主流自动驾驶传感器数量和算力

主流自动驾驶传感器数量和算力

附赠自动驾驶学习资料和量产经验：链接

目前主流的思路是多传感器融合方案，以达到安全和感知信息可靠的效果，因此各大主机厂都是在增加传感器数量和升级控制器算力。

增加传感器数量必然带来对算力的升级要求。L3级别更是算力需求的分水岭，L3需要的AI计算力达到20TOPS，L4需要的AI计算力接近400TOPS，L5需要的AI计算力要求更为严苛，达到4000+TOPS，是L4级别的十倍量级。

L1-L5等级自动驾驶对算力需求值

但实际上这样的升级有几点需要思考：

（1） 是否存在冗余数据，导致对算力要求增加。比如，多个摄像头的overlap，周视与环视的overlap。解决前者可以先进行图像拼接再进行OD/FS/lane等检测，后者则可以采用超级摄像头，能同时实现近距离和中远距离的观测。我了解的华为在今年车展期间展示了超级鱼眼镜头，能够代替环视+周视，实现80米范围内至车身的感知。另外，感铠公司也出了一款超级镜头，代替环视+周视，实现了车载传感器（摄像头）的减法。

（2）在决策时，哪种传感器的优先级高。Tesla纠结于此，因此干脆只保留单个传感器感知，这就是后来我们熟知的纯视觉感知方案，即使无车道信息的乡间环境，夜晚环境依然效果很好。Tesla的做法也是实现了车载传感器的减法。

参考：

软件定义，数据驱动——2021中国智能驾驶核心软件产业研究报（亿欧智库https://www.iyiou.com/research）