本文將深入分析自動駕駛系統以及涉及到的軟件系統、硬件以及相關的企業的情況和產業的進展。

控制系統是智能汽車的大腦，它收集來自感知層的大量傳感器的信息，將其處理分析，感知周圍環境，規劃駕駛線路；在車輛行駛時需要根據周邊變化，控制執行層的設備對車輛進行相應的控制；

自動駕駛控制器需要接受、分析、處理的信號大量且復雜，從而為路徑規劃和駕駛決策提供支持的多域控制器將會是發展的趨勢。

作為自動駕駛的主要參與方，車廠和互聯網企業的策略有很大差異，前者的目標以量產銷售為主，從L2及L3級別的自動駕駛逐漸升級是更具現實和經濟性的策略。

整車廠方面，不少車廠都提出了自己的解決方案：從L2到L4，我們分別分析了Tesla的Autopilot、Audi的A8 AI和通用Cruise AV；

L2級系統解決方案已經普遍進入量產階段：特斯拉Autopilot調整車道、駛出高速等，OTA更新能夠幫助系統訓練和迭代算法；

奧迪A8是市場上第一款具備L3級自動駕駛能力的量產車：中央控制器zFAS則是其自動駕駛的核心技術；

通用公布了2019年量產L4級自動駕駛汽車Cruise AV的計劃：車內沒有方向盤、制動和油門踏板。

對Google、百度這類互聯網企業而言，自動駕駛是切入出行這個生活場景的重要機會，他們更傾向于以完全自動駕駛為目標構建系統平臺。

Google的Waymo與少數整車廠和傳感器廠商進行深度合作，憑借軟件算法的領先優勢取得了突破性的進展，并且將與整車廠合作開發定制化的車輛投入商業化運營；

百度依托Apollo平臺，整合了多家產業鏈上下游的企業，旨在向合作伙伴提供一個開放、完整、安全的軟件平臺。

基于產業前景和潛在的巨大市場，給予行業買入評級，上市公司方面看好德賽西威、索菱股份，建議關注路暢科技、東軟集團。

總論：決策層是自動駕駛的大腦

1.1 自動駕駛實現：決策層、感知層、執行層

自動駕駛系統可分為決策層、感知層、執行層，以及高精地圖和車聯網的支持。

決策層：依據獲取的信息來進行決策判斷，確定適當工作模型，制定相應控制策略，替代人類做出駕駛決策。

感知層：環境信息和車內信息的采集與處理。

執行層：指系統在做出決策后，替代人類對車輛進行控制，反饋到底層模塊執行任務。

1.2 決策層的重要性：處理數據控制車輛的核心

自動駕駛系統將駕駛認知形式化，利用駕駛認知的數據表達語言，設計通用的自動駕駛軟件架構。在這一架構中，決策層并不直接與傳感器信息發生耦合，而是基于多傳感器的感知信息、駕駛地圖和車聯網通信等信息綜合形成的駕駛狀態完成自主決策。

一方面決策層需要收集感知層的數據，分析勾畫周邊環境，定義駕駛場景，規劃駕駛路線。

另一方面決策層需要控制執行層，按照規劃的駕駛路線進行車輛動力、轉向、制動的控制，并且預判路況做出相應的車輛控制。

1.3發展趨勢：多域控制器

多域控制器MDC（Multi Domain Controller）是通過一塊ECU，接入不同傳感器的信號并進行對信號進行分析和處理，最終發出控制命令。MDC跟DCU（Domain Control Unit）域控制器類似，本質上是為了解決汽車ECU增多之后，汽車控制系統變得復雜，且能力達到上限的問題。

在自動駕駛領域，控制器需要接受、分析、處理的信號大量且復雜，多域控制是必然的發展趨勢，如奧迪L3級別自動駕駛的中央控制器zFAS就是一個多域控制器。

MDC多域控制器

MDC平臺本身的可擴展性，MDC所能夠對接的傳感器類型與數目并不固定，可以根據OEM的需求對應開發，尤其適應不同平臺車輛自動駕駛系統的傳感器配置；

能夠將傳感與處理分開，傳感器與ECU不再是一一對應的關系，而是通過中央控制器MDC統一接受與處理信號，尤其對于OEM來說，可以根據需求更換傳感器的類別與供應商。

1.4 相關公司

整車廠：商業化加速、方案逐漸成熟量產裝車

2.1行業變革趨勢：新車標配L3，L4/L5逐漸成熟

目前在ADAS基礎上，L2到L3級別的自動駕駛將逐漸成為新車型的標配，產生大量新增需求，這是目前主要的投資機會；L4到L5的完全自動駕駛也在逐漸成熟中，一旦商業化將影響產業的未來。

2.2 整車廠：積極布局、以最合理的方案量產裝車為目標

從傳統車廠來說，對待自動駕駛一方面更慎重，大家都承認自動駕駛會是未來，但發展自動駕駛的前提是不能影響現階段的產品開發與銷售；而另一方面各車廠都在積極布局自動駕駛，不斷的收購公司，加強自身的開發實力，在自動駕駛相關的技術專利方面也是積累最深厚。

并且整車廠在開發的過程中，要平衡成本、時間和技術實現的關系，以最合理的方案量產裝車為階段性的目標。

各大傳統整車廠在自動駕駛領域均有自己的研發團隊，并且投入巨大，成果也在逐步顯現，L2的系統解決方案已經普遍進入量產階段，奧迪的zFAS系統則是市場上第一家量產裝車的L3級解決方案，L4級方案也在開發中，甚至通用公布了2019年量產L4級自動駕駛汽車的計劃。

2.3 L2級方案：特斯拉Autopilot

特斯拉的方案類似于互聯網公司及消費類產品的迭代方式，每一臺特斯拉都會配置當時最新的硬件，然后通過OTA不斷更新固件，獲得更完善的駕駛輔助或自動駕駛功能。龐大的用戶群可以源源不斷地供給真實路況的駕駛數據，幫助Autopilot訓練和迭代算法。目前Autopilot已經推出1.0和2.0版本。

Autopilot相當于L2級別的自動駕駛，能夠根據交通狀況調整車速；保持在車道內行駛；自動變換車道而無需駕駛員介入；從一條高速公路切換至另一條；在接近目的地時駛出高速；在接近停車場時自動泊車。

2.4 L3級方案：奧迪A8 AI

是市場上第一款具備L3級別自動駕駛能力的量產車，在某些特定情況下，如在停車和駛離、時速60公里以下行駛或交通擁堵時，該系統將接管奧迪A8的駕駛操控，而駕駛員則無需持續監控車輛的駕駛與運行。

整個自動駕駛系統由安全電腦、儀表盤、NMI用戶交互導航系統、電子剎車助力Brake Boost、電子穩定系統ESC、電子轉向控制EPS、發動機控制單元、變速箱控制單元、車身電腦、后輪轉向系統、網關Gateway、電子懸掛控制平臺EEP和中央自動駕駛控制器zFAS組成。

中央控制器zFAS則是其自動駕駛的核心技術，隨著多代的演進，終于zFAS從巨大的原型機變成了小型化和適應汽車要求的模樣。zFAS，是德語zentrales Fahrerassistenz-Steuergeraet的縮寫，其構造包括前方圖像處理單元、全景圖像處理單元、傳感器融合主控單元和應用主控單元四部分。

zFAS由奧迪和德爾福、英偉達、TTTech、Mobileye合作而來，德爾福提供硬件，TTTech提供軟件支持（能夠達到車規ISO26262 ASIL D的最高安全等級），英偉達提供GPU，Mobileye提供視覺芯片，核心處理器包括：

Nvidia的Tegra K1包含192顆GPU，用于做4路環視圖像處理

Infineon的Aurix多核微控制器用于提供安全服務，滿足諸如ISO 26262這樣的安全標準

Altera的Cyclone 5，用于基于FPGA技術高速處理信號融合，括障礙物、地圖的融合及各種傳感器的預處理工作

Mobileye的EyeQ3由于是封閉的芯片，用于進行視覺信號處理

2.5 L4級方案：通用Cruise AV

2018年1月11日，通用聯合Cruise Automation對外公布了其第四代無人駕駛汽車概念原型，這款車稱為Cruise AV，由Bolt EV改裝而來，里面沒有方向盤、制動和油門踏板。

通用希望在2019年，就能夠將這款車型投入到它們的共享出行車隊使用。但在此之前，它們需要征得美國政府的同意。另外，還有7個州也需要單獨申請。

傳感層配置5個激光雷達、21個毫米波雷達和16個攝像頭：

5個激光雷達：Velodyne的VLP16 16線激光雷達；

21個毫米波雷達：12個79GHz毫米波雷達由日本ALPS提供，2個前向2個后向長距離毫米波雷達推測由德國大陸提供，型號可能是ARS-408；5個高分辨率毫米波雷達由德國博世提供，主要是車兩側和正前方。

16個攝像頭：車頂10個，包括一個基線長大約8厘米的雙目攝像頭，8個360度環視攝像頭，攝像頭周圍均有紅外LED，可以在低照度甚至黑夜下工作。車內后視鏡位置有一個非無人駕駛版Bolt的單目攝像頭，車輛最前部位置有一個長距離單目攝像頭。車外后視鏡和車后部各兩個攝像頭。

2.6 特斯拉Autopilot Vs. 奧迪A8 AI Vs. 通用Cruise AV

科技公司：自動駕駛的開拓者、未來出行的顛覆者

從科技公司的角度出發，他們對待自動駕駛的態度更積極，憑借在軟件算法層面的領先優勢，科技公司很早就進入到了自動駕駛的開發與測試中，是早期的開拓者；并且科技公司與整車廠合作開發定制化的車輛快速投入商業化運營，也將是未來出行的顛覆者。

一方面這些科技公司在自動駕駛領域取得了突破性的進展，在與整車廠合作的同時，還保持自身的獨立性，維持了科技公司高效的執行力與開發速度。

另一方面，大資本進入這個行業，勢必將極大促進無人駕駛產業的發展，同時競爭也會更進激烈。

3.1 Waymo

谷歌母公司Alphabet旗下獨立的專注自動駕駛系統開發的子公司。谷歌自2009年起啟動自動駕駛項目，2016年成立獨立實體Waymo。

2017年加州DMV（california department of motor vehicles）自動駕駛報告披露的數據顯示，Waymo的車隊規模、路測里程和人工干預周期上均保持領先，真實路測里程2017年達到350萬英里，目前超過500萬英里，模擬路測里程超過25億英里，在加州開放公路測試里程352,545英里，特別是人工干預周期，達到5596英里/次，第二名的GM為1254英里。通過報告可以看到，車隊規模大，路測里程越長，干預周期越長。因此自動駕駛系統研發也是一個需要較大財力、時間投入的工程。

根據Waymo安全報告披露，公司自動駕駛車輛通過四個步驟來完成：

“我在哪”:提前描繪目標區域的高清3D地圖

“我周圍有什么”:通過傳感器感知周邊環境

“下面會發生什么”:處理環境信息，預測周邊環境變化情況

“我應該怎么做”:規劃路線，車輛執行

在與克萊斯勒合作的車型中，一輛車裝有5個激光雷達，分別為前部3個，頂部1個和尾部1個；毫米波雷達4個，前后部各2個；攝像頭1個，位于頂部；其他補充傳感器1個，位于頂部。由于是測試車輛，安裝傳感器數量較多，配置冗余比較充分，成本也較高。

總體看Waymo是綜合實力最強的自動駕駛公司，路測車隊規模、路測里程都位于前列，并且路測成績較好，平均5596英里才需要一次人工干預。目前Waymo已經開始在美國亞利桑那州進行無人車的載客試運營，之前還大規模向捷豹路虎訂購了 2 萬臺 I-PACE 純電動車，以及向向FCA采購6.2萬臺克萊斯勒Pacifica，準備投入正式的自動駕駛商業化運營。

3.2 百度Apollo

2017年4月發布Apollo計劃，在百度內部把車聯網、L3、L4各部門整合在一起加強了競爭力，在外部充當了中國自動駕駛的旗手，召集起一個大聯盟，把車企和供應商都囊括進來，一方面加強聯盟內的合作，另一方面尋求與政府合作、吸收外部資金。

Apollo平臺是一套完整的軟硬件和服務系統，包括車輛平臺、硬件平臺、軟件平臺、云端數據服務等四大部分。旨在向汽車行業及自動駕駛領域的合作伙伴提供一個開放、完整、安全的軟件平臺，幫助他們結合車輛和硬件系統，快速搭建一套屬于自己的完整的自動駕駛系統。

硬件層面：

計算中心：Neousys Nuvo-6108GC，x86架構的工業控制計算機；

CAN通信卡：ESD CAN-PCIe/402-B4，與汽車執行層進行信號通信；

GPU和IMU：NovAtel SPAN-IGM-A1或者NovAtel SPAN ProPak6 和NovAtel IMU-IGM-A1，進行GPS定位和慣性定位；

激光雷達：Velodyne HDL-64E S3，掃描距離達到120米，水平360度掃描，垂直FOV26.9度；

毫米波雷達：大陸集團的ARS408-21，車輛前端探測；

攝像頭：Leopard Imaging LI-USB30-AR023ZWDR。

軟件層面：Ubuntu Linux 推薦版本14.04，包含通用模塊、控制模塊、數據模塊、校準模塊、通信模塊、驅動模塊、深度學習模塊、定位模塊、監測模塊、感知模塊、預測模塊、路徑規劃模塊等等。

整體工作流程大致是：路徑規劃模塊根據目的地位置計算出具體的導航信息，激光雷達、毫米波雷達和攝像頭拍攝到的數據配合高精度地圖由感知模塊計算出3D障礙物信息并識別交通標志及交通信號，經由預測模塊計算出障礙物的可能軌跡，并根據車輛定位模塊配合計劃模塊得到車輛應該走的具體車道；在執行過程中，車輛控制模塊結合車輛的當前狀態計算加速、剎車和方向的操作信號，輸出到車內，實現了車輛的自動駕駛。

百度Apollo計劃以“開放”和“聯盟”為特色，自計劃宣布以來已有近百家整車廠、Tier1、Tier2、科研機構、運營商等成為盟友，也包括北京、上海、重慶、福建平潭等地方政府。

就在一周前，百度 Apollo 和重慶力帆集團旗下分時租賃平臺盼達用車、重慶兩江新區合作，在兩江新區互聯網產業園開啟了為期 1 個月的自動駕駛共享汽車試運營。

與金龍客車合作的小巴“阿波龍”，預計2018年量產，在國內自動駕駛系統研發上保持領先。

3.3 Waymo小聯盟 Vs. 百度Apollo大聯盟

通過上述分析我們看到，Waymo走的是“小聯盟”戰略，與少數整車廠（克萊斯勒、捷豹、本田等）和傳感器廠商進行深度合作。它具有先發優勢，積累較多路測里程和較大車隊規模，路測成績也較好。而百度走的是“大聯盟”的戰略，依托Apollo平臺，盡可能地擴大“朋友圈”。但除數據共享外尚未看到成熟的合作模式。

3.4 安全策略：Waymo逐步進化 Vs. Mobileye不造成事故

3.4.1 Waymo

之所以將Waymo的安全策略稱為“逐步進化”與其自動駕駛戰略和強調逐步接近真實世界的測試有關。

在自動駕駛戰略上，Waymo堅持“創造一個好的駕駛員”為目標，堅持直接L4級別的自動駕駛研發，目標是待技術成熟就能直接替代駕駛員。這與它互聯網公司的本質有關，首先它不是個硬件公司，所以2015年以后它放棄了自主研發汽車，轉而與FCA等公司合作。此外，雖然它現在使用的激光雷達等硬件設備是自研的，但也沒有單獨向外出售的動作，大量的資源還是用在自動駕駛系統的研發上。當然，作為谷歌母公司Alphabet旗下公司，一個最大的優勢是母公司資金實力雄厚，可以支撐巨大的研發費用而不需要提前自主產生利潤。

以自動駕駛軟件為例說明Waymo嚴格的測試程序

1、模擬測試：

在模擬中，嚴格進行測試軟件的更新，然后將其部署到模型中，模擬車輛在公共道路上遇到的最具挑戰性的情況，并將其轉化為虛擬場景，供我們的自動駕駛車軟件在模擬中練習：

2、封閉道路測試：

Waymo在加利福尼亞州設立了一個91英畝的封閉道路測試園區，包括高速公路，郊區車道和鐵路道口等所有設施。團隊使用園區對軟件進行驗證，并對具有挑戰性或罕見的場景進行階段性分析。

3、公共道路駕駛：

測試提供了一個連續的反饋循環，即工程師觀察現實情況，對軟件進行調整以優化駕駛，然后進行更新，持續地完善系統。這種迭代方法有助于擴大運營設計領域和車輛功能，并且安全地擴展我們的能力，使車輛能夠安全地在L4級別運行。

3.4.2 Mobileye

Mobileye對自動駕駛的安全策略與Waymo有很大的不同，因為本質上它是個硬件公司，商業模式是“賣硬件”，這使得他們的安全策略不可能像Waymo那樣堅持面面俱到，大量測試。其安全策略可以表述為，以較強的理論模型（即RSS模型）“塑造”一個真實世界的映射，以此為基礎制定一系列的滿足“不制造事故（區別于不涉及事故）”的條件，從而盡量減少測試所花的時間和資源。

多方安全的責任敏感安全（RSS）模型

RSS模型將安全駕駛的基本原則轉化成機器可以理解的數學公式。例如，尾隨其他車或變道時的安全距離、道路優先權和障礙物避讓等。如果AI系統發出的指令違反了任何一條基本原則，RSS將拒絕該指令。

絕對安全是不可能的，引入“事故責任”的概念，即RSS的前提是，雖然自動駕駛汽車可能涉及事故，但絕不會造成事故。主要包括以下四條規則：

1. 保持與您前方車輛的安全距離，以便在突然剎車時您能夠及時停下來；

2. 保持與您側方車輛的安全距離，并且在執行側向操縱和切入另一輛車的軌跡時，必須讓其他車有足夠的空間來回應；

3. 應該尊重“道路權”規則，但“道路權”是給予的，不是靠“爭取”的；

4. 小心盲區，例如，一個小孩可能會被擋在停放的汽車后面。

總結：Mobileye的安全策略可以用“不造成事故”和“多系統配合”總結，即通過理論模型塑造一個不造成事故的規則，使得即使發生事故，自動駕駛車輛也不是負責人。此外，還通過兩套相對獨立的系統配合，獨立發現產生問題的場景，并配合解決問題，形成大幅縮短測試時間的效果。這是Mobileye作為硬件廠商沒有太多資源和時間進行大范圍測試條件下的策略，同樣也是由于開始測試時間較晚，相對Waymo有劣勢情況下的選擇。

3.4.3 Waymo Vs. Mobileye