谁将主导车载传感器千亿市场?

本文来源于《财经》杂志 2021-04-16 12:27:15
分享到:
导语

逐步攻克传感器硬件、融合算法、引入路端数据,中国有望弯道超车

文 刘皖媛 | 编辑 施智梁

先不论车企宣传语里L2.9还是L3+,汽车里的传感器的确是越装越多了。

无人驾驶全球领军者Waymo的第五代自动驾驶系统共有40个传感器,其中包含29个摄像头、6个毫米波雷达和5个激光雷达。国内造车新势力们在汽车智能化、自动化上也不遑多让,蔚来ES8搭载了23个传感器,小鹏P7的数量则是31个,超过特斯拉。

随着汽车智能化变革的到来,全球的汽车科技公司,无论大小,都在致力于去掉汽车的方向盘,或者减弱人类驾驶员的作用。有的玩家在进击L4级自动驾驶,有的循序渐进从L1和L2级自动驾驶做起,但车载传感器解决方案的市场蛋糕已经越做越大。

市场研究公司YoleDéveloppement发布的《2020年自动驾驶传感器报告》预测,用于自动驾驶车辆的传感器将在未来15年内以51%的年复合成长率增长,感测硬件的总营收将在2032年达到170亿美元,约合人民币1115亿元。

车载传感器的千亿级市场里,中国在研发和市场占有率上失了先机,摄像头、毫米波雷达和激光雷达等车载传感器行业被外商品牌垄断多年,但已经有部分国牌摩拳擦掌,力图夺回国产传感器的江湖地位。

摄像头、毫米波雷达、激光雷达如何让汽车像人类一样感知环境?只依靠图像识别能让汽车达到全无人驾驶的级别吗?车端之外,路端传感器将怎样帮助自动驾驶汽车更快实现落地?

汽车的“眼睛”与“耳朵”

与传统汽车相对比,自动驾驶汽车的感知系统的主要工作是替代人类驾驶员的视觉系统:通过将感受的信息按照特定规则转为电信号,传输到汽车的中央控制单元协助汽车自动驾驶。

自动驾驶归根结底是要让汽车变得智能,而关于人工智能如何帮助人类,业内常有这样的说法:当前人工智能系统所擅长的领域与人类所擅长的领域恰恰相反。人类的逻辑分析能力远超AI,但人类在记忆和大数据分析等领域却与AI相差甚远。

汽车感知系统也存在这样的现象。人类司机只需凭借常识和认知即可识别道路上的行人、车辆、信号灯等,并对应做出加速减速、转向等决策。而计算机想要完成同样的操作却非常困难,感知、识别就是第一大关。

目前自动驾驶的核心传感器包括车载摄像头、毫米波雷达、激光雷达,在ADAS系统中主要以摄像头与毫米波雷达为主,而激光雷达则已成为大部分L3级以上自动驾驶汽车的必选品。

车载摄像头,扮演的是人类“眼睛”的角色。

作为自动驾驶里最不可或缺的一个传感器,摄像头能分辨出障碍物的大小和距离,识别行人、车道线、交通标识等,并将图像信息通过算法分析,实现众多预警和识别功能,如行人警示、车道保持、交通信号灯识别等等。根据镜头个数的不同,摄像头可以分为单目、双目和多目摄像头。

摄像头的主要优点在于其分辨率高、成本低,人眼能够快速捕捉海量信息,摄像头也能够获取丰富的信息,但和人眼一样受视野和环境影响。一个单目摄像头最多能捕捉到50°范围内,能观察的距离有限;在夜晚和雨雪等恶劣天气下摄像头的性能会迅速下降。

2018年3月,Uber的一辆自动驾驶汽车在亚利桑那州与一名横穿马路的女士相撞并致其死亡,主要原因是由于夜里光线条件差,经过的路段又处于阴影中,没有准确辨认行人。

毫米波雷达弥补了摄像头的缺陷。相比人类的眼睛,它更像是蝙蝠的耳朵:蝙蝠几乎不靠眼睛,而是通过耳朵发射超声波,根据其反射的回音辨别物体,避开障碍飞行,因此也不受光线条件影响。

与蝙蝠飞行原理相似,毫米波雷达使用天线发射波长1-10mm、频率24-300GHz的毫米波,通过处理目标反射信号获取汽车与其他物体相对距离、相对速度等环境信息,并根据信息对目标追踪分类,由电子控制单元结合车身动态信息进行决策。

毫米波雷达的优势在于抗干扰能力强,对降雨、沙尘、烟雾等离子的穿透能力高于激光和红外,但也存在如信号衰减大、易受到建筑物等阻挡、传输距离短等缺陷。

激光雷达与雷达工作原理类似,但其最大优势在于能够利用多谱勒成像技术,创建出目标清晰的3D图像。

通过测量激光信号的时间差和相位差确定距离,并利用此过程中收集到的目标对象表面大量密集的点的三维坐标、反射率和纹理等信息,快速得到被测目标的三维模型以及线、面、体等各种相关数据,以达到环境感知的目的。

国产激光雷达制造商禾赛科技安全及质量工程部总监赵鑫告诉《财经》记者,激光雷达是汽车要实现自动驾驶不可或缺的传感器,尤其是针对L4级及以上。激光雷达的优势明显,分辨率高、精度高、抗干扰能力强。激光雷达线数越多,测量精度越高,安全性就越高。

“无论是探测精度、信息丰富程度和对外界的实际感知,对于无人车来说都是必不可少的。”赵鑫表示。

由于激光雷达属于精密仪器,工作原理涉及多个专业学科,尤其是顶级的头部企业在相关领域都有多年的深耕和积累,且成熟的产品具备很高的精度,这也导致了激光雷达成本较高、价格更贵。但是作为自动驾驶汽车上的智能硬件,整个自动驾驶行业的发展和产业链的打通与合作成为助推激光雷达降本的重要力量。

另一方面,越多线数的激光雷达所能感知的环境细节越多,其接收的点云数据量越丰富,对硬件和软件的能力要求也越高,拥有足够的计算能力来处理传感器捕捉的环境信息,已成为自动驾驶解决方案中的重要一环。

外商统治,国牌挑战

车载传感器行业曾是海外厂商绝对统治的江湖。

随着自动驾驶技术逐步推广,车载摄像头、毫米波雷达和激光雷达市场需求亦快速提升。由于技术壁垒高、对硬件与软件系统均有较高的要求,外资Tier1们无论是研发还是品牌信赖度、市场占有率上都有着明显的先发优势。

以摄像头为主导的图像识别技术供应商中,以色列公司Mobileye占据绝对优势位置。Mobileye为整车厂提供“车载摄像头+算法+视觉处理芯片”的整体解决方案,2019年手握全球26个车企45个合作项目,并新获得22款车型的超1600万辆订单,市场渗透率超过70%。

而在毫米波雷达领域,由于软硬件关键技术被外商垄断,全球毫米波雷达市场主要由博世、法雷奥、海拉、大陆、德尔福、电装等国际巨头厂商主导。据中国高科技行业综合门户OFweek统计,2018年全球毫米波雷达市场出货量前三的企业为博世、大陆和海拉,市场占有率分别为19%、16%和12%。

激光雷达的市场垄断更加明显,曾掌握核心技术的美国Velodyne科技公司几乎是激光雷达的代名词。成立于1983年的Velodyne一度是国内外全无人驾驶技术公司的唯一选择,与谷歌、通用汽车、福特、Uber、百度等都有合作,占据了车载激光雷达大部分的市场份额。

近年来,伴随着中国的汽车智能化浪潮,车载传感器的蛋糕越做越大,国牌挑战者们也随之崛起。

近日召开的2020世界智能网联汽车大会上,《智能网联汽车技术路线图2.0》正式发布,规划称我国到2025年L2级、L3级自动驾驶的智能网联汽车占汽车总销量达50%。中信证券预测,传感器需求将呈指数级增长,汽车传感器市场有望在2023年突破340亿元。

三种传感器的国内供应商们正力图夺回外资Tier1们的市场份额。

Mobileye封闭的“黑盒子”模式对车企的研发限制极大,却也给了国内摄像头解决方案供应商们弯道超车的机会。Mobileye将算法与芯片“捆绑销售”,合作的下游厂商只能获取其输出的信号,但不知道具体的识别算法,也不能针对性地修改算法。另一方面,Mobileye还未能证明其在更高级别自动驾驶系统的运算和多传感器整合能力。

在摄像头系统解决方案上,中国的德赛西威、百度Apollo、华为等厂商已有布局。德赛西威是站在小鹏、理想两家车企背后的自动驾驶系统供应商,也是英伟达在中国支持的第一家本土自动驾驶Tier1。

小鹏汽车告诉《财经》记者,小鹏 P7搭载的自动驾驶辅助感知系统充分考虑了中国本土路况对感知能力的要求而设计。小鹏P7摄像头数量足有11个,但结合英伟达DRIVE Xavier计算平台和德赛西威开发的自动驾驶域控制器IPU03,算力可达 30 TOPS(万亿次/秒),足以达到处理海量数据信息的算力要求。

此外,一大批视觉感知技术公司也涌现出来,如MAXIEYE、极目智能、MINIEYE等,从视觉感知、环视感知等不同角度切入。尽管距离Mobileye仍有差距,但随着国内公司的积极研发并实现量产,这一差距正在缩小。

走在国内毫米波雷达前列的公司有德赛西威、华域汽车、森斯泰克等,但中国车载毫米波雷达行业尚未掌握核心技术,市场渗透率依然较低。数据显示,大陆、博世和德尔福仍占据我国77GHz雷达市场80%以上的出货量。

“毫米波雷达最早应用在军事领域,国外很早就开始研发并应用在了汽车领域,尤其是对77GHz的技术封锁下,国内品牌很难突破。这些外商Tier1已经与车企建立了长期稳定的合作关系,国产品牌很难绕过它们去和OTM合作,因为别人已经有很全面的应用方案了。”同济大学汽车学院人车关系实验室汽车产业专家王小斌告诉《财经》记者。

另一个限制在于摄像头和毫米波雷达的技术相对成熟,成本较低,价格也比激光雷达便宜很多,国产品牌很难从性价比入手。

从产业链的价值分配来看,激光雷达由于技术壁垒、厂家稀缺,产业附加值更高。

激光雷达是三种传感器中成本最高的一种,也是高级自动驾驶必不可少的组成部分,过去一直是卖方主导定价,但近年来国产品牌在激光雷达领域已呈现后来者居上的势头:禾赛科技和速腾聚创等国内玩家都推出了不同的产品线和解决方案,在满足车规级要求同时主打性价比,以价格优势抢占Velodyne市场份额。

同样规格的国产机械式激光雷达比Velodyne便宜得多。Velodyne的64线激光雷达售价一度达到10万美元,降价后也需50多万元人民币,而禾赛在今年1月推出的64线产品PandarQT建议零售价定在了4999美元。

赵鑫认为,尽管目前限制全无人驾驶车落地的因素还有很多,但对于运营公司来说成本也许不是排在第一位的,性能是否达标、稳定可能更加重要。

“推出承载更多信息量的激光雷达能加快Robotaxi运营的落地。有的激光雷达探测距离有200米,但实际上感知距离到不了200米,都可能导致无法感知或者感知错误。”赵鑫表示。

事实上,不仅仅是国内滴滴、小马智行、文远知行的全无人出租车装上了禾赛的激光雷达,国牌正打入硅谷。截至2019年,加州DMV获得自动驾驶牌照的公司中,有超过一半是禾赛的客户。公开信息显示,全球自动驾驶测试里程排名前15的公司中,有12家选择禾赛的产品作为主传感器,包括通用Cruise、Zoox、Aurora等曾与Velodyne深度合作的顶级自动驾驶企业。

车内多传感器融合,车外路端数据协助

车载传感器如何组合、为高级辅助驾驶甚至L4级以上全无人驾驶提供解决方案,多年来一直有着两种不同的路径。

第一种是由摄像头主导、配合毫米波雷达等低成本元件组成,构成纯视觉计算,典型代表为特斯拉、Mobileye等,另一种是由激光雷达主导,配合摄像头、毫米波雷达等元件组成,典型代表为Waymo、Apollo等主流自动驾驶厂商。

从价格控制上看,激光雷达的成本远高于摄像头和毫米波雷达,特斯拉选择图像感知技术主导的路线很大程度上也有出于成本的考虑。

业内认为,两种路线的决策方法存在差异,以摄像头为主传感器的自动驾驶方案“轻感知、重计算”,而以激光雷达为主传感器的自动驾驶方案具有明显的“重感知、轻计算”特征。

简单来讲,是因为摄像头在硬件方案的感知水平较低,需要依托软件算法方面的能力提升与大量数据训练来加以弥补,而激光雷达的加入一定程度上降低了数据处理环节对运算能力的要求,也有助于加快L4级自动驾驶汽车商业化落地。

伊隆·马斯克曾多次公开表示其对激光雷达解决方案的不屑。马斯克认为,人类通过视觉收集信息+大脑处理信息的方式进行安全驾驶,意味着自动驾驶也能通过同样视觉感知+算法决策来实现。

特斯拉近日推出的重写版FullSelf-Driving全自动驾驶套件(FSD),展现了其在视觉识别上的技术优势,但业内人士指出,FSD能做到精准识别和自主决策,离不开背后的海量车主驾驶数据。

特斯拉通过覆盖全车的摄像头+超声波传感器和一颗前置雷达以实现高级别自动驾驶场景的覆盖,其最大支撑来自售后车辆数据基础上的神经网络训练。通过深度学习覆盖更多工况与场景,使得视觉算法无限接近人类的感知和判断。

“他们之所以一开始没有推出这个功能,不是因为没有能力或者算法没写完,更多是数据不够,没有完全验证场景。通过量产车型去收集数据,对于其他车厂也有启发作用。”业内人士对《财经》记者表示。

特斯拉的路线并非主流。赵鑫表示,产业链的动态变化反映了激光雷达的必要性。“激光雷达的制造商变多了,更多车厂开始使用激光雷达,这可能比讨论技术路线更有说服力。”

部分从业者认为,要实现L4级以上自动驾驶,需要激光雷达、摄像头和毫米波雷达等多种传感器的综合验证。

国内智能驾驶公司福瑞泰克总裁张林在接受媒体群访时指出,单靠图像感知技术和视觉算法很难做到全无人驾驶,需要融合激光雷达算法,这也对算法的自研能力与融合技能会提出更高的要求。

“绝大多数做标识的科技公司买国际厂商的雷达,自己做算法做融合,但雷达输出的是目标级信号,但越高程度的自动驾驶越需要底层的融合。看到的事实和目标背后是集聚和追踪的算法,但这个过程会被过滤。如何在两个目标叠加很近的位置中去辨识,只有做了雷达算法的人才能了解和掌握。”张林表示。

另一方面,传感器并非越多越好。尽管安装的传感器数量、种类越多,车辆对周围环境检测越有效,但传感器过多不仅会使成本增加、导致相互干扰,对集成和算力也会带来挑战。

福瑞泰克感知融合专家刘熙告诉《财经》记者,通过多传感器融合技术可以实现冗余,即在单一传感器失效时能通过其他传感器数据交叉验证,提高容错性。此外,在激光雷达成本较高的情况下,多传感器融合可以提高解决方案的经济效益。

不仅仅是车内传感器的融合,路端传感器数据也将并入数字流,成为车端自动驾驶的补充。

“从车端到路端,从终端到云端”的5G-V2X车路协同路线被越来越多的自动驾驶公司提及,一直强调单车智能的Waymo也已开辟车道研究车路协同技术解决方案。

研究显示,车路协同可以解决单纯依靠车辆传感器感知的置信度不足的问题,或将整车安全性提高2倍-3倍。通过在路端加入摄像头、雷达等传感器,有如给汽车的感知设备之外再加上一双“上帝之眼”,直接降维解决复杂工况及场景。

在大力推进新基建的背景下,上海、雄安等等自动驾驶示范区的一些测试路端上已经搭载了高清的8K摄像头、激光雷达、毫米波雷达等。

“这些技术帮助车了解到路上运行的交通状态,如识别交通事故、占了哪条车道等,这些信息传递回云端再到车端,无人驾驶车能提前预见、规划路径避开。”刘熙表示。

王小斌指出,车路协同相当于汽车的一个“超视距传感器”,提供现有车载传感器探测范围以外的信息,尤其是在复杂场景中。

“从主流观点来看,要实现高级别的自动驾驶,路端的信息是必不可少的。但现在来看,车路协同的成本是一个限制因素,单个车企很难承担,需要政府或者行业来牵头推动。”王小斌表示。

(本刊记者赵成对此文亦有贡献)

编辑:施智梁
关键字:
分享到:

杂志精选