2020年12月召开的中央经济工作会议对明年重点工作进行了部署。其中，强化国家战略科技力量、增强产业链供应链自主可控能力、坚持扩大内需这个战略基点三项任务居于前三位。

  智能汽车领域产业链条长、涉及环节多、差异化消费需求强烈，是新一轮产业革命的重要抓手，是实现“需求侧改革”的重要力量。在此研判下，建投华科联合汽车评价研究院与知名院士专家、高校学者、产业界人士一道，经过近一年的精心打磨，最终完成了《中国智能汽车科技强国之路》的编写工作，新书已于12月26日正式对外发布。为更好的为智能汽车产业高质量发展服务，我们将陆续将此书的内容做发布，以供行业参考借鉴。

  智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通信、人工智能及自动控制等技术，是典型的高新技术综合体。从功能角度上看，智能汽车应具有的核心功能要素包括：感知与定位系统、智能驾驶系统、车联网、车载信息娱乐系统、安全防护系统（见图11）。

  感知系统以多种传感器捕获的数据及高清地图的信息作为输入，经过一系列的计算和处理，来预估车辆的状态和实现对车辆四周环境的精确感知，可以为下游决策系统模块提供丰富的信息。智能汽车需要持续观察周围的环境，精确计算在各种范围内的位置。与轮式机器人所需要的传感器相似，无人驾驶汽车所配备的传感器可分为三大类：环境感知传感器（Surrounding-sensing）、定位传感器（Localization）、自感应传感器（Self-sensing）。智能汽车传感器如图12所示。

  环境感知传感器利用外部感应传感器（Exteroceptive Sensors）感知交通标示、道路状态、天气状况、包含别的车辆在内的障碍物状态（位置、速度、加速度等）以及它们未来的状态。环境感知传感器决定了智能汽车与外界环境交互的能力，是无人驾驶汽车的硬件架构基础。环境感知传感器分为自主式和协同式两大类。自主式传感器通常是以电磁波的形式发射能量并测量返回时间以确定距离等参数，现有的自主式环境感知传感器有超声波雷达、毫米波雷达和激光雷达等。而接受来自车联网或者车路协同网络输出感知消息的则属于协同式环境感应，例如基于光和红外的相机。各种传感器在性能、价格、稳定性等方面各有优劣，其中雷达、毫米波雷达、摄像头市场潜力最大。激光雷达（LiDAR）能释放多束激光，接收物体反射信号，计算目标与自身的距离。应用较多的是利用反射信号的折返时间计算距离（Time of Flight），也有连续波调频（CWFM）方法。与雷达和摄像头相比，激光雷达能够最终靠多束激光高频发射获取的反射数据形成周边物体的高清3D的 “点云”图像。虽然激光雷达成本比较高，但其良好的成像性能，依然使其成为了最重要的传感器。预计随固态激光雷达技术成熟和产量提升，成本将降低到可承担的范围内。毫米波雷达是激光雷达的补充，毫米波雷达成像能力会比较低，但是穿透能力较强，所以除了在倒车提醒等短距场景外，还可以在不良天气、夜晚等激光雷达性能不佳的环境下发挥作用，是激光雷达的有力补充。摄像头也是激光雷达的补充，由于摄像头录入的是图像信息，数据量较大，较依赖图像识别，相比激光雷达的 “点云”，对计算机的要求高很多，这也将提升整体成本，因此摄像头获取的图像信息将主要负责交通标志识别等少数领域。智能汽车常用传感器对比如表7所示。

  定位是一台无人驾驶车辆的基础功能，需要告诉车辆相对于全球和本地的精确位置。目前普遍的使用的定位方法是利用GPS等外部感应传感器，精度可以从几十米到几毫米不等，具体取决于信号强度和所用设备的质量，精度越高，价格也就相对越昂贵。在市区等复杂路况场景下，所需的定位精度不超过10厘米，如果定位误差过大，那么无人驾驶汽车在城市道路行驶时会由于位置信息不准发生剐蹭等车辆安全问题，重则引发交通事故。

  常用的定位技术主要有卫星定位、惯性导航 （Inertial Navigation System,INS）、航迹推算（Dead-Reckoning,DR）、地图匹配 （Map Matching,MM）和传感器感知等技术 （见表8），为了获得高精度通常使用定位传感器组合， 如GPS／INS组合导航技术，GPS输出的位置和速度信息能大大的提升INS导航解算精度，而INS可以在GPS卫星信号覆盖不好的区域或位置，短时间内提高组合导航系统的精度，以及GPS／INS／GIS组合导航技术，该组合导航是在GPS／INS系统获取车辆定位信息后，进一步通过GIS系统中地图匹配算法将定位数据与电子地图进行匹配，对车辆位置做实时加权修正。该组合导航技术能有效克服GPS信号长时间受阻、定位间断或失效时，惯性导航定位误差积累偏大的问题，提高了导航定位的精度、扩展了使用范围。

  自感应传感器较为大众熟悉，通常包括里程表、惯性测量单、陀螺仪和来自控制器局域网（CAN）总线的信息等，使用本体感应传感器 （Proprioceptive Sensor）可以测量车辆当前的状态，包括速度、加速度、角速度和转向角。

  当前因为无人驾驶方案尚处于探索期，因此各家厂商的感知系统也没有统一标准。比如无人驾驶两大巨头特斯拉Autopilot和Google 的感知方案有着非常明显差异：特斯拉感知方案由环绕车身的8个摄像头、1个毫米波雷达和12个超声波传感器组成。而谷歌Waymo的感知方案以激光雷达为主，采用了三种不同的激光雷达，摄像头只是辅助。虽然各家感知方案各有特色，但是传感器融合是行业共同认可的趋势，感知传感器融合可以改进来自传感器的 两个或多个数据源的测量结果，发挥各个分立传感器的优势，提供冗余、完备、准确、时效的环境目标信息，来提升系统决策的正确性和安全性。

  智能驾驶与无人驾驶经常相伴出现，但是两者是不同的概念，智能驾驶 更为宽泛，它指的是机器帮助人进行驾驶，以及在特殊情况下完全取代人驾驶的技术，无人驾驶能够理解为是高等级的智能驾驶。推动当前智能汽车浪 潮的主要技术推动力便是后者——无人驾驶。人们对无人驾驶的渴望诞生许久。20世纪70年代末，筑波大学机械工程实验室的工程师们在日本的道路上测试了世界上第一辆无人驾驶乘用汽车。20世纪80年代，这一行动转移到了欧洲，西德武装部队大学教授恩斯特·迪克曼斯 （Ernst Dickmanns）用自己设计的自动驾驶设备改装了一辆梅赛德斯-奔驰货车。20世纪90年代，美国开始参与这样的领域，卡耐基梅隆大学带头开始研究无人驾驶。进入21世纪，五角大楼对这一新兴技术越来越感兴趣，美国国防高级研究计划局（美国军方最独立的研究资助机构，DARPA）在2004年、2005年和2007年组织了一系列公开竞赛——DARPA城市挑战赛，百万美元的丰厚的奖金和无价的声望，吸引了来自学术界和产业界的数十支团队，虽然声势胜于以往，但对无人驾驶依然是个小众线年，Google Aloha Go的横空出世，将AI带入大众视野，显著的技术提升为无人驾驶带来了新突破。2004年第一届DARPA挑战赛，赛程全长100千米，当时没有完成调整，而现在无人驾驶出租车运营公司Waymo行驶里程已超3220万千米。不得不让人感叹，16年间技术进步是多么的迅速。

  虽然无人驾驶已经取得了实质性突破，但是距离大规模商用尚存在一定差距，还处在攻坚探索期。根据智能驾驶实现功能和应用场景，我国将智能驾驶分为六级：0~5级。L0到L5（0~5级）可大致分为两个阵营：L0、L1 和L2需要驾驶者时刻观察路况，没办法做到无人驾驶；而L3、L4和L5在无人驾驶时，驾驶者无须接管汽车，因此准确来说，L0、L1和 L2称为驾驶辅助更加合适。L0～L2级功能技术实现难度相对而言要简单，比如很多车有自动刹车装置，其技术原理格外的简单，就是在汽车前部装上雷达和红外线探头，当探知前方有异物或者行人时，会自动帮助驾驶员刹车。另一种技术与此非常类似，即在路况稳定的高速公路上实现自适应性巡航，也就是与前车保持一定距离，前车加速时本车也加速，前车减速时本车也减速。这种智能驾驶虽然技术并没有高大上的玄机，但可以在极大程度上减少交通事故，由此减少交通损失。

  当前大部分汽车公司处于L0～L2，特斯拉和奥迪能轻松实现L3级，Google Waymo一骑当先已实现L4级驾驶，并且驾驶里程超过3200万千米。我国目前国内的自动驾驶行业呈现出 “一超+多强+勇于探索商业模式的公司”的形势，其中 “一超”指的是百度的Apollo，其在技术储备、试验里程、无人驾驶牌照数量等方面拥有非常大的优势。而“多强”指的是某些车企和科技类公司，比如长安和广汽都计划在2025年实现 L4级别无人驾驶，阿里和腾讯也都在无人驾驶领域早早布局。