21 世纪的汽车产业迎来了两次革命，一次是电动化，一次是智能化。前者颠覆了汽车供能方式，而后者将更彻底地改变人类出行——实现真正意义的无人化和自动化，我们认为智能化是超越电动化的更伟大的革命。

摄像头、毫米波雷达、激光雷达的性能及适用场景各有优劣，目前的感知层已形成多传感器硬件互为补充的局面。北拓资本预测，2025 年全球汽车感知市场规模将达 480 亿美金。

02

激光雷达：爆发式上车潮，成本及交付能力成为后半场竞争关键

2.1 全球激光雷达发展现状

2022 年以来，全球激光雷达市场颇具戏剧性。2022 年被称为“鼻祖”的德国激光雷达公司 Ibeo 破产；11 月，上市公司 Velodyne 和 Ouster 以全股票方式合并，以此改善现金流；专注于 OPA 路线的 Quanergy 于 12 月申请破产。与之形成对比的是国内激光雷达热火朝天的局面，禾赛科技于 2023 年 2 月在纳斯达克上市，上市市值达 30 亿美金；速腾、图达通、探维科技等激光雷达公司稳步扩大所获车企前向主雷达定点，国内上车元年已悄然开幕。据中信证券统计，到 2022 年底，有 32 款新车型搭载激光雷达，其中有近三分之二的方案由国内激光雷达厂商提供。

2.2 技术路线

激光雷达由激光光源、光束操纵方式、测距方式、激光接收四个部分组成，具体来看：

2.2.1 光源：ToF、VCSEL 及光纤激光器

目前常见的光源主要包括边发射激光器 (EEL)、垂直腔面发射激光器 (VCSEL)、固体激光器以及光纤激光器等。主流供应商一般是欧司朗 OSARM，滨松 HAMAMATSU。

EEL 具有高功率密度和高脉冲峰值功率，非常适合使用 APD 探测器的激光雷达系统。从产业化的进度来看，EEL 量产工艺成熟，供应量稳定性强，且具备一定的成本优势，是目前较为成熟的激光发射方案。

固态激光雷达的核心原理是消灭激光雷达中的活动部件。其中 Flash 技术的原理是激光不再通过一条光束来回扫，而是向一个区域射出一片发散的激光，像拍照一样形成点云面阵。这也是 Ibeo 等公司采用的方案。不过 Flash 的问题在于探测距离不够长，成像精度也不够高，目前仍不适合作为前向主雷达的解决方案。

另一种固态激光雷达技术是 OPA（光学相控阵技术）。OPA 利用光和电磁波的相互干涉，不需要通过任何活动的机械结构作用就能实现扫描效果。但由于价格太高，目前 OPA 主要运用在军事领域。

目前激光雷达行业采用的主流方案是混合固态方案，是处于机械式及固态雷达的中间状态。

MEMS混合固态旋转度小，系统稳定性高，且元器件少，结构相对简单，激光雷达整体成本相对较低，但缺点在于工艺不稳定，且难以满足车规级共振的要求。

转镜式混合固态激光雷达的原理是保持收发模块不动，让电机在带动转镜运动，在运动过程中将光束反射至空间的一定范围，从而实现扫描探测。转镜方案的扫描原理简单，器件成熟。但其线束角度，提高线束需要纵向堆叠器件，成本较高。

2.2.3 测距方式：ToF、三角测距、FMCW

当前及未来几年，ToF 仍为激光雷达采用的主流测距原理；而 FMCW 则是测距方式的演进方向方向，禾赛、速腾、华为等公司纷纷投资布局 FMCW 路线，但量产可能在 2025 年后。

FMCW 相对于 ToF 的理论优势在于以下几个方面：

尽管 FMCW 理论优势显著，但目前的 FMCW 的技术难度更大，成本高昂，信息复杂难以提取，理论上更优的探测性能还未被实践验证。

2.3 激光雷达行业竞争关键

从技术上看，国内激光雷达小四强在收发、扫描方式等各环节采用的技术方案都不尽相同，很难评价究竟何种方案才能被称为目前混合固态激光雷达的最优解。比如，从机械式雷达起家转做混合固态方案的企业都需要在收发模组的设计上跳出机械旋转式方案的限制，克服装调难度和成本控制问题。再比如，做双轴 MEMS 方案可以有效扩大水平视场，但也导致系统复杂，需要解决产品稳定性问题，并实现可持续的量产交付。采用 EEL 方案的公司也需要提升光源质量，以满足车场对探测精度的要求……总而言之，每种路径都有其独特的优势，但也都有系统化的问题需要克服。因此从产品和技术层面的角度讲，激光雷达公司并没有真正意义的在一个层面上竞争，关键在于如何突破各自技术路线导致的问题，并且达到上车需要满足的精度、测距长度、稳定性标准。

除了产品性能达标，成本和商业化难度也称为掣肘激光雷达公司发展的核心难点。以 Velodyne 为例，2016 年其 64 线机械旋转式激光雷达的报价超过 8 万美金，一度劝退包括特斯拉在内的一众车企。许多瞄准固态激光雷达路线的海外公司尽管在技术和研发层面选择了行业的“终极形态”，但最终也死于无法在短期内实现量产落地。海外激光雷达公司的教训已足够深刻，激光雷达竞争的后半场，如何有效降低 BOM 成本，在车企客户可接收的报价范围内实现盈利将成为激光雷达版图演变的关键点。

03

4D 毫米波：汽车感知新宠，算法能力成为竞争关键

3.1 4D 毫米波现状

传统毫米波雷达的原理是通过发射调频连续波（FMCW），利用发射和接收信号时间差计算出目标距离，通常可采集 3D 信息集（距离、方位、速度）。常采用 3T4R 的天线配置（3 个发射通道，24 个接受通道）。

4D 毫米波指在原有的 3D 信息基础上增加了高度信息。相比传统毫米波雷达仅能判断出前方有障碍物，4D 毫米波雷达增加了纵向天线及处理器，可以接收更多信息返回点，并呈现点云图，展示更多细节信息。可以测出障碍物的形状，并弥补了传统雷达难以识别静态障碍物的短板。以华为 4D 毫米波雷达为例，采取 12T24R 大天线阵列（12 个发射通道，24 接收通道），采取工程化创新堆叠射频天线组从而形成（长 / 宽 / 高 / 速度）4D 数据集。

2023 年初，特斯拉全新 HW4.0 电脑板被 Twitter 博主 Greetheonly 曝光，最引人关注的是新增的以太网接口预计将接入 4D 毫米波雷达。特斯拉重拾毫米波雷达的举动引爆市场，国内外掀起了对 4D 毫米波的投资热潮。国内也涌现了许多优秀的 4D 毫米波企业，在角分辨率这一关键指标上已实现突破，可以做到 0.68*0.8 的水平。

3.2 4D 毫米波技术路线解析

4D 毫米波主要的技术创新在于通过增加天线数来提高毫米波分辨率，目前主要有级联、级联 + 虚拟孔径成像、集成芯片三种方案。

3.2.1 级联方案

简单来讲，级联方案是将 77G 和 79G 标准 MMIC 芯片通过二级联 / 四级联 / 八级联增加实体天线 MIMO。以四级联为例，将 4 个 3T4R 芯片联在一起，组成 12T16R，形成 192 个虚拟接受通道。

该方案的优势在于前期开发难度较低，产品上市周期短。但问题在于硬件体积偏大，BOM 成本较高，对算力占用较多。同时多 MMIC 芯片存在串扰问题，后期算法的匹配难度也较大。

另外从量产的角度来讲，级联方案也存在中频同步难题。以四极联为例，4 个芯片大概有 20G 的中频信号要同步，良品率很难提升，因此当下的量产门槛较高。

3.2.2 级联 + 虚拟孔径成像技术

该技术的核心原理是：基于现有的芯片，在级联的基础上再通过虚拟孔径成像软件算法和天线设计做成高倍数虚拟 MIMO，达到在原来物理天线数基础上再虚拟出十倍甚至数十倍的天线数，把角分辨率从 10 度提升到 1 度。

传统雷达的波形是单频、重复、非自适应的，产生多种波形的唯一方法是增加接收天线数量；而虚拟孔径成像波形是自适应的相位调制（调频 + 调相 + 调幅），每根接收天线在不同时间产生不同相位响应，然后对数据进行插值和外推，创造一个“虚拟孔径”，从而大幅提升角分辨率。

虚拟孔径成像技术的壁垒主要在天线的布局、波形等方面。天线布局主要影响虚拟孔径的大小，波形主要影响通道数的多少。天线数增多，对后续数据处理能力也提出更高要求，因此目前业内采取该种方案的供应商并不多。

3.2.3 集成芯片

集成芯片技术是指通过将多发多收天线集成在一颗芯片中，通过形成 ASIC 芯片来实现 4D 毫米波的功能。

集成化显然可以大幅缩小 4D 毫米波雷达的体积，并以每通道最低的成本实现了最先进的射频性能。但量产的难点同样存在，比如如何解决小空间和多天的矛盾，比如天线串扰问题如何解决等等。

3.3 4D 毫米波的竞争关键：算法为王

4D 毫米波与激光雷达的技术难点恰恰相反：前者难在算法处理，后者难在硬件本身。

4D 毫米波算法的难点在于，传统毫米波雷达对目标的定义是“点目标”,而 4D 毫米波对目标的定义是“扩展目标”。因此两者的信号处理、点云处理架构并不一样。除此之外，4D 毫米波雷达的算法要做目标分类，需要围绕着 AVP、HWP、TJA 做功能，这些功能通常是由算法公司或算法很强的硬件科技公司来实现。

长期以来，毫米波雷达厂商提供的一般是软硬一体方案，对车企来说，毫米波雷达直接输出感知结果，车企客户只需将结果与其他传感器的识别结果做融合。在 4D 毫米波算法难度显著高于普通毫米波雷达的情况下，能够给车厂用户输出软硬一体方案、具备极强算法能力的公司有望在市场竞争中胜出。

04

汽车感知的未来：由冗余到统一，硬件级前融合或成为最优解

无论是采用视觉 +4D 毫米波方案的特斯拉，还是多传感器共同上车的国内车厂，都证明了多种传感器融合互补的必要性。但是，传感器数量与类型越来越多，各传感器安装的位置也不尽相同，如何将众多异构传感器的信号进行时间与空间同步，保留最精准的信息将成为一大挑战。同时，耗能、散热、算法处理、算力占用，都会成为异构传感器融合可能面临的问题。

我们认为，相比通过算法处理多种异构传感器的信息，硬件级的前融合可能会成为感知层融合的最优解。

传感器融合可以分成两种方案：硬件级前融合和依赖算法处理的后融合。在后融合架构下，每个传感器都各自独立处理生成目标数据，再由主处理器进行数据融合。

而前融合在硬件层面对不同的感知芯片进行了统一，在原始层把各种传感器的数据融合在一起，实现原始数据的同步，完美解决时间和空间同步问题。同时只需一个感知算法，降低了整个感知架构的复杂度和系统延迟，也解决了算力占用带来的高成本问题。除此之外，后融合感知中存在大量被过滤掉的无效和无用的信息，而前融合则可以创建出一个更全面、更完整的环境感知信息，大大提高感知系统的稳健性。

后融合原理

硬件级前融合原理

从国内感知硬件公司的实践中，我们已经看到很多优秀的企业在沿着前融合路径不断努力。激光雷达国内小四强企业中，有企业成功将激光雷达与 CMOS 视觉感知芯片进行了硬件级融合。也有一些 4D 毫米波公司，不仅打造了性能领先的 4D 毫米波产品，也开始对硬件融合方案进行探索。我们相信，有能力抓住原本所在传感器赛道竞争的核心要素，并且沿着前融合大势持续拓宽产品边界的公司，将在激烈的感知硬件竞争中脱颖而出，为汽车产业向智能化演进奠定良好的基础。