7月25日，长安汽车首款基于全新EPA1纯电动平台打造的产品——深蓝SL03公布了售价。深蓝品牌首款车型甫一亮相信息量不小，其智能驾驶传感器配置便十分吸睛。资料显示，深蓝SL03率先在国内采用4枚角雷达、1枚4D成像毫米波雷达组成的“360度”感知组合，且这总计5枚雷达均来自自主供应商。

作为感知元器件，4D毫米波雷达逐渐走热。这个领域曾是博世、大陆、安波福、电装等国际知名一级零部件供应商的天下。自主供应商最近几年也纷纷开始布局，华为、恒润经纬、华域汽车、森思泰克、楚航科技等公司的相关产品先后进入量产阶段。“当前，自动驾驶传感器相继量产落地，同时仍然不断演进，将逐渐成为汽车标配。”轻舟智航感知负责人张雨告诉《中国汽车报》记者。

一面是整车积极配装4D毫米波雷达，国内外供应商不约而同发力;一面是激光雷达逐渐发展成熟，成本降低，开启前装定点。不同类型传感器竞相登场，究竟是“内卷”还是一场“盛宴”?面向高等级自动驾驶，传感器融合方案路向何方?

传感器融合：互补而非替代

据了解，4D毫米波雷达在保有传统雷达低成本、高性能优势的同时，能够进行垂直方向探测;此外，虚拟天线技术的应用更使其在提高角分辨率、缩小体积等方面实现了突破。以大陆集团发布的4D成像毫米波雷达ARS540为例，该产品探测范围达300m，探测视野达±60°，可对各种类别交通参与者及固定设施准确分类。

“4D毫米波雷达与激光雷达的关系是互补而不是替代。从目前主流的传感器组合配置来看，有单摄像头、1R1V、5R1V、5R6V，也有稍微激进一些的，比如6枚雷达、8枚摄像头和3枚激光雷达。这些配置是行车系统的基本组合，泊车系统的主流配置则是12枚超声传感器和4枚摄像头。”大陆集团自动驾驶及出行事业群中国区研发总监周勇告诉记者，“作为Tier1，满足不同客户的不同需求是我们的使命，公司拥有多样化的解决方案。”

“4D毫米波雷达和激光雷达在一定时期内会是共存的关系。”北京主线科技有限公司前瞻研究院院长王超认为，“4D毫米波雷达与传统毫米波雷达相比，点云质量有所提升;但与激光雷达相比，目前依然是后者占据绝对优势。对于这两种感知元器件而言，4D毫米波雷达胜在成本、稳定性与高效，激光雷达则胜在数据质量。它们都处于发展阶段，未来的形态及应用还存在很多变数。比如，行业注意到4D毫米波雷达的成本优势，就开始选择其以降低自动驾驶方案的成本。而假设激光雷达未来成本大幅下降，在极端天气下的表现更为稳定，激光雷达取代4D毫米波雷达也并非没有可能。”

“在相当长的一段时间内，目前主流的摄像头+毫米波雷达+激光雷达的配置组合应该不会改变。主要原因在于，每种传感器都有自身的优势、劣势及适用场景，它们兴起与迭代是为了达到更高的安全性，提供更多的安全冗余。摄像头可以捕捉颜色信息，毫米波雷达针对恶劣天气有很好的适应性，激光雷达的优势在于不受外界光线干扰，同时测距精度高，能够补足强光、逆光、黑夜等其他传感器弱势场景。”图达通(苏州)有限公司总经理邓常敏向记者介绍道，“随着L3及以上自动驾驶技术的规模化商用，激光雷达的使用量会继续增加，出现1颗、2颗，甚至4颗的多样性趋势。高性能激光雷达开始逐步被车企采用并加入融合感知的方案中，终极目标是为了使感知方案更加安全可靠。”

“4D毫米波雷达与激光雷达之间并不是替代关系。”楚航科技创始人、首席执行官楚詠焱告诉记者，“对于L2自动驾驶，4D毫米波雷达能够防止因高度信息误判产生的误报警、误制动，从而更好实现FCW(前方碰撞预警)和AEB(自动紧急制动)功能;对于L3～L5自动驾驶，能够与摄像头、激光雷达等以光学为基础的感知元器件更好地前向融合并提高鲁棒性，应该算是各司其职。”

张雨补充说：“激光雷达可以提供精确的3D位置信息，不受环境光影响;毫米波雷达能够输出物体运动状态，对雨、雪、雾等恶劣天气鲁棒性强;摄像头信息密度高，对远距离/小物体/通用语义效果更好;超声波雷达成本低，自车米级别范围精度高，能够在倒车/泊车场景中起重要作用。”

组合方案源于技术等级需求

“对感知元器件的选型、布置和使用，我们应从L3、L4高阶自动驾驶的需求进行反向推导。”周勇的观点旗帜鲜明，而行业内持有类似看法的人士不在少数。

“感知元器件的选型、搭配应该基于对自动驾驶需求的匹配，不同等级的自动驾驶对感知的需求是有巨大差异的。不过，现在有两个略显尴尬的问题，一是通常我们并不能做到完全依据系统需求，寻找能够完美匹配的传感器，而是要采用现有的主流传感器;二是业界对于L3、L4自动驾驶的需求暂时还没有形成比较一致的清晰定义。”王超告诉记者。

“理想状态应该是基于整车自动驾驶需求的适应性来确定感知元器件，也就是产品到底定位于实现哪一个等级的自动驾驶。”周勇分析认为，“对于L1、L2自动驾驶，单摄像头或1R1V的配置就足够了，但如果面向高等级自动驾驶，当前的传感器组合方式及数量，仍有可以进步的空间。因为每一类传感器都有自己鲜明的优势与劣势，这是由其工作原理决定的。比如，摄像头在夜间表现、纵向测距方面有短板;同样的，毫米波雷达、激光雷达也有自己的问题。既然我们追求在更多场景下实现自动驾驶，那么多种感知元器件融合就变得顺理成章了。”

邓常敏认同这种说法：“不同场景的需求不同，L2及L2+自动驾驶功能相对不复杂，可能只需要毫米波雷达和摄像头即可;但L3及以上自动驾驶，依靠更高性能的传感器加入，如目前主流的摄像头+毫米波雷达+激光雷达方案。”

周勇表示，从趋势上看，单车传感器的数量逐步增加，这有利于近距离补盲。比如，5R1V的组合还存在一定的盲区，车企于是开始考虑增加配置，将毫米波雷达增加到7枚的水平。同时，随着毫米波雷达的大规模量产，单个传感器的成本也在逐渐降低。

在张雨看来，在量产自动驾驶汽车上，激光雷达将从无到有，从少到多，直至全视角覆盖。“当前，我们处在从无到有的阶段，激光雷达的成本已降至可以量产的水平，但如果进行全视角覆盖依然面临两方面的限制。第一是成本，达到全视角覆盖需要5个左右的固态激光雷达支持，一定会造成成本的增加。第二是算力，全视角覆盖意味着大量点云数据需要计算处理，当前量产算力平台能否满足要求以及算力的机会成本都是需要考量的因素。”他对记者表示，“目前，单颗120°激光雷达足以应对绝大部分复杂场景，因此，其搭配全视角视觉及其他传感器，是满足城市NOA(导航辅助驾驶)的最优选择。”

“就目前的ADAS而言，现有解决方案即摄像头+毫米波雷达已能满足需求，加入4D毫米波雷达应该算是锦上添花。而对于L3及以上级别自动驾驶，这类传感器就是必选项。”楚詠焱指出，“不过，如何配置感知元器件，仁者见仁、智者见智。不同整车企业的品牌定位不同，即便相同品牌不同级别车型的定位也不同，这就带来感知元器件组合的不同方案。依据自动驾驶的需求以及品牌、产品定位确定配置是比较理性的选择。”

传感器融合带来的全新挑战

张雨表示：“不同的传感器特性不同，失效模式重合度低。良好的多传感器融合方案，可以获得比单传感器更优的感知效果，从而更好地满足高级别自动驾驶的需求。”

其实，不仅车端的感知元器件具有融合的条件与可能性，路侧设备提供的感知信息也在不断进化。“激光雷达路侧感知可为ADAS或自动驾驶提供另一方面的感知冗余。其意义在于，扩大了车端的感知范围，让车辆能更早、更及时地获取周围信息，并及时做出路线规划;可以解决车端的一些长尾问题，如鬼探头，通过C-V2X及时将信息传输给车辆;能够获取城市宏观交通状态，从而确保道路安全，改善拥堵问题，提高出行效率。”邓常敏认为。

不过，周勇告诉记者，感知元器件融合带来的挑战成为行业近几年讨论比较多的话题。“以摄像头为例，其传输速率从最初的1M发展到后来的2.5M、3M，再到现在的8M;此外，近年来上车的激光雷达，点云数据也是越来越多。这些都会导致数据传输量的增加，同时对传输速率提出更高要求，因此出现了整车线束成本增加的倾向。行业对整车电子电气架构由分布式向集中式演进已形成共识，但如何分步骤实现，集中又将达到何种程度，大家的认识不同，还没有一致的看法。”

“自动驾驶传感器的数量增多以及单传感器数据量增多是大势所趋，但同时数据传输也带来严峻的挑战。我们可以通过硬件计算的架构设计，降低传输热点的存在，以缓解传输瓶颈;同时，还尝试通过计算前置、信息压缩等方式来降低传输信息量。”张雨介绍说。

车辆对传感器的需求不断提升

“全社会一直在追求更低的道路交通事故伤亡率，基于此，感知元器件的冗余水平，还未跨过保证绝对安全所需要的门槛。从优先级来看，自动驾驶依次追求安全、舒适，对成本的考量甚至需要放在最后。”周勇对记者说，“面对未来的需求，有两个关注点。首先是传感器自身性能的提升。我们希望传感器的精度、分辨率、视角、刷新率等参数指标越高越好，但其副作用是消耗(需要的)算力也要不断提高。而视角的扩大必然造成探测距离的损失，这是在传感器设计之初就需要进行取舍的。其次是传感器的布置使用角度，还有很大的提升空间。”

“随着自动驾驶向L4演进，车辆对于传感器的需求不断提升。首先必须强调稳定性和成本，抛开这两点，就不是有现实意义的自动驾驶。在此基础上，更高等级自动驾驶需要激光雷达，以提升探测距离和分辨率。探测距离越远，探测分辨率越高，提供的精确3D位置信息范围更大，信息密度更高，对感知多传感器融合的帮助也就越大。此外，更高等级自动驾驶也要求摄像头的分辨率不断提高，以此改善视距、小物体识别和语义级别感知能力。对于毫米波雷达而言，除了提供4D毫米波信息之外，也需要更高的信息密度，更稠密的点云。”张雨认为，“安全无小事，对于L4自动驾驶应用，一定要确保安全优先，从这个意义上说，相关车辆的传感器配置合理。对于非L4自动驾驶应用，设计上也应该在兼顾舒适性与成本的同时，不牺牲安全性。目前，我们的单激光雷达城市NOA功能设计，正是建立在安全的基础之上。城市NOA场景复杂，存在很多边界场景，车辆需要更多的传感器冗余。”

“更高级别自动驾驶，对传感器的探测距离、分辨率及探测稳定性都提出了越来越高的要求。以激光雷达为例，要满足L3及以上级别自动驾驶，至少需要满足250米的标准探测距离。”邓常敏强调。

周勇告诉记者，令行业感到乐观的是，国内市场对于自动驾驶的接受度较高，很多用户即使并非高频使用，但还是希望把自动驾驶功能作为车辆配置。也因为这样的高接受度，带动了自动驾驶产业市场整体规模不断扩大，技术和产品成本的下降趋势比较明显的。

“从感知融合的角度讲，传感器会强化感知功能，弱化计算功能。”楚詠焱介绍道，“无论激光雷达、毫米波雷达还是摄像头，感知在前端融合，计算放到域控制器或中央计算单元上是一个比较明确的方向。当然这也带来对数据传输实时性、安全性及抗干扰性等的挑战。”

拒绝“力大飞砖”　坚持算法优先

在感知元器件市场快速增长，配置方式百花齐放的背景下，算力与算法谁更能有效应对挑战，成为了行业关注的重点。

“未来，行业肯定需要更强大的软件保证自动驾驶感知系统的质量和精度，而软件能力的提升，实际上又会受平台算力的制约。因此，感知融合今后的发展，将有赖于平台算力和融合算法两方面的共同支撑。”张雨告诉记者，轻舟智航采用当前高算力量产计算平台，通过系统和模型性能优化，充分利用平台提供的异构算力，使算法得以充分施展拳脚;算法能力方面，进行数据层、特征层、观测层的多层次融合，在相同算力下更充分地利用不同传感器的特性，提升感知效果，同时，依托算法灵活适配不同车型、不同传感器方案的特点，统合利用多种车型数据，保证算法的准确度和泛化性。“在算法和部署优化上同时发力，提升算力应用效率，是我们的感知算法能在业界保持强大竞争力和优势地位的原因。”他称。

“我个人认为，感知融合更依赖算法，算力只是基础条件。”周勇表示，“目前来看，以深度学习为代表的人工智能技术已开始帮助算法提升、进化，有助于帮助我们解决更多的自动驾驶长尾问题。”

“在感知融合的条件下，突破是需要依赖算法的，不同的算法对算力的需求不同。我们对算法的调试能够适应低算力平台的搭载需求，但感知融合的表现如何，算法起着决定性作用。”王超认为，“自动驾驶的场景极其丰富，我们希望适应更多的场景，这就需要依靠堆叠模型的方法，推到算力端去解决既不现实也不经济，解决方案还是要依靠算法的优化与迭代。”

“硬件是门槛，定义了感知元器件能够做什么;算法则是来帮助硬件弥补缺陷、排除干扰和提升效果的。”楚詠焱表示，“当然，算法也在进行融合，未来自动驾驶感知技术的发展将呈现硬件与算法相互交融的趋势。”(记者：马鑫)