10月21日，特斯拉CEO埃隆·马斯克在推特上表示，特斯拉的全自动驾驶测试版软件已经推给了一小部分客户。10月11日早些时候，百度还宣布旗下无人出租车服务百度Apollo在北京正式开通运营。
10月以来，连续两波自动驾驶技术浪潮，将人们对自动驾驶的热情推向了高潮。而且，今年实际上是自动驾驶的重要一年，因为今年正好是自动驾驶技术商业化的第十个年头，从2010年谷歌自动驾驶项目启动开始。
近十年来，自动驾驶作为人工智能最贴近生活的应用场景，备受人们的期待。如今，随着大数据、AI、5G等技术的突破和应用，百度、优步、滴滴、文远知行合一，越来越多的自动驾驶技术正从实验室走向道路。
汽车摄像头产业链主要涉及上游材料、中游元器件和下游产品三个主要环节。上游材料中的光学透镜、滤光片和保护膜用于制造透镜组，晶圆用于制造CMOS芯片和DSP信号处理器。在中游，将镜头组、CMOS芯片和胶合材料组装成一个模块，用DSP信号处理器封装成相机产品。在产业链的这个层面，上游供应商已经可以向下游车辆或一级供应商供应完整的摄像头产品。
在汽车摄像头产业链中，摄像头和软件算法共同构成了汽车摄像头解决方案，应用于自动驾驶汽车。车载摄像头产业链长，上下游环节多，每一个环节都涉及到国内外众多厂商和公司。
与消费电子中使用的摄像头相比，车标摄像头对抗冲击性能、稳定性、连续对焦特性、热补偿、杂散光和强光的抗干扰等要求更高，因此模块组装工艺复杂，技术堡垒高。从全球相机供应市场来看，国外公司如松下、法雷奥、富士通、中国、麦格纳等。目前占据较大份额，且前五大厂商市场份额约为59%，集中度相对较高。
雷达:自动驾驶的大脑
就雷达而言，主要分为三类:1。毫米波雷达:介于微波和红外之间，频率范围为10GHz —200GHz，波长为毫米；2.激光雷达:介于红外光和可见光之间，频率约为100000GHz，波长为纳米；3.超声波雷达:频率高于20000赫兹。根据公式:光速=波长*频率，频率越高，波长越短。波长越短意味着分辨率越高。分辨率越高，距离、速度和角度的测量精度越高。
我们常用的倒车雷达是超声波雷达，它发射声波，只能达到音速。超声波雷达体积小、价格低，但探测精度差、范围小，在高速运动时影响大，很少用于自动驾驶。
毫米波雷达应用广泛，它发射电磁波并以光速传播。主要的毫米波雷达有24千兆赫和77千兆赫。24GHz频率低，带宽窄，精度相对较低，主要用于盲点监测和自动泊车。而77GHz的精度要高得多，可以更准确的探测距离，天气对其影响不大。和摄像头融合可以很好的感知环境。
但是毫米波雷达可以感知距离，但是无法准确感知物体的具体形状或者前方两个人的距离，同时也检测到大量的噪声。例如，空在一条废弃的道路上，由于路面有些起伏或颗粒，反射也会干扰毫米波雷达的判断。
激光雷达可以很好地解决这些问题，其精度可以达到厘米级。激光雷达上每个激光发生器代表一条线，常用的机械旋转式激光雷达有10条线、64条线、128条线等。激光雷达实际上是一种工作在光学波段的雷达，其优势非常明显。
一是分辨率极高:激光雷达工作在光学波段，频率比微波高2 ~ 3个数量级。因此，与微波雷达相比，激光雷达具有极高的距离分辨率、角分辨率和速度分辨率。
二是抗干扰能力强:激光波长短，可发射发散角很小的激光束，多径效应小，可探测低空/超低空目标。
第三，获得的信息量丰富:可以直接获得目标的距离、角度、反射强度、速度等信息，生成目标的多维图像。第四，它可以全天工作:激光主动探测，独立于外部照明条件或目标本身的辐射特性。它只需要发射自己的激光束，通过检测发射激光束的回波信号来获取目标信息。
然而，由于价格和体积的限制，目前激光雷达很少在量产车上组装。马斯克在很多场合都批评激光雷达“笨重”、“难看”、“完全没有必要”。这也是激光雷达的一大缺点。目前每个人都很难缩小它的尺寸，而且它在车顶的位置也比较突兀，直接影响了量产，所以我们还没有看到量产车上安装的激光雷达系统。
目前，末代超声波雷达已经成为常见的汽车部件，支持自动泊车等驾驶辅助功能，未来将为全自动驾驶做出贡献。其工作原理是以1-3厘米的精度测量0.2-5米范围内的障碍物，充当“汽车之眼”。超声波雷达可分为模拟、四线数字、两线数字和三线有源数字。它们的信号抗干扰能力依次提高，技术难度和价格普遍提高。
特斯拉的自动驾驶自推出以来，对超声波雷达的依赖度一直很高，一直坚持采用4+4+4的超声波雷达布局。在早期版本中，特斯拉在停车辅助前后使用了8个雷达，在辅助驾驶期间使用了全部12个雷达。特斯拉表示，与摄像头监控车道标线不同，超声波雷达可以监控周围区域，并清除车辆或其他物体等盲点。
特斯拉“偏爱”超声波雷达是有原因的。如上所述，激光雷达虽然好，但成本太高，暂时无法在大型车辆上组装，这也限制了高水平自动驾驶技术的推广。
而超声波雷达便宜。目前单个超声波雷达价格在几十元左右，倒车雷达系统的雷达硬件成本不到200元，自动泊车系统的雷达硬件成本在500元左右。相比之下，毫米波雷达的价格还在千元级别，激光雷达的价格更是高达几十万元。相对较低的价格将车企与超声波雷达捆绑在一起，促进了车载超声波雷达市场的繁荣。
据P&S情报数据显示，2019年全球车载超声波雷达市场规模为34.6亿美元；该机构预测，2020-2030年全球车载超声雷达市场将保持5.1%的复合年增长率，2030年将达到61亿美元。
然而，超声波雷达并不是自动驾驶技术的突破。它受到身体特征的限制。车载超声波雷达的探测范围被限制在数米以内，无法准确描述障碍物的位置；此外，同频段多部雷达多采用时分复用，避免回波“打架”，信息采集速度变慢；其检测精度易受车速、振动、温湿度等影响，在抗干扰和标定方面充满挑战。总之，超声波雷达是“辅助材料”而不是“主食”，配合毫米波雷达、摄像头甚至激光雷达才能支持更高级别的驾驶辅助。
集成是传感器的未来
显然，传感器将是解决高自动化水平的关键，传感器的数量和类型有望增加。越来越多的传感器只是冰山一角。传感器可以产生大量数据，而系统的处理能力受到严重限制。
所以传感器越多越好？有些人可能会这么想，但出于成本或集成度的考虑，车内传感器的数量不会无限增加。预计自动化传感器的数量将在某个时候达到稳定水平，主要差异在于软件水平和企业有效处理大量数据的能力。一些原始设备制造商，如特斯拉，仍然不使用激光雷达，而是押注于传感器和人工智能计算的结合，以实现高水平的自动化。
就像人的感觉一样，传感器必须战略性地定位，以持续反馈汽车周围的信息。然而，传感器的放置存在技术限制。例如，前灯中的冷凝水可能会阻止激光雷达工作。在下雪或寒冷的天气，霜冻可能会导致传感器故障。红外传感器不能穿透玻璃，也不能放在挡风玻璃后面。
目前自动驾驶的主流解决方案有三种。一种是基于视觉，利用GPS地图和AI人工智能进行自动驾驶。目前特斯拉模式主要以视觉为主。特斯拉通过所有特斯拉摄像头收集环境数据，并结合图像处理和机器学习，无需依赖预先录制的地图即可通过。特斯拉汽车边开车边收集数据、学习，将学到的知识分享给所有特斯拉汽车，从而以类似人眼的方式查看地形，进而通过人工智能分析引导自动驾驶汽车做出决策。
二是基于激光雷达、视觉制导，利用高精度地图和人工智能进行自动驾驶。这是主流传统OEM通用、奔驰、福特以及包括Waymo、Google在内的众多自动驾驶公司所采用的自动驾驶模式。这些车辆依赖于预先记录的周围环境的3D高分辨率地图，该地图由配备激光雷达的车辆预先捕获和绘制。然后，车辆可以使用地图，使用自己的激光雷达设备定位并确定环境是否发生了变化，然后在地图区域巡航时进行控制。
三是以车联网为主导，多传感器融合的人工智能自动驾驶。车联网需要巨大的基础设施投入，所有的自动驾驶操作都在同一个平台。与前两种策略相比，这是一个更广阔的生态系统。通过投资建设更智能的道路，可以降低车辆自主的复杂性和不确定性。这需要汽车制造商、V2X供应商和市政当局共同努力，创建车辆的基础设施和标准，使车辆能够顺利导航并降低错误阈值。
显然，前两种解决方案是基于当前传统路况、汽车状况和法律法规的现实解决方案。虽然特斯拉的方案只有一家公司采用，但特斯拉在电动车市场的体量也非常大，所以很难说基于视觉的自动驾驶方案肯定比基于激光雷达的方案差。
但有一点可以肯定，基于车联网的第三种方案是未来自动驾驶发展的必由之路。在车联网的引导下，将需要大量的传感器，这些传感器将相互配合，与车身形成一个完整的自动驾驶系统。因此，传感器的发展前景几乎可以用一条坦途来形容。
人们评价汽车
2019年全球自动驾驶汽车产量约几千辆，预计到2032年将增至年产40万辆，累计总产量10亿辆。届时，与自动驾驶汽车生产相关的总收入也将达到600亿美元，其中40%来自车辆本身，28%来自传感硬件，28%来自计算硬件，其余4%来自集成。这意味着未来15年将围绕自动驾驶汽车技术构建完整的产业生态。
对此，Yole dédevelopment的分析师预计，2024年传感器收入为广达4亿美元、雷达6000万美元、相机1.6亿美元、IMU 2.3亿美元、GNSS设备2000亿美元，但不同类型传感器之间的分布可能在未来15年再次发生变化。到2032年，传感硬件的总收入将达到170亿美元，而计算硬件的收入应该在同一数量级。无论如何，这是一个巨大的市场，没有人愿意自动放弃这块蛋糕。
