自动驾驶路线之争：纯视觉与多传感器融合对比

自动驾驶路线之争：纯视觉vs多传感器融合，谁才是终局？

【导读】从1939年通用汽车展示第一辆自动驾驶概念车算起，这场关于“让汽车自己开”的探索已经走了八十多年。这些年里，传感器、摄像头、计算芯片、存储芯片被塞进车里，测试场景从轨道、沙漠一步步延伸到城市道路。如今，厂商们正试图把自动驾驶技术真正推向家用车市场，朝着更高级别的自动驾驶迈进。

但有意思的是，技术路线却出现了明显的“派系割裂”。一边坚持纯视觉方案，认为摄像头加AI就够了；另一边则坚定拥抱多传感器融合，主张雷达、激光雷达一个都不能少。分歧的根源其实很简单——每个厂商对自动驾驶的理解不同，而且各自都跑通了初步验证。不过，如果去看看市面上那些应用于自动驾驶的元器件，你会发现两个派系之间其实有不少共通之处，比如对灵活设计和性能冗余的共同追求。那咱们今天就好好聊聊这件事。

纯视觉 VS 多传感器融合

自动驾驶有很多别名：无人驾驶、电脑驾驶汽车、轮式机器人……叫法不同，内核一致——用计算机和人工智能技术取代人类驾驶员，让车辆自行完成完整、安全、有效的驾驶行为。这种智能化的驾乘体验，无疑会成为新时代汽车的核心卖点，吸引全球科技巨头和车企争相布局。根据IHS Markit的预测，2022年全球自动驾驶汽车市场规模达到1629亿美元，同比增长约14%；到2030年，这个数字预计飙升至32197亿美元，年复合增长率高达45.21%。

图1：全球自动驾驶汽车市场规模（数据源自：IHS Markit）

想象一下这样的场景：选定目的地后，汽车自动规划路线、一路开到终点，而车上的人完全不用操心驾驶，只管享受旅途就好。但真要实现这一点，感知能力必须远超人眼。环境感知与精准定位、路径规划、线控执行，并称自动驾驶四大核心技术。其中感知是基础——车子连周围环境都搞不清楚，后面的决策和执行全是空谈。

纯视觉方案只靠摄像头收集环境信息，把图像传给计算芯片分析，本质上和人类驾驶很像——眼睛看，大脑判断。当然，纯视觉+AI的视野比人眼广得多，通过海量图片训练，计算系统能获得以车辆为中心的“上帝视角”。优势很明显：成本相对低，更像人类驾驶习惯，高分辨率、高帧率成像能获取丰富的环境信息。但短板也突出：摄像头容易受环境光干扰，对图像处理极度依赖训练数据，难免存在认知“死角”。目前走这条路的主要是特斯拉、百度和极氪。

多传感器融合方案则不同——摄像头、毫米波雷达、激光雷达一起上。激光雷达能获取深度空间信息，对物体的位置、距离和大小感知更精确，而且它是主动发光，不受环境光影响。但缺点同样存在：激光雷达在雨雪雾天气下表现不佳，而且单颗成本就要几千美元，加上融合方案对计算芯片的算力要求更高，整体成本没有优势。目前选择这条路的包括小鹏、蔚来、极狐等。

两大派系在技术实现上其实有共同逻辑：都是基于硬件构建车辆周围的3D信息，再让计算芯片从中提取关键数据做出驾驶决策。未来，纯视觉需要解决光致盲和认知错误问题；多传感器融合的难点在于融合算法本身，还需要更低成本的激光雷达产品。两条路线都还有很大的潜能可以挖掘。

话说回来，高级别自动驾驶尚未真正打开家用市场，路线之争也不止于环境感知层面，还有单车智能与车路协同的争议。但正如硬件厂商在支持自动驾驶时普遍选择高灵活性和性能冗余一样，每一种方案都值得被认真对待。下面我们具体看看几款可用于自动驾驶的元器件产品，它们能帮不同路线的开发者完成原型搭建。

为下一代ADAS助力的FPGA

无论走哪条路线，摄像头都是必需的——它们是汽车的“眼睛”。第一款要介绍的是可用于下一代ADAS开发的FPGA评估套件——UltraScale+™ MPSoC ZCU102，它在视觉处理上非常出色，来自制造商AMD Xilinx，制造商编号为EK-U1-ZCU102-G-J。

图2：MPSoC ZCU102评估套件（图源：AMD Xilinx）

MPSoC ZCU102评估套件采用Zynq UltraScale+ MPSoC器件作为系统核心。这颗器件在核心配置、工艺架构、器件尺寸、系统功耗、软件支持和图形处理等方面都处于行业领先水平。

图3：Zynq UltraScale+ MPSoC器件系统框图（图源：AMD Xilinx）

从系统框图可以看出，它基于四核ARM® Cortex®-A53和双核Cortex-R5实时处理器打造，搭配灵活的内存层级。异构处理加上可编程特性，既能提供更好的性能，又允许工程师多角度优化应用。16nm FinFET工艺配合超小型封装，赋予它无与伦比的计算密度，信号完整性也很出色。内置AI/ML深度学习处理单元和Mali-400 MP2图形处理单元，让它能胜任下一代ADAS系统对视觉算法的高要求，H.264/H.265视频编解码器进一步强化了这方面的能力。丰富的接口也让它支持多传感器融合毫无压力。可以说，这颗异构、高性能、超小型、高算力的器件，是为下一代ADAS量身定做的理想之选。

图4：MPSoC ZCU102评估套件系统框图（图源：AMD Xilinx）

这套评估套件针对Zynq Ultrascale+ MPSoC的应用原型设计进行了优化，支持全部主要外设和接口，包括PCIe根端口Gen2x4、USB3、显示端口和SATA等，设计灵活性非常高。

可用于ADAS原型设计的FPGA

在自动驾驶推进过程中，我们看到厂商主导了技术路线之争。但更进一步说，即便同一条路线，不同公司对ECU功能单元的界定也不同，系统架构和核心芯片自然有差异。那么怎么高效找到更有竞争力的设计方案？接下来这款产品能帮上忙。

这是来自AMD Xilinx的另一款解决方案——Versal™ AI Core系列VCK190评估套件，制造商编号为EK-VCK190-G-ED。

图5：Versal™ AI Core系列VCK190评估套件（图源：AMD Xilinx）

根据Xilinx Wiki的介绍，VCK190评估套件是第一个Versal™ AI Core系列评估套件，可帮助设计者利用AI和DSP引擎开发解决方案。相比服务器级CPU，其核心器件VC1902能提供超过100倍的计算力。它的连接选项非常丰富，既能用于数据中心计算、5G无线电与波束成形等场景，也能用于ADAS原型开发。AMD Xilinx还专门提供了目标参考设计，帮助实现汽车应用的多传感器视频分析。在参考设计中，评估板上的图像传感器模块能实时接收并加速与摄像头挂钩的信息，同时支持其他常见的AI/ML工作负载。

S32G2处理器：下一代网关的理想选择

回到系统层面——环境感知、精准定位、路径规划、线控执行，这四块缺一不可。在具体实现中，纯视觉方案用多组ECU对应多组摄像头，提取信息后汇总到计算芯片做决策；多传感器融合则是不同传感器对应不同ECU单元，最终仍需要把信息送到计算芯片。而车辆外部还有车联网，部分信息需要上传到云端，实现边云通信。这时候，网关配置就非常关键了，它直接关系到实时性和安全性。

接下来要介绍的是可用于下一代汽车网关和架构的S32G2汽车网络微处理器，来自制造商NXP Semiconductors，制造商编号为S32G274AABK0VUCT。

S32G2微处理器是NXP在汽车网关设备系列中的升级产品，基于四核Arm® Cortex®-A53应用处理器打造，性能和网络加速能力是此前产品的10倍以上。能做到如此大的跨越，得益于先进的设计理念：可选的两两锁步功能用于处理高算力应用，3个Arm Cortex-M7全锁步内核处理实时应用。以太网数据包转发引擎（PFE）、低延迟通信引擎（LLCE）和硬件安全引擎（HSE）三大硬件翻跟斗，让网络传输更快、更安全。

图6：S32G2汽车网络微处理器系统框图（图源：NXP）

安全是S32G2的一大亮点。除了前面提到的硬件翻跟斗，它还提供支持ASIL D功能安全的片上硬件模块和软件库。可选的高级软件方案中，还有用于功能安全实现的S32安全软件框架和Cortex-A53内核的结构内核自测（SCST），信息安全与功能安全两手都硬。总的来说，在域控制器、汽车网络和安全处理器这些场景里，S32G2都是绝佳选择。

满足多种汽车应用的图像传感器

无论走哪种技术路线，摄像头都是自动驾驶系统中不可或缺的部分——这就是视觉系统。接下来介绍的这款图像传感器来自制造商安森美(onsemi)，制造商编号为ASX340AT2C00XPED0-DPBR2，可用于ADAS、自动驾驶、环视、倒车摄像头、车舱内监测等多种应用。

ASX340AT系列是安森美面向汽车市场的VGA格式单芯片CMOS有源像素数字图像传感器，天生具备低噪声、低功耗和集成度高的优势。它提供了多种摄像头功能，包括自动聚焦、自动白平衡和自动曝光。值得一提的是，这是一款完整的片上摄像系统，片上集成了复杂的摄像头功能，集成商无需额外处理芯片就能设计后视摄像头系统。

图7：ASX340AT系列内部框图（图源：安森美）

整个安森美图像传感器产品线非常全面，支持从VGA到超过50MP的分辨率，覆盖CMOS和CCD技术，能用在汽车、工业、消费等各个领域。

路线之争持续，但目标只有一个

可以预见，在未来很长一段时间里，关于如何实现自动驾驶的派系之争还会继续——无论是环境感知层面，还是整体方案实现。不过，纯视觉方案的先发优势正在减弱，其局限性也比较明显，预计会有越来越多厂商拥抱多传感器融合，尤其是在更高阶的自动驾驶领域。当然，无论走哪条路，最终目标都一样——让汽车驾驶更安全。为了实现这个目标，厂商需要把更好的硬件方案和更智能的软件算法结合起来，而海量的原厂授权器件，正是帮助工程师朋友高效、优质完成自动驾驶硬件设计的关键支撑。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：自动驾驶路线之争：纯视觉与多传感器融合对比要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题