【電動車變局】自動駕駛技術遭遇滑鐵盧

過去幾年，以特斯拉CEO馬斯克為代表，全球多家汽車廠商高層把自家的輔助駕駛技術（ADAS）說得神乎其神，然而，現實當中的事故和事故隱患此起彼伏，並且出現了多起大規模汽車召回事件。這些讓人看得越來越清楚，ADAS技術還不成熟，還有很多問題需要解決。

3月12日，美國公路安全保險協會（IIHS）發布的最新研究顯示，特斯拉的自動輔助駕駛（Autopilot）和全自動駕駛技術（FSD），以及其它幾家主要汽車製造商銷售的輔助駕駛系統都獲得「很差」的評級。目前，美國國家公路交通安全管理局（NHTSA）沒有正式的標準來管理高級駕駛輔助系統，IIHS根據其製訂的標準對9家汽車製造商的14套輔助駕駛系統進行了評級。

在IIHS測試的系統中，只有一款獲得「可接受」評級。IIHS指出，特斯拉、梅賽德斯奔馳、寶馬、日產、福特、通用汽車、現代汽車和吉利旗下的沃爾沃汽車品牌的輔助駕駛系統，總體評級為“較差”，它們只在IIHS測試的某些要素上獲得「良好」的分數，但總體得分都較低。

據悉，美國聯邦監管機構正在調查近1,000起使用特斯拉輔助駕駛的事故。特斯拉將撞車事故歸咎於那些在使用輔助駕駛或全自動駕駛技術時，沒有聽從車商警告注意道路狀況的駕駛人。

最近，NHTSA表示，由於警示燈字體大小不正確，會增加車禍的風險，特斯拉召回了220萬輛電動車，這一數字涵蓋了幾乎所有在美國的車輛，包括Model S、Model X、2017 ~2023年的Model 3、Model Y和2024年的Cyber​​truck。3個月前，特斯拉在美國召回了203萬輛電動車。

01 ADAS還有很多問題需要解決

ADAS是一套非常複雜的軟硬體系統，要想實現安全的輔助駕駛，是一件很難的事情，並不像當下車商宣傳的那麼厲害。要實現真正的L3，甚至是L4級輔助駕駛，還需要解決很多問題，例如，核心處理器的算力及其軟體配套能力，與ADAS相關的其它零件性能和可靠性的提升，感知技術的成熟，以及法規的完善和技術標準體系的統一。

核心處理器還在迭代

隨著輔助駕駛等級逐步提升，應用功能越來越豐富，汽車對晶片算力的要求也越來越高。特別是在安全性和即時性方面，ADAS的要求很高，需要係統具備更高的認知與推理能力。

目前，以Mobileye、英偉達、特斯拉為代表的廠商在ADAS運算晶片方面走在了市場前列，相關產品已在中高階和新勢力車型中廣泛應用。

Mobileye是L2及以下級別輔助駕駛的龍頭，也是汽車ADAS技術的奠基者和引領者，在英偉達和特斯拉崛起之前，Mobileye一直是ADAS行業的龍頭。

Mobileye以視覺方案起家，現在也研發光達的融合方案。Mobileye提供給車商的是晶片加感知演算法的輔助駕駛解決方案，主晶片為EyeQ，內部寫好了感知演算法，EyeQ可以直接輸出對車道線和車輛等目標的感知結果，車企的演算法基於這些結果做出駕駛決策。這樣做的好處是提升了尋求智慧轉型車企的量產速度，但是，這樣做，算力升級迭代速度慢，難以滿足車企的客製化需求，最終導致其產品差異化能力不足，難以滿足高速發展的輔助駕駛市場需求。

由於短板明顯，從2020年開始，EyeQ晶片出貨量成長明顯下滑，特別是在智慧化程度很高的電動車領域，而Mobileye的封閉生態模式，難以滿足發展要求。近兩年，Mobileye也意識到了問題所在，宣稱EyeQ5會向用戶開放部分演算法，但其開放程度並未明確。

目前，在許多傳統車企的車款中，依然在採用Mobileye的方案，在軟硬體無法達到先進輔助駕駛要求的情況下，再加上駕駛人的疏忽大意，難免會發生事故。

英偉達整合了一些特殊功能的GPU和輔助晶片，推出的初代車載晶片為Drive系列。隨著車載系統需求的發展，Drive系統也在不斷升級，例如Drive PX Xavier配備了一個Xavier晶片，適用於L2級輔助駕駛，對於更高等級應用，僅一個Xavier晶片的算力不夠，可以採用兩個Xavier加上兩個圖靈架構的GPU。另外，英偉達也推出了獨立的Orin晶片，去年，該公司新推出了算力達到2000 TOPS的Thor，單顆算力為Orin 的8倍。這樣，客戶可以根據不同使用場景選擇適合的晶片。

除了算力，英偉達也重視軟體工具的開發，先後推出了DRIVE OS、DRIVEWORKS、DRIVE AV、DRIVE IX。

雖然英偉達的方案相對於傳統軟硬體系統更加智慧和靈活，但在紛繁複雜的路面上，依然無法完全保證絕對的可靠性。也正是因為如此，該公司一直在加大核心處理器算力方面下功夫，同時，不斷完善軟體功能。

正是看到了以Mobileye、英偉達為代表的第三方核心處理器供應商在軟硬體產品方面的弱點，特斯拉選擇自研ADAS核心處理器和軟體演算法。

特斯拉的ADAS處理器名為FSD，用以取代原先使用的EyeQ3和Drive平台。FSD從演算法需求出發，採用了全新的晶片架構設計，其核心是兩個NPU組成的NNA（Neural Network Accelerator，神經網路加速單元）。從演算法出發設計晶片架構，使其能耗比更優；可以更激進地嘗試新方案，不需要通過第三方車規級認證等複雜流程。另外，軟硬體都透過自研完成，可以加快整車研發迭代速度，效率高於外購晶片模式。

從軟硬體架構和性能方面來看，特斯拉自研的ADAS系統有很強的創新性，也更適合當今的輔助駕駛系統，但是，該公司的策略比較激進，在未取得足夠測試數據的情況下，就將它們的想法和系統用在了車上，引起了不少爭議，同時，交通事故也在接連發生。

整體來看，對於自動駕駛系統來說，軟、硬體都發揮非常重要的作用，缺一不可。

隨著AI技術廣泛應用，自動駕駛也進入了AI晶片時代，算力已不是衡量自動駕駛水平的唯一指標，還要看有沒有針對某個特定領域的演算法，也稱為特異性演算法，這也給後發晶片廠商在特定領域追趕頭部企業提供了更多機會，即使算力拼不過，也可以在特異性演算法上做更好的優化，從而在整體性能上實現赶超。

對車商而言，由於輔助駕駛等級還未達到L3，廠商不會一味追求高算力晶片或平台，而是要綜合考慮輔助駕駛晶片的算力與效率、適配性、軟體開發難度、車規級安全認證等級、靈活性和能源效率比等指標，根據車型的價位選擇最具性價比的晶片。

特別是在安全性和即時性方面，輔助駕駛的要求很高，需要係統具備更高的認知與推理能力。此時，軟體和演算法的重要性日益突出，也是車企的核心競爭力，例如，用於感測器資料處理和融合的視覺演算法、雷達演算法，以及路徑規劃、行為決策等。

各種零件性能和可靠性有待提升

高等級輔助駕駛系統需要相應零件性能升級，如攝影機、光達、車控晶片、線控制動系統、DMS（駕駛員監控系統）等。

高等級輔助駕駛應用的前提是車輛感知能力的增強，其對於攝影機、毫米波雷達、雷射雷達等感知設備的組裝量與性能要求將提升。其中，相機將由低像素向高像素演進，裝配量也將在360度環景成像需求推動下增加。毫米波雷達和光達可以在純視覺方案尚未成熟時為高級輔助駕駛系統提供更強的道路資訊收集能力。

高等級輔助駕駛系統更為智慧化，底層晶片需要更高的算力，同時耗電量、相容性需求也將提升。此外，高階輔助駕駛系統的電子電氣（E/E）架構也將趨於集中化，以單一SoC晶片為基礎的智慧駕駛域控制器、中央運算中心將逐漸取代傳統的分散式ECU，系統對網域控制器、中央運算中心產品的效能和可靠性提出了更高要求。

與傳統機械液壓煞車、轉向相比，線控制動、轉向具有反應速度快，與電氣化架構相容程度高、能量回收、可配置多套冗餘機制等優點，更適用於高階輔助駕駛汽車。目前，線控制動、轉向技術和產品還未完全滿足安全應用要求。

DMS主要用於實現駕駛員的識別、疲勞駕駛和危險行為的偵測。對於L3級智慧駕駛車輛而言，仍要求駕駛員在特殊情況下接手操控汽車行駛，部分國家法規也對駕駛員在L3輔助駕駛條件下能否接打手機、觀看娛樂系統等做出了相關規定。這些都需要車輛配置DMS，以便在事故發生時確定責任。目前的DMS難以滿足L3級輔助駕駛的要求。

產業鏈需要調整

隨著更高等級輔助駕駛技術的成熟，會對相關晶片零件產業鏈產生較大影響，甚至會重新整合產業鏈。

在傳統分散式E/E架構下，整車輔助駕駛系統由幾個相互獨立的子系統（前向ADAS、側後ADAS、停車輔助系統、全景環視系統）所構成，每個子系統都有一個ECU，而ECU的主要物理結構是單晶片+外圍電路。在這種架構下，軟硬體是強耦合的，Tier1將軟硬體打包以「黑盒」交付的形式提供給主機廠。隨著整車E/E架構從分散式走向集中式，輔助駕駛子系統所對應的ECU也融合成輔助駕駛域控制器，主控晶片從MCU演變成更高性能的SoC異構晶片，軟體架構也隨之向SOA升級，即係統軟體（虛擬機，系統內核，中間件）、演算法模組和應用程式層三部分，實現了軟硬體解耦。因此，整個輔助駕駛系統產業鏈環節也隨之分解為晶片、硬體整合及生產、軟體開發、演算法開發、應用程式幾大環節。

在產業變革初期，晶片、中間件、演算法開發等環節都單獨衍生出一批創業公司，此時，相關公司的核心壁壘在於是否在各自環節具備充足的開發能力和量產經驗，例如，近幾年，德賽西威憑藉基於對英偉達Orin晶片的輔助駕駛域控制器量產經驗，斬獲眾多車企訂單。然而，隨著部分中低算力平台的智駕域控制器逐步走向標準化，對優秀Tier1企業（包括晶片供應商，整合供應商，演算法供應商等）而言，對其能力的要求已不僅僅侷限於產業鏈單一環節，更多的是需要憑藉現階段的領先優勢來充分整合產業鏈上下游，盡可能具備集晶片、演算法、製造等為一體的綜合供應能力。

感知演算法和軟體技術還需進步

在特斯拉的引領下，主機廠，特別是中國相關廠商自2022年以來紛紛重新建構感知架構，並相繼提出「重感知，輕地圖」技術方案。但是，即便是在全新感知架構的加持下，智慧駕駛系統仍無法像人類一樣僅依賴於普通導航地圖，目前僅是降低對高精度地圖的依賴，而非徹底拋棄對任何形式地圖的使用。高精度地圖包含的增量資訊可分為兩類：一類是高精度道路幾何資料（如路寬、 路線曲率半徑等），部分智駕廠商已經可以透過BEV即時感知補齊這類資訊；另一類是道路拓樸結構（如車道間的連接關係，路口紅綠燈和對應車道的綁定等），智駕廠商暫時無法僅透過BEV網路架構補齊上述資訊。

基於神經網路的輔助駕駛模型由工程師設定演算法框架，並依賴大量資料進行參數的更新和調優。因此，主機廠智慧駕駛水準=演算法建構能力*資料訓練效率，其中，演算法建構能力由模型本身的選擇、技術路線等因素決定，資料訓練效率則由主機廠資料閉環能力決定。目前，各主機廠資料閉環搭建的成熟度、迭代效率等仍存在較大差異，因此，資料閉環能力將直接決定主機廠的智慧駕駛水準。

主機廠資料閉環的效率將由其工程化能力決定。整個資料閉環系統包括資料取得、資料預處理、標註、模擬、模型部署等，每個環節都有大量需要最佳化的工程問題。

完善法規，統一標準

目前的智慧駕駛技術處於L2階段，正在向L3演進。與L2不同，L3不再被視為輔助駕駛，而是有條件的自動駕駛，駕駛員無需時刻觀察周圍路況準備隨時接管，此時，駕駛車輛的責任更多地由車輛本身承擔，因此，自動駕駛系統正常運作時出現的交通事故理應由車輛生產廠商負責。但就目前各國交通政策來看，L3自動駕駛技術並未廣受認可，交通事故的第一責任人大多明確認定為駕駛員。可見，各國政府對自動駕駛落地持謹慎態度，相關法令的出台節奏較為緩慢，這在一定程度上限制了高水準自動駕駛技術的發展。

高階自動駕駛的落地也需要各國推出相關政策對自動駕駛的認定標準、技術規範、專業術語、評估體係等做出明確解答，並建立標準體系。標準體系的建立十分繁瑣且需要持續優化，對各國政府來說都是不小的挑戰。

02 結語

ADAS技術已經發展了很多年，在路上跑的、具備該功能的汽車也越來越多，但安全問題並未解決。而且，有些車輛和ADAS系統在某種程度上是在公路上“做實驗”，危險係數不小。

隨著輔助駕駛等級的提升，安全問題的重要性也越來越凸出，要想將ADAS系統提升到更高應用水平，各種各樣的軟硬體問題、智慧感知問題，以及法規和行業標準制定問題，都必須徹底解決。

當然，要想在未來的家用車上實現L4、甚至是L5級駕駛功能，除了技術攻關，成本是一個繞不開的難題，因為要實現L5級駕駛，車上需要搭載的硬體種類很多，且都很昂貴，而且，軟體服務也不會便宜，這樣的成本能否普及到廣大消費者的生活中，是一個問題。(半導體產業縱橫)