本文为读者提供了一个全面的视角，以理解自动驾驶汽车感知层的技术现状和发展趋势以及面临的挑战和未来的发展方向。
01
4D毫米波雷达有希望成为激光雷达的平替
1.一般毫米波雷达与4D成像毫米波雷达
4D毫米波雷达并非新的概念，但直到2020年才出现可供上车的成熟方案，因此2021年各大车企才开始上车试验。首先来看一下4D毫米波雷达的定义：
4D成像毫米波雷达：具备较高俯仰测角分辨率的、点云密度在3万点/秒以上的前向4D毫米波雷达，例如Conti ARS540，BOSCH FR5CU，ZF FRGen21，Aptiv FLR7HD等；
一般毫米波雷达：不具备很高俯仰测角分辨率的、点云密度在4000点/秒以下的前向（3D）毫米波雷达，主要用于L2及以下场景，例如BOSCH FR5CP，Conti ARS410等；
激光雷达：目前主流的半固态前向长距主激光雷达，例如禾赛AT128，速腾M1P等；
2.4D毫米波雷达性能整体超越一般毫米波雷达，但是成本较高。
其中，较高数量的点云密度、较高的角度分辨率和高度测量能力，使得4D成像毫米波雷达可以大幅扩展应用场景。
目前4D毫米波雷达存在四种主流技术方案：
多芯片级联方案，即将多颗雷达芯片连接在一起，形成多发多收天线阵列，该方案开发难度较低，但存在成本高、尺寸及功耗大等缺点，且天线间存在干扰，如德州仪器级联四颗MMIC（AWR2243）芯片的成像雷达方案。
软件算法增加虚拟通道数方案，该方案的帧率变慢导致反应速度变慢，如傲酷科技虚拟出20-30倍的虚拟天线。
开发多发多收专用4D雷达芯片方案，该方案集成度高、体积更小，但芯片能耗、成本及技术难度较高，如恩智浦量产的S32R45成像雷达芯片。
超材料方案，该方案采用超材料支撑的天线，如Metawave的WARLORD产品。
3.目前分辨率及通过车规测试情况仍有不足。
传统毫米波雷达只能二维成像，4D毫米波雷达具有传统毫米波雷达所不具有的3D识别能力，4D成像雷达可以输出带有高度的目标点云，可以为高级别自动驾驶提供可靠、对车端运算能力要求适中的感知能力，为智能驾驶系统提供更为精确、低功耗和低成本的车辆周围环境感知系统方案，整体提升感知传感器对车辆周围的环境感知性能和信息维度。同时，4D毫米波雷达的价格约为激光雷达的10%-50%。
因此，4D毫米波雷达技术成为替代激光雷达的竞争者。与此同时，4D毫米波由于依然适用于毫米波领域，因此能量不足，使得分辨率尚未达到激光雷达的级别。
4.纯视觉方案的特斯拉，也重新拥抱4D毫米波雷达。
2015年HW1.0推出后，特斯拉从多传感器向单传感器发展，但单传感器算法仍存在CornerCase。
2021年Tesla表示将从2021年5月开始分阶段采用TeslaFullVision方案，传感器套件不再包含毫米波雷达，完全依靠摄像头和神经网络处理来提供Autopilot、FSD和一些主动安全功能，即进入纯视觉方案。但实际上特斯拉车主手册仍然提到毫米波雷达的存在。2021年8月，NHTSA宣布对特斯拉自动辅助驾驶系统的幽灵刹车情况展开调查。特斯拉旗下车型在行驶中突然制动，与其他车辆发生多起碰撞事故（幽灵刹车）。特斯拉撤回了已经发布的FSD软件版本，并宣布改进算法。NHTSA在2022年2月发布的报告显示，自2021年11月以来，关于“幽灵刹车”投诉激增，从之前的189起增至354起，至2022年6月单月幽灵刹车投诉量达758起，车型涉及2021-2022年的Model3和ModelY。
2022年6月，特斯拉向美国联邦通信委员会(FCC)注册了一种新型高分辨率4D毫米波雷达2AEIM-161631，频率为60GHz-64GHz。尚不确定是否将用于HW4.0配件，但一定程度上表明特斯拉同样认可毫米波雷达以及4D毫米波雷达在信息收集方面的作用。
据悉，特斯拉Model X已经装载名为“凤凰”的4D毫米波雷达。这也意味着，特斯拉放弃此前一直宣扬的“纯视觉”解决方案。
不过在实际的量产车辆中，4D成像毫米波雷达应用还较少，主要原因有3个：
根据美国汽车工程师学会（SAE）制定的智能网联汽车自动驾驶分级标准，通常而言，自动驾驶等级越高，所需安装的毫米波雷达的数量也就越多。一般毫米波雷达可以解决大部分L2场景的应用，并且由于应用时间很长，技术成熟，出货量大，成本已经下探到300元级别，主机厂不太有动力替换价格更高的4D成像毫米波雷达；
4D成像毫米波雷达应用经验比较少，主机厂或者算法公司还不清楚怎么能够用好4D成像毫米波雷达，还不了解如何发挥其潜能，例如更多数量的点云，更高的角度分辨率和角精度；
激光雷达虽然价格比4D成像毫米波雷达更贵，但是由于点云密度更多，行业应用较早，经验较为丰富，并且由于宣传的原因，配置激光雷达的车辆让人感觉更有“高科技”的属性，看起来具有“性价比”。因此在高级别自动驾驶汽车中，主机厂反而更倾向于配置价格更贵的激光雷达，而不是4D成像毫米波雷达；
随着4D成像毫米波雷达逐渐被人们所熟知，技术本身继续迭代演进，越来越多的对自动驾驶级别要求较高（L2+，L3及以上）的中高端车型，正在逐步采用4D成像毫米波雷达，例如特斯拉，蔚来ET9，理想等。
5.4D毫米波雷达的市场规模
从多家研究机构和智库分析报告来看，对于4D成像毫米波雷达的发展前景，普遍比较乐观。
国信证券：到2025年，全球毫米波雷达市场规模将达到384亿元，复合增长率为25.5%。
Yole Development：2021年车载雷达整体市场为58亿美元，2027年将达到128亿美元，年均复合增长率14%。市场增长主要来自于4D毫米波雷达以及4D成像雷达，市场空间分别为35亿美元与43亿美元，年均复合增长率分别为48%与109%。
6.随着毫米波雷达出货量的提升，成本降低是一个持续的趋势。
随着产量上升、芯片集成化、国产化，4D 成像毫米波雷达成本有望持续降低。
算法：随着4D成像毫米波雷达出货量的提升，算法成本边际成本将快速下降。
MMIC&数字信号处理器：多级联方案由于需要更多MMIC芯片和更强算力处理器，降本空间可能有限。专用芯片组的方式，降本空间可能会更大一些。
高频 PCB：出货量提升，以及国产替代，会逐渐降低成本。
7.主机厂转向4D毫米波雷达赛道，国内企业积极布局赶超。
2023年，上汽、比亚迪、理想、吉利、红旗、长安等多个品牌宣布定点或上车4D毫米波雷达。大陆集团、采埃孚、安波福、博世等传统巨头已经陆续宣布4D毫米波雷达的相关解决方案，大陆集团的ARS540已于2021年量产，安波福也于2021年推出4D毫米波雷达产品。国内的华为、复睿智行、森思泰克、华域汽车、楚航科技、行易道、纵目科技、威孚科技等公司也对该领域进行了布局。
我国毫米波雷达供应商主要分为四大派系。我国的毫米波雷达始于2000年，民用毫米波雷达企业主要集中设立于2013年至2016年，以及2018年左右。我国军民用毫米波雷达初创企业按创始团队可以主要分为四种类型，分别为高校科研院所的科学家创业团队，海外雷达就业者回国创业团队，供应商体系内及上下游产业从业者创业团队，以及主机厂和雷达厂内部自研的体系化团队。
02
车规激光雷达
1.行业概况
1.1.激光雷达可以提供安全冗余，在L3以上具备刚性需求。
超声波雷达、摄像头、毫米波雷达、激光雷达等感知传感器各有优缺点，单一传感器难以满足智能驾驶的需求，因此多传感器融合感知是智能驾驶环境感知的主流方案。
激光雷达是摄像头、毫米波雷达与超声波雷达的有效补充各种传感器性能互补，同时激光雷达方案能够降低摄像头对算法的依赖性，进而降低计算平台的成本。随着汽车自动化水平的提升，单车激光雷达搭载数量将不断增加。
1.2.随着对智能化汽车的安全需求提高，激光雷达市场需求持续增长。
按照国际汽车工程师协会（SAE International），自动驾驶以自动化程度（SAE）分为L0级-L5级。自动驾驶级别越高，车辆的自动化程度越高，动态行驶过程中对驾驶员的参与度需求越低，对车载传感器组成的环境感知系统的依赖性也越强。
随着汽车自动化程度越来越高，由于监管机构对汽车驾驶安全等级要求的提高，以及用户对安全性能的重视，搭载激光雷达的车型越来越多。
同时，激光雷达的价格逐渐下降，为车载激光雷达的商用更好地奠定了基础。车载激光雷达早期上车时价格高达数万美元，近期部分产品价格已下降至数百美元。
根据YOLE Intelligence数据，截至2023年第三季度，已有36家中国车企宣布使用激光雷达，预计国内将有高达106款搭载激光雷达的车型上市占全球同期预计发布搭载激光雷达新车型总数量近90%。
1.3.车载激光雷达增速迅猛，2028年市场规模将突破300亿。
根据YOLE Intelligence数据，2022年车载激光雷达的市场规模已达到3.17亿美元，约合22亿人民币。其中，乘用车和轻型商用车激光雷达的市场规模为1.69亿美元。自动驾驶汽车（L4以上）激光雷达的市场规模为1.47亿美元。
根据YOLE Intelligence预测，至2028年，车载激光雷达的市场规模将以55%的年复合增长率增长快速增长至44.77亿美元，约合313亿人民币。其中，乘用车和轻型商用车激光雷达市场规模将增长至39.20亿美元，自动驾驶汽车激光雷达市场规模增长至5.57亿美元。
2.激光雷达技术趋势
2.1.激光雷达通过测量激光信号的时间差和相位差来确定距离。
激光雷达通过发射和接收激光束，分析激光遇到目标对象后的折返时间，计算出到目标对象的相对距离，并利用此过程中收集到的信息建立3D点云图，绘制出环境地图。
2.2.从测距方法来看
激光雷达可以分为飞行时间法（Time of Flight，ToF）、调频连续波法（FMCW，Frequency Modulated Continuous Wave），以及三角测距法、相位测距法等方法。其中ToF与FMCW能够实现较远的测程，目前是车载激光雷达的主流方案。
2.3.从激光雷达的结构来看
激光雷达一般主要由发射模块、扫描模块、接收模块和信息处理系统等部分组成。
2.3.1.发射模块
按激光波长划分，基于905nm的激光雷达在市场上占据主导地位。根据YOLE Intelligence数据，从2018年至2023年905nm激光雷达合计在乘用车上车情况中占比89%。另外，速腾聚创等企业研发的新型雷达则使用940nm。另外，按激光发射器结构来看，发射模块的激光发射器可分以为边发射激光器（EEL）、垂直腔面发射激光器（VCSEL）及光纤激光器。
2.3.2.扫描模块
扫描模块按结构可分为机械、混合固态和固态。机械式和混合固态是现阶段主要应用方案，固态将为未来应用趋势。根据YOLE Intelligence数据，从2018年至2023年混合固态激光雷达合计在乘用车上车情况中占比51%。
机械：机械式激光雷达通过电机带动整个激光头进行圆周运动，从而将激光从线练成面，达到动态3D扫描。由于激光头在旋转，线与线之间可能存在空隙，使得物品被漏检。同时，由于激光发射、接收等零部件均在运动，可能存在由于磨损、震动等导致的误差，且机械零部件寿命较短。
混合固态：混合固态激光雷达将收发单元和扫描部件分解成为两部分，仅由扫描部件进行运动，从而降低了零件的磨损及数据误差。混合固态激光雷达常用的方案为转镜式激光雷达和MEMS（微振镜式）激光雷达。
固态：主要有扫描式的光学相控阵（Optical Phased Arrays，OPA）和泛光面阵式（FLASH）两种技术方案。Flash激光雷达目前功率密度较低。OPA激光雷达使用了光学相控阵技术，结构简单、标定简单、扫描速度快，但加工难度较高。
2.3.3.接收模块
接收模块按探测器类型可分为PIN型光电二极管（PIN）、雪崩光电二极管（APD）、单光子雪崩二极管（SPAD）和硅光电倍增管（SiPM）等。
2.4.信息处理系统
车载激光雷达应用算法路径尚未收敛。信息处理系统运用一系列算法，将激光收发包含的信息进行分解和运算，得出目标的位置、运动状态和形状等。目前，应用于智能驾驶的车载激光雷达应用算法的针对性和特殊性较强，算法路径尚未收敛，且缺乏统一的标准规范和评价体系。点云算法和识别算法对于识别的前期训练有较大要求。
信息处理芯片：包括FPGA、ASIC和SoC等。
3.车载激光雷达竞争格局
3.1.全球车载激光雷达竞争格局以我国为主，市场集中度较高。
根据YOLE Intelligence数据，2023年乘用车激光雷达搭载情况中前三名均为我国企业。其中，禾赛在乘用车中的搭载量全球位列第一，占比为41%。速腾聚创位列第二，占比29%。图达通占比12%。另外，览沃、华为位列第五、第六名。全球车载激光雷达前八名的搭载量占比高达99%，市场集中度较高。
3.2.我国车载激光雷达企业所在地
我国激光雷达制造企业众多但大部分集中在消费级、工业级，拥有车规级别或车载技术规划的激光雷达企业较少。按地域划分，我国车规激光雷达供应商主要集中在北京和深圳。
3.3.我国车载激光雷达企业成立时间分布
我国车载激光雷达供应商成立时间集中在2014-2018年。其中禾赛科技、速腾聚创均于2014年成立，图达通于2016年成立。
3.4.我国激光雷达初创企业融资趋势
从融资金额来看，我国激光雷达企业在2021年达到融资高峰期，全年融资金额高达80亿元。2022-2023年激光雷达企业融资热度依然不减，平均年融资金额达到30亿元。
从轮次来看，除禾赛科技、速腾聚创两家已经上市以外，其他大部分初创企业目前投资轮次仍集中在早期。
4.车载激光雷达发展重点
4.1.量产与车规化能力
激光雷达供应商在生产车规级激光雷达时需要遵循汽车标准和要求。首先，激光雷达生产线向汽车客户提供激光雷达产品的前提条件是符合国际汽车工作组制定的汽车标准IATF 16949全球质量管理标准。同时，企业也需要执行ISO 26262功能安全标准、AEC（汽车电子协会）Q100标准、ISO 16750测试要求和其他车规级可靠性规范。
激光需达作为精密电子仪器，量产上车的汽车电子零部件往往需要面对严苛多变的环境条件，在真正大规模应用之前需要通过一系列严格的车规测试在通过车规测试上仍具有较大难度。产品实现前装量产需要经历产品迭代和生产验证流程，整个流程所需的时间在18-36个月。
4.2.上路验证时间较短，可靠性仍需市场验证。
目前车载激光雷达商业应用时间较短，部分车型仍处于概念车状态。同时，目前“上车”的激光雷达多数处于预埋状态，未完全启用，对于雷达企业的数据反馈较少，未能向激光雷达企业及时反馈实际上路数据。激光雷达对汽车智能化起到的实际效用及可靠性等相关问题仍需验证时间。
4.3.行业黏性与市场导入能力
激光雷达行业黏性较高。激光雷达点云数据是自动驾驶算法开发、系统搭建的数据基础，因而客户对产品的依赖度和粘性很高，完成选型不会轻易更改，因此前期进入产业链的能力较为关键。
与客户共同开发或有产业资源导入有助于加速技术成熟并建立正向反馈机制。根据速腾聚创数据，产品在上车时需经历Demo、A样、B1样、B2样的多次迭代和最后SOP定型，在产品迭代的过程中，激光雷达厂家需要针对车规标准和OEM厂商的具体需求改良产品设计。与主机厂、整机厂大车厂的产业资源对接有助于激光雷达初创企业在开发初期获取行业、车型对雷达的技术趋势，同时在POC、测试时获取更多数据反馈，减少Corner case，形成正向反馈机制。
4.4.研发成本较高，市场迭代速度较快，初创企业需要有资金运用计划。
车载激光雷达的市场迭代速度较快，在我国企业蓬勃发展的同时，国际龙头企业已重新洗牌。
在市场份额更迭方面，根据YOLE Intelligence数据，法雷奥2021年在车规激光雷达市场中占比21%，但在2022年仅占比13%。Waymo在2021年占比16%，2022年则占比5%。该些企业的份额逐渐被禾赛、速腾聚创、图达通、览沃、华为等企业获取。在未来，国际激光雷达市场份额将进一步由中国企业主导。
同时，由于激光雷达的技术迭代速度较快，研发成本较高。根据东方财富网各公司2023年Q3财报公布数据，禾赛科技为美股激光雷达企业中较少的收入覆盖成本的上市企业。禾赛科技截至2023年前三季度的营业收入为13.16亿元，同时研发费用为5.621亿元。
其他激光雷达美股大部分企业的研发费用则均高于2023年收入，部分企业研发费用为收入的4倍以上。
Luminar截至2023年前三季度的主营收入为0.4767亿美元，同时研发费用为1.995亿美元，研发费用为收入的4倍。
Ouster截至2023年前三季度的主营收入为5884万美元，同时研发费用为7558万美元，研发费用为收入的1.3倍。
Innoviz截至2023年前三季度的主营收入为1529万美元，同时研发费用为7057万美元，研发费用为收入的4.5倍。
Cepton截至2023年前三季度的主营收入为810.5万美元，同时研发费用为2331万美元，研发费用为收入的2.9倍
因此，在市场份额更迭和研发费用高昂的情况下，在企业破产与并购频发。其中不乏一些行业龙头，如2022年9月，成立于1998年、最早实现车规级激光雷达量产的德国企业lbeo宣布破产。2022年11月，成立于1983年、曾在无人驾驶激光雷达领域占半壁江山的Velodyne宣布与Ouster合并，希望联合力量寻求更快的盈利模式，以加速激光雷达的应用。
在此基础上，我国激光雷达初创公司需要对自身的资金运用情况有较为前瞻的规划，在融资步伐与开发进度中寻求平衡。
03
雷达未来发展趋势——多传感器融合
说到底，无论是摄像头，毫米波雷达还是激光雷达，最终还是为智能驾驶服务。
多传感器融合是未来技术发展趋势，各传感器融合方式是车企能力的关键。
整车厂和主机厂大多数选择多传感器融合方案。进入L2以上自动驾驶后，单一传感器的使用往往存在一定限制，考虑到激光雷达、毫米波雷达、摄像头各有优劣，车厂大多选择了多传感器融合。多传感器信息融合（Multi-sensor Information Fusion，MSIF），指将自动驾驶摄像头、激光雷达、毫米波雷达以及超声波雷达等多种传感器各自分别收集到的数据进行融合，然后利用计算机技术将来自多传感器或多源的信息和数据，在一定的准则下加以自动分析和综合，以完成所需要的决策和估计而进行的信息处理过程，以便更加准确可靠地描述外界环境，提高系统决策的正确性。
1.进入L2/L3级需要激光雷达或4D毫米波雷达形成冗余。
多传感器融合会可以在部分场景提升整体感知精度，可以某一传感器出现错误/失效时可以使用另一传感器进行补偿，可以多传感器可以扩大FOV范围。因此多传感器之间可以分为协作型、冗余型、互补型。覆盖前向视场的激光雷达及4D毫米波雷达可以通过输出带有高度信息的点云为车辆提供信息冗余，实现自动跟车或者高速自适应巡航等功能。L4/L5级无人驾驶需要面对复杂多变的行驶环境，对激光雷达性能水平要求最高。小鹏、蔚来等积极布局激光雷达。特斯拉作为唯一的纯视觉方案的代表，通过自主研发的神经网络系统，将摄像头收集到的大量数据进行处理，实现环境监测。
2.算法是实现各传感器数据最大化计算销量的主要制约因素，各传感器融合方式是车企能力的关键。
自动驾驶算法覆盖感知、决策、执行三个层次。多传感器的使用会出现大量冗余信息，在各场景下通过算法中设定赋值各传感器数据系数是不同车企提升传感器识别和决策能力的关键。目前多传感器融合的算法有贝叶斯准则法、卡尔曼滤波法、D-S证据理论法、人工神经网络法等。
3.广义的数据融合分为五级，前三个层次适用于任意多传感器信息融合系统。
美国“数据融合联合实验室”在防御系统中通用的数据融合处理模型将数据融合分为五级。在信息融合的五级模型中，第一个层次为检测判决融合；第二个层次为位置融合；第三个层次为目标识别(属性)信息融合；第四个层次为态势评估；第五个层次为威胁估计。在这种功能模型描述中，前三个层次的信息融合适合于任意的多传感器信息融合系统，而后两个层次主要适用于军事应用指挥控制通信计算机情报监视与侦察系统。
4.数据融合按目标属性，分为决策层融合、特征层融合和数据层融合。
数据层属性融合结构是最低层次的融合方式，是原始数据的直接融合。特征层融合属于中间层次的融合方式，每个传感器观测一个目标，并且为了产生来自每个传感器的特征矢量要完成特征提取，然后融合这些特征矢量，并基于联合特征矢量作出属性判决。特征层融合同时具备低层次和高层次的部分优势。决策层属性融合中，每个传感器分别独立完成监测数据的特征提取和识别任务，然后对多个传感器的结果进行整合。
5.雷达产业链稳固后融合，主机厂牵手前融合，各方案难点在于权重的设置。
5.1.雷达集成厂及硬件供应商希望稳固后融合
目前业界主要采用的融合框架仍为后融合框架。对于雷达集成厂及硬件供应商而言，将预处理芯片及软件植入硬件将提升单品售价及利润率。而对于部分没有充足的算法研发预算的主机厂而言，采购预置算法的硬件业可以实现即买即用，单个硬件拥有丰富界面，可以扩展至多款产品，也可以和不同品牌的其他硬件拼接使用，因此可以降低主机厂开发成本，使得产品易于落地。
5.2.Tier1主机厂及软件企业希望牵手前融合
对于一部分拥有自研算法意识的主机厂，以及一部分自动驾驶软件企业而言，由于后融合中预先对数据进行处理会损失一部分数据颗粒度，因此主机厂在基于后融合框架的系统稳定后逐渐向前融合探索，尝试用原始信息运算来提升精度。前融合对于算力要求较高。
5.3.无论前融合还是后融合，都需要解决各传感器间数据权重参数的设置。
对于主机厂而言，无论使用哪个方案，自动驾驶/辅助驾驶的难点都在于每个/每类传感器获取数据将设置多大的权重，尤其在三个传感器出现冗余信息后如何过滤无用信息以及出现相互矛盾信息的情况下以哪组数据为准等情况下作出决策。百度Apollo采用后融合架构。奔驰、沃尔沃采用全融合算法（FullFusion），把前融合探测结果与后融合综合对比后输出结果。2022年8月，飞凡汽车R7宣布使用全融合算法。
总体而言，现阶段智能驾驶要达到自动驾驶级别(L4以上)还有很长的一段路要走，不仅仅是硬件条件不满足，算法软件方面也需要一定时间发展。但自动驾驶依然是人类科技到达一定高度的里程碑，也必然会被人类所征服。