[汽車之家 行業(yè)動態(tài)] 7月8日，中國汽車技術研究中心有限公司、清華大學、華為技術有限公司三方聯(lián)合編寫的《汽車智能駕駛技術及產(chǎn)業(yè)發(fā)展白皮書》正式發(fā)布。此書從“產(chǎn)學研”角度聯(lián)合研判汽車智能駕駛產(chǎn)業(yè)發(fā)展趨勢，明晰智能駕駛發(fā)展過程中相關易錯、易混的概念，分析智能駕駛相關技術原理與發(fā)展水平，研究智能駕駛安全體系建設要求，明確智能駕駛技術產(chǎn)業(yè)政策法規(guī)與合規(guī)要求，闡述以智能駕駛技術為核心的整車智能化路線演變方向。
此書包含“智能駕駛概念與發(fā)展辨析”、“智能駕駛技術架構與關鍵能力”、“智能駕駛行業(yè)賦能與場景創(chuàng)新”、“自動駕駛安全體系”、“智能駕駛產(chǎn)業(yè)環(huán)境與生態(tài)構建”、“未來展望”幾大篇章。
智能駕駛的概念分類
基于工信部牽頭制定的GB/T 40429—2021《汽車駕駛自動化分級》，再次明確駕駛自動化0-5級的分類，并且對于當前的技術階段再次對于2級和3級駕駛自動化進行明確。2級與3級駕駛自動化的核心差異點在于責任主體、系統(tǒng)能力和駕駛員狀態(tài)監(jiān)測三個方面，2級車輛能夠同時自動進行持續(xù)的橫向和縱向控制，即車輛具備自動加速、減速以及轉向等功能，但駕駛員仍需時刻保持注意力，對車輛進行監(jiān)督，并在必要時干預車輛，責任主體為駕駛員；3級駕駛自動化的核心特征是在特定設計運行條件（ODD）下，系統(tǒng)可執(zhí)行全部動態(tài)駕駛任務（如高速公路、城市道路等），允許駕駛員在系統(tǒng)運行期間不再持續(xù)監(jiān)管道路環(huán)境，可進行有限度的非駕駛活動，但需在系統(tǒng)請求時進行接管，如果3級系統(tǒng)激活期間發(fā)生問題，經(jīng)相關部門認定后，應由責任方承擔責任。
截至到本白皮書發(fā)布日期，市場上汽車產(chǎn)品均處于2級駕駛自動化及以下階段，沒有達到3級駕駛自動化程度。根據(jù)現(xiàn)行交通法規(guī)及技術標準，2級駕駛自動化階段運行必須處于人類駕駛員的持續(xù)監(jiān)管之下，操作主體是駕駛員，若發(fā)生交通事故，駕駛員須承擔法定責任。盡管標準中已經(jīng)對駕駛自動化等級做了詳細的定義、解釋以及邊界范圍的限定，但在汽車市場的宣傳與傳播中，仍存在對上述概念混淆使用的亂象，有必要理清相關概念。
此外，也強調了智能駕駛的邏輯架構的概念和數(shù)據(jù)是智能駕駛發(fā)展的核心的發(fā)展路徑。
智能駕駛技術架構與關鍵能力
一、車端硬件
感知硬件
在白皮書第二章中提到：汽車智能駕駛行業(yè)中存在技術過度化營銷的現(xiàn)象，其核心癥結在于技術參數(shù)的片面?zhèn)鞑ヅc系統(tǒng)價值的認知錯位。一是算力參數(shù)的孤立化傳播。智能駕駛系統(tǒng)的成熟度更取決于算法迭代能力、數(shù)據(jù)閉環(huán)體系、功能安全設計等深層技術要素的有機融合，算力硬件作為基礎支撐平臺固然重要，但必須與場景理解算法、海量數(shù)據(jù)訓練驗證、多層級安全冗余等系統(tǒng)化工程能力形成協(xié)同，才能真正實現(xiàn)安全可靠的駕駛體驗。二是市場認知呈現(xiàn)斷層式割裂。普通消費者受限于技術背景，難以分辨算力數(shù)值與實際場景處理能力的差異，易被營銷話術引導，導致選購決策與真實需求錯配。這些現(xiàn)象不僅導致關鍵參數(shù)的市場認知混亂，更引發(fā)了無序競爭等市場失范問題，亟需行業(yè)合力攜手構建技術科普體系，明確算力指標與實際性能的映射關系，解析智能駕駛系統(tǒng)技術邏輯，幫助用戶建立包含硬件性能、算法成熟度與數(shù)據(jù)服務能力的認知框架，推動智能駕駛行業(yè)從“參數(shù)競爭”轉向“價值競爭”轉變。下表為主流傳感器的行業(yè)水平參考信息：
1、攝像頭關鍵參數(shù)及行業(yè)水平
|
參數(shù)分類 |
行業(yè)優(yōu)秀水平 |
參數(shù)說明 |
|
像素（ px ） |
前視≥ 8 millions、側視≥ 2 millions 環(huán)視≥ 2 millions、后視≥ 2 millions |
圖像像素越大分辨率越高，但分辨率過大對目標識 別提升有限且算力消耗大 |
|
幀率（fps） |
前視≥ 30、側視≥ 30 環(huán)視≥ 20、后視≥ 20 |
攝像頭每秒能記錄或顯示的圖像數(shù)量，越大畫面實 時性越高、提供的信息越精細，但幀率過大對目標 識別提升有限且算力消耗大 |
2、激光雷達關鍵參數(shù)及行業(yè)水平
|
參數(shù)分類 |
行業(yè)優(yōu)秀水平 |
參數(shù)說明 |
|
探測距離 |
≥ 200 m@10% 反射率 |
理論可以測量物體的最大距離，距離越遠越好 |
|
線數(shù) |
≥ 128 |
分辨率，線數(shù)越高越好 |
|
角分辨率 |
水平≤ 0.1°、垂直≤ 0.1° |
目標辨別能力，分辨率越小越好 |
|
幀率 |
≥ 10Hz |
每兩幀的時間間隔，幀率越大越好 |
3、毫米波雷達
|
參數(shù)分類 |
行業(yè)優(yōu)秀水平 |
參數(shù)說明 |
|
探測距離 |
前向長距離雷達：≥ 280 m 角雷達：≥ 150 |
理論可以測量物體的最大距離，距離越遠越好 |
|
水平角分辨率 |
≤ 3° |
目標辨別能力，分辨率越小越好 |
|
垂直角分辨率 |
≤ 15° |
僅4D毫米波雷達具備俯仰角測量能力 |
|
視場角 |
前向長距離雷達：水平 FOV ≥ 120°、垂直 |
探測覆蓋范圍，視場角越大越好 |
|
速度測量精度 |
≤ 0.1 m/s（勻速目標），≤ 0.5 m/s（急加速目標） |
目標測速能力，精度越小越好 |
根據(jù)參與感知部件的不同，感知技術方案主要分為三類：
一是純視覺方案。純視覺方案依賴攝像頭作為核心感知硬件，通過圖像處理、深度學習算法實現(xiàn)環(huán)境感知，并不依賴雷達、激光雷達等其他主動式傳感器。純視覺方案對于交通要素識別能力好，但是受光照、極端天氣影響較大，適合環(huán)境相對簡單的駕駛場景，純視覺方案類似于人眼觀察能力，可以達到類人駕駛水平。
二是主視覺方案。主視覺方案以攝像頭為核心感知單元，輔以少量超聲波雷達、短距毫米波雷達等傳感器，形成“視覺為主，其他傳感器為輔”的輕量融合方案。主視覺方案的核心決策仍依賴視覺數(shù)據(jù)，輔助傳感器僅用于補充特定場景，如近距離盲區(qū)、低速泊車等典型場景，更加適應城區(qū)等復雜路況，是在純視覺方案基礎上的補盲，未來可以達到老司機駕駛水平。
三是多傳感器融合方案。多傳感器融合方案整合多種異構傳感器，如攝像頭毫米波雷達、超聲波雷達、激光雷達等傳感器實現(xiàn)環(huán)境感知，各傳感器優(yōu)勢互補，對于環(huán)境、天氣適應性更強，擁有更高的安全性能，未來可以實現(xiàn)超人的駕駛水平。
域控制器
域控制器是智能駕駛系統(tǒng)的傳感器接入與車端推理算法運行的硬件平臺，是智能駕駛系統(tǒng)運行的核心部件，運行智能駕駛系統(tǒng)推理算法，需要強大的NPU與CPU算力，業(yè)界一般是集成為一顆SoC中，計算SoC的算力大小對智能駕駛推理算法的部署與運行效果至關重要。當前2級智能駕駛主流場景下，現(xiàn)有50~200TOPS稠密算力水平已經(jīng)可以滿足實際運行需求，過度堆砌算力反而會造成資源浪費與成本增加。以人工智能領域為例，ChatGPT-O1憑借1.7萬億參數(shù)構建龐大模型體系，卻被 DeepSeek-R1以更高效的算法架構與算力利用方式實現(xiàn)超越，計算資源需求僅為Chat GPT的1%左右。這一案例充分證明，算力規(guī)模并非決定技術表現(xiàn)的唯一要素，算法優(yōu)化與算力利用效率提升同樣關鍵。
|
等級 |
車端算力要求 |
可以滿足的功能 |
|
2 級 |
≥ 50 TOPS（稠密） |
ACC、LCC、APA、AVP、RPA、高速領航輔助駕駛、城區(qū) 領航輔助駕駛 |
|
3 級 |
≥ 200 TOPS（稠密） |
ACC、LCC、APA、AVP、RPA、TJP、高速有條件自動駕 駛、城區(qū)有條件自動駕駛，雙冗余 & 高可靠 |
|
4 級 |
≥ 1000 TOPS（稠密） |
ACC、LCC、APA、AVP、RPA、TJP、高速自動駕駛、城 區(qū)自動駕駛，園區(qū)自動駕駛、全冗余 & 高可靠 |
|
5 級 |
≥ 2000 TOPS（稠密） |
任意點到任意點，全冗余 & 高可靠 |
回歸智能駕駛領域，2級智能駕駛對算力的需求約為≥ 50TOPS稠密算力，3 級則提升至≥ 200TOPS稠密算力，4級提升至≥ 1000TOPS 稠密算力，5級可能將提升至≥ 2000TOPS稠密算力的水平。目前，多數(shù)企業(yè)已達成對應算力能力，盲目追求算力峰值既無必要，也不符合成本效益原則，行業(yè)發(fā)展的重點應轉向算力資源的精細化管理與優(yōu)化配置，通過算法迭代、軟硬件協(xié)同設計等手段，實現(xiàn)功能體驗升級與成本控制的動態(tài)平衡，推動智能駕駛技術向更高效、可持續(xù)的方向發(fā)展。對于車端推理算力而言，行業(yè)需明確稠密算力與稀疏算力的宣傳口徑。從數(shù)據(jù)結構特性與計算模式維度的不同，可分為稠密算力與稀疏算力，二者有著本質區(qū)別，不可混淆或簡單等同。
執(zhí)行硬件
執(zhí)行硬件包含驅動總成、轉向總成、制動總成、懸架總成。經(jīng)過感知硬件實時采集環(huán)境數(shù)據(jù)與智能駕駛算法計算后，預先調節(jié)執(zhí)行各總成的控制參數(shù)，以實現(xiàn)驅動力精 確控制、轉向力自適應調節(jié)、懸架剛度與阻尼實時優(yōu)化，以及制動系統(tǒng)快速響應等多樣化場景需求，全方位提升駕駛安全性與舒適性。
二、車端推理
隨著智能駕駛場景越來越復雜，需要更多的傳感器來滿足不同的場景要求，對于車端推理算法的要求也就越來越高。一是車端推理模型需要具備多傳感器、多模態(tài)的感知數(shù)據(jù)的并行處理能力。二是在車端推理模型與云端訓練模型的協(xié)同上，需使用專用智能駕駛云端模型提升運行效率，如以開源通用語言大模型為基模型進行二次訓練與蒸餾出的智能駕駛模型，解決模型臃腫導致的效率低、時延大的問題。
車端智能駕駛算法的實時推理計算，會輸出兩大類信息：
（1）軌跡生成：精確指揮自車當前執(zhí)行硬件的操作，包括方向、速度、懸架等，實現(xiàn)對自車的精確控制。
（2）場景理解：預測接下來幾秒內，自車或其他交通參與要素的運動軌跡，用于人機交互顯示，以提升人機信任度與協(xié)同。
三、云端訓練
在云端超算集群通過分布式架構訓練端到端神經(jīng)網(wǎng)絡模型，結合強化學習優(yōu)化復雜決策策略，并通過模型量化、剪枝、蒸餾、壓縮等技術實現(xiàn)輕量化，適配車載算力平臺。
在訓練中，數(shù)據(jù)質量是算法優(yōu)化的底層支撐。在汽車數(shù)據(jù)訓練體系中，數(shù)據(jù)作為算法迭代的核心生產(chǎn)要素，需滿足規(guī)模性、準確性、多樣性三大核心要求，共同構建模型泛化能力的底層數(shù)據(jù)基座。
訓練芯片是通過高并發(fā)的計算單元，對海量輸入數(shù)據(jù)進行高效的深度學習，形成包括大規(guī)模參數(shù)的神經(jīng)網(wǎng)絡模型，通常采用大規(guī)模的并行計算陣列，以支持大量的矩陣運算和數(shù)據(jù)處理。在智能駕駛領域，芯片的功能細分與協(xié)同運作是實現(xiàn)高效決策的核心技術支撐，主要分為三種：中央處理器 CPU、圖形處理器 GPU、是神經(jīng)網(wǎng)絡處理器NPU。云端算力是智能駕駛算法模型長期演進與迭代以及未來實現(xiàn)自動駕駛的重要保障，尤其是面對 AI 芯片被封鎖與制裁的背景下，云端算力儲備越多越好，但行業(yè)需澄清的幾個算力誤區(qū)：
1、行業(yè)應避免單位濫用導致的技術參數(shù)失真
2、消費者需要辨別云端算力實際情況
3、云端大算力不代表車端更新速度
當前汽車行業(yè)云端算力標注存在概念模糊等誤導性表述問題，因前綴單位差異（T/P/E/Z 級）導致終端用戶對算力規(guī)模產(chǎn)生認知偏差，行業(yè)亟需基于算力應用場景規(guī)范單位使用體系。
|
浮點運算單位對比 |
|||||
|
算力名稱 |
FLOPS |
TFLOPS |
PFLOPS |
EFLOPS |
ZFLOPS |
|
名詞解釋 |
浮點運算性能指 |
浮點運算性能指標； |
浮點運算性能指標； |
浮點運算性能指標； |
浮點運算性能指標； |
|
應用場景 |
基礎單位，用于 |
消費級算力核心單 |
工業(yè)級超算與中型 |
大規(guī)模 AI 訓練標 |
前沿科研與未來算 |
另外，此白皮書還針對智能駕駛行業(yè)賦能與場景創(chuàng)新、自動駕駛安全體系、智能駕駛產(chǎn)業(yè)環(huán)境與生態(tài)構建、智能駕駛產(chǎn)業(yè)未來展望方面進行了闡述。倡導從政策端完善法律法規(guī)體系、營造良好的創(chuàng)新環(huán)境；在產(chǎn)業(yè)端構建協(xié)同創(chuàng)新生態(tài)、聚焦核心技術攻關、構建風險共擔體系；在消費端提升消費者認知與教育、加強消費者權益保護，構建完善的售后服務體系。
