近期，在自动驾驶领域，两个重大事件值得关注：一个是宝马与芯片行业巨头英特尔、ADAS龙头Mobileye联合宣布，未来将合作开发自动驾驶汽车，量产版将在2021年正式推出;另一个是特斯拉的Models S汽车在自动巡航(Autopilot)模式下发生撞车事故，导致司机身亡。特斯拉公司方面之后称：“在明亮光线的照射下，Autopilot和司机都没有注意到拖车的白色侧面，因此刹车系统没有启动。”

  前者是自动驾驶领域令人振奋的消息，全球整车厂、芯片、ADAS领域的三大巨头通力合作，自动驾驶技术将实现加速发展，迎来真正的突破;后者则在某种程度上意味着，自动驾驶尚不成熟，未来仍然任重而道远。

  1 无人驾驶与自动驾驶的差别性

  在自动驾驶领域，目前有两大技术路径：一是以特斯拉等汽车厂商为代表的“辅助驾驶”升级路线，其探测技术基础是摄像头(机器视觉)、毫米波雷达、超声雷达;二是以谷歌等互联网公司为代表的“无人驾驶”路线;其探测技术基础是以激光雷达(LiDar)为核心，融合多种技术。此次事故中反映出“辅助驾驶”升级路线的两大“痛点”，一是责任问题，二是可靠性问题。“辅助驾驶”本质上就是减轻驾驶者的疲劳感，所以驾驶者很容易处于松懈状态，而汽车厂商出于法律责任考虑，又要求驾驶者始终保持高度警惕状态，对驾驶事故负有终极责任，这是存在一定的矛盾之处。以此次事故为例，特斯拉公司声称该名驾驶员当时正在玩手机游戏，因而也未能及时发现前方车辆并作出反应。相比之下，在谷歌“无人驾驶”模式下，无人驾驶系统被视为“驾驶员”并对行车安全负完全责任，责任是非常清晰的。就可靠性而言，特斯拉公司同样表示目前其自动驾驶(Autopilot)处于实验阶段，依靠大量的用户使用不断完善升级系统，这个过程难免出现事故问题，其中根本的原因是机器视觉作为概率算法，不可能穷尽所有可能情况。以此次事故为例，拖车的车身为白色，很容易被误识别为蓝天白云的一部分。相比之下，谷歌“无人驾驶”则依靠无人驾驶试验车队进行实测，同时利用庞大的计算机系统模拟相关情况;更重要的是，其“无人驾驶”核心输入系统—激光雷达是实际测量空间的“点云”，并非基于概率算法。当然，谷歌“无人驾驶”汽车普及也有相应的“痛点”，包括法律法规、伦理问题、成本高企等。

  无人驾驶汽车本质上是一种具有高度人工智能的移动式服务机器人，它与辅助驾驶、自动驾驶汽车具有相关性，但在发展目的、核心技术等方面更有重要的差别。无人驾驶汽车具有创造创新性社会价值的潜力，从而深刻影响人们的生活。

  l 发展目的和表现不同：辅助驾驶、自动驾驶的本质是汽车驾驶系统的模块叠加和功能发展，其目的是给驾驶者提供更加便捷、安全的驾驶环境;而无人驾驶汽车的本质是一种全新的能够自主导航的移动运输类机器人，以人工智能取代了驾驶者，其外形设计、应用场合并不拘泥于现有的模式。目前，无人驾驶汽车研发多数以传统车型作为实验对象，但未来无人驾驶汽车进入商业应用场合后，完全可以根据实际需要进行重构，例如，谷歌在新的试验车型中取消了方向盘、刹车。

  l 核心技术有重要差别：辅助驾驶、自动驾驶的核心技术是自动控制技术，而无人驾驶汽车的核心技术是即时空间建模和人工智能技术。因此，在辅助驾驶、自动驾驶领域，汽车厂商具有主导地位，并与零配件企业形成密切合作，如特斯拉、福特等;而无人驾驶汽车的研发主体是互联网科技公司如谷歌、百度等。以输入端为例，辅助驾驶、自动驾驶汽车使用的雷达主要目的是测量前后车的车距，使用摄像头、毫米波雷达等安装在前后;而无人驾驶汽车除了需要配备前后保险杠雷达之外，最核心的信息来自于高精度3D激光雷达，进行空间建模。

  l 受益对象和成本承受能力不同：近期日本DeNA子公司“机器人出租车”在神奈川县普通公路上开始试运行无人驾驶出租车;法国无人驾驶公交车EZ10也投入试用。这表明无人驾驶汽车将对现有经济生活方式形成重要颠覆，而非渐进式的改善。当无人驾驶汽车向社会提供服务时，其成本承受能力将大大增强，相比之下，辅助驾驶、自动驾驶主要依靠成本下降去推进应用拓展。

  2 无人驾驶两条技术路线的现状与亟需解决的问题

  目前，无人驾驶汽车的实现路径基本分为两大阵营：路线1是以IT企业谷歌、百度等为代表的直接无人驾驶路线，依靠高精度地图，配合激光雷达、摄像头、毫米波雷达、超声波传感器、GPS等传感器通过人工智能算法实现完全自主驾驶，他们的核心竞争力是高精度地图的构建，结合各种传感器进行地图的匹配和算法的调试;路线2是以福特、通用、沃尔沃、特斯拉等车企以及前后装企业Mobileye等为代表的ADAS逐步升级路线，依靠摄像头、毫米波雷达、超声波传感器等设备，实现在某些环境和条件下的高级辅助驾驶功能，他们的核心竞争力在于整车的设计、制造、销售以及驾驶员辅助驾驶体验的需求挖掘。

  两条路线距离真正实现无人驾驶还需解决不同的问题。1. 直接无人驾驶路线：目前距离真正实现，还需解决在大雪、大雨等极端天气下设备的使用和调试问题;除此以外，还需解决对于高精度地图的依赖问题，因为高精度地图的提供会极大的限制无人驾驶汽车行驶的范围，此路线下的某些特定技术方案没有高精度地图则无法运行。2. ADAS升级路线：最大的问题是现在还不能达到“无人驾驶”的水准，未来需要解决识别车辆、识别人体，并测量距离如何达到100%的成功率的问题，因为即使是99%的成功率，为了防止1%的危险，驾驶员和乘客也不能放松警惕。需要人时刻保持高度警惕的无人驾驶汽车，意义并不大。

  现阶段媒体报道的“无人驾驶”领域研究进展，其实是分布于不同技术阶段的。以美国NHTSA对于自动驾驶技术的阶段划分来看，大部分都处于L1-L3阶段。跨越不同技术阶段进行无人驾驶成果的“行驶里程”“行驶时速”等的对比，意义并不明显，因为人工干预、普适程度的情况不同。真正决定自动驾驶技术先进与否的因素，是人工干预的情况，以及该成果在展示区域外的普适程度。我们按照这样的标准，梳理了现在国内外测试成果所处的进展。

  图1：成果&事件梳理：一些路线2的参与者希望引入路线1的技术

  通过对于无人驾驶行业的研发成果和行业事件的梳理，我们认为：路线1的研发成果与路线2相比，基本上自动化程度要稍高一些，大部分已经处于或定位于L3受控的自动驾驶和L4完全无人驾驶。而路线2的一些参与者正希望通过外延式扩张的方式，收购一些技术型公司来补充自身的技术缺陷。如奔驰、宝马、奥迪联合收购高精度地图公司Here，通用公司斥资10亿美元收购Cruise Automation等。

  技术上的不同方向也有可能形成两条路线的互补，如路线2的一些传统车企对于人工智能公司的收购;相对的，路线2在机器视觉、图像识别这一领域上也形成了很大规模的技术探索，未来也很有可能对路线1的参与者形成技术上的优势补充。

3 激光雷达与ADAS及无人驾驶形成良好搭配

  从无人驾驶产业链来看，感知层和执行层属于硬件层面，主要由整车厂以及各类零配件供应商掌握;而算法层属于软件层面，互联网厂商具备相对优势。具体到硬件层面，执行层是汽车控制与安全的中枢，整车厂以及博世、大陆等Tier 1厂商把控很严，其他企业很难切入;而感知层的零组件供应链分散，厂商切入难度相对较低。因此，国内新进入企业主要的机会在于感知层的供应链，尤其是激光雷达、毫米波雷达以及摄像头等附加值高、国内企业有望实现弯道超车的领域。

  ADAS及无人驾驶系统中常用的环境传感器包括激光雷达、摄像头、毫米波雷达、超声波传感器、GPS这五类传感器或其中某几个的组合来实现自主移动功能。这五种传感器各具特征，各自有所侧重，一般在复杂系统中组合使用。相比于摄像头，激光雷达的最大优势在于使用环境限制较小，即不管在白天或是夜晚都能正常使用。对于标准车在雷达及毫米波雷达，当其所发射的电磁波在传播路径上遇到尺寸比波长小的物体时，将会发生衍射现象，即波的大部分能流绕过物体继续向前方传播，反射回来可供雷达接收的能量则很小，因此，无法探测大量存在的小型目标，即使是毫米波雷达，也探测不到直径很小的线状目标。而用于雷达系统的激光波长一般只有微米的量级，因而它能够探测非常微小的目标，测量精度也远远高于毫米波雷达及其他车载标准雷达。

  激光雷达的缺点是在大雨大雪等恶劣天气中使用效果会受到影响，比如谷歌无人驾驶汽车从未在大雨大雪等恶劣条件下测试。激光雷达能够获得周边环境的点云数据模型，现在多用于在测量中有一定精度要求的领域，或需要测量自身与人体距离的智能装备，在测量与人的距离方面这一功能上尚无完美替代方案。

  另外，激光雷达也存在着价格昂贵等劣势。激光雷达的测量精度与其雷达线束的多少有关，线束越多，测量精度越精准，ADAS无人驾驶系统的安全性也越高。但同时，线束越多，其价格也越昂贵。目前，虽然低成本化是激光雷达的一大趋势，但出于对驾驶安全性的考虑，高价激光雷达仍然占据主流。

 4 “环境感知+导航定位”造就激光雷达的核心地位

  LiDAR——Light Detection And Ranging，即激光雷达，是利用激光、全球定位系统GPS 和惯性测量装置(Inertial Measurement Unit，IMU)三者合一，获得数据并生成精确的数字高程模型(Digital Elevation Model，DEM)。简而言之，就是激光束探测目标的位置、速度等特征量的高精度雷达系统。原用于军事领域，目前已延伸至汽车无人驾驶领域。激光雷达(Lidar)和毫米波雷达(RADAR)的主要区别是激光雷达发射的是可见和近红外光波而毫米波雷达使用的是无线电波。

  3D 激光雷达在无人驾驶运用中拥有两个核心作用。1)3D 建模进行环境感知。通过激光扫描可以得到汽车周围环境的3D 模型，运用相关算法比对上一帧和下一帧环境的变化可以较为容易的探测出周围的车辆和行人。2)SLAM 加强定位。3D 激光雷达另一大特性是同步建图(SLAM)， 实时得到的全局地图通过和高精度地图中特征物的比对， 可以实现导航及加强车辆的定位精度。

  车载激光雷达设备的主要成本花在 GPS/IMU 和 2D 激光扫描仪，约占总成本的 80%。1)车载激光雷达系统的优劣主要取决于 2D 激光扫描仪的性能。激光发射器线束的越多，每秒采集的云点就越多。然而线束越多也就代表着激光雷达的造价就更加昂贵，以Velodyne 的产品为例，64 线束的激光雷达价格是16 线束的10 倍。2)对于较高要求标准的 IMU，是基于光纤陀螺的技术制造的。其价格昂贵，大约在 150 万元左右。对于较低要求的 IMU，有许多厂家的设备可以选择，价格根据型号变化，在 10 万元到 50 万元之间。3)Velodyne 的车载激光雷达目前看来并没有加入IMU 部件。

  目前行业对是否使用激光雷达仍然抱有争议，特斯拉的总裁Elon Musk 就公开表示无人驾驶并不需要激光雷达，将现有的传感器发挥的极致也能实现无人驾驶，而德尔福、丰田均已开始和激光雷达企业合作。激光雷达是否运用极大程度上取决于成本和效果，目前尚难以判断激光雷达未来的市场渗透率。如果低成本的激光雷达方案如能达到同样效果，将极大的推动无人驾驶进度，渗透率也会直线上升。麦肯锡认为无人驾驶解决方案成本达到2 万美金时，无人驾驶汽车将具备极大的商业价值。我们做一个大胆的假设： 2025 年，2000 美金的激光雷达被普遍认可，全球有5%左右的汽车成为无人驾驶或高度自动驾驶汽车，那么激光雷达的市场需求将达到110 亿美金。

5 车载激光雷达的产业格局和低成本发展趋势

  目前，车载激光雷达的产品及生产厂商主要集中于国外，包括美国Velodyne公司、美国Quanegy公司以及德国IBEO公司等。国内的激光雷达产品主要以2D激光雷达为主，多用于地形测绘、建筑测量、家用服务机器人等领域。不过，国内以镭神智能、思岚科技等创业公司以及巨星科技、大族激光等上市公司为代表的企业也开始尝试逐步进入车用激光雷达行业。同时，由于目前昂贵的价格成为车用激光雷达市场推广的最大障碍，因此低成本化是其未来最主要的发展趋势。

  5.1 国外企业破风而行，不断寻求技术突破

  l Velodyne: 车用激光雷达的行业先导

  近年来，Velodyne的3D激光雷达业务发展迅猛，谷歌在其最早的自动驾驶原型汽车中所使用的LiDAR传感器就是由该公司开发的，其产品的测量精度在全行业领域内处于标杆地位，性能优越。Velodyne的3D激光雷达产品种类丰富，包括16线束、32线束及64线束等，其中还有专门为智能驾驶汽车设计的Ultra Puck激光雷达。

  Google 采用的价值7.5 万美元的Velodyne HDL-64E 可以说是激光雷达中的劳斯莱斯，通过64 束的激光束进行垂直范围26.8 度，水平360 度的扫描，每秒能产生130 万的数据点。相比同类产品如Sick LaserRangefinde(价值6000 美金)每秒产生6000 个数据点，在量级上是不可同日耳语的。但Velodyne 产品相对测绘类的车载3D 激光雷达动辄几十万美金的价格，仍然是较为廉价的选择。

  于2015年12 月10 日路测成功的百度无人驾驶汽车车身上，部署了毫米波雷达、视频等感应器，其车顶还安置了一个体积较大、价值70 万余人民币的64 位激光雷达(Velodyne HDL64-E)。能对本车周边半径70 米范围内的环境进行三维扫描，以3D 激光云点的方式呈现，给予自动驾驶汽车的智能决策系统提供周围环境最原始的判断依据。百度和Google 均致力于实现无人驾驶的最终阶段—— 完全自动驾驶。LiDAR 传感器的高精度扫描，适用于复杂环境探测，使得无人驾驶汽车可以在人车混杂的道路上无限接近“零事故”驾驶。

  图2：HDL-64E正面和背面构造

  观察Velodyne HDL-64E 的内部结构，主要由上下两部分组成。每部分都发射32 束的激光束，由两块16 束的激光发射器组成。背部是包括信号处理器和稳定装置。

  在2016年1月的美国CES消费电子展上，Velodyne发布了其第一款汽车专用的3D激光雷达混合固态超级冰球(Solid-State Hybrid Ultra Puck Auto) ，这款产品为32线束激光雷达，体积小巧、便于汽车安装携带，同时价格低廉，未来在大规模量产的情况下，其目标价格可降至500美元，性价比较高。但这款激光雷达目前的版本只是车企测试版，而非最终供货版本，正式量产版本要到2018年才能面世。

  Ultra Puck不仅在外形及价格成本上有较大突破，在专业技术上也有所改进。Velodyne对该款产品激光发射装置设置了2微秒时差，即32个激光发射器并非同时发射激光，而是以2微秒的时间间隔按顺序发射激光，这种设置可防止高发射率物体使激光雷达致盲，产品的性能得到提升。

  l Quanergy: 全固态激光雷达的开拓者

  在CES2016 上展出的一款重量级产品分别是来自Quanergy 的“固态”Solid State 激光雷达 S3和由福特汽车发布用于无人驾驶计划的Velodyne Hybrid Solid State“混合固态”激光雷达VLP-16 PUCK。

  “固态”概念可以称为基于电子部件，无机械旋转部件的解决方案。基于置于车顶的360 度机械旋转激光雷达实现。它的性能非常好，但是相应的也具有成本过高，体积大、外部可见等劣势。“固态”激光雷达产品则由于采用电子方案去除了机械旋转部件，因此具有低成本(几百美元级别)和体积小、可集成至传统车辆外观中的特点。行业对固态硬盘的出现仍处观望态度。1)对成本是否能有如此大幅下降抱有疑问;2)激光特性在大雾等天气仍然并不适用。

  图3 Quanergy 固态激光雷达

  图4 Velodyne 固态激光雷达

  目前，Quanergy共推出了两款3D激光雷达产品，一款是安装在奔驰智能驾驶测试车上的The Mark VIII，另一款就是第一款专为智能驾驶汽车设计的全固态激光雷达S3。

  S3全固态激光雷达基于相控阵技术代替了机械激光雷达的外部旋转部件，大幅度缩小了产品体积，便于在汽车上安装且不占据过多空间。同时，约250美元的价格也易于让市场更接受。但是，由于其使用的有关电子部件不能像机械旋转部件一样360°旋转，只能探测前方不超过180°的视角范围，因此一辆智能汽车一般至少需要4至6个S3激光雷达。

  实际上，该款全固态激光雷达对Quanergy公司来说还是一个“早产儿”，其在测量精度、水平视野等参数特性上还有待进一步提升。S3激光雷达是Quanergy公司与Delphi公司合作后所推出的中间产品，并非最终供货产品。虽然该产品暂时只是作为研究成果存在，并未上市推广，但其全固态技术突破对于车用激光雷达的发展却有着重大的意义。

  5.2 国内企业加速追赶，目标产品逐步成型

  国内与国外比起来，在多线激光雷达上有较大差距，但是应用于服务机器人、扫地机器人的激光雷达并没有太大差别。国内的激光雷达产品多用于服务机器人、地形测绘、建筑测量等领域，尚未研制出可用于ADAS及无人驾驶系统的3D激光雷达产品。不过，随着智能汽车的浪潮从国外涌向国内，以镭神智能、思岚、巨星等为代表的多家国内企业也开始尝试进入车用激光雷达这个新兴行业。

  镭神智能表示，对于用于汽车防撞单线雷达，会先将其原理系统做好，未来会继续研发8线束、16线束及32线束激光雷达，并预计于年底研发出一款16线束激光雷达。

 6 “降维+黑科技”，激光雷达方案成本或大幅下降

  目前行业有三种方式来降低整个激光雷达的使用成本：1)降维：使用低线束低成本激光雷达配合其他传感器提高整体系统的稳定性，降低激光雷达依赖和成本。2)黑科技： 新的激光技术“固态”激光雷达的价格大幅下降，有望成为颠覆行业的黑科技。3)规模效益：目前激光雷达的应用仍然较小，当无人驾驶汽车的产量大幅上升将带来极大的规模效益。

  图5：激光雷达低成本化的主要路径

  Velodyne公司选择了路径1 ，将原先的64线束激光雷达降低为32线束，最初Ultra Puck的设计方案是16线束，但3D绘图效果不尽如人意，因此最终使用了32线束。虽然Ultra Puck在测量精度与3D绘图效果方面不如HDL-64E，但考虑到性价比因素，前者更适合应用于无人驾驶汽车。

  而Quanergy公司采用了固态化的低成本方案。S3激光雷达就是其推出的第一款全固态激光雷达，尽管在水平视野等参数上还略有缺陷，但激光雷达固态化趋势势必推动产品成本及价格大幅下降。

  路径3的实现依靠前两条方案的成功，目前激光雷达的应用仍然较小，未来无人驾驶汽车的产量大幅上升将给激光雷达行业带来极大的规模效应。