自動駕駛感知層：大模型提升傳感硬件的復雜度和精度

• 陳博 2023年10月27日 來源：中研網 916 57
• 繁體

AI 算法復雜度和精度提升，主流傳感器算法從決策級融合算法逐漸向特征級融合算法過渡。決策 級融合算法是將各傳感器數據分別進行特征提取并進行識別，最后融合感知信息以備決策。決策 級融合算法對不同傳感器分別建立識別模型，其算法復雜度低、算力要求小，且便于進

欲了解更多中國汽車零部件行業的未來發展前景，可以點擊查看中研普華產業院研究報告《2023-2027年中國汽車零部件行業市場深度全景調研及投資前景分析報告》。

大模型的應用有望降低自動駕駛傳感器硬件成本，加速自動駕駛普及。 自動駕駛傳感器主要包括攝像頭、超聲波雷達、毫米波雷達、激光雷達、GPS 等。超聲波雷達在 0.1-3 米間精度較高，但易受天氣和車速影響，主要應用于智能泊車功能;攝像頭是實現眾多預警、 識別類高級輔助駕駛功能的基礎;毫米波雷達使用波長為 1-10 mm 的電磁波，具有較強的穿透性， 可全天候工作，不受極端天氣和夜晚影響，測距可達 200 m，但是分辨率有限，無法清晰辨別較 小的物體。激光雷達精度高(角/速度/距離分辨率)，響應速度快，最遠的探測距離高達500米， 但目前成本高，且抗干擾能力弱。

目前，傳感器路線尚無定論，主流自動駕駛廠商主要采取三種： 純視覺方案：以特斯拉為代表。使用多顆攝像頭為傳感器，采用 Transformer+BEV 算法或 Occupancy 算法，成本較低，更接近人類駕駛;但較易受環境和天氣影響，需要路外數據補充缺 乏的長尾場景。 視覺+毫米波雷達方案：毫米波雷達的全天候識別能力可提升自動駕駛系統在極端天氣和幽暗環 境下的安全性。值得注意的是，根據太平洋汽車等平臺，特斯拉最新自動駕駛系統 HW 4.0 可能 在車頭重新搭載了 1 顆前向 4D 毫米波雷達。 視覺+毫米波雷達+激光雷達方案：是短期內實現高等級自動駕駛的關鍵。根據小鵬汽車、哪吒汽 車、智目科技、辰韜資本等公司發言人在第十屆全球新能源汽車大會(GNEV11)上的討論，短 期內(1-3 年)激光雷達對自動駕駛都是必要的，可以加快推出自動駕駛系統的時間，并提高安 全性。

大模型的應用有望降低自動駕駛傳感器硬件成本，降低自動駕駛普及門檻。根據毫末智行分析， 自動駕駛 1.0 時期為硬件主導，通過增加硬件投入增強感知能力;2.0 時期為軟件驅動，基于規則 的小模型逐漸應用到自動駕駛系統;而數據驅動的 3.0 時代已經開啟，通過數據驅動算法模型快 速迭代，可減少對傳感器硬件數量的依賴。例如華為 2023 年 4 月發布的最新自動駕駛 ADS2.0 系 統，較 ADS1.0 激光雷達減少 2 個，毫米波雷達減少 3 個，攝像頭數量減少 2 個，但依靠 Transformer+BEV 算法的提升，自動駕駛功能增強，新增了城區車道巡航輔助增強和哨兵模式。 多模態大模型提升自動駕駛安全性。盡管純視覺方案具有成本優勢，激光雷達可為視覺方案提供 感知冗余。弗洛斯特沙利文認為，在未來幾年內隨著雷達硬件成本下降和多模態大模型的發展， 視覺+毫米波雷達+激光雷達方案憑借安全冗余的優勢仍將在 L2+高等級自動駕駛中受到廣泛選擇。

AI 算法復雜度和精度提升，主流傳感器算法從決策級融合算法逐漸向特征級融合算法過渡。決策 級融合算法是將各傳感器數據分別進行特征提取并進行識別，最后融合感知信息以備決策。決策 級融合算法對不同傳感器分別建立識別模型，其算法復雜度低、算力要求小，且便于進行不同傳 感器組合，是目前自動駕駛車企采取的主流方案;但是該方法精度有限，在城市道路等復雜場景 下適用性較差。特征級融合算法是在多傳感器特征提取的基礎上進行特征融合并識別，較決策級 融合信息丟失更少，精度更高，同時所需算力有所提高但仍低于數據級融合算法。

Transformer 大模型的應用使數據驅動的感知算法快速發展。特斯拉 FSD 系統目前采用純視覺傳 感器，將多個攝像頭獲取的 2D 圖像在 Occupancy 網絡進行特征融合，再使用 Transformer 模型 進行訓練;毫末智行將攝像頭+雷達多模態傳感數據進行前融合，并使用 Transformer 模型訓練; 小鵬汽車亦采用多攝像頭數據 BEV 空間+Transformers 融合方案。 在感知領域，現有自動駕駛廠商憑借實車數據積累占據大模型先機。主流廠商在城市領航輔助駕 駛(NOA)中采用 BEV 算法，特斯拉率先應用的 BEV+Transformer 感知大模型基于攝像頭硬件 +CV 大模型，可實現“重感知、輕地圖”乃至徹底“脫圖”。多家國內主流自動駕駛車企已宣布 開發和量產基于 BEV+Transformer 模型的感知架構。百度于 2022 年 11 月推出 ANP3.0 系統，預 計將于 2023 年內實現量產，率先搭載該模型的集度 ROBO-01 車型預期于 2023Q3 交付;小鵬汽 車宣布在中國率先量產了基于 BEV+Transformer 模型的 XNET 架構，自 3 月開始城市 NGP 將在 廣深滬多城市多車型加速落地;23 年下半年，基于 XNET深度學習算法的 XNGP 將徹底脫高精地 圖;華為 ADS 2.0 架構已于 4 月落地，預計 Q2 將無圖商用高階智能駕駛方案推廣到全國 15 城， Q4 推廣到 45 城;毫末智行于 2023 年 4 月宣布 DriveGPT 認知大模型系統將首先搭載在 6 月正式 上市的新摩卡 DHT-PHEV;商湯于 2023 年 4 月宣布 BEV 環視通用感知算法已進入實車量產階段，其中廣汽埃安 aion lx plus 車型已于 2023 年 1 月上市;蔚來于 2023 年 5 月發布 Banyan2.0.0 系統，正式實行 BEV 模型量產上車，將于 6 月 OTA 升級多款 2022、2023 款車型;地平線等廠 商也紛紛宣布將在 2023 年內實現 BEV+Transformer 模型架構的落地。理想汽車將在很快向北京 和上海的內測用戶交付不依賴高精地圖的城市 NOA 功能，使用自研的類似 BEV 的神經先驗 NPN 網絡(Neural Prior Net)，也在紅綠燈信號識別、通行規劃控制等方面引入大模型算法。理想也 將在下半年開放通勤 NOA 功能，可以在 1-2 周內完成上班通勤路線的激活。

數據驅動的大模型落地推動傳感器硬件發展。攝像頭分辨率提升有助于感知模型精度提高，但同 時也會帶來計算量的增加，提升算力和傳輸帶寬需求。特斯拉HW3.0系統使用8顆分辨率為1.2M (1280x960)攝像頭，總算力約為 144TOPS;據媒體報道，HW4.0 系統將使用 12 顆分辨率為 5.4M(2896x1876)攝像頭，總算力約為 500TOPS。國內理想 one, 蔚來 ET7，小鵬 SUVG9， 極氪 001 等自動駕駛高端車型紛紛實裝 8M 攝像頭，以達到更高的感知精度和更遠的感知距離。

4D 毫米波雷達落地，毫米波雷達有望迭代。 4D 毫米波雷達在傳統毫米波雷達的距離、方位、速 度三個維度基礎上增加了高度，從而具有更高分辨率和一定成像能力，有望取代3D毫米波雷達。 據高工智能汽車研究院預計，2023 年中國乘用車市場前裝 4D 毫米波雷達將突破百萬顆，到 2025 年 4D 成像雷達占全部前向毫米波雷達的比重有望超過 40%。4D 毫米波雷達可與純視覺方案結合， 提高感知精度;也可部分替代激光雷達，應用于側向感知或低等級自動駕駛的前向感知中，提供 兼具成本和精度的硬件解決方案。例如英特爾子公司 Mobileye 計劃 2025 年在側向感知中使用毫 米波雷達代替激光雷達。

高線束激光雷達在角分辨率和點云數量上較 4D 毫米波雷達仍具有優勢。高線束(32 線以上)激 光雷達通過對周圍環境掃描能夠形成 3D 圖像模型，可在橫向 120°視場范圍生成百萬/秒的點云 量，滿足高級別自動駕駛的感知需求;而 4D 毫米波雷達雖具有一定成像能力，但目前生成點云 僅可達到十萬/秒的數量級，角分辨率也遜于激光雷達。對于感知大模型來說，數據量至關重要， 因此，短期內對于多模態感知模型，高線束激光雷達仍無法完全被毫米波雷達取代。 激光雷達技術從機械式向全固態升級，降本有望。MEMS、FLASH 激光雷達已逐步走向市場，有 望降低激光雷達成本并提高穩定性，從而為激光雷達在自動駕駛領域的應用創造更廣闊空間。 超聲波雷達成本低廉，但工作距離很近，特斯拉、毫末智行等公司已采用視覺方案代替超聲波雷 達。超聲波雷達主要應用于泊車輔助系統，進行低速高精度下的距離測量，基于視覺的 Occupancy 網絡+Transformer 模型有望替代超聲波雷達實現該功能。但對于 L0-L2 低級別輔助駕 駛車輛，裝載超聲波雷達仍是更具成本性和安全性的選擇。

• 相關深度報告REPORTS

  

  2023-2027年中國汽車零部件行業全景調研與發展戰略研究咨詢報告

  產業現狀近年來，中國汽車零部件產業在國家重大工程和技術專項的支持下，通過企業自主研發、合資合作及技術人才引進，持續加強技術攻關和創新體系建設，在部分領域核心技術逐步實現突破。中國品...

  查看詳情

延伸閱讀

推薦閱讀

猜您喜歡