汽创君：汽车技术发展到如今，几乎没有人质疑无人驾驶会成为汽车行业变革的巨大浪潮，然而对于各项技术落地的时间点，各大车企、互联网公司、研究机构、通讯公司、科技巨头等众说纷纭，本文援引莫尼塔财新智库的一篇研究，系统梳理了无人驾驶各关键技术节点以及其成熟时间。接下来，ENJOY:
Key point：
1)汽车电子沿着两横三纵的技术架构，逐步实现成熟的智能化和网联化：2016年-2018年主要是三大传感器的融合使用；2017年-2019年主要是高精度地图的成熟；2019年-2022年是车载通讯模块、互联网终端、通信服务的成熟；2022年-2025年主要是决策芯片和算法的成熟。
2)2016-2018—三大传感器融合：国内毫米波雷达今年开始出货；车载视觉系统硬件已经达到消费级水平，进入软件成熟期；激光雷达成本不断下降，加速ADAS和无人驾驶的普及进程。
3)2017-2020—高精度地图的成熟：传统地图无法满足自动驾驶的要求，高精度地图是L3、L4级别最为关键的技术；当前精度地图参与者主要有图商、自动智能驾驶科技公司、ADAS方案提供商、传统车企四类，其优劣势各不相同，硬件软件逐步融合。
4)2019-2022—车载通讯模块的成熟：LTE-V在延时、频谱带宽、可靠性、组网成本、演进路线等方面都具有优势，未来的发展趋势大概率是使用LTE-V标准；目前布局的主要是半导体厂商和汽车厂商，但国内很多公司都进入了产业链，大唐电信也发布了全球第一台LTE-V车联网设备，有望在车载通讯模块爆发之际获得高速成长。
5)2022-2025—算法和决策芯片的成熟：各大厂商都在用不同的芯片设计支持不同的算法，Google自己已经开发了TPU，用于CNN加速，地平线也在开发BPU，Intel收购Moileye打造芯片算法一体化，未来或是FPGA支持下的深度学习算法来实现自动驾驶。
1. 汽车电子发展时间表
1.1 汽车电子沿着两横三纵技术架构走向成熟
智能网联汽车是搭载先进的车载传感器、控制器、执行器等装置，融合现代通信与网络技术，实现车与X(人、车、路、后台等)智能信息交换共享，具备复杂的环境感知、智能决策、协同控制和执行等功能，可实现安全、舒适、节能、高效行驶，并最终可替代人来操作的新一代汽车。按照技术应用和应用场景，组成了两横三纵的技术架构。
1.2 汽车电子时间发展表—智能化与网联化协同发展
汽车电子的发展有两个维度，智能化和网联化，沿着两横三纵的技术架构，逐步实现成熟的智能化和网联化。
2016年-2018年主要是三大传感器的融合使用，传感器和视觉解决方案的融合促进实现自适应巡航、自动紧急制动等部分自动驾驶(PA)功能，以及辅助网联信息交互；2017年-2019年主要是高精度地图的成熟，实时路况的更新和更丰富的路况信息加速实现车道内自动驾驶、全自动泊车等有条件自动驾驶(CA)功能，以及部分网联信息协同感知；
2019年-2022年是车载通讯模块、互联网终端、通信服务的成熟，5G网络建设的部署完成和商业化，V2X信息交互低延迟要求共同推动网联化的加速，实现更复杂路况(近郊)的全自动驾驶；2022年-2025年主要是决策芯片和算法的成熟，随着人工智能嵌入式落地智能终端，FGPA通用架构向ASIC专用架构的转变，算法和芯片设计的协同发展，实现全区域的无人驾驶等高级(HA)/完全自动驾驶(FA)功能和网联协同决策控制的功能。
1.3 各国陆续出台政策推动ADAS的普及
欧盟委员会考虑2017年将19项安全技术纳入新车的标准配置，并将强制执行，自动紧急制动和车道偏离警告成为标配；国内2017年速度辅助系统、自动紧急制动、车道偏离预警/车道偏离辅助的加分要求已设定为系统装机量达到100%。各国政策陆续出台，要求汽车逐步配备汽车电子相关组建，成为汽车电子发展最大的推动力。
1.4 国外谷歌和特斯拉两种发展路径加速发展
1）自动驾驶目前进展
加州车管局(DMV)公开了自动驾驶项目的脱离测试数据，基本衡量了目前主要自动驾驶项目在加州境内在不同天气环境，不同的路段进行测试的进展，谷歌的性能明显优于其他厂商。
2）谷歌和特斯拉代表两种不同发展路径
谷歌和特斯拉在无人驾驶领域采取了两种不同的有代表性的发展路径，谷歌利用地图和深度学习实时建模来实现自动驾驶；特斯拉依赖于传统的传感器的融合实现数据搜集识别、处理分析、完成自动驾驶功能。从自动驾驶精度来看，谷歌的没有明确的数据，但其软件层面的可以检测和理解手势之类的信号并作出反应；moblieye的FCW(前向碰撞预警)的算法识别精度达到99.99%；特斯拉的算法处理水平很高，奔驰的路测车有着比特斯拉多一倍的传感器，但是精度远不及特斯拉。
谷歌的自动驾驶技术发展可以分为两段，以waymo成为独立事业部为转折点：第一阶段，主要突出软件领域和技术突破，采用自有的高精度地图和Velodyne提供的64线激光雷达方案，配备谷歌chauffeur软件系统，最为突出的是展示的无人驾驶原型车中直接抛弃了传统车的刹车、方向盘、油门等设备，仅用一个启动键实现无人驾驶，而硬件制造原型车都是来源传统车企，如2014年展示的谷歌第二代车型就是从白色雷克萨斯RX 450H混合动力SUV改造而来。
2016年11月，waymo成为独立事业部后，开始采用硬件和软件并行的方案，采用自己研发的激光雷达，传统传感器和8个视觉模块相互融合，最新展示的无人车使用了三个不同探测距离的激光雷达，自主技术研发将激光雷达成本降低九成。未来技术商业化首先落地在货运(有个固定场景的低速共享市场)和共享车服务的应用。
2016年11月，特斯拉Autopilot2.0 发布，该系统将包含8个摄像头，覆盖360度可视范围，对周围环境的监控距离最远可达 250 米；车辆配备的12 个超声波传感器完善了视觉系统，探测和传感硬、软物体的距离接近上一代系统的两倍。增强版前置雷达通过冗余波长提供周围更丰富的数据，雷达波可以穿越大雨、雾、灰尘，甚至前方车辆。另外，Autopilot2.0使用的处理芯片NVIDIA Drive PX 2的处理性能为原来Mobileye Q3的40倍。
1.5 国内科技公司和传统车企合作打造自动驾驶，精度提升速度快
通过863计划实施和国家自然科学基金委项目支持，清华大学、国防科技大学、北京理工大学等部分高校、院士团队、汽车企业在环境感知、人的行为认知及决策、基于车载和基于车路通信的驾驶辅助系统的研究开发取得了积极进展，并开发出无人驾驶汽车演示样车。清华大学等高校联合企业开发的自适应巡航控制系统、行驶车道偏离预警系统、行驶前向预警系统等具有先进驾驶辅助系统(ADAS)功能样机，正在逐步进入产业化阶段。
2. 2016-2018—三大传感器融合
2.1 毫米波雷达国内今年开始出货
毫米波雷达的主流方向是24GHz和77GHz，24GHz主要应用于汽车后方，77GHz主要应用于前方和侧向。未来毫米波雷达会逐渐向77GHz频段(76-81GHz)统一，其中76-77GHz主要用于长距离毫米波雷达，77-81GHz主要用于中短距离毫米波雷达(已有欧盟、CEPT成员国、新加坡、美国FCC委员会、加拿大工业部等进行相关规划)。
随着配备从高端车型向中低端车型下沉的趋势，目前毫米波雷达已经逐渐普及，一般配备情况是“1长+6短”(如奔驰S级)、“1长+4短”(如奥迪A4)、“1长+2短”(如别克威朗)。
前端单片微波集成电路MMIC和雷达天线高频PCB板是其核心组成部分。MMIC由国外公司掌控，特别是77GHz的MMIC，只掌握在英飞凌、ST、飞思卡尔等极少数国外芯片厂商手中，国内处于初始研发阶段，主要在24GHz雷达方面，华域汽车、杭州智波、芜湖森思泰克等企业在已有部分积累。
雷达天线高频PCB板技术也掌握在国外厂商手中，Schweizer占据全球30%市场份额，在77GHz方面优势明显，PCB使用的层压板材则主要由Rogers、Isola等公司提供。国内高频PCB板厂商暂无技术储备，根据图纸代加工，元器件仍需国外进口，沪电股份已就24GHz和77GHz高频雷达用PCB产品与Schweizer开展合作。
图表9：毫米波雷达的拆分及供应体系
目前中国市场中高端汽车装配的毫米波雷达传感器全部依赖进口，华域汽车已经能生产24GHz毫米波雷达，主要完成BSD盲点侦测、LCA车道切换辅助等功能，解决产品形态的导入。国内第二阶段的研发将同样针对24GHz产品，目标是降低成本，预计产品2017年底出现。
2.2 车载视觉系统硬件成熟，软件逐步升级
车载视觉系统包括车载图像感光芯片、专用图像处理ISP芯片、车载光学镜头、车载视觉系统。
借由镜头采集图像后，由摄像头内的感光组件电路及控制组件对图像进行处理并转化为电脑能处理的数字信号，从而实现感知车辆周边的路况情况、前向碰撞预警、道偏移报警和行人检测等功能。
硬件方面，车载摄像头主要由CMOS镜头(包括lens和光感芯片等)，芯片，其他物料(内存，sim卡，外壳)组成。
软件方面，以mobileye为例，主要体现在芯片的升级和处理平台的升级，工作频率从122Mhz提升到332Mhz，访问方式的改变使速率提升一倍，图像由640*480彩色像素提升为2048*2048(Input)和4096*2048(output)等。
图表11：mobileye 产品发展历程
从市场竞争格局来看，除了极少数厂商具备垂直一体化的能力，绝大部分厂商都将业务集中于产业中的某个或者某几个环节。光学镜片主要是台湾的厂商在主导，大陆厂商在红外截止滤光片上有一定优势，图像传感器主要是欧美和韩国厂商为主，模组环节大陆、韩国、台湾、日本厂商份额居前，国内厂商成长迅速。
目前汽车零部件提供商巨头的摄像头传感器都已于整车厂合作量产，同时加大研发投入，注重芯片和算法的提升。国内未来摄像头的发展主要体现在专用图像处理芯片与复杂图像处理技术突破，基本实现自主研制，最终实现车载视觉与其他感知系统融合产品的大规模应用。
2.3 激光雷达成本逐步下降
激光雷达是一种集激光、全球定位系统与惯性导航系统三大技术于一身的综合光探测与测量系统，其工作原理是通过透镜、激光发射及接收装置，基于激光飞行时间(TOF：time of fly)原理获得目标物体位置、移动速度等特征数据，并且获得的数据本身就是三维数据，不需要通过大量运算和处理才生成目标三维图像，激光测距有非常高的精度。所以，激光三维成像雷达是目前能获取大范围三维场景图像效率最高的传感器，也是目前能获取三维场景精度最高的传感器。
激光雷达组件主要包括激光器，传感器(收发器)，光学镜片，如上图所示这套发射/接收组件和旋转镜面结合在一起，镜面不只反射二极管发出去的光，而且也能把反射回来的光再反射给接收器。通过旋转镜面，能够实现360度的视角。
根据激光雷达线目的不同，主要分为2D、2.5D(1,4,8线)和3D(16,32,64线)两类。前者主要探测目标位置和轮廓，后者可以形成环境性视觉感知。
国内公司在多线激光雷达上较国外高水平企业还有较大差距。国内的激光雷达产品多用于服务机器人、地形测绘、建筑测量等领域，但是国内企业尚未研制出可用于ADAS及无人驾驶系统的3D激光雷达产品，主要还是处在探索研发阶段。
《中国制造2025》重点技术路线图显示，国内将逐步实现测距激光雷达相关硬件的自主研制，突破厘米级实时测距关键技术、样机生产与测试，实现低成本、小型化。到2025年左右，实现多线激光雷达软硬件技术自主化，掌握与其他车载传感器融合关键技术，实现大规模车载应用，支撑HA级整车产品需求。
3. 2017-2020—高精度地图的成熟
高精度地图是L3、L4级别的自动驾驶阶段属于最为关键技术，高精度地图的成熟可以减少汽车对雷达等感知设备的依赖程度，在降低成本的同时提升自动驾驶技术的可靠性，同时也是V2X与自动驾驶技术融合的载体，统一的标准有助于技术的应用和发展。
3.1 传统地图无法满足自动驾驶，高精度地图是L3、L4级别最为关键技术
相比于传统地图，高精度一方面绝对坐标精度更高，如HERE指出其下一代绘图应用将精确到厘米级；另一方面所含有的道路交通信息元素更丰富和细致。
具体而言，高精度地图分为三个图层：活动层、动态层、分析层：
1) 活动层与传统地图相比增加了高精度道路级别的数据(道路形状、坡度、曲率、铺设、方向等)、车道属性相关数据(车道线类型、车道宽度等)，及高架物体、防护栏、树、道路边缘类型、路边地标等大量目标数据；
2) 动态层将实时更新来自其他车辆传感器、道路传感器等检测到的交通数据，实时更新和补充，进入网联化第二阶段—协同感知；
3) 分析层通过实时大数据分析人类驾驶记录帮助训练无人驾驶车，进入网联化第三阶段—协同决策和控制。
目前ADAS 地图具备了活动层信息， 精度为1-5m 。如宝马ASR(Adaptive Speed Recommendation)在减速的区域，会提前50-300米提醒用户减速，提前具体会依据目前车速、汽车刹车速度及司机反映时间调整；在转弯的路段，会考虑路宽、车道数目、整个路况等，计算合理的汽车速度。
目前高精度地图主要是ADAS级，实现L2/L3级自动驾驶，未来随着5G带来的车联网的数据处理便利和计算机视觉、3D建模技术的成熟，基于深度学习的环境感知技术以及端闭环实时更新云技术的发展，高精度地图会逐步向HAD级发展，我们预期2018年5G标准确立和人工智能爆发进入成熟期，高精度地图会逐渐成熟，成为支撑智能驾驶网联化的关键技术之一。
高精度地图的采集和处理有多种的技术方案，一般而言，主流图商和高科技公司如谷歌、百度采用专业化采集的方式，使用激光雷达和摄像头进行高精度的数据和城区全区域覆盖的采集，而传统车企和ADAS方案商会使众包模式以及UGC实时更新方式来采集数据。不同的方式在成本和实时更新，数据精度和区域覆盖上各有优缺点，目前的趋势必将是图商和传统车企、ADAS方案商的战略合作，科技公司产品的商业化落地，这都会促进采集方式的整合，推动行业的发展。
3.2 高精度地图产业链和主要参与者
高精度地图，除了提供道路信息，还提供实时路况信息和3D建模，参与汽车路径规划，在ADAS交互与决策中，起着非常重要的作用。
高精度地图参与者主要有图商、自动智能驾驶科技公司、ADAS方案提供商、传统车企四类，采用的方式和方案优劣势各不相同，图商有着先天优势的基因：绘图基础深厚，地图精度和覆盖率有保障，技术积累足。传统车企和ADAS方案商采用众包方案，数据量大且实时更新。
3.3 国外发展趋势：硬件和软件的融合
1）图商布局
以海外图商代表公司HERE为例，HERE核心业务为通过其丰富的地图数据和核心的位置平台为汽车、消费者和企业客户提供位置服务和解决方案，其地图数据覆盖约200个国家，超过4,600万公里。通过不断的和传统车企，科技公司以及数据信息流入口(传感器厂商)展开合作，产业链生态布局也向上渗透到数据输入端的传感器和算法芯片等领域，目标成为无人驾驶技术方案提供商。HERE的战略布局正是汽车电子自动驾驶领域的一个趋势：硬件和软件的融合。
图表21：Here 的发展时间表
2）其他公司布局情况
除了图商外，其他参与者近些年来布局频繁。从数据采集方式来看，谷歌和苹果的特点是：更易直接实时更新、覆盖面更广，更精准。但无人驾驶领域需要庞大的输入数据，使得特斯拉(OTA空中更新)和uber(otter和沃尔沃货车运营)在无人驾驶测试和高精度地图上有着更易延伸和拓展的优势。
数据收集只是高精度地图作为基础支撑技术的一部分，对车辆周边环境的数据计算和处理时，谷歌一直走在高精度地图的实时建模和算法优化最前沿，其基于城市规划和路径优化规划的算法方案使谷歌在地图技术提供上依然具有较大的优势。
3.4 国内相关公司加大布局力度
1）国内图商布局
四维图新有着15年的地图数据和实时采集更新积累，2016年以来积极布局ADAS高精度地图，不断加快上下游产业链的一体化整合。1月与东软战略合作，强化车联网平台软件实力，5月，收购联发科技旗下杰发科技芯片商，试图完成软硬件的综合布局，10月高调宣布高级辅助驾驶地图率先得到商业化，12月入股HERE并设立合资子公司，一系列动作高调彰显了四试图抓住ADAS风口，从传统图商向完整解决方案提供商转型的决心。
2）国内科技公司的布局
百度在2014 年全资收购具有甲级测绘资质的公司长地万方；腾讯在2013 年全资收购另一家甲级测绘资质公司科菱航睿；高德软件则在2014 年成为阿里旗下的100%控股子公司，目前各大互联网公司均已经间接拥有了国家测绘局的甲级地图测绘资质，为将来的产业链整合和智能汽车领域的布局奠定了基础。2014 年，腾讯耗资近12 亿元成为四维图新公司的第二大股东。
3.5 高精度地图的成熟
按照《中国制造2025》技术发展路线图来看，在2020之前提供适用于PA级智能网联汽车的高精度地图，且地图精度达亚米级；在2025年左右提供适用于CA级智能网联汽车地图，范围覆盖全国主要高速公路；在2030年左右，实现高精度地图生产自动化及标准化，满足无人驾驶需求，范围覆盖全国主要道路。
随着人工智能深化和5G2018年标准锁定，高精度地图在智能化和网联化自动驾驶领域的应用会越来越成熟。
4. 2019-2022—车载通讯模块的成熟
4.1 车载通讯模块通讯标准发展趋势
V2X是未来智能交通运输系统的关键技术，具体包括 V2P (车与行人)、V2V(车与车)、V2I(车与基础设施)等，它连接了车与车、车与基站、基站与基站。基于V2X技术不仅可以大幅提升交通安全、降低交通事故率，而且可以为自动驾驶等提供低成本、易实施的技术路线和基础平台。
现阶段主要有两个标准被广泛认可，分别是美国主导的以IEEE 802.11p为基础的专用短距离通信(DSRC)和以3GPP主导的基于3GPP的长期演进项目(LTE)。
DSRC 技术是由 IEEE 802.11 进行演进扩充的无线局域网标准, 有最大传输时延及可靠性不可控等缺陷。同时，由于其需要在路边投入较大，难以满足车辆离路后获取服务的应用场景，商业模式不清晰, 难以大规模商用。与之相比，LTE-V技术在4.5G/5G 网络有望使车联网实现更优化的性能，同时解决DSRC技术未能满足的离路覆盖、盈利模式、容量等方面的问题，目前该标准的制订者通信行业是大唐通信集团和华为， 中国通信标准化协会(Chinese Communication Standards Association，CCSA)已经在中国针对LTE V2X推出了工作项目。
LTE-V技术主要可以分为两类: LTE-V-Direct(短程直通式通信), 通过网络终端实现车与车之间的统信来做到低时延高性能；另一个, LTE-V-Cell(广域蜂窝式)，通过 LTE的公网做回传+相关的安全管理来实现功能。V2X(LTE-V-Direct)支持安全类业务, LTE-V-Cell支持信息娱乐即Telematics业务。
图表26：LTE-V 应用
根据中国汽车工程学会的研究表明，智能网联汽车技术(V2X)的广泛应用可使普通道路的交通效率提高30%以上。根据美国国家公路交通安全管理局(NHTSA)的官方数据显示，车辆与车辆通信技术(V2V)能预知即将发生的交通事故并对潜在危险发出实时预警，它的广泛应用能帮助避免高达81%轻型碰撞事故。
4.2 车联网产业链
布局车联网的厂商主要是半导体厂商和汽车厂商，但国内很多公司都进入了产业链，大唐电信发布了全球第一台LTE-V车联网设备，可支持车联网 V2X 自组织通信，并具有核心自主知识产权。
图表27：车联网产业链
我们预计2019年-2022年将是车载通讯模块成熟的时期，车载通讯模块出货量将快速增长。根据HIS预测，2020年到2025年将是V2X系统芯片出货量将呈爆发式增长，到2026年达到6000万套。
图表28：V2X 系统芯片出货量预测
4.3 国内外厂商提前布局车联网市场
车联网除了应用在安全防盗、车载功放、信息娱乐上，在无人驾驶领域的应用成为未来确定性趋势，半导体厂商纷纷推出V2X方案, 以期抢占新一轮车联网市场。目前包括高通、华为、大唐电信、意法半导体(ST)、恩智浦(NXP)、博通等半导体厂商均已推出相关解决方案。
5. 2022-2025—算法和决策芯片的成熟
决策芯片和算法，就像汽车的大脑，将传感器及通讯模块搜集到的信息进行计算处理，作出决策。
5.1 算法的发展
目前在智能汽车领域，深度学习已在逐步取代之前的传统算法。基于深度学习架构的人工智能已经被广泛应用于计算机视觉、自然语言处理、传感器融合、目标识别、自动驾驶等汽车的各个领域，而利用GPU构建神经网络最终实现自动驾驶是各大智能驾驶相关厂商正亟待探索的领域。深度学习由多元网络模型组成，深度网络包含了多层神经元，对于给定任务，第一层神经元通过学得了对边缘的检测，而第二层的神经元可能学的识别，第三层或再往上则识别更复杂的形状。对于自动驾驶来说，其难点在于程式环境下的驾驶场景是十分复杂和难以预测的，因此需要通过融合多种传感器的数据来干事、定位、决策和规划。
以英伟达最新一代的无人驾驶汽车计算平台为例，主要是基于卷积神经网络(CNN)的算法，测试算法的直接输入数据为像素级的车载摄像头录像的路况信息，输出数据为方向盘的控制信号, 英伟达首先在云端通过大规模的数据训练得到了训练好的卷积神经网络, 之后将上述卷积神经网络的参数部署到了无人驾驶汽车的计算平台中，根据英伟达的实验结果，用训练好的卷积神经网络完成无人驾驶汽车的操作，得到了很好的结果。
深度学习与传统算法最大的不同在于给予给定的模型后深度学习可以自动学习如何完成给定的任务，而这些任务可以使多样性的包括图像、语音、无人机、自动驾驶等。
5.2 决策芯片的发展
CPU&GPU领域存在大量的开源软件和应用软件，任何新的技术首先会用CPU实现算法；FGPA支持深度可变的流水线结构，提供大量的并行计算资源，可以在一个芯片中为多种应用提供非常灵活的定制协处理功能，成为CPU&GPU芯片硬件加速的协处理器架构平台。随着技术突破和量产的经济性，ASIC或成为进入消费电子的主流芯片平台。目前而言，在自动驾驶领域，全球技术主流处在CPU&GPU阶段，Intel决定以167亿美元收购FPGA生产商Altera，IBM和Xilinx联合战略合作或成为加速FGPA产品在智能终端的落地。未来将是算法和芯片协同发展，软件和硬件融合设计的趋势。
以英伟达为例，在智能汽车和人工智能时代，抓住GPU并行计算在大数据处理和深度学习中的优势，通过不断地整合覆盖基于深度学习的大数据训练平台DGX-1，人工智能终端嵌入式平台Jetson，和数据中心的Tesla平台，三大平台的优势协同加速英伟达的产业链布局。
公司在2015年3月推出了第一款面向自动驾驶的芯片方案-Drive PX系列，并于2016年1月推出其2代产品，可以支持多种雷达和视觉传感器信号的融合处理，沃尔沃将成为首家使用的车企；2016年9月公司与百度宣布合作开发自动驾驶平台，两家公司将在AI 和深度学习技能方面展开合作，打造一款‘从云到车’的架构平台并向OEM 厂商提供；百度已经进行了多年的无人车研发和测试，具备丰富的无人驾驶算法和人工智能技术积累，而英伟达则能够提供支撑算法运行的硬件计算平台，双方合作不仅能够推动百度无人车的早日商业化，更能够将双方的优势资源整合，共同为第三方提供自动驾驶解决方案，与英特尔、Mobileye、特斯拉和谷歌等公司抢占市场；
在传统计算场景逐渐多元化的发展下，人工智能和自动驾驶等场景需要越来越强大的计算力，英特尔的战略布局已经从传统PC和服务器计算领域转移到以物联网、人工智能和自动驾驶为核心的未来计算领域。过去是算法根据芯片来优化，2017年3月，英特尔宣布收购在算法领域有90%市占率的mobileye，集算法与芯片于一体，发力汽车大脑，可以看成芯片和算法并行协同发展的时代的开启。
注：本文援引数据来自莫尼塔财新智库，供大家参考探讨。请勿用于任何商业用途。
作者：中汽创新创业中心
返回第一电动网首页 >