点击上方关注【创璟资本】
自动驾驶技术的演化，对于车载传感器性能的要求不断提升。在传统的摄像头和毫米波雷达无法触及的区域，激光雷达悄然崛起。昂贵的价格，优异的性能，激光雷达的工作原理究竟是什么？未来的市场前景究竟几何？本文将带您简要了解自动驾驶汽车的“鹰眼”——LiDAR。
1
自动驾驶的发展
1885年，卡尔本茨发明了世界上第一辆马车式三轮汽车；1886年1月，卡尔本茨申请了汽车专利并于同年11月获批，汽车正式宣告诞生；1913年福特公司开发出世界上第一条汽车流水线，变革生产效率，汽车成为了大众化的交通工具；1980年奔驰在其S级轿车上第一次装备安全气囊……在汽车普及和进化的过程中，被动式与主动式的安全系统先后得到发展， ADAS（Advanced Driver Assistant Systems）开始走上历史舞台为公众所熟知。汽车工业发展到今天，自动驾驶作为集成了智能化、轻量化、互联化、共享化的汽车驾驶形态，将极有可能深刻影响人类下一代出行方式。
美国汽车工程师协会SAE（Society of Automotive Engineering）将自动驾驶分为L0-L5共6个等级，这一划分目前已被业内广泛采用。
表：自动驾驶L1-L5分级 中恒创璟整理
L0-L2级别的辅助驾驶(ADAS)目前已经商业化。如盲点检测是典型的L0级自动驾驶功能，在其他汽车进入后视镜盲区后进行警告，不替代驾驶员完成任何驾驶任务。L1级自动驾驶如自适应巡航，控制车速以保持安全的车间距离(不控制方向)。特斯拉的Autopilot功能是L2级接近L3级自动驾驶，同时实现车距保持和自动转向，但是需要驾驶员始终监视车辆和环境。
自动驾驶技术并不是一项单一技术，其实现需要多个层次大量技术的集成，以及各技术间相互支撑。自动驾驶的进步，依赖在瓶颈环节取得技术突破，当前仍处于迭代的过程之中。我们联想人类的驾驶行为，人类开车是一个周而复始（感知→理解→决策→执行）的过程。人类通过视觉、听觉等感知周围的交通环境；大脑对看到、听到和感觉到的信息进行处理，了解车辆的位置、交通状况等；进而基于个人对当前路况的理解，进行路径规划、加减速、转向等决策；最终由手和脚完成车辆加减速和转向等操作。自动驾驶是一种类人驾驶，即计算机模拟人类的驾驶行为，其功能的实现同样分为感知、理解、决策和执行四个层次，只不过是由各类传感器、计算机和执行器来实现的。其中，感知层的传感器就相当于人类的眼睛和耳朵，通过感测获取外部信息传递给决策系统，担当起感知驾驶环境的作用。在感知层中最主要的传感器包括摄像头、毫米波雷达、LiDAR（激光雷达）等。接下来本文将重点介绍激光雷达的发展情况。
2
LiDAR——激光雷达
激光雷达（LiDAR）是军转民的高精度雷达技术，可提供普通军事雷达不具备的高分辨率图像，如辐射强度几何图像、距离图像、速度图像。根据功能性和使用范围可以细分为跟踪、制导、火控、气象、水下等多个用途，作用于不同的战场环境。民用激光雷达的主要应用在测绘方面，由于可以实现空间建模，因此可以使用于机器人及无人驾驶之中。商业激光雷达的领先者Velodyne最早于2006年为自身的激光雷达申请了专利，其发明的64线雷达就曾在美国国防部资助的DARPA（美国国防高级研究计划局）组织的无人车挑战赛上包揽过前两名的成绩。在自动驾驶领域，激光雷达的功能主要包括：障碍物检测、障碍物分类、障碍物跟踪、生成高精地图、实时定位等。
我们知道，雷达的基本原理是通过发射电磁波（包括无线电波、光波）对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率、方位、高度等信息。军事雷达由于其优良的属性特征早已是各国军方标配，民用雷达主要应用于气象预报、环境监测、地质调查、天体研究等。雷达按照频段可分为激光雷达、毫米波雷达、微波雷达等，按扫描方式不同可分为机械扫描雷达、相控阵雷达等。
激光雷达采用光飞行时间法(TOF)，通过发射和接收激光束，计算激光遇到障碍物后反射过程中的往返时间，分析得出障碍物与发射端之间的相对距离，构建出障碍物的轮廓，这些信息经过处理后获得3D环境地图，其精度可达厘米级。根据有无机械旋转部件，激光雷达可分为机械激光雷达和固态激光雷达，或介于二者之间的混合固态激光雷达，其中机械激光雷达体积较大。在固态激光雷达中，又可分为MEMS、面阵等不同技术路径。此外线束数量的不同，在分辨率和测量速度方面也有所不同，行业领先者Velodyne的64线机械激光雷达作为高端产品，单价超过7万美元。Velodyne所产的激光雷达最高线数已经达到128线，造价不菲。
接下来介绍下三种商用激光雷达的构造结构，分别是机械扫描式、MEMS和OPA固态激光雷达。
机械扫描式
机械扫描式激光雷达的工作方式是雷达内部装有机械转动装置，通过360°旋转扫描的方式向外发射激光。上面两张图是Velodyne 32线机械LiDAR的拆解图，其硬件原理为：
⚫ 纵向N个激光发射器依次发出激光脉冲，相对应的探测器接收光波，在Y-轴纵向形成扫描
⚫ 发射器/探测器围绕中轴旋转，形成X-轴横向扫描
⚫ 纵向扫描非机械驱动，因而这种方案又称混合固态激光雷达
⚫ 常见线束有单线、4线、16线、32线、64线，线束越高数据点越多则更容易进行物体识别
激光雷达构建的点云数据由大量结构细密的扫描线组成，图像模型中的每一行与部件上的每根扫描线对应，其算法和软件功能为：
⚫ 探测器输出点云数据
⚫ 算法实现的功能主要有基于激光雷达的定位、障碍物检测、分类、跟踪、车道线检测和路沿检测等，运算结果以文本输出
⚫ 汽车中央处理器整合所有传感器进行集中信息处理，进行自动驾驶决策
MEMS固态激光雷达
MEMS激光雷达是介于机械扫描式与全固态式之间的一种混合固态激光雷达，其工作原理与机械扫描式激光雷达类似，不同之处在于通过在雷达内部安装机械微振镜的方式来控制激光的发射角度，进而实现向外扫描和接收。由于其内部部件的旋转范围相较机械扫描式雷达已经非常小，因此又被认为是半固态激光雷达。MEMS激光雷达的相关概念：
⚫ 发射模组：由数个（~100个）发射器组成，常见的光源有脉冲激光二极管(Laser Diode, or LD) 或非制冷光纤激光器
⚫ 接收模组：由数个接收器组成阵列，常见的是感光二极管(Photo Diode or PD)中的雪崩二极管SPAD
⚫ MEMS (Micro-Electrical Mechanical System) ：微型电机械系统，是以半导体工艺生产的微型机械系统，可实现大批量生产并降低成本，同时做到小型化
⚫ MEMS微镜：是指发射模组将光射出，由微型镜面反射出去，而MEMS控制镜面方向从而实现扫描
⚫ 单轴只能在一个方向扫描，双轴可实现二维扫描，但控制难度更高
OPA固态激光雷达
OPA激光雷达的工作方式有别于前两种激光雷达，属于全固态LiDAR，其研发难度也更高于前两者，目前在全球范围内仍处于研发阶段，具体如下：
⚫ 光学相控阵激光雷达（OPA）的天线阵面由许多组发射器和接收器组成，每组称为一个阵元，利用电磁波相干原理，通过计算机控制每个发射器射出的光波相位，可改变最终相干波束的方向，从而实现扫描
⚫ OPA雷达可有灵活的指向性，从而实现跟踪物体的功能
⚫ 由于没有机械运动结构，所有控制可由计算机和电控完成，精度更高、可靠性更高、扫描速度快
目前在测试中广泛使用的多是机械扫描式激光雷达，在全球范围内已经实现量产。但是，其由于体积原因暂时无法通过车规级检验，而未来的发展方向也将向更小型、固态化、车规级进行演变，因此固态或混合固态激光雷达是未来能够实现车规级量产的方向。混合固态激光雷达中，MEMS方案相对更易实现，是目前主流的发展方向，且MEMS借助半导体的生产工艺有利于厂商实现低成本大规模的制造。但由于MEMS仍然有振镜部件因此不算全固态，是一种折衷的方案，而纯固态的OPA方案目前还处于研发阶段。
技术方案对比
技术方案的优劣要考量多重综合条件，包括：
⚫ 价格：车用必须便宜且可大批量生产
⚫ 可靠性和安全性：在极端条件下运行以及对人眼的安全性
⚫ 信噪比：信号/噪声，也就是传感器的抗干扰性，主要干扰噪声是背景光（阳光）及其他LiDAR的信号发射
⚫ 距离：必须实现远距离感知
⚫ 精度：可识别最小的物体尺寸
⚫ 速度：每秒刷新率，探测物体的速度
表：几种LiDAR方案的对比 中恒创璟整理
3
LiDAR与其他传感器的
对比分析
在自动驾驶感知领域，除了近年来发展势头迅猛的LiDAR外，已经被广泛应用的传感器还包括摄像头、毫米波雷达等。
表：各传感器之间的对比 中恒创璟整理
通过对比各种不同的传感器可以发现，各种传感器的优劣势特征非常明显。如摄像头的感知效果很好且成本适中，但对于光照环境的要求较高且感测距离较近，视角有限；毫米波雷达能够适应全天候的工作要求，但在道路识别方面表现较差；LiDAR能够对人和物体有效识别，但在恶劣天气下能力受限（由于波长无法穿透雨雾）。
在目前的自动驾驶方案中，由于任何一种单一传感器均无法在全天候下完成全部感知任务，因此多种传感器融合的方案设计被认为是一种必然选择。例如在2017年发布的具备L3自动驾驶级别的奥迪新A8上，配备了多达12个超声波雷达、5个摄像头实现全景拍摄感知，4个中距雷达和1个长距雷达、1个红外夜视传感器1个激光雷达。
4
LiDAR市场规模测算
本文根据研究成果对LiDAR市场规模进行了较为详细的测算，下文主要介绍测算的主要逻辑思路和假设依据，对于全部细节数字不再一一罗列。
▶ 乘用车市场测算
测算假设：
2017-2019，验证阶段，客户主要是少量整车厂和tier1、tier2供应商，以及互联网巨头；这一阶段产品价格昂贵，量产难度高；
2020-2023，量产阶段，客户覆盖更多车企，主要装配于主流车企的高端车型；这一阶段产品价格逐渐降低，量产规模开始上升；
2024-2030，普及阶段，客户覆盖大量车企，装配更多中等配置汽车，价格更便宜，量产规模更大。
数据依据：
截止2016年底国内汽车保有量接近2亿辆，全球汽车保有量12亿辆；
2016年国内汽车年销量超过2500万辆，同比增长14%；全球62个国家汽车总销量超过8400万辆，同比增长5.6%；
2016年11月，麦肯锡(McKinsey & Co)和彭博新能源经济资讯(Bloomberg New Energy Finance)联合报告认为：到2030年，高级别自动驾驶汽车将达到整体销量的50%，销量达到5500万辆至6000万辆。
▶ 商用车市场测算
激光雷达在商用车领域的应用以客车和货车为主，其中客车以城市公交为最主要的应用场景，但在实际推进过程中，新能源公交车作为科技应用的代表是最有可能率先普及激光雷达传感器的选择之一，出于对技术应用的保守考虑首先基于新能源公交车的普及进行测算。
测算假设：
2017-2019，验证阶段，客户主要是少量整车厂和tier1、tier2供应商，这一阶段产品价格昂贵，量产难度高；
2020-2023，量产阶段，客户覆盖更多客车厂，这一阶段产品价格逐渐降低，量产规模开始上升；
2024-2030，普及阶段，客户覆盖大量客车厂，价格更便宜，量产规模更大。
数据依据：
根据公开资料，我国公交车保有量约在50万辆，新能源公车的渗透率约为30%。
▶ 物流体系测算
激光雷达在物流无人车中的应用已经展开，顺丰、京东和菜鸟已经先后发布了无人送货车，并且已经在LiDAR行业内开展了采购业务，中国的物流巨头对于激光雷达的认可已经率先得到验证。
物流体系的无人车主要应用于两个场景：其一是为了解决最后一公里的送货问题，其概念类似于“共享单车“所解决的针对地铁和公交衔接的最后一公里出行问题，而激光雷达这一关键传感器正如智能锁之于共享单车的地位。其二是为了解决分拣中心内部的转运和装车问题。以此为基础进行假设测算。
测算假设：以京东为例
场景一：最后一公里
根据京东的规划，京东在全国660个城市逐级进行布局（其中直辖市4个，副省级城市15个，地级市260个，县级市381个）。我们假设京东先于个别城市进行试点，逐步扩大到全国。
场景二：分拣中心内部
假设每100个配送中心配置一个大型分拣仓库中心，每个分拣中心逐步实现无人车配货和装车。
基于我们收集的原始数据和一定的谨慎假设，我们对LiDAR未来可能适用的几个场景进行了市场预估，从测算结果来看，乘用车市场无疑是未来最大规模应用LiDAR的市场，其产值远大于商用车和物流体系。同样，由于乘用车市场对于LiDAR低成本量产的要求以及车规的客观存在，使得机械扫描式LiDAR仍然不具备大规模装车的条件。对于主机厂来说，综合成本和车规安全的考虑，更有可能选择MEMS混合固态LiDAR作为下一阶段的测试重点。对于LiDAR厂商来说，在目前机械式雷达还无法大规模车用的时候，选择在物流领域落地量产可以帮助企业在未来一定时期内保持稳定的现金流，并且对于产品性能的验证和稳定性的检验也是绝佳的积累过程。
本文是我们对于自动驾驶方向研究系列的第一篇文章，本次主要介绍了当下最火热的自动驾驶传感器LiDAR的基本情况，LiDAR的主流分类及基本原理，对比分析了LiDAR与其他车载传感器的优劣势与使用范围，并对未来有机会大规模应用的部分领域进行了市场规模测算。在后续本系列的文章中将进一步介绍当今全球LiDAR厂商全球化的竞争格局及商业化应用方案。