|
随着「三电系统」基本讲完之后，我们就来看看如今的香饽饽——「智能驾驶」。
相比三电系统，智驾方面在迭代更新上就非常迅速了，一年，甚至半年就有一个阶段性的提升。并且，如今的消费者也越发看重智能化相关的配置，成为了选车的重点之一。
那么下面就来让我们大致了解以下智能驾驶相关的知识，以及用户所需要关注的点和一些“黑话”吧！
一般提到智能驾驶，相信大多数人都有听到过什么 L2 级、L3 级，20XX 年实现 L4 级智能驾驶，这些“L+数字”是什么意思呢？
其实这是 Level+“数字”的缩写，这些等级的定义最早是由美国汽车工程师协会提出的，不同级别代表汽车智能化的程度不同，从最低级的 L0-L5 共 6 个等级。
当然，我国也已发布汽车自动驾驶分级标准，总体上来说，也是参考了 SAE 的基本框架：
应急辅助，这个比较好理解，只存在于紧急情况下的辅助功能，如前碰预警 FCW、自动紧急刹车 AEB 等等。
部分驾驶辅助，就是说车辆的横向和纵向移动控制由驾驶员和系统共同完成。驾驶员双手不能离开方向盘的，只是在某些情况下，能够获得系统的辅助，如定速巡航等功能。
组合驾驶辅助，由多个系统功能组合使用，可以代替驾驶员操控车辆横向和纵向移动，但环境监测和响应还是需要驾驶员参与，同时驾驶员需要准备随时接管车辆，如 ACC自适应+LCC 车道居中等。
有条件自动驾驶，在这级别已经可以称为自动驾驶了，不过仅限于某些特定情况，在车辆请求介入时，驾驶员必须接管车辆。
高度自动驾驶，到这个阶段，驾驶员已经可以在大多数情况下解放双手，车辆完全自动行驶，但在车辆请求介入时，驾驶员依旧要干预车辆操作。
完全自动驾驶，这个级别才是大家想象中的自动驾驶，在所有情况下都不需要驾驶员参与，完全由车辆自主行驶。
实际上现在已经有一些车企能够做到 L3 级别的辅助驾驶，但在宣传时依然不能把 L3 公布出来，而是宣传其为 2.5L、2.9L 这些。
其最大的原因就是国内自动驾驶相关法规和政策还并未落地，如果发生了事故责任如何划分，这都需要明确规定。
不过，在 2023 年 11 月 17 日，工信部、公安部、住建部、交通部联合发布《关于开展智能网联汽车准入和上路通行试点工作的通知》，其中明确提出在智能网联汽车道路测试与示范应用基础上，遴选具备量产条件的 L3 及 L4 级别自动驾驶汽车开展准入试点。
这也意味着针对 L3 级别自动驾驶上路的法律法规将会得到完善，或许自动驾驶真的离我们不远了。
简单说实现智能驾驶需要解决三个核心问题：“我在哪？我要去哪？我该如何去？”， 能完整解决这三个问题就需要感知、决策、执行三个主要层面的技术体系配合完成。
感知系统：智能驾驶系统通过感知系统获取环境信息。该系统通常包括各种传感器，如雷达、摄像头、激光雷达和超声波传感器。这些传感器能够感知车辆周围的物体、道路标志、车道线和行人等。感知系统收集的数据用于建立对车辆周围环境的精确模型。
决策系统：决策系统使用感知系统提供的数据，进行场景理解和决策制定。它通过分析感知数据，识别其他车辆、行人、道路标志和交通信号，并对不同的驾驶情况做出相应的决策。
控制系统：控制系统负责将决策系统生成的控制指令转化为实际操作。它控制车辆的加速、制动、转向和换挡等动作，确保按照规划系统的指示进行安全而有效的驾驶操作。
再用点简单的比喻：感知层就相当于人的眼睛和耳朵，负责“听”和“看”，通过传感器，结合高算力感知算法，实时动态捕捉周边环境及位置的变化；
其次 ，决策层相当于人的神经中枢，负责“思考”，通过智能驾驶计算平台进行路径规划，对所获信息进行决策判断，代替人类做出驾驶决策；
最后，执行层就相当于人的双手 ，负责“行动”，在完成决策判断后，执行系统控制车辆沿着规划好的路径完成辅助驾驶。
感知系统其实最主要的就是硬件层面，充当着智能驾驶中的“眼睛”和“耳朵”，分别对应车辆中的摄像头和雷达两大类传感器。
摄像头：摄像头获取图像数据，再利用机器学习等图像识别技术，来实现距离测量、目标识别等功能。摄像头可分为前视、后视、侧视、环视四大类，不同位置的摄像头功能各异，是实现智能驾驶必不可少的构成部分。
一般来说，前视、后视和侧视（包括侧前/侧后）都是智能驾驶摄像头，会用在前/侧/后方的识别测距上。而环视摄像头则一般用于全景影像功能上，提供车辆周边的环境信息。
其中前视摄像头为智能驾驶当中主要硬件，用于车道线、交通标示牌、红绿灯以及车辆、行人等等检测，位于前挡玻璃上。其可分为单目/双目/三目，主要区别也是所应用的摄像头数量以及算法不同。
目前大多数车企所采用的前视摄像头都为单目或者双目，少部分车企会采用三目摄像头。
超声波雷达：超声波雷达利用超声波进行探测和测距的雷达技术。它通过发射超声波脉冲并接收其反射信号，来检测周围物体的存在和距离，一般用于短距离测量物体的位置、检测物体的存在与否。
多用在前方防碰撞预警以及倒车雷达上，在倒车入库，慢慢挪动车子的过程中，在驾驶室内能听到“滴滴滴”的声音，这些声音就是根据超声波雷达的检测距离给司机的反馈信息。
毫米波雷达：毫米波雷达利用毫米波频段（30 GHz 至300 GHz）的电磁波来进行探测和测量，通过检测回波来探测目标的有无、距离、速度和方位。
由于毫米波雷达技术相对成熟，成本较低，并且在不良天气下表现良好，因此成为感知系统中重要的一环。 不过，毫米波难以判断障碍物的具体轮廓，只能告诉系统哪里有东西，却无法描述这个东西是什么，因此只能作为补充硬件。
随着毫米波雷达技术发展，也是推出了一个 4D 毫米波雷达，简单来说，它就是传统毫米波雷达的升级版，4D 指的是速度、距离、水平角度、垂直高度四个维度。相比传统 3D 毫米波雷达，4D 毫米波雷达增加了“高度”的探测。
激光雷达：激光雷达是利用激光束来测量距离和构建环境的三维地图。它也是目前智能驾驶领域和许多其他应用中常用的关键传感器之一。
通过不同的扫描方式也被划分为了三大类激光雷达：机械激光雷达、半固态以及固态激光雷达。
机械激光雷达：能够竖直排列并360° 旋转，通过旋转对四周环境进行全面的扫描。但由于车规需求、高昂硬件成本、机械硬件的精密度不够、体积过大以及耐久度等问题，所以目前并没有达到车规要求，以及没有正式搭载在量产车上。
纯固态激光雷达：顾名思义就是没有了可旋转/移动/偏移的机械结构，只能向一个方向一定角度进行扫描。它的优势在于体积小，符合车规级以及稳定性高等方面。
例如速腾聚创的 M1 ，目前小鹏、智己、昊铂、腾势等品牌旗下车型均有采用。
半固态激光雷达：更像是前两者折中的方案，相较机械式激光雷达，混合固态激光雷达也只能扫描前方一定角度内的范围，而相比纯固态激光雷达，混合固态激光雷达也有一些较小的活动部件。
例如图达的猎鹰，蔚来全系车型搭载；何赛科技的 AT128，理想 L系列车型搭载。
当然，激光雷达还有点可以讲，但这里就不具体展开讲啦，毕竟内容比较繁多，如果对于激光雷达感兴趣的朋友，可以前往该链接具体了解：你真的懂了吗？五个问题带你了解激光雷达
除了以上这些传感器之外，对于目前的智驾能力上还有一个很重要的硬件，那就是高精地图。
高精地图：通俗来讲就是精度更高、数据维度更多的电子地图。精度更高体现在精确到厘米级别，数据维度更多体现在其包括了除道路信息之外的与交通相关的周围静态信息。
与传统的导航地图相比，高精地图能够配合传感器和算法，为决策层提供支持。利用高精度地图匹配可将车辆位置精准的定位在车道上，从而提高车辆定位精度；对传感器无法探测的部分进行补充，实时状况的检测与外部信息的反馈，同时获取当前位置精准的交通状况。
而车企现如今宣传的「无图智驾」，其实就是说不依靠高精地图下的智能驾驶。只通过传感器来感知周围环境，并结合算力和算法进行决策和控制。
不过，大部分车企宣传的「无图智驾」其实并非完全不用高精地图，而是不依赖高精地图，并不是完全“去图化”。
有高精地图的情况下确实会更有利于高阶智驾的实现，但高精地图采集是一个非常繁重的工作，制作成本非常高。当采集速度跟不上智驾需求的时候，智驾能力就会被限制住。
比如对于很多城市道路，你刚采集完，几个月后就可能修补一下，一两年后就可能大变样了，这样高精地图就更新不过来。也就是，高精地图采集和更新的高成本不利于辅助驾驶的普及。
决策系统充当着“神经中枢” ，负责“思考”，通过智能驾驶计算平台进行路径规划，对所获信息进行决策判断。而其中的重点就是计算平台（也称为自动驾驶域控制器）和智驾算法。
计算平台通常由一个或多个 SoC、MCU、数据交换模块等部分组成。其中 SoC 主要负责复杂的逻辑和计算功能，MCU 则负责安全功能、电源管理、温度电压监控等功能。
通常，SOC 芯片上会集成多个微处理器、模拟 IP 核、数字IP核和存储器等部件，比如 CPU、GPU、DSP、ISP、Codec、NPU 等模块。
就拿现如今的香饽饽英伟达 Orin X 为例，根据官方介绍，其由 Ampere 架构的 GPU，ARM Hercules CPU，第二代深度学习加速器 DLA、第二代视觉加速器 PVA、视频编解码器、宽动态范围的 ISP 组成。
当然，以上这些属于专业领域的知识，对于我们消费者、用户来说，只需要了解一些主要的参数就行。
首先就是制程，简单来说，它其实指的就是制程工艺。芯片本质上是一个集成电路，制程工艺越小，在同样面积上集成的电路越复杂，电路的性能就越强。
这个收益放到手机上更为明显，由于手机在追求轻薄的同时，实现能效的最大化，所以处理芯片的制程工艺当然是越小越好。
除了能耗以外，更小的制程意味着在同等的单位尺寸中可以塞入更多的晶体管。而作为运算芯片的基本组成部分，更多的晶体管数量显然能够提供更好的性能。
其次就是算力，算力也比较好理解，就是对信息数据进行处理，实现目标结果输出的计算能力。一般以 TOPS 为单位，表示每秒可完成操作的数量，1TOPS 表示每秒进行 1 万亿次操作。
关于算法的重要性，在游戏行业有一个生动的例子。2021 年前，有款名为 GTA5 的游戏，在早期的时候，即使玩家拥有着性能不错的电脑，但在打开游戏的时候也需要等待一段漫长的时间。
后来有程序员解包发现，由于部分代码质量过低，某个只需一步完成的步骤，被迫跑了 19.8 亿次 if 语句，占用了 60% 的计算资源，最终导致需要过长时间去处理这个步骤。
同样的道理在智能驾驶领域也成立：堆砌、消耗算力并不难，难的是通过高效算法将算力转化为实打实的用户体验。
现如今，面对一些主打智驾的车企，在宣传智驾功能的时候，也会冒出许多关于算法上的一些“黑话”：
BEV（Birds-eye-view）：指的是鸟瞰图视角，是自动驾驶跨摄像头和多模态融合背景下的一种视角表达形式。它的核心思想，是将传统自动驾驶 2D 图像视角加测距的感知方式，转换为在鸟瞰图视角下的 3D 感知。
Transformer ：它是一种基于自注意力机制的神经网络模型，被广泛用于计算机视觉领域中的图像处理任务，主要用于对数据进行变换和处理。由于全局注意力机制，Transform 模型非常适合进行视图转换。
所以 BEV+Transformer 方案应运而生，两者结合可以充分利用 BEV 提供的环境空间信息，以及 Transformer 在多源异构数据建模方面的能力，实现更精确的环境感知、更长远的运动规划和更全局化的决策。
占用网络技术（Occupancy Networks）：它一种基于学习的三维重建方法，通过产生 3D 体素，将这些 3D 体素与 3D 重建体素进行比较，从而实现感知识别，既能辨别出“不能碰的物体”又能发现“可以碰的网格”。
控制系统主要就包含 5 个部分，分别是：转向、制动、换挡、油门和悬架。其中，最关键的就是制动、油门和转向的控制。作为传统的汽车电子领域，我国企业的自主国产程度还是相对比较高的。
不过，作为传统的底盘控制件，它们都有一个共同弊端：存在大量的机械件，辅助件。这也使得底盘结构复杂，质量重。
而对于智驾能力来说，机械件的灵敏度不够，无法满足智能驾驶的低延迟反应需求，并且也缺失各个控制件之间的联动性。
线控（Drive-by-wire），即用线(电信号)的形式来取代机械、液压或气动等形式的连接，也可以理解为“电控底盘”，也就是原本机械实现的功能在线控底盘上全部由“电”来控制。
车辆轻量化：线控底盘去掉了车辆大量的机械连接装置、气压、液压等辅助装置。减轻了车身重量，并且结构简单，有利于后期的故障维修。
车辆的机械结构被取消：电控单元直接进行车辆控制，让很多功能布置更加灵活，不受物理条件的限制。
更有利于车辆的二次开发：不断迭代或者增加新的功能。也就是厂家经常宣传的 OTA 升级。
当然，线控底盘是一个非常庞大的产业，有不少“玩家”参与其中。目前业内对线控底盘主要就是分为两种：
一种就是以各个系统分开来开发的供应商，例如大陆、博世等，主要是为了更好的商业化上车；另一种就是从整体的底盘域设计入手的主机厂，系统性规划线控底盘的各个功能，为了更好的智能驾驶体验。
对应以上两点，目前车企实现线控底盘的方式也是两种：一种还是传统的供应商“拼接”方案，比如线控油门用博世的方案，线控转向用大陆的方案，但各个功能之间彼此割裂，并不利于后期的 OTA 升级。
第二种就是主机厂从底层架构开始设计，系统性布置各个功能。这又牵扯到另一个知识点，即汽车的电子电气架构，它将汽车的电子电气系统分为底盘域、控制域、动力域、座舱域、车身域几个大的域结构。
此时的线控底盘可以理解为底盘域的电子电气架构设计，车企完全自研的基于底盘域设计的线控底盘，更有利于智能驾驶功能的完善。
不过，由于目前法规不允许完全取缔机械件，以及对于全栈自研的难度。所以，除了线控油门，线控制动和线控转向都处于早期阶段。这也导致目前车企的线控底盘以第一种方案为主，完全基于底盘域自研并且量产上车的线控底盘凤毛麟角。
讲完智驾的构成之后，我们还是落回实际功能上。不过也相信有些朋友多少在车企宣传中，还是会摸不着头脑，毕竟车企们都喜欢用“黑话”介绍，什么 LCC、ACC、NOA、AEB 等等，那么这就让我们来通俗易懂的解释下。
首先，整个智驾功能，目前我认为可以分为四个层面：预警类功能、行驶辅助功能、高阶智驾功能以及自动泊车功能。
自动紧急制动，在紧急工况下通过主动制动方式来缓解或者避免碰撞的主动安全技术
：车辆盲区监测，车辆行驶时，通过毫米波雷达探测车辆后方两侧的盲区，如果其他车辆进入盲区，它会在后视镜或指定位置对驾驶员进行灯光提醒。
前向碰撞预警，通过摄像头、雷达等传感器实时感知车辆前方的物体，如果检测车辆与目标之间的距离较短，它会通过声音或者踏板来警示驾驶员。
定速续航，车辆大于某一设定速度时可开启，车辆自动按照设定速度进行行驶。
自适应巡航，定速巡航基础上升级的自动控制车速系统，车辆除了依照驾驶者设定速度行驶外，还可以根据前方车辆速度的变化自行保持跟随。
车道居中，车辆行驶过程中连续自动控制车辆的横向运动，将行驶中的汽车始终保持在车道线的中间区域。
打灯变道辅助，驾驶员拨动左转向灯或右转向灯拨杆，自动变道辅助系统将对环境进行判断，然后辅助驾驶员将车辆自动驶入相邻车道。
高阶智驾功能就是在基础驾驶辅助的功能之上，集成一些开发难度较大、针对高速或城区的驾驶辅助功能 ：
NOA：自动辅助导航驾驶，简单的说，就是在设置导航目的地并激活该功能后，车辆可以帮助驾驶者，将车辆从 A 点开到 B 点，在这个过程中，人要做的只需要扶住方向盘并关注路况，车辆可自己实现自动上下匝道、自行超车、自行变道等操作。
其中 NOA 也分为高速 NOA 和城区 NOA，主要区别就是行驶区域不同而已。和高速 NOA 比起来, 城区 NOA 能够实现的操作要复杂许多，相对的难度也会更高一些。所以大部分车企都是先推出高速 NOA 后，再推出城区 NOA。
不过，不同车企对 NOA 的称呼也可能不同，但大多都会将 NOA 功能作为付费功能。例如小鹏为 NGP、蔚来 NOP、问界 NCP 等等。
另外，基于城区 NOA 之下，有些车企也是推出了一个“通勤模式”，简单来说，就是可以依照自己需求，训练出可以自动驾驶的常用路线，车辆通过学习就能在这一条经常通勤的路线上，实现自动跟车、变道、红绿灯转向等操作。
：车辆通过传感器搜索车辆周边环境，寻找适当停车位或地面车位标记（如车位线等），并根据驾驶员的选择自动或手动确定目标车位，自动停放在目标泊车位置；
：用户选好目标车位后下车，使用手机 APP 或钥匙控制车辆自动泊入车位；
：车辆记住特定停车场景下的常用车位和路线，车辆自动从停车场入口驶入常用车位或者自动沿路寻找停车位，并泊入；
： 用户将车驶入停车场自主泊车区域后，通过手机 APP 实现车辆自主寻找车位并泊入，全程不需要车主对车辆进行监管。
通过这篇文章，相信大家对于智能驾驶相关的各种“黑话”都有了一定解，也算是对目前智能驾驶领域的知识点进行了简单的梳理。随着各家车企智驾功能的更新，相信未来的智驾体验也会越发完善以及安全。不过呢，我也是希望这些车企能够多贴近用户，为用户多多科普一下关于智驾相关的知识以及一些安全须知。也是为了让用户能够更好和更安全的在路上使用智驾功能。
以上内容转载自新出行，目的在于传播更多信息，如有侵仅请联系#替换成@)删除，转载内容并不代表第一电动网（）立场。
EV晨报 五部门：开展智能网联汽车车路云一体化应用试点工作；小鹏汽车2024年前两周销量仅为理想四分之一；腾势 N7 高快领航功能 1 月 18 日上线
特斯拉Cybertruck将在中国开启全国巡展，报名进行中，具体城市待定
EV晨报 金融监管总局：关注新能源车险成本高问题；曝广汽正推动电动汽车部门在香港上市；吉利银河首款纯电轿车E8上市
乘联会崔东树：2023 年中国汽车出口 522 万台、1016 亿美元，均世界第一
2023年全球动力电池榜：宁德时代市占率将首破40% 比亚迪首超LG能源夺得亚军 |
