自动驾驶技术排座次，中国车企很争气

过去十年的大趋势是手机，今后将是移动工具。所以，好多高精技术都在布局移动工具。在被视为自动驾驶技术开发中心的美国加尼弗尼亚州，中国车企的活动非常活跃。在2019年的公路测试里程排行榜中，中国的初创企业小马智行力压不少美国车企，跃居第三，百度也排在第四位，中国车企正在美国积累实战成绩。

排行榜的前两位，首位是美国Alphabet旗下的Waymo，第二位是美国通用旗下的子公司GM CRUISE。在中国车企中，包括阿里巴巴出资的裹动智驾科技排在第8位，滴滴出行排在第11位。据百度的报告，在去年度的测试中，坐在副驾驶的工作人员为避免碰撞而人为干预方向盘。或者制动的 *** 作次数是6次，也就是说，百度在每2.9wan公里的测试中只需要人为干预一次，这样的成绩，相当于绕地球半圈才出现一次问题，这么少的干预次数在全球所有公布数据的车企中排在第一位。

干预次数方面，排在第二的是Waymo，每次干预行驶里程约2.1万公里，第三是GM CRUISE，约为1.9万公里，在这一指标上，裹动智驾科技排在第4位，小马智行排在第5位，滴滴出行也比较靠前，排在第8位，说明中国车企在这方面正在崛起。

不过，在自动驾驶上游的核心产品竞争，重中之重是“汽车之眼”传感器，各种自动驾驶汽车，必须依靠车载摄像头，以及毫米波雷达和激光雷达。这方面的高端供应商，多掌握在日本、美国和德国企业中，这些聪明的图像识别和障碍物识别传感器，也是让自动驾驶在实际测试中少受干预的重要环节。

以索尼最近推出的一款VISION-S概念车为例，这款自动驾驶试验车，安装了包括图像传感器在内的33个传感器，可360度监控汽车周围的情况，让乘车人和汽车周围的人安心。其核心就是图像传感器，索尼在面向智能手机的图像传感器领域拥有全球7成份额，但在车载领域仅为9％。索尼打算通过VISION-S深入挖掘客户对传感器的需求，全面开拓市场。

现在，在车载图像传感器领域拥有50年以上历史，市场份额达到45%的企业是美国安森美半导体。车载图像传感器需要具备两种技术，一是可拍摄具有明暗差异的影像，二是在发光二极管（LED）的照明下拍摄时能防止画面闪烁。这两个课题可以分别解决，但很难同时兼顾。安森美在这方面技术领先，它家的图像传感器被斯巴鲁的EyeSight的新一代产品采用，在自动驾驶辅助技术上也更领先。

图像传感器的缺点是容易受逆光等影响，毫米波雷达因可以弥补这一缺点而不断普及所以，一辆车上通常搭载2个图像传感器，3个毫米波雷达，相互补缺。全球最大的毫米波雷达企业是德国英飞凌科技（Infineon Technologies）。如果自动驾驶正式普及，每辆车需要安装约15个毫米波雷达。大量汽车用雷达发射电磁波，可能会导致雷达之间相互干扰，今后的课题是开发降噪和防干扰技术。

所以，生产更为安全的自动驾驶汽车，需要把多种方式的数据融合在一起，不但需要供应链上游的传感器技术，也需要以传感器为基础的车辆控制技术，中国车企在供应链上游的参与度不高，但在自动驾驶技术的积累上正在力争向上。完全自动驾驶被认为将在2025年代中期到2030年左右全面投入使用，各企业都在为即将到来的出场机会做准备，争取在未来站好自己的位子。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

激光雷达发射器先发射激光，经过物体（ O b j e c t ObjectObject ）反射后被 C M O S CMOSCMOS （一种图像传感器，即图中 I m a g e r ImagerImager ）捕捉，设捕捉点为 x 2 x_2x

2

​

。现过焦点 O OO 作一条虚线平行于入射光线，交 I m a g e r ImagerImager 于 x 1 x_1x

1

​

，由于 β \betaβ 已知，所以可得到 x 1 x_1x

1

​

的位置。记 x 1 , x 2 x_1,x_2x

1

​

,x

2

​

之间距离为 x xx，易得左右两个三角形相似，所以有：q f = s x \frac{q}{f}=\frac{s}{x}

f

q

​

=

x

s

​

，又有 s i n β = q d sin\beta=\frac{q}{d}sinβ=

d

q

​

，二者联立可得 d = s f x s i n β d=\frac{sf}{xsin\beta}d=

xsinβ

sf

​

.

这样就可得到物体到激光发射器的距离 d dd 了，激光雷达将这样的发射器和接收器组装在一起，经过机械旋转360°即可得到一周障碍物的距离。

TOF测距原理

由三角测距的计算公式不难发现，当距离 d dd 很大时，每变化 δ d \delta dδd 引起的 x xx 变化很小，导致精度下降，这就限制了测量范围。

而TOF（Time of flight）原理克服了测量距离这一难点，并且提高了精度：

TOF原理十分简单，就是利用光速测距。首先激光发射器发射激光脉冲，计时器记录发射时间；脉冲经物体反射后由接收器接受，计时器记录接受时间；时间差乘上光速即得到距离的两倍。

TOF原理看似简单，但是实现起来确有很多难点：

计时问题：由于光速过快，测量时间会变得很短。据网上数据得：1cm的测量距离对应65ps的时间跨度。这需要计时器的精确度很高。

脉冲问题：发射器需要发射高质量的脉冲光，接收器接受脉冲光的时候需要尽量保持信号不失真。

对于同一距离的物体测距时，得到的回波信号可能不一样，如下图的黑白纸，这就需要特殊的处理方式来处理。

但总的来说TOF原理的精度远远超过三角测距，只是由于诸多难点导致成本略高。像大一立项时因为没钱，所以用的三角测距的思岚A1，精度不是很高。而ROBOCON战队里的sick激光雷达就是TOF原理，精度非常高，贵是有道理的~

雷达分类

机械激光雷达

机械激光雷达使用机械部件旋转来改变发射角度，这样导致体积过大，加工困难，且长时间使用电机损耗较大。但由于机械激光雷达是最早开始研发的，所以现在成本较低，大多数无人驾驶公司使用的都是机械激光雷达。

MEMS激光雷达

MEMS全称Micro-Electro-Mechanical System，是将原本激光雷达的机械结构通过微电子技术集成到硅基芯片上。本质上而言MEMS激光雷达是一种混合固态激光雷达，并没有做到完全取消机械结构。

主要原理为：通过MEMS把机械结构集成到体积较小的硅基芯片上，并且内部有可旋转的MEMS微振镜，通过微振镜改变单个发射器的发射角度，从而达到不用旋转外部结构就能扫描的效果。

大致原理如下图：

相控阵激光雷达

两列水波干涉时会出现某处高某处低的情形：

光学相控阵原理类似干涉，通过改变发射阵列中每个单元的相位差，合成特定方向的光束。经过这样的控制，光束便可对不同方向进行扫描。雷达精度可以做到毫米级，且顺应了未来激光雷达固态化、小型化以及低成本化的趋势，但难点在于如何把单位时间内测量的点云数据提高以及投入成本巨大等问题。

动态原理图如下：

FLASH激光雷达

FLASH激光雷达原理非常简单：在短时间内发射出一大片覆盖探测区域的激光，再以高度灵敏的接收器，来完成对环境周围图像的绘制。

激光雷达的数据

分成N份

分成M份

N线点云数据

1线点云数据

时间戳

1个点云数据

点云数量M

X方向偏移量

Y方向偏移量

Z方向偏移量

反射强度

激光雷达数据的处理顺序一般为：

数据预处理（坐标转换，去噪声）

聚类（根据点云距离或反射强度）

提取聚类后的特征，根据特征进行分类等后处理工作。

激光雷达数据的处理顺序一般为：

数据预处理（坐标转换，去噪声）

聚类（根据点云距离或反射强度）

提取聚类后的特征，根据特征进行分类等后处理工作。

---