感知系统是智能汽车实现自动驾驶的关键一环，一套自动驾驶系统的好坏，很大程度上取决于感知系统是否完善。
近两年来，车辆智能化成为大趋势，车企陆续将具备点到点智能驾驶能力的高级驾驶辅助系统应用在旗下车型上，作为核心模块的感知系统自然也受到了业内极高关注。那么，在感知领域，车企和自动驾驶公司都有哪些创新应用？自动驾驶未来的发展方向又会是如何？
在对具体技术路线介绍之前，让我们先来了解何为感知系统。首先，顾名思义，“感知”即是对车辆周边环境的感知，而“系统”则代表着车辆实现感知并非通过单一技术实现，它必须有一套完善的感知体系。
那么车辆是如何实现对周围环境感知的呢？这就不得不提及传感器。目前，主流的环境传感器主要分为车载摄像头、超声波雷达、毫米波雷达和激光雷达四种。它们的工作原理各不相同。基于不同传感器的应用，车辆对外界环境的感知方案大概包含以下三类：雷达感知（雷达方案）、摄像头感知（纯视觉方案）和多传感器感知（融合方案）。

雷达感知
在自动驾驶领域，激光雷达被认为是目前感知精度最高、可靠性最好的感知手段，其有效感知范围可超过120m，精度更是可以达到厘米级。通过激光雷达扫描，自动驾驶系统可以轻松得到汽车周围环境的三维模型。再运用相关算法比对上一帧和下一帧环境的变化，便可以较容易地探测出周围的车辆和人的运动轨迹，从而交由决策层做出判断。由于感知能力出众，因此激光雷达也被认作是目前最有效的智能驾驶解决方案。
2021年以来，采用激光雷达的汽车产品陆续量产上市，包括蔚来、小鹏、理想等新势力车企都有推出相关车型。此外，上汽、长城等传统车企的新产品上也都搭载了激光雷达。彼时，业界一度掀起“究竟几颗激光雷达才够”的争议。不过值得注意的是，尽管激光雷达装机量日益提升，但和毫米波雷达、摄像头等感知元件相比，其成本依旧处于高位。
激光雷达的价格以线数及探测距离两大因素为标准，通常从几百到几万美元不等。在国际市场，主流激光雷达厂商推出的产品有4线、8线、16线、32线、64线和128线之分。例如百度无人车和谷歌无人车就配备了Velodyne HDL-64E激光雷达。该雷达可通过64束的激光束对周围环境进行垂直范围26.8°、水平360°的扫描，每秒能产生近130万个数据点，帮助自动驾驶系统快速识别周围的环境，这对高阶自动驾驶的实现提供了有效支撑。
不过，激光雷达高昂的成本并不是所有人都能承受。于是，作为替代，成本更低的毫米波雷达成为了更多企业的首选。但相比激光雷达，毫米波雷达精度低、可视范围角度偏小，一般需要多个雷达组合使用。另外，毫米波雷达对物体的识别能力同样不佳，这在很大程度上限制了毫米波雷达的应用场景。
怎样在降低成本的同时提升雷达的感知能力？这似乎是一道伪命题。好在功夫不负有心人，随着科研人员对于算法的优化，4D毫米波雷达的出现轻松解决了上述问题。
在毫米波雷达原有距离、方位、速度的基础上，4D毫米波雷达增加了对目标的高度维数据解析，能够实现“3D+高度”四个维度的信息感知。同时，4D毫米波雷达可以接收数十倍于传统毫米波雷达的返回信息点，进化出像激光雷达一样的高密度点云，从而进一步探测出物体的形状，甚至是结合算法识别出物体。
尽管现阶段4D毫米波雷达在性能方面和最尖端的激光雷达还存在不小差距，但从技术层面来讲，未来4D毫米波雷达和激光雷达实现同样的性能是可能的。目前，包括大陆、采埃孚、安波福等传统Tier 1供应商，Waymo、华为等科技公司以及行易道、福瑞泰克等本土初创公司，均已入局4D毫米波雷达赛道。从全球来看，4D毫米波雷达正在加速落地。
至于前文提到的超声波雷达则是一项相对成熟的传感器技术，又称倒车雷达，主要应用于停车辅助和自动泊车场景。由于产业链成熟且单体成本相对低廉，所以超声波雷达的普及度更高。在全球市场竞争格局上，目前超声波雷达主要市场空间基本都被博世和法雷奥霸两大巨头占据。
根据佐思汽研数据显示，2019-2020年，4颗超声波雷达方案占据了大部分市场，主要实现倒车辅助功能。而自动泊车商业化推广，12颗超声波雷达方案占比正在快速攀升，目前多数具备APA自动泊车的车型都搭载了12颗超声波雷达。预计到2025年，12颗超声波雷达方案的将达到26%以上，并逐渐成为未来智能汽车的主流。

摄像头感知
车载摄像头同样是目前环境感知中最常见的传感器之一。根据结构划分，车载摄像头可以分为单目摄像头、双目摄像头、广角摄像头等。其中单目摄像头和双目摄像头主要用于自动驾驶汽车的前视，视角一般为45度左右，负责实现FCW前方碰撞预警、LDW车道偏离预警、PCW行人碰撞预警、TSR交通标志识别、ACC自适应巡航等功能。而广角摄像头主要用于自动驾驶汽车的后视（后视泊车辅助）、内置（疲劳检测）、侧视（盲点检测）、以及环视（全景泊车、盲区检测）等多个方位多种功能。
摄像头感知的工作原理也浅显易懂，即通过摄像头采集图像，随后将图像转化为二维数据匹配算法进行目标识别，再依据目标物体的运动模式或使用双目定位技术以估算目标物体与本车的相对距离和相对速度。相比于传统的雷达方案，视觉方案的优势明显，一方面是成本低，技术成熟，另一方面是采集信息的丰富度更高。
不过摄像头也存在明显缺点，那就是和人类的眼睛一样，容易受到环境因素的影响，尤其是在黑夜、雨雪天、大雾等能见度不足的场景下，其识别效率会大大降低。可即便如此，依旧没有影响自动驾驶企业在纯视觉路线上探索的决心。2017年，更具可量产性的摄像头+语义地图技术路线受到极大重视，成为了视觉方案的主要发展路径，业界领先的自动驾驶公司如Mobileye、博世、特斯拉等都在推进该技术路线的发展。
以特斯拉的纯视觉方案为例。通过算法上的优化，FSD芯片可以在不具体识别障碍物是什么的情况下就做出决策。特别是在高速移动的环境下，这套纯视觉方案甚至能够做得比激光雷达融合方案更出色。

V2X感知
在环境感知方面，除了利用车辆自身的感知硬件，还可以借助外部环境实现信息的获取，这一类技术统称为V2X（Vehicle to Everything）。V2X技术又称为车用无线通信技术，其中V代表的是车辆，X代表的是道路、人、车、设备等一切可以连接的设备。
V2X的本质就是通过道路、行人、车辆间的协调实现整个道路交通的智能化。这项技术希望车辆能与一切可能影响它的实体实现信息交互，其通过类似WIFI技术接收和发送位置、车速、道路情况和驾驶员行为（如紧急制动）等，来实时提示周边驾驶员。
整个V2X系统可以分为云端、路侧端与车载端。其中云端指代V2X云平台，其具体的功能是实现大数据及人工智能算法智能分析、交通调度优化、高精度定位、车辆状态管理、车辆在线升级、信息服务等。路侧端包括路侧通信单元RSU（Road Side Unit）、路测计算单元（MEC）,路侧感知单元（雷达、摄像头、交通信号灯与指示牌等环境信息）等。车载端的任务则是完成BSM消息的上报、V2X消息的接收与解析、CAN数据的读取与解析、消息的展示与提醒、保障信息安全。
目前，业内用于V2X的通信技术主要有两种：一种是在20世纪90年代就被提出的专用短程通信技术DSRC，另一种是蜂窝车联网技术，即C-V2X，而C-V2X双包括LTE-V2X和5G-V2X两种。虽然C-V2X起步相对较晚，但发展速度已经远远超过了DSRC技术。
从本质上来看，C-V2X之于自动驾驶其实是增强了车辆的环境感知能力。诸如摄像头、雷达、激光雷达等常见的自动驾驶传感器，虽然在环境感知方面表现十分出色，但在一些特定的场景，比如交叉路口或者车辆、行人等被遮挡的时候，这些传感器可能会无法及时检测到异常，从而引发危险。但如果引入了C-V2X，情况将大有不同。
例如C-V2X可以在车辆到达交叉路口时，通过与路测单元的通信，提前获知有其他车辆或弱势道路使用者也在接近交叉路口，并将相关消息提前传达给驾驶员/自动驾驶系统，给予驾驶员或系统充足的时间应对。其他应用还包括提醒前车急刹车、提前告知路障信息、躲避拥堵等。
近两年来，5G-V2X则凭借着高速率、广覆盖、低时延、高可靠等信息传输特征，先后吸引了包括中国、美国等在内多个主流汽车市场的积极部署，并制定相应的测试认证标准。业内普遍认为，该技术将是未来实现车路协同的关键。
不过，基于5G-V2X的车路协同是一个非常庞大的工程，它不仅需要有国家有相关标准及政策支持，还需要车辆生产商、通信设备厂商、运营服务商和路方的通力配合。此外，未来5G-V2X技术的应用对整车感知数据融合也将是一个不小的挑战。目前借助毫米波雷达、摄像头、激光雷达等数据的融合本身就有一定的技术难度，今后再加上V2X采集到的数据，如何将它们有效融合将是未来研究的重点。
欧美等发达国家凭借自己高精尖的科研实力，在自动驾驶领域的人工智能算法方面有较为深厚的技术积淀，但由于基础设施的投资一般由市场主导而非政府主导，因此网联化推动进程缓慢，走单车智能路线无可厚非。但在国内，我国不仅拥有全世界最大规模的5G网络，而且也建成了目前世界最大的车路协同基础设施环境，在此背景下，走车路协同路线显然更符合实际情况。
当然，如果没有单车智能，也就无从谈起车路协同，二者之间的关系实际上是缺一不可。在我们可预见的未来，“聪明”的车和“智慧”的路就是自动驾驶最终的目标。这一方面需要自动驾驶厂商用更好的硬件方案去适配更智能的软件算法，另一方面也需要路端用更智慧的路来赋能越来越智能的车。
注：本文首发于《汽车纵横》杂志2023年2月刊