度等。)，以及有专门门的初创企业(极光、马骁之星等)。).由于这些不同的企业诞生于不同的地区和行业，其开发的自动驾驶系统往往在导向和流程上有不同的进步。具体情况我们后面再详细分析。

目前从软件方面来说，为了保证自动驾驶过程中驾驶的安全性和可靠性，需要进行大量的测试和验证。目前，业界广泛应用的基于机器学习算法处理大数据集的深度学习技术已经取得了很大的进步，但面对自动驾驶的复杂性，仍然效率低下。

3.自动驾驶主要开发商介绍及对比

3.1.Waymo

Waymo之前是谷歌旗下的一个项目团队，因此它一直能够从谷歌及其母公司Alphabet那里获得持续的输入。所以自始至终都有充足的发展资金。目前，Waymo仍被认为是自动驾驶技术最前沿的开发者。

Waymo在最关键的路测阶段积累了大量经验，是全球测试里程最长的开发商。与后来者相比，根据目前的数据，Waymo的自动驾驶路测里程占所有路测里程的一半以上。Waymo采用的“强感知+强智能”路线也成为全球自动驾驶开发企业最主流的思路。

Waymo开发自动驾驶汽车的想法，其实是脱离了“车”本身。Waymo想做的是改变人们的出行方式，也就是建立一个由自动驾驶汽车组成的基础设施，并将其打包成服务提供给公众。所以Waymo无论是在开发的过程中，还是在路测的过程中，都以此为目标，直接把目标放在了无人驾驶的终极形态上。

3.1.1.传感器

Waymo采用的传感器方案非常完整，包括激光雷达、摄像头、毫米波雷达等传感器(音频探测等。)，而且全车配备了相当多的雷达，从而保证了对环境的完整把握。

Waymo的技术方案基本上采用了目前所有的主流传感器，从而保证了在各种时间和气候条件下，能够为计算中心提供充足的环境数据。

3.1.2.软件

Waymo的算法本身是一种机器学习算法，但他们通过数百亿英里的模拟和超过2000万英里的实际道路测试来训练其自动驾驶系统，使其能够通过传感器传输的数据信息来检测和理解车辆周围的物体，并预测其可能的行为及其对驾驶路线的影响，从而做出相应的驾驶决策。

整个系统包括三个部分:感知、行为预测和规划。感知系统通过处理传感器提供的外部环境数据，帮助车辆区分行人、骑自行车者和汽车等交通参与者，以及车道线、信号灯和障碍物等静态物体。然后在行为预测系统的帮助下，软件尽可能预测道路上各个物体的运动趋势，尽可能保证车辆安全高效的行驶；规划者在获得感知和行为预测提供的信息后，就可以为车辆规划合理的路径，这个过程需要尽可能保证车辆的安全性、平稳性和稳定性。

3.2特斯拉

特斯拉作为当今自动驾驶领域“话语权”最大的公司，选择了与Waymo不同的发展思路。特斯拉开发自动驾驶时，重点是改变用户体验。车辆本身并没有改变，更多的是以赋能的形式呈现，这使得特斯拉的车辆在具备自动驾驶功能后，与市场上的其他竞品有着本质的区别。

从技术上来说，与Waymo等企业普遍采用的“强感知+强智能”路径相比，特斯拉摒弃了成本高昂的激光雷达，采用了以高清摄像头为主、毫米波雷达为辅的“弱感知+超智能”，构建了其以软件决策为核心的自动驾驶平台。

特斯拉的传感器方案中有8个摄像头，包括3个前视主摄像头(一个广角，一个主摄像头和一个窄摄像头)，2个侧前视摄像头，2个侧后视摄像头，1个后视主摄像头。此外，车体周围还有12部超声波雷达和1部前视雷达。

在算法方面，特斯拉综合采用了三种主流的机器学习算法:CNN(卷积神经网络)、RNN(递归神经网络)和DRL(深度强化学习)，从而提高了准确率，降低了对硬件计算能力的要求。除了内部路测，特斯拉还依靠其目前庞大的客户数量获取更多数据，从而通过训练迭代升级其自动驾驶系统AutoPilot。

此外，与其他厂商不同的是，特斯拉将展望无地图技术路径，即在车辆定位和路径规划过程中，完全依赖传感器对外界的感知，不需要高精地图等基础数据库类型的支持(目前仍依赖高精地图)。

3.3.沃尔沃-优步

沃尔沃于2016年与优步达成战略协议，共同开发自动驾驶汽车和技术。与Waymo相比，其技术方案的侧重点有所不同。

与Waymo相比，沃尔沃-优步在XC90上使用了更多的摄像头来增强其视觉传感系统，包括车顶的前置摄像头、侧摄像头和后置摄像头、进气格栅处的前置摄像头、两个后视镜上的侧摄像头以及车尾的后置摄像头。此外，沃尔沃-优步还采用了一前一后的超声波雷达，前后两侧的毫米波雷达和车顶的激光雷达。

沃尔沃最新的充电概念车配备了Luminar提供的第三代虹膜激光雷达传感器系统。整个系统由1台激光雷达、8台摄像机、5台毫米波雷达和16台超声波雷达组成。整套自动驾驶软件的开发者是沃尔沃旗下的免费技术公司Zenseact，它搭载了NVIDIA Orin自动驾驶芯片，可以提供254TOPS的单芯片计算能力。

3.4.摘要和其他

目前自动驾驶技术的主流路线有两条。二者的区别在于是否采用激光雷达，而特斯拉基本上是“无激光雷达”阵营中的唯一一家。几乎所有其他企业都或多或少地依赖激光雷达。这种差异的核心原因在于，激光雷达的感知性能最好，但成本也最高。

特斯拉首席执行官马斯克多次表达了他对自动驾驶系统中使用激光雷达的不屑。他曾公开表示“激光雷达是愚蠢的。任何使用激光雷达的人都会死”(激光雷达是个傻瓜。任何一个依靠激光雷达的都是注定的)。其实前几年激光雷达的成本太贵了，完全不值钱。因此，即使使用激光雷达也能有效提高自动驾驶系统的性能。对于特斯拉这种期待快速商业化的企业来说，性能的提升并不能抵消其对成本的考虑。但随着技术的进步，车载激光雷达高成本的机械设计逐渐被放弃。同时，随着产品装载，轨距效应大幅降低了车载激光雷达的装载成本。因此，基于激光雷达的强大性能，其商业价值已经开始逐渐显现。

从技术角度来说，激光雷达仍然是目前自动驾驶系统中性能最好的，而且由于激光雷达的成本降低很大一部分来自于规模效应，激光雷达的成本也会随着产量的增加而快速下降。因此，总体来说，在没有新的革命性技术的情况下，搭载激光雷达仍将是自动驾驶解决方案中的关键一环。

4.其他相关配套设施

4.1.OTA

OTA被称为Over The Air技术，即空中的下载技术，指的是通过移动通信的接口可以远程管理和升级软件的技术。当车辆软件需要升级时，传统的方式是在4S店通过整车OBD升级相应的ECU软件。这项技术最早广泛应用于智能手机，目前很多汽车也提供OTA功能。

随着汽车越来越智能化，越来越多的功能可以通过OTA实现。目前车辆OTA的更新范围通常涵盖自动驾驶、人机交互、动力、BMS等领域。

如上所述，目前自动驾驶技术还处于比较初级的阶段，所以软件端的技术迭代非常快。基于此，大部分车企往往会在车辆上搭载冗余硬件，然后通过OTA将学习到的软件同步到用户终端，以保证用户车辆上的自动驾驶程序尽可能保持最新。

OTA具有明显的便利性优势。对于车主来说，OTA省去了他们频繁返回4S店铺的麻烦，省时省钱；对于车企来说，OTA技术不仅节省了反复召回客户的沟通成本，也通过这种方式加强了产品的竞争力。因此，OTA在乘用车的渗透率在不断提高。

4.2.V2X和5G车联网

目前广泛应用的自动驾驶技术中，车辆的单向感知是主要方法，对外界环境的感知是通过摄像头、雷达等设备来实现的。但这种方法对传感器的精度、响应速度和处理能力要求很高，因此提出了“车路协同”的概念。

V2，Vehicle To Everything，是指车辆与外界的信息交换，主要包括V2N(车与网/云)、V2V(车与车)、V2I(车与道路基础设施)、V2P(车与行人)。通过这种接近万物互联的方式，车辆在行驶过程中可以提前了解外界信息。从而检测隐藏的威胁，扩大自动驾驶的感知范围，通过主动沟通提前进行预测和规划，进一步提高自动驾驶的安全性、效率和舒适性，也就是所谓的“车路协调”。

过去V2X一直发展不佳。其中一个重要因素就是网络条件不够好，带宽、延迟等方面都不足以达到V2X所要求的理想情况。5G技术成熟应用后，其极高的网络传输速度和极短的网络时延使得V2X的实现得到了硬件支持，5G网络切片技术也可以提高自动驾驶的稳定性。

如果按照深度把车路协调分为四个阶段:协同感知、协同决策、协同控制、车路融合，毫无疑问目前只能是协同感知，只能算是起步阶段。当以前的车企还在智能驾驶端专注于自行车智能的时候，需要利用基站和无线通信技术在车、路、人之间进行协调的V2X是车企自己无法解决的。更重要的是，需要国家层面相关基础设施建设的政策支持。

5.总结

目前从事自动驾驶系统开发的厂商数量众多，分布广泛，而且由于整个系统从硬件架构到软件编写到整车企业验证需要很多环节，整个产业链涉及面广，但总体来说，量产和上路装车基本还停留在L2.5水平，部分功能可以达到L3以上。L4和L5的高自动驾驶还有很长的路要走。

从技术路径上看，软件端差别不大，本质上是依靠机器学习算法，结合实际路测数据和模拟路测数据实现迭代。硬件方面的区别主要在于是否使用激光雷达:由于激光雷达性能优异，是大多数厂商的选择，包括Waymo、沃尔沃、通用等。，以保证自动驾驶的安全性；由于成本较高，特斯拉并没有使用激光雷达进行商业量产，而是以视觉方式为主，辅以超声波和毫米波雷达来构建其传感模块。我们认为，从优先考虑认证安全性的角度来看，未来激光雷达仍将是自动驾驶系统最重要的传感器之一，其目前的高成本在技术进步和规模效应的多重作用下将显著降低，从而具有足够的经济性。

考虑到自动驾驶的最终模式，车路合一是最终的理想状态，但也将是一个极其漫长的发展过程。在这个过程中，我们相信国家推动的数字经济发展战略将继续为车路协同发展提供支撑。

(本文仅供参考，不代表我们的任何投资建议。有关信息，请参阅原始报告。)

精选报告来源:【未来智库】。未来智库-官网