2025年智能驾驶核心软件产业研究报告.doc

智能驾驶核心软件产业研究报告（）

传统汽车产业正围绕着“软件定义汽车”，掀起了新的转型升级潮。纵观汽车发展历史，从最开始的“机械定义汽车”到“电器定义汽车”再到“电子定义汽车”，最后到现在的“软件定义汽车”。软件定义汽车（Software Defined Vehicles，SDV），即软件在车辆中扮演的角色逐步放大，在汽车中的渗入率越来越高，智能汽车成为了继智能手机之后，IT产业的又一种万亿级风口。本份报告，亿欧智库将以“软件定义汽车”为核心，围绕智能驾驶汽车的感知、决策、执行以及整体的商业模式进行分析研究。

· 感知层：不同等级的自动驾驶对于传感器的数量、精度规定也不同，随着等级的增加，呈指数增加；
· 决策端：智能驾驶汽车推动电子电气架构从分布到集中，域控制器、多域控制器替代ECU，引入高算力AI芯片；
· 执行端：自动驾驶需要解耦人与车的机械连接，线控制动、线控转向是自动驾驶执行端的核心；

汽车的产品功效被重新定义，产业构造正在重构，商业模式面临变革，“软件定义汽车”成为新趋势。

随着汽车智能化、网联化发展，软件在汽车整车制造中的重要性大幅提高。从软件代码量对比来看，目 前，高端车辆软件代码已经达成1亿 行，高端汽车中的代码量远多于PC和智能手机操作系统，且呈指数级增加中。横向来看，常见智能手机操作系统安卓的代码量为1300万行，PC 操作系统 Windows Vista 为5000万行，而一辆高端汽车的代码量可达1亿行。将来，-2025年汽车中代码量有望呈指数级增加，其年均复合增速约为21%。

传统汽车EE架构无法实施“软件定义”新功效：

· 在传统EE架构中，增加一种新功效，仅仅是添加一种ECU（Electronic Control Unit，电子控制单元），以及电线、线束布线等，但是极大地加大了系统的复杂性，主车企集成验证更为困难。如果需要实现较为复杂的功效，则需要多个控制器同时开发完毕才干进行验证，一旦其中任意一种控制器出现问题，可能造成整个功效全部失效；
· 在传统分布式EE架构之下，ECU由不同的供应商开发，框架无法复用，无法统一，同时OTA外部开发者无法对ECU进行编程，无法由软件定义新的功效，进行硬件升级；
· 基于传统分布式EE架构，车企只是架构的定义者，核心功效是由各个ECU完毕，其软件开发工作重要是由Tier1完毕，车企只做集成的工作，软件开发能力建设并不是车企的重点方向。

汽车EE架构从分布到集中式进阶：现在，汽车电子电气架构总体呈现分布式ECU架构向域控制器EE架构发展，最后演进成中央集中式EE架构。传统汽车采用的分布式EE架构，因计算能力局限性、通讯带宽局限性、不便于软件升级等缺点，不能满足现阶段汽车发展的需求，EE架构升级已成为智能汽车发展的核心

传统软硬件高度嵌套，无法实现个性化开发和深层OTA：在传统汽车中，硬件和软件的关系是强耦合状态，软件功效的实现更加依赖于硬件，简言之就是是硬件决定软件功效，并且硬件之间难以形成较强的协同性，汽车软件的可复用性和OTA升级能力整体较弱。而在软件定义汽车的共识下，车企资源向软件倾斜，软硬件解耦造成研发迭代加速。

面对将来汽车服务，整车软件架构需支持SOA：汽车正加紧智能化进程，传统通讯网络及软件架构设计中扩展性差、升级和移植成本高等问题日益凸显。为了实现软件定义汽车，智能汽车软件架构需向SOA（Service-Oriented Architecture，面对服务的分布式架构）转型升级。其中，中央集中化的E/E架构是实现软件定义汽车的硬件基础，SOA架构则是实现软件定义汽车的软件基础。

SOA 软件架构下的底层软件含有接口原则化、互相独立、松耦合三大特点：

· 各个“服务”间含有界定清晰的功效范畴，并且留予原则化的访问接口；
· 每个服务之间互相独立且唯一，均属于汽车软件架构中的基础软件，因此若想升级或新增某项功效只需通过原则化的接口进行调用即可；
· 含有松耦合的特性，独立于车型、硬件平台、操作系统以及编程语言。能够将传统中间件编程从业务逻辑分离，允许开发人员集中精力编写上层的应用算法，而不必将大量的时间耗费在底层的技术实现上。

汽车加速智能，感知先行：在软件定义汽车过程中，自动驾驶感知层的硬件及算法是整车智能化的基础。传感器作为自动驾驶汽车的“眼睛”和“耳朵”，现在主流的自动驾驶传感器以摄像头和雷达为主，其中，雷达可分为毫米波雷达、激光雷达以及超声波雷达，摄像头则按其安装位置不同，可分为前视、侧视、后视和内置四种类型。

在传感层的软件体系中，摄像头传感器通过视觉算法，摄像头可对车道、路边、障碍物、行人进行有效识别，局限性在于识别范畴受限、稳定性差。为了提高雷达性能，其软件算法也需要不停提高，例如，毫米波雷达和摄像头同样，在单独工作时都需要运行目的检测和目的跟踪，不停提高这部分算法的可靠性和精确性是难点所在，同时，单传感器提供精确的检测信号也是后续融合信号与否会更加精确的基础，因此对于毫米波雷达和摄像头的数据解决算法开发，是需要大量的思考、设计、仿真和测实验证来持续改善。

多传感融合驱动自动驾驶落地，技术路线：视觉主导方案 VS 激光雷达主导方案：现在自动驾驶传感器的选择存在两种不同的途径：一种以摄像头主导，搭配毫米波雷达，使用先进的计算机视觉算法实现全自动驾驶，典型代表有特斯拉、Moblieye以及百度Apollo Lite；另一种则以激光雷达为主，同时搭载毫米波雷达、超声波传感器和摄像头，远距离全方位探测能力强，但成本相对较高，典型代表为谷歌Waymo、百度Apollo、文远知行等主流无人驾驶公司。

现在，两种途径各有利弊，仍旧存在分歧：现在两种途径尚未分出胜负，随着自动驾驶技术的发展，激光雷达的价格有望下降，其全方位探测能力和不易受环境影响的优势将逐步显现出来，有望成为将来自动驾驶汽车主流的配备。

· 视觉主导方案：摄像头获取的视频数据与人眼感知的真实世界最为相似，靠近人类驾驶的形态。并且，在现在激光雷达价格居高不下的状况下，仅使用摄像头更容易控制成本；
· 激光雷达主导方案：“雷达+视觉”方案的优势是监测的距离更长、精度更高、响应更快，且不受环境影响。其对三维信息的解决，例如物体大小、移动速度的计算都有着非常优秀的体现。

传感器融合软件算法是提高精度的重要途径：多传感器信息融合（Multi-sensor Information Fusion，MSIF），指将自动驾驶摄像头、激光雷达、毫米波雷达以及超声波雷达等多个传感器各自分别收集到的数据进行融合，然后运用计算机技术将来自多传感器或多源的信息和数据，在一定的准则下加以自动分析和综合，以完毕所需要的决策和预计而进行的信息解决过程，方便更加精确可靠地描述外界环境，提高系统决策的对的性。

自动驾驶算法覆盖感知、决策、执行三个层次：感知类算法，涉及SLAM算法、自动驾驶感知算法；决策类算法涉及自动驾驶规划算法、自动驾驶决策算法；执行类算法重要为自动驾驶控制算法。

多传感器信息融合技术的基本原理与人脑综合解决信息的过程相似，在此过程中，智能驾驶汽车要充足地运用多源数据进行合理支配与使用，而信息融合的最后目的则是基于各传感器获得的分离观察信息，通过对信息多级别、多方面组合导出更多有用信息。这不仅是运用了多个传感器互相协同操作的优势，并且也综合解决了其它信息源的数据来提高整个传感器系统的智能化。

芯片是软件定义汽车生态发展的核心：在“软件定义汽车”趋势下，芯片、操作系统、算法、数据共同构成了智能驾驶汽车的计算生态闭环，其中芯片是智能驾驶汽车生态发展的核心。以特斯拉为代表的汽车电子电气架构改革先锋率先采用中央集中式架构，即用一种电脑控制整车，域控制器逐步集成前期的传感器、数据融合、途径规划、决策等运算解决器功效，因此对域控制器芯片算力需求大幅提高。

汽车芯片算力需求加大，高级别自动驾驶SoC芯片拉开商业大战：随着自动驾驶等级的提高，研发投入与技术难度也在提高，对芯片算力的需求也越来越大。芯片是智能驾驶汽车必不可少的核心零部件，现在，按照不同功效可将其为三类：第一类是传统的IVI芯片；第二类是负责自动驾驶功效的芯片：第三类是车身控制MCU芯片。

现在，全球汽车MCU芯片市场始终被恩智浦、德州仪器等汽车芯片巨头所垄断。随着汽车行业加速进入智能化变革，一场以高级别自动驾驶SoC芯片为核心的商业大战已经拉开序幕，英特尔、英伟达、高通、华为等消费电子巨头纷纷下场，中国的地平线、黑芝麻智能科技等初创公司亦来分食一杯羹。

在自动驾驶芯片赛道中，英伟达、高通、华为、谷歌、特斯拉等厂商拥有较强的先发优势，但随着自动驾驶快速发展，国内其它芯片厂商也在加速追赶。由于智能驾驶对算力的需求，汽车业界已经将峰值算力当作衡量 AI芯片的重要指标，并掀起算力军备竞赛。蔚来新款旗舰车型ET7搭载算力超出1016TOPS。上汽智己新公布车型搭载算力也达成500~1000TOPS。