从硬件角度看，无人车商业化落地难点

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

滴滴自动驾驶车辆平台

就拿线控能力的演进举例，从 2007 年 DARPA 举办的第一届无人车挑战赛还要自己加装一个转向电机，到后来早期的谷歌和车厂合作无果，只能 Hack 了一辆普锐斯做测试车，到现在线控功能可以基于量产系统进行二次开发，自动驾驶车辆平台不但性能迈上了新台阶，可靠性也逼近车规标准。但是我们知道，这对于达成“无人驾驶”的终极目标是远远不够的。行业里的玩家们纷纷发力冗余车型的研发合作，随着去年 9 月 Uber 与 Volvo 正式发布了量产全冗余车型，整个行业在底盘一体化轨迹控制、符合功能安全设计的冗余执行机构、符合量产标准且经过试验认证的线控软件 等方面掀起了新一轮的军备竞赛。

以终为始的看，终极的自动驾驶车要走向定制化的 RoboTaxi 车型。长期以来汽车工程一直是以驾驶员为设计核心，而无人驾驶出现之后，面向出行服务将成为新的设计核心。这将涉及：整车平台与 EE 架构的革命性升级，自动驾驶系统需要深度整合，未来的智能座舱将带来全新的人机交互体验，乘坐舒适性和运营经济性需要被特殊设计，几乎每一方面的变化都是颠覆性的，由此未来出行可窥得一角。当然为了达成这一目标，将必须面临两个完全不同行业的剧烈碰撞与融合，车厂与科技公司需要不断探索合作模式，不断挑战开放程度、不断面对行业文化、技术路径、开发流程的差异。

2

自动驾驶传感器技术

提到自动驾驶，大众最直观的感受是车顶上的一排排传感器。现今对于 L4 级以上的自动驾驶，我们看到行业上已经逐步形成了一套趋同的解决方案，即以超级车载计算与通信平台为核心，以高线束激光雷达为主，充分融合相机视觉、毫米波雷达，依赖于高精度的组合导航系统。该架构可以在 360°范围内，通过不同数量、布置位置与传感器特性的组合可以实现远近中距离无死角的感知覆盖能力，并利用不同物理原理的传感器实现三重异构冗余，并具备全天候的适应能力。

定义硬件架构是一个复杂的工程，极大地考验系统的整合集成能力。首先，需要在 ODD（设计行驶区域）下进行大量的 case 分析。再次，从软件算法的使用需求出发，基于硬件的特性与行业现状进行甄选。同时，还需要综合考虑商务战略、周期、成本以及车载集成的要求，最终得到一个系统的结论。

以下将以 3 类核心传感器进行举例说明：

1. Camera

Camera（摄像头）获取信息量是最丰富的，它可以识别交通指示灯、施工区、交警手势和应急车辆等。下面以 camera 为例解释如何定义硬件性能，在城市工况 60km/h 双向两车道，对向车道反向同速的机动车有入侵本车道意图，需要完成本车道内紧急停车避让的 case 为例，感知、融合、预测、规划、控制整个计算延时约需要 1s，按照本车最大紧急平均减速度 -8m/s2 计算刹停需要 2s，这个相遇问题需要在 83m 时就可以准确感知到前车并完成轨迹预测。

若需要舒适停车避让，经过类似计算，需要 164m 的相机感知能力，对于通用的 AI 算法，一般需要 25*25 Pixel 才能稳定识别车辆，反推可得对应 60°HFOV 的相机分辨率要在 4M 以上。此外，如果给算法模型越多的点意味着更多的特征，也意味着更高的准召率，并且真实道路还会遇到障碍物被挡、逆光、夜晚等等影响因素。

因此，从实际使用上讲，现阶段对硬件的需求还远远没有到上限。这只是其中一个分辨率指标的拆解，事实上还要有很多关键指标与因素都需要满足与考量，比如专门应对逆光夜晚的 HDR 功能，分辨率大幅跃升下需要使用高带宽高稳定性的通信技术， ISP 芯片外置到计算平台时还会带来技术耦合商务的困难，良好的散热设计避免噪点，供应商的成熟度与周期的平衡等等。

高分辨率 Camera 的优势

2. Lidar

Lidar（激光雷达）是传感器阵列的核心，在探测范围、精度和分辨率上都有较好的表现。借助激光雷达每秒向周边发射的数百万束激光脉冲，就能绘制出车辆周边得点云图，并 3D 建模。从三四年前的 16 线、64 线到如今的 128 线，我们看到机械旋转式仍然是 L4 主流解决方案的选择，并在高性能的路上继续狂飙。Waymo 虽未公开其自研 Lidar 的具体参数，但从点云图上看，其表现可以说是“一骑绝尘”。

Waymo Lidar 点云图

虽然这条技术路线一直被诟病无法车规和量产，但令人欣慰的是随着近来 ASIC 化小型化的突破，从开始就符合车载标准的设计测试验证，生产工艺的改进，让我们重新看到了希望。同时市场上出现了专门用于近距离补盲的产品，也出现了基于 1550nm 技术在特定视场角下用于远距离的产品，这标志着自动驾驶即将形成完整的远近中 Lidar 感知系统。当然在产业化上，可以注意到越来越多车企开始给 L3 配备 MEMS(微机电系统) Lidar，未来随着量产驱动，将会带来整体二级供应链的成熟，从而反哺 L4 的 Lidar 技术。

3. Radar

毫米波雷达指工作在毫米波波段的雷达，是自动驾驶重要传感器之一 。毫米波的波长介于红外光波和微波之间，因此毫米波兼有微波和光电的优点。Radar 一直是传统 Tier1 的拿手好戏，从前端射频芯片，模拟与数字信号处理，到跟踪滤波算法，均有不小的技术壁垒。

但近来，得益于 Radar优异的速度探测能力、对移动金属物体敏感的特性、低廉的成本和恶劣环境下的鲁棒性，越来越受到 L4 自动驾驶的重视。不过现阶段的产品大多是给低等级 ADAS 系统设计的，因此在距离、分辨率、覆盖范围上较难满足 L4 场景。但可以预见，在 2021 年，无论 Bosch/Conti/ZF 等意识到市场后的大象转身还是雷达芯片设计公司如雨后春笋，都将集中推出多收多发的高性能版本或 4D Image Radar，请让我们拭目以待。

3

高性能车载计算平台

对于自动驾驶硬件系统，众所周知，最复杂的莫过于自动驾驶的大脑——高性能计算单元，复杂的根源在于高性能复杂传感器系统与高性能算力的需求。针对算力，行业基本形成了共识，认为自动驾驶每提升一级算力约需要提升 10 倍，现在 L1-1TOPS/L2-10TOPS，特斯拉的 FSD 是 144TOPS，据此 L4 则需要千 T 的算力。

同时，对于现有主流 L4 方案，基本都需要 15-20 个传感器，若考虑未来 ODD 的扩充与功能安全，数量还需要翻一番、性能也会成倍提升，数据接入量将由现在的 20~30Gb/s 上升至约 100Gb/s。但事实上对于汽车领域从未有过这样的“性能怪兽“，比如强调实时性安全性的底盘控制系统的带宽是 1Mb/s，环视泊车系统的单鱼眼相机约 100Mb/s。

由此，未来的整车架构设计，必须将从分布式架构、域控制器架构逐步走向计算与通信网络为核心驱动的中央式架构。

对于计算平台硬件开发中，需要牢牢把握好架构、算力、传感器接入、车载要求、软件生态、功能安全六个核心要素，关键是解决算法需求与硬件架构相统一，不同计算芯片间高效的数据流转，复杂车载电磁环境下部署高带宽高实时性的通讯架构，巨额算力开销带来的功耗散热振动尺寸的综合问题。

另外一点是 AI 软件生态形成的壁垒，比如 CUDA。在主流模型的支持、计算效率，开发人员的易用程度与缩小迁移成本这两方面都是后进供应商需要翻越的大山。

滴滴自动驾驶在该核心领域早有布局，并持续优化。我们上一代车辆平台的产品算力可达 600TOPS，硬件高度集成整合于后备箱下，采用水冷来解决散热带来的噪音问题，并完成了 ISO-16750 的可靠性测试，在算力、可靠性、用户体验上均达到行业领先水平。具体表现为，这一代车辆平台拥有高度的硬件集成和整洁的后备箱，在提升车辆安全性的同时，满足了乘客真实的出行需求——后备箱储物。

▲长按加微信群或投稿

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~  

来源：3Ｄ视觉工坊