过去几年，以特斯拉CEO马斯克为代表，全球多家汽车厂商高管把自家的辅助驾驶技术（ADAS）说得神乎其神，然而，现实当中的事故和事故隐患此起彼伏，并且出现了多起大规模汽车召回事件。这些让人们看得越来越清楚，ADAS技术还不成熟，有很多问题需要解决。

3月12日，美国公路安全保险协会（IIHS）发布的最新研究显示，特斯拉的自动辅助驾驶（Autopilot）和全自动驾驶技术（FSD），以及其它几家主要汽车制造商销售的辅助驾驶系统都获得“很差”的评级。目前，美国国家公路交通安全管理局（NHTSA）没有正式的标准来管理高级驾驶辅助系统，IIHS根据其制订的标准对9家汽车制造商的14套辅助驾驶系统进行了评级。

在IIHS测试的系统中，只有一款获得“可接受”评级。IIHS指出，特斯拉、梅赛德斯奔驰、宝马、日产、福特、通用汽车、现代汽车和吉利旗下的沃尔沃汽车品牌的辅助驾驶系统，总体评级为“较差”，它们只在IIHS测试的某些要素上获得“良好”的分数，但总体得分都较低。

据悉，美国联邦监管机构正在调查近1000起使用特斯拉辅助驾驶的事故。特斯拉将撞车事故归咎于那些在使用辅助驾驶或全自动驾驶技术时，没有听从车商警告注意道路状况的驾驶人。

最近，NHTSA表示，由于警示灯字体大小不正确，会增加车祸的风险，特斯拉召回了220万辆电动车，这一数字涵盖了几乎所有在美国的车辆，包括Model S、Model X、2017~2023年的Model 3、Model Y和2024年的Cybertruck。3个月前，特斯拉在美国召回了203万辆电动车。

ADAS还有很多问题需要解决

ADAS是一套非常复杂的软硬件系统，要想实现安全的辅助驾驶，是一件很难的事情，并不像当下车商宣传的那么厉害。要想实现真正的L3，甚至是L4级辅助驾驶，还需要解决很多问题，例如，核心处理器的算力及其软件配套能力，与ADAS相关的其它零部件性能和可靠性的提升，感知技术的成熟，以及法规的完善和技术标准体系的统一。

核心处理器还在迭代

随着辅助驾驶级别逐步提升，应用功能越来越丰富，汽车对芯片算力的要求越来越高。特别是在安全性和实时性方面，ADAS的要求很高，需要系统具备更高的认知与推理能力。

目前，以Mobileye、英伟达、特斯拉为代表的厂商在ADAS计算芯片方面走在了市场前列，相关产品已在中高端和新势力车型中广泛应用。

Mobileye是L2及以下级别辅助驾驶的龙头，也是汽车ADAS技术的奠基者和引领者，在英伟达和特斯拉崛起之前，Mobileye一直是ADAS行业的龙头。

Mobileye以视觉方案起家，现在也研发带激光雷达的融合方案。Mobileye给车企提供的是芯片加感知算法的辅助驾驶解决方案，主芯片为EyeQ，内部写好了感知算法，EyeQ可以直接输出对车道线和车辆等目标的感知结果，车企的算法基于这些结果做出驾驶决策。这样做的好处是提升了寻求智能化转型车企的量产速度，但是，这样做，算力升级迭代速度慢，难以满足车企的定制化需求，最终导致其产品差异化能力不足，难以满足高速发展的辅助驾驶市场需求。

由于短板明显，从2020年开始，EyeQ芯片出货量增速明显下滑，特别是在智能化水平很高的电动车领域，而Mobileye的封闭生态模式，难以满足发展要求。近两年，Mobileye也意识到了问题所在，宣称EyeQ5会向用户开放部分算法，但其开放程度并未明确。

以前，在很多传统车企的车型中，依然在采用Mobileye的方案，在软硬件达不到先进辅助驾驶要求的情况下，再加上驾驶人的疏忽大意，难免会发生事故。

英伟达集成了一些特殊功能的GPU和辅助芯片，推出的初代车载芯片为Drive系列。随着车载系统需求的发展，Drive系统也在不断升级，例如Drive PX Xavier配备了一块Xavier芯片，适用于L2级辅助驾驶，对于更高级别应用，仅一个Xavier芯片的算力不够，可以采用两个Xavier加上两个图灵架构的GPU。另外，英伟达还推出了独立的Orin芯片，去年，该公司新推出了算力达到2000 TOPS的Thor，单颗算力为Orin 的8倍。这样，客户可以根据不同使用场景选择适合的芯片。

除了算力，英伟达还很重视软件工具的开发，先后推出了DRIVE OS、DRIVEWORKS、DRIVE AV、DRIVE IX。

虽然英伟达的方案相对于传统软硬件系统更加智能和灵活，但在纷繁复杂的路面上，依然不能完全保证绝对的可靠性。也正是因为如此，该公司一直在加大核心处理器算力方面下功夫，同时，不断完善软件功能。

正是看到了以Mobileye、英伟达为代表的第三方核心处理器供应商在软硬件产品方面的弱点，特斯拉选择自研ADAS核心处理器和软件算法。

特斯拉的ADAS处理器名为FSD，用以替代原来使用的EyeQ3和Drive平台。FSD从算法需求出发，采用了全新的芯片架构设计，其核心是两个NPU组成的NNA（Neural Network Accelerator，神经网络加速单元）。从算法出发设计芯片架构，使其能耗比更优；可以更激进地尝试新方案，不需要通过第三方车规级认证等复杂流程。另外，软硬件都通过自研完成，可以加快整车研发迭代速度，效率高于外购芯片模式。

从软硬件架构和性能方面看，特斯拉自研的ADAS系统有很强的创新性，也更适合当今的辅助驾驶系统，但是，该公司的策略比较激进，在未取得足够测试数据的情况下，就将它们的想法和系统用在了车上，引起了不少争议，同时，交通事故也在接连发生。总体来看，对于自动驾驶系统来说，软、硬件都发挥着非常重要的作用，缺一不可。

随着AI技术广泛应用，自动驾驶也进入了AI芯片时代，算力已不是衡量自动驾驶水平的唯一指标，还要看有没有针对某个特定领域的算法，也称为特异性算法，这也给后发芯片厂商在特定领域追赶头部企业提供了更多机会，即使算力拼不过，也可以在特异性算法上做更好的优化，从而在整体性能上实现赶超。

对于车企而言，由于辅助驾驶级别还未达到L3，厂商不会一味追求高算力芯片或平台，而是要综合考虑辅助驾驶芯片的算力和效率、适配性、软件开发难度、车规级安全认证等级、灵活性和能效比等指标，根据车型的价位选择最具性价比的芯片。

特别是在安全性和实时性方面，辅助驾驶的要求很高，需要系统具备更高的认知与推理能力。此时，软件和算法的重要性日益突出，也是车企的核心竞争力，例如，用于传感器数据处理和融合的视觉算法、雷达算法，以及路径规划、行为决策等。

各种零部件性能和可靠性有待提升

高级别辅助驾驶系统需要相应零部件性能升级，如摄像头、激光雷达、车控芯片、线控制动系统、DMS（驾驶员监控系统）等。

高级别辅助驾驶应用的前提是车辆感知能力的增强，其对于摄像头、毫米波雷达、激光雷达等感知设备的装配量与性能要求将提升。其中，摄像头将由低像素向高像素演进，装配量也将在360度环视成像需求推动下增加。毫米波雷达和激光雷达可以在纯视觉方案尚未成熟时为高级辅助驾驶系统提供更强的道路信息收集能力。

高级别辅助驾驶系统更为智能化，底层芯片需要具有更高的算力，同时功耗、兼容性要求也将提升。此外，高级别辅助驾驶系统的电子电气（E/E）架构也将趋于集中化，以单个SoC芯片为基础的智能驾驶域控制器、中央计算中心将逐渐替代传统的分散式ECU，系统对域控制器、中央计算中心产品的性能和可靠性提出了更高要求。

与传统机械液压制动、转向相比，线控制动、转向具有反应速度快，与电气化架构兼容程度高、能量回收、可配置多套冗余机制等优点，更适用于高级别辅助驾驶汽车。目前，线控制动、转向技术和产品还未完全满足安全应用要求。

DMS主要用于实现对驾驶员的身份识别、疲劳驾驶和危险行为的检测。对于L3级智能驾驶车辆而言，仍要求驾驶员在特殊情况下接手操控汽车行驶，部分国家法规也对驾驶员在L3辅助驾驶条件下能否接打手机、观看娱乐系统等做出了相关规定。这些都需要车辆配置 DMS，以在事故发生时确定责任。目前的DMS难以满足L3级辅助驾驶的要求。

产业链需要调整

随着更高级别辅助驾驶技术的成熟，会对相关芯片零部件产业链产生较大影响，甚至会重新整合产业链。

在传统分布式E/E架构下，整车辅助驾驶系统由几个相互独立的子系统（前向ADAS、侧后ADAS、泊车辅助系统、全景环视系统）构成，每个子系统中都有一个ECU，而ECU的主要物理结构是单片机+外围电路。在这种架构下，软硬件是强耦合的，Tier1将软硬件打包以“黑盒”交付的形式提供给主机厂。随着整车E/E架构从分布式走向集中式，辅助驾驶子系统所对应的ECU也融合成辅助驾驶域控制器，主控芯片从MCU演变成更高性能的SoC异构芯片，软件架构也随之向SOA升级，即系统软件（虚拟机，系统内核，中间件）、算法模块和应用程序层三部分，实现了软硬件解耦。因此，整个辅助驾驶系统产业链环节也随之分解为芯片、硬件集成及生产、软件开发、算法开发、应用程序几大环节。

在行业变革初期，芯片、中间件、算法开发等环节都单独衍生出一批创业公司，此时，相关公司的核心壁垒在于是否在各自环节具备充足的开发能力和量产经验，例如，近几年，德赛西威凭借基于对英伟达Orin芯片的辅助驾驶域控制器量产经验，斩获众多车企订单。然而，随着部分中低算力平台的智驾域控制器逐步走向标准化，对优秀Tier1企业（包括芯片供应商，集成供应商，算法供应商等）而言，对其能力的要求已不仅仅局限于产业链单一环节，更多的是需要凭借现阶段的领先优势来充分整合产业链上下游，尽可能具备集芯片、算法、制造等为一体的综合供应能力。

感知算法和软件技术还需进步

在特斯拉的引领下，主机厂，特别是中国相关厂商自2022年以来纷纷重新构建感知架构，并相继提出“重感知，轻地图”技术方案。但是，即便是在全新感知架构的加持下，智能驾驶系统仍无法像人类一样仅依赖于普通导航地图，目前仅是降低对高精度地图的依赖，而非彻底抛弃对任何形式地图的使用。高精度地图包含的增量信息可分为两类：一类是高精度道路几何数据（如路宽、 路线曲率半径等），部分智驾厂商已经可以通过BEV实时感知补齐这类信息；另一类是道路拓扑结构（如车道间的连接关系，路口红绿灯和相应车道的绑定等），智驾厂商暂时无法仅通过BEV网络架构补齐上述信息。

基于神经网络的辅助驾驶模型由工程师设定算法框架，依靠大量数据进行参数的更新和调优。因此，主机厂智能驾驶水平=算法构建能力*数据训练效率，其中，算法构建能力由模型本身的选择、技术路线等因素决定，数据训练效率则由主机厂数据闭环能力决定。当前，各个主机厂数据闭环搭建的成熟度、迭代效率等仍存在较大差异，因此，数据闭环能力将直接决定主机厂的智能驾驶水平。

主机厂数据闭环的效率将由其工程化能力决定。整个数据闭环体系包括数据获取、数据预处理、标注、仿真、模型部署等，每个环节都存在大量需要优化的工程问题。

完善法规，统一标准

目前的智能驾驶技术处于L2阶段，正在向L3演进。与L2不同，L3不再被视为辅助驾驶，而是有条件的自动驾驶，驾驶员无需时刻观察周围路况准备随时接管，此时，驾驶车辆的责任更多地由车辆本身承担，因此，自动驾驶系统正常运行时出现的交通事故理应由车辆生产厂商负责。但就当前各国交通政策来看，L3自动驾驶技术并未得到广泛认可，交通事故的第一责任人大多明确认定为驾驶员。可见，各国政府对自动驾驶落地持谨慎态度，相关法律法规的出台节奏较为缓慢，这在一定程度上限制了高级别自动驾驶技术的发展。

高级别自动驾驶的落地还需要各国出台相关政策对自动驾驶的认定标准、技术规范、专业术语、评价体系等做出明确解答，并建立标准体系。标准体系的建立十分繁琐且需要持续优化，这对各国政府来说都是不小的挑战。

结语

ADAS技术已经发展了很多年，路上跑的、具备该功能的汽车也越来越多，但安全问题并未得到解决。而且，有些车辆和ADAS系统在某种程度上是在公路上“做实验”，危险系数不小。

随着辅助驾驶级别的提升，安全问题的重要性也越来越凸出，要想将ADAS系统提升到更高应用水平，各种各样的软硬件问题、智能感知问题，以及法规和行业标准制定问题，都必须得到彻底解决。

当然，要想在未来的家用车上实现L4、甚至是L5级驾驶功能，除了技术攻关，成本是一个绕不开的难题，因为要实现L5级驾驶，车上需要搭载的硬件种类很多，且都很昂贵，而且，软件服务也不会便宜，这样的成本能否普及到广大消费者的生活中，是一个问题。