頭條楓林網前言
汽車技術發展到如今，幾乎沒有人質疑無人駕駛會成為汽車行業變革的巨大浪潮，然而對於各項技術落地的時間點，各大車企、互聯網公司、研究機構、通訊公司、科技巨頭等眾說紛紜 ，本文援引莫尼塔財新智庫的一篇研究，系統梳理了無人駕駛各關鍵技術節點以及其成熟時間。
Key point
1）汽車電子沿著兩橫三縱的技術架構，逐步實現成熟的智能化和網聯化：2016年-2018年主要是三大傳感器的融合使用；2017年-2019年主要是高精度地圖的 成熟；2019年-2022年是車載通訊模塊、互聯網終端、通信服務的成熟；2022年-2025年主要是決策芯片和算法的成熟。
2）2016-2018—三大傳感器融合：國內毫米波雷達已經開始出貨；車載視覺系統硬件已經達到消費級水平，進入軟件成熟期；激光雷達成本不斷下降，加速ADAS和無人駕駛的普及進程 。
3）2017-2019—高精度地圖的成熟：傳統地圖無法滿足自動駕駛的要求，高精度地圖是L3、L4級別最為關鍵的技術；當前高精度地圖參與者主要有圖商、自動智能駕駛科技公司 、ADAS方案提供商、傳統車企四類，其優劣勢各不相同，硬件軟件逐步融合。
4）2019-2022—車載通訊模塊的成熟：LTE-V在延時、頻譜帶寬、可靠性、組網成本、演進路線等方面都具有優勢，未來的發展趨勢大概率是使用LTE-V標準； 目前佈局的主要是半導體廠商和汽車廠商，但國內很多公司都進入了產業鏈，大唐電信也發布了全球第一台LTE-V車聯網設備，有望在車載通訊模塊爆發之際獲得高速成長。
5）2022-2025—算法和決策芯片的成熟：各大廠商都在用不同的芯片設計支持不同的算法，Google自己已經開發了TPU，用於CNN加速，地平線也在開發BPU，Intel收購Mobileye打造 芯片算法一體化，未來或是FPGA支持下的深度學習算法來實現自動駕駛。
1. 汽車電子發展時間表
1.1 汽車電子沿著兩橫三縱技術架構走向成熟
智能網聯汽車是搭載先進的車載傳感器、控制器、執行器等裝置，融合現代通信與網絡技術，實現車與X（人、車、路、後台等）智能信息交換共享，具備複雜的環境感知 、智能決策、協同控制和執行等功能，可實現安全、舒適、節能、高效行駛，並最終可替代人來操作的新一代汽車。 按照技術應用和應用場景，組成了兩橫三縱的技術架構。
1.2 汽車電子時間發展表—智能化與網聯化協同發展
汽車電子的發展有兩個維度，智能化和網聯化，沿著兩橫三縱的技術架構，逐步實現成熟的智能化和網聯化。
2016年-2018年主要是三大傳感器的融合使用，傳感器和視覺解決方案的融合促進實現自適應巡航、自動緊急制動等部分自動駕駛（PA）功能，以及輔助網聯信息交互；2017年- 2019年主要是高精度地圖的成熟，實時路況的更新和更豐富的路況信息加速實現車道內自動駕駛、全自動泊車等有條件自動駕駛功能，以及部分網聯信息協同感知；
2019年-2022年是車載通訊模塊、互聯網終端、通信服務的成熟，5G網絡建設的部署完成和商業化，V2X信息交互低延遲要求共同推動網聯化的加速，實現更複雜路況（近郊）的 全自動駕駛；2022年-2025年主要是決策芯片和算法的成熟，隨著人工智能嵌入式落地智能終端，FGPA通用架構向ASIC專用架構的轉變，算法和芯片設計的協同發展，實現全區域的 無人駕駛等高級（HA）/完全自動駕駛（FA）功能和網聯協同決策控制的功能。
1.3 各國陸續出台政策推動ADAS的普及
歐盟委員會考慮2017年將19項安全技術納入新車的標準配置，並將強制執行，自動緊急制動和車道偏離警告成為標配；國內2017年速度輔助系統、自動緊急制動、車道偏離預警/車道 偏離輔助的加分要求已設定為系統裝機量達到100%。 各國政策陸續出台，要求汽車逐步配備汽車電子相關組建，成為汽車電子發展最大的推動力。
1.4 國外谷歌和特斯拉兩種發展路徑加速發展
加州車管局（DMV）公開了自動駕駛項目的脫離測試數據，基本衡量了目前主要自動駕駛項目在加州境內在不同天氣環境，不同的路段進行測試的進展，谷歌的性能明顯優於其他廠商。
谷歌和特斯拉在無人駕駛領域採取了兩種不同的有代表性的發展路徑，谷歌利用地圖和深度學習實時建模來實現自動駕駛；特斯拉依賴於傳統的傳感器的融合實現數據蒐集 識別、處理分析、完成自動駕駛功能。
從自動駕駛精度來看，谷歌的沒有明確的數據，但其軟件層面的可以檢測和理解手勢之類的信號並作出反應；mobileye的FCW（前向碰撞預警）的算法識別精度達到99.99%；特 斯拉的算法處理水平很高，奔馳的路測車有著比特斯拉多一倍的傳感器，但是精度遠不及特斯拉。
谷歌的自動駕駛技術發展可以分為兩段，以waymo成為獨立事業部為轉折點：第一階段，主要突出軟件領域和技術突破，採用自有的高精度地圖和Velodyne提供的64線激光雷達方案， 配備谷歌chauffeur軟件系統，最為突出的是展示的無人駕駛原型車中直接拋棄了傳統車的剎車、方向盤、油門等設備，僅用一個啟動鍵實現無人駕駛，而硬件製造原型車都是來源 傳統車企，如2014年展示的谷歌第二代車型就是從白色雷克薩斯RX 450H混合動力SUV改造而來。
2016年11月，waymo成為獨立事業部後，開始採用硬件和軟件並行的方案，採用自己研發的激光雷達，傳統傳感器和8個視覺模塊相互融合，展示的無人車使用了三個不同探測距離 的激光雷達，自主技術研發將激光雷達成本降低九成。 未來技術商業化首先落地在貨運（有個固定場景的低速共享市場）和共享車服務的應用。
2016年11月，特斯拉Autopilot2.0 發布，該系統將包含8個攝像頭，覆蓋360度可視範圍，對周圍環境的監控距離最遠可達250 米；車輛配備的12 個超聲波傳感器完善了 視覺系統，探測和傳感硬、軟物體的距離接近上一代系統的兩倍。 增強版前置雷達通過冗餘波長提供周圍更豐富的數據，雷達波可以穿越大雨、霧、灰塵，甚至前方車輛。 另外，Autopilot2.0使用的處理芯片NVIDIA Drive PX 2的處理性能為原來Mobileye Q3的40倍。
1.5 國內科技公司和傳統車企合作打造自動駕駛，精度提升速度快
通過863計劃實施和國家自然科學基金委項目支持，清華大學、國防科技大學、北京理工大學等部分高校、院士團隊、汽車企業在環境感知、人的行為認知及決策、基於車載和基於車路 通信的駕駛輔助系統的研究開發取得了積極進展，並開發出無人駕駛汽車演示樣車。 清華大學等高校聯合企業開發的自適應巡航控制系統、行駛車道偏離預警系統、行駛前向預警系統等具有先進駕駛輔助系統（ADAS）功能樣機，正在逐步進入產業化階段。
2. 2016-2018—三大傳感器融合
2.1 毫米波雷達國內開始出貨
毫米波雷達的主流方向是24GHz和77GHz，24GHz主要應用於汽車後方，77GHz主要應用於前方和側向。 未來毫米波雷達會逐漸向77GHz頻段（76-81GHz）統一，其中76-77GHz主要用於長距離毫米波雷達，77-81GHz主要用於中短距離毫米波雷達（已有歐盟、CEPT成員國、 新加坡、美國FCC委員會、加拿大工業部等進行相關規劃）。
隨著配備從高端車型向中低端車型下沉的趨勢，目前毫米波雷達已經逐漸普及，一般配備情況是“1長+6短”（如奔馳S級）、“1長+4短”（ 如奧迪A4）、“1長+2短”（如別克威朗）。
前端單片微波集成電路MMIC和雷達天線高頻PCB板是其核心組成部分
MMIC由國外公司掌控，特別是77GHz的MMIC，只掌握在英飛凌、ST、飛思卡爾等極少數國外芯片廠商手中，國內處於初始研發階段，主要在24GHz雷達方面，華域汽車、杭州智 波、蕪湖森思泰克等企業在已有部分積累。
雷達天線高頻PCB板技術也掌握在國外廠商手中，Schweizer佔據全球30%市場份額，在77GHz方面優勢明顯，PCB使用的層壓板材則主要由Rogers、Isola等公司提供。 國內高頻PCB板廠商暫無技術儲備，根據圖紙代加工，元器件仍需國外進口，滬電股份已就24GHz和77GHz高頻雷達用PCB產品與Schweizer開展合作。
目前中國市場中高端汽車裝配的毫米波雷達傳感器全部依賴進口，華域汽車已經能生產24GHz毫米波雷達，主要完成BSD盲點偵測、LCA車道切換輔助等功能，解決產品形態的導入。 國內第二階段的研發將同樣針對24GHz產品，目標是降低成本，預計產品2017年底出現。
2.2 車載視覺系統硬件成熟，軟件逐步升級
車載視覺系統包括車載圖像感光芯片、專用圖像處理ISP芯片、車載光學鏡頭、車載視覺系統。
藉由鏡頭採集圖像後，由攝像頭內的感光組件電路及控制組件對圖像進行處理並轉化為電腦能處理的數字信號，從而實現感知車輛周邊的路況情況、前向碰撞預警、道偏移報警和 行人檢測等功能。
硬件方面，車載攝像頭主要由CMOS鏡頭（包括lens和光感芯片等），芯片，其他物料（內存，sim卡，外殼）組成。
軟件方面，以mobileye為例，主要體現在芯片的升級和處理平台的升級，工作頻率從122Mhz提升到332Mhz，訪問方式的改變使速率提升一倍，圖像由640*480彩色像素提升為2048*2048 （Input）和4096*2048（output）等。
從市場競爭格局來看，除了極少數廠商具備垂直一體化的能力，絕大部分廠商都將業務集中於產業中的某個或者某幾個環節。 光學鏡片主要是台灣的廠商在主導，大陸廠商在紅外截止濾光片上有一定優勢，圖像傳感器主要是歐美和韓國廠商為主，模組環節大陸、韓國、台灣、日本廠商份額居前，國內 廠商成長迅速。
目前汽車零部件提供商巨頭的攝像頭傳感器都已與整車廠合作量產，同時加大研發投入，注重芯片和算法的提升。 國內未來攝像頭的發展主要體現在專用圖像處理芯片與復雜圖像處理技術突破，基本實現自主研製，最終實現車載視覺與其他感知系統融合產品的大規模應用。
2.3 激光雷達成本逐步下降
激光雷達是一種集激光、全球定位系統與慣性導航系統三大技術於一身的綜合光探測與測量系統，其工作原理是通過透鏡、激光發射及接收裝置，基於激光飛行時間（TOF：time of fly）原理獲得目標物體位置、移動速度等特徵數據，並且獲得的數據本身就是三維數據，不需要通過大量運算和處理才生成目標三維圖像，激光測距有非常高的精度。 所以，激光三維成像雷達是目前能獲取大範圍三維場景圖像效率最高的傳感器，也是目前能獲取三維場景精度最高的傳感器。
激光雷達組件主要包括激光器，傳感器（收發器），光學鏡片，如上圖所示這套發射/接收組件和旋轉鏡面結合在一起，鏡面不只反射二極管發出去的光，而且也能把反射回來的光 再反射給接收器。 通過旋轉鏡面，能夠實現360度的視角。
根據激光雷達線目的不同，主要分為2D、2.5D（1,4,8線）和3D（16,32,64線）兩類。 前者主要探測目標位置和輪廓，後者可以形成環境性視覺感知
國內公司在多線激光雷達上較國外高水平企業還有較大差距。 國內的激光雷達產品多用於服務機器人、地形測繪、建築測量等領域，但是國內企業尚未研製出可用於ADAS及無人駕駛系統的3D激光雷達產品，主要還是處在探索研發階段。
《中國製造2025》重點技術路線圖顯示，國內將逐步實現測距激光雷達相關硬件的自主研製，突破厘米級實時測距關鍵技術、樣機生產與測試，實現低成本、小型化。 到2025年左右，實現多線激光雷達軟硬件技術自主化，掌握與其他車載傳感器融合關鍵技術，實現大規模車載應用，支撐HA級整車產品需求。
3. 2017-2020—高精度地圖的成熟
高精度地圖在L3、L4級別的自動駕駛階段屬於最為關鍵技術，高精度地圖的成熟可以減少汽車對雷達等感知設備的依賴程度，在降低成本的同時提升自動駕駛技術的可靠性，同時也是V2X 與自動駕駛技術融合的載體，統一的標準有助於技術的應用和發展。
3.1 傳統地圖無法滿足自動駕駛，高精度地圖是L3、L4級別最為關鍵技術
相比於傳統地圖，高精度一方面絕對坐標精度更高，如HERE指出其下一代繪圖應用將精確到厘米級；另一方面所含有的道路交通信息元素更豐富和細緻。
具體而言，高精度地圖分為三個圖層：活動層、動態層、分析層：
1） 活動層與傳統地圖相比增加了高精度道路級別的數據（道路形狀、坡度、曲率、鋪設、方向等）、車道屬性相關數據（車道線類型、車道寬度等），及高架物體、防護 欄、樹、道路邊緣類型、路邊地標等大量目標數據；
2） 動態層將實時更新來自其他車輛傳感器、道路傳感器等檢測到的交通數據，實時更新和補充，進入網聯化第二階段—協同感知；
3） 分析層通過實時大數據分析人類駕駛記錄幫助訓練無人駕駛車，進入網聯化第三階段—協同決策和控制。
目前ADAS地圖具備了活動層信息， 精度為1-5m 。 如寶馬ASR(Adaptive Speed Recommendation)在減速的區域，會提前50-300米提醒用戶減速，提前具體會依據目前車速、汽車剎車速度及司機反映時間調整；在轉彎的路段，會考慮路寬、車道 數目、整個路況等，計算合理的汽車速度。
目前高精度地圖主要是ADAS級，實現L2/L3級自動駕駛，未來隨著5G帶來的車聯網的數據處理便利和計算機視覺、3D建模技術的成熟，基於深度學習的環境感知技術以及端 閉環實時更新雲技術的發展，高精度地圖會逐步向HAD級發展，我們預期2018年5G標準確立和人工智能爆發進入成熟期，高精度地圖會逐漸成熟，成為支撐智能駕駛網聯化的關鍵技術 之一。
高精度地圖的採集和處理有多種的技術方案，一般而言，主流圖商和高科技公司如穀歌、百度採用專業化採集的方式，使用激光雷達和攝像頭進行高精度的數據和城區全區域 覆蓋的採集，而傳統車企和ADAS方案商會使眾包模式以及UGC實時更新方式來採集數據。
不同的方式在成本和實時更新，數據精度和區域覆蓋上各有優缺點，目前的趨勢必將是圖商和傳統車企、ADAS方案商的戰略合作，科技公司產品的商業化落地，這都會 促進採集方式的整合，推動行業的發展。
3.2 高精度地圖產業鍊和主要參與
高精度地圖，除了提供道路信息，還提供實時路況信息和3D建模，參與汽車路徑規劃，在ADAS交互與決策中，起著非常重要的作用。
高精度地圖參與者主要有圖商、自動智能駕駛科技公司、ADAS方案提供商、傳統車企四類，採用的方式和方案優劣勢各不相同，圖商有著先天優勢的基因：繪圖基礎深厚， 地圖精度和覆蓋率有保障，技術積累足。 傳統車企和ADAS方案商採用眾包方案，數據量大且實時更新。
3.3 國外發展趨勢：硬件和軟件的融合
圖商佈局
以海外圖商代表公司HERE為例，HERE核心業務為通過其豐富的地圖數據和核心的位置平台為汽車、消費者和企業客戶提供位置服務和解決方案，其地圖數據覆蓋約200個國家，超過 4,600萬公里。
通過不斷的和傳統車企，科技公司以及數據信息流入口（傳感器廠商）展開合作，產業鏈生態佈局也向上滲透到數據輸入端的傳感器和算法芯片等領域，目標成為無人駕駛技術方案提供商。 HERE的戰略佈局正是汽車電子自動駕駛領域的一個趨勢：硬件和軟件的融合。
其他公司佈局情況
除了圖商外，其他參與者近些年來佈局頻繁。 從數據採集方式來看，谷歌和蘋果的特點是：更易直接實時更新、覆蓋面更廣，更精準。 但無人駕駛領域需要龐大的輸入數據，使得特斯拉（OTA空中更新）和uber(otter和沃爾沃貨車運營)在無人駕駛測試和高精度地圖上有著更易延伸和拓展的優勢。
數據收集只是高精度地圖作為基礎支撐技術的一部分，對車輛周邊環境的數據計算和處理時，谷歌一直走在高精度地圖的實時建模和算法優化最前沿，其基於城市規劃和路徑優化規劃的 算法方案使谷歌在地圖技術提供上依然具有較大的優勢。
3.4 高精度地圖的成熟
按照《中國製造2025》技術發展路線圖來看，在2020之前提供適用於PA級智能網聯汽車的高精度地圖，且地圖精度達亞米級；在2025年左右提供適用於CA級智能網聯 汽車地圖，範圍覆蓋全國主要高速公路；在2030年左右，實現高精度地圖生產自動化及標準化，滿足無人駕駛需求，範圍覆蓋全國主要道路。
隨著人工智能深化和5G 2018年標準鎖定，高精度地圖在智能化和網聯化自動駕駛領域的應用會越來越成熟。
未來智能實驗室是人工智能學家與科學院相關機構聯合成立的人工智能，互聯網和腦科學交叉研究機構。
未來智能實驗室的主要工作包括：建立AI智能係統智商評測體系，開展世界人工智能智商評測；開展互聯網（城市）雲腦研究計劃，構建互聯網（城市）雲腦技術和企業圖譜，為提升企業， 行業與城市的智能水平服務。