adas和自动驾驶哪个前景好（自动驾驶和ADAS不是一回事儿）

因为概念的混淆，特别是自动驾驶概念的火热，消费者逐渐将自动驾驶和高级驾驶辅助系统混为一谈，可能会让他们造成不正确的理解，因此，重要的是，消费者要提高对ADAS好处的认识，以加快对目前仅在许多情况下可选的安全系统的理解。 但同样重要的是，要清楚地传达ADAS不能做什么以及它能做什么这一信息，而不是在营销宣传中迷失。从今天正在进行的ADAS开发到未来的全自动驾驶汽车，有一条明显的道路可以走，但就目前而言，ADAS的关键字是“协助”: 在所有的情况下，无论何时，无论何种程度的辅助，驾驶员不仅保持着整体的控制，而且对车辆的行为负责。

目前的ADAS结合了许多技术来操作。 本质上每个系统包括至少一个传感器监测参数和传递必要的信息处理和分析之前,如果需要,发送命令给司机感觉警报或干预或协助车辆的控制,例如,通过制动或转向。在某些系统和某些条件下，可能会出现上述部分或全部情况的组合。

数据源：Raw year-over-year difference in consumer interest in purchasing each ADAS feature (2014-2015)

首先，在驾驶干预方面，司机的警报可能仅仅是一个闪烁的灯。随着技术和使用体验的提高，多司机都更加熟悉停车，或者行车过程中可能马上发生剐蹭或碰撞，传感器发出的越来越紧迫的鸣响，而前方碰撞警报系统通常将不断升级的鸣响与仪表盘上的照明警报和方向盘上的触觉警报结合在一起。同时一起的也有触觉警报，通过方向盘和/或座椅的振动，也是车道偏离预警系统的常见特征，这点在游戏手柄上利用率也很高。当车道偏离预警功能扩展到车道保持辅助时，系统可以干预车辆的控制，使车辆回到预定车道的中心。汽车行业最近开始大规模转向电动助力转向系统(EPAS)，这在很大程度上是出于燃油效率的考虑，许多汽车都配备了非常适合ADAS功能的硬件，ADAS功能可以干预自动转向输入。由于EPAS的出现，自动停车功能和最新的交通堵塞辅助功能也得以实现，这些功能可以在缓慢行驶的交通中在有限的时间内控制车辆。前者服务于安全层面，后者为了更舒适的驾驶体验。

ABS控制模块是自动制动系统的重要组成部分。如今的稳定控制、自动紧急制动、自适应巡航控制和交通堵塞辅助功能等，都利用了ABS硬件的发展，在需要时可以精确控制制动干预。

如有必要，发动机输出可通过一种或多种方式控制或调节。在牵引力控制和电子稳定控制系统的情况下，通常需要一个相对微妙的扭矩限制，可以通过抑制点火火花或通过燃油喷射系统限制燃油流量来实现。在后来的电动“线控”节气门车辆上，扭矩可以通过节气门控制单元进行调节。巡航控制和主动巡航都需要完全控制油门机构，要么通过油门电缆本身的执行器，或者在以后的车辆上，通过线控油门控制单元。传感器技术是ADAS发展的关键驱动因素。 ADAS和自动驾驶功能提供车辆周围环境的连续信息流，而传感器的工作就是提供这些信息。

我们知道，很多传感器需要安装在车的外部，以达到车辆的极限，比如保险杠的角落和格栅后面，这些环境对高科技设备来说可能是不利的。 汽车保险和维修行业也对昂贵的传感器更换或重新校准问题表示担忧，如果车辆发生事故之后，相关功能的维护和保养，也是一个问题。实际的应用案例种，ADAS功能要实现完全自主的应用，还有很长的发展路径。例如，目前的系统很难识别出特定形状以外的行人。如果一个人的衣着明显改变了他的轮廓，如果他带着一个很大的物体，或者他的身高低于一定的高度，他们可能会认不出来。甚至更多复杂的情况，比如开车突然遇到一头“鹿”等等。当然，以上情况在更为稳定的城市道路上还算好解决。

如果按照背景粗略划分，ADAS市场主要玩家可以分成四类：Global零部件供应商，如大陆、博世；跨界科技公司，如华为、百度；本土零部件巨头，如东软集团、德赛西威；以及一众创新创业公司如福瑞泰克、Momenta等。而发展方向上也有不同模式：有比较稳定的渐进式：逐级研发，由 L1/L2 ADAS 驾驶辅助系统逐级向 L4/L5 过渡。也有比较激进的思路，也就是跳过驾驶辅助系统，直接从高度自动驾驶 L4 系统切入。

这里先非常简单地聊一下互联网，我们知道，在自动驾驶领域，当车企在选择供应商时，非常看重量产落地经验。互联网巨头确实有资源和资本优势，用钱来砸技术，能够做到在技术研发阶段的领先性，但量产上车考验的是产品化能力，技术能力只是一个基础门槛。能够进入主机厂供应链，不仅要技术过硬，还要保证够强的工程化能力、供应链管理能力、流水线总装效率，以及产品的安全性、功耗情况、成本控制等综合考量。

所以首先从量产角度，互联网公司如果没有与有量产经验的第三方强强联合，直接从概念上选择比较激进的L4系统切入，方案很难具备量产性，更难有被验证的机会。

根据英特尔 CEO 测算，假设一辆自动驾驶汽车配置了GPS、摄像头、雷达和激光雷达等传感器，每天将产生约 4000GB 待处理的传感器数据。而从传感器硬件的角度，每种传感器单独使用均有一定局限。比如说： 摄像头成本低功能齐全，但易受环境影响；

毫米波雷达不受环境影响，但精度较低； 激光雷达精度高，但成本高；高精地图精度高，但采集困难；GNSS 全球导航卫星定位精度高，但信号差；IMU 惯性导航不受环境影响，但成本高。

所以，各大公司在利用硬件资源的基础上，也会通过搭配&软件结合的方式，推出一些各自有特色的代表性方案。比如视觉主导方案：摄像头（主导） 毫米波雷达 超声波雷达 激光雷达，典型的代表是特斯拉。激光雷达主导方案：激光雷达（主导） 毫米波雷达 超声波传感器 摄像头，典型的代表是 Google Waymo；以及百度 Apollo 研究，GNSS IMU Lidar/CV 融合高精度定位系统，据说可实现 97.5% 以上的覆盖率。

为了实现以上几种代表性方案，硬件设计必须使用更先进的流程节点来满足更高的性能目标，同时降低功耗和占用空间的需求。那么作为汽车自动驾驶的“中控大脑“，这些汽车相关的自治应用程序解决方案，将被封装成为SOC的形式。这些芯片通过接口和高性能ecu(电子控制器单元)将传感器连接到执行器。考虑到自动驾驶对延迟要求很高，传统的云计算面临着延迟明显、连接不稳定等问题，这意味着这颗SOC的职责，是强大的车载计算平台。自动驾驶的“困境”不仅仅是软件层面的问题，对于硬件有强要求，同时，这种要求也不过能太过分，因为同时也要考虑市场与成本。

当前运用于自动驾驶的芯片架构主要有4种：CPU、GPU、FPGA（现场可编程门阵列）和ASIC（专用集成电路）。现阶段，GPU FPGA的通用芯片方案是主流。由于自动驾驶算法还在快速更新迭代，对云端「训练」部分提出很高要求，既需要大规模的并行计算，又需要大数据的多线程计算，因此以GPU FPGA解决方案为核心；在终端的「推理」部分，核心需求是大量并行计算，从而以GPU为核心。目前出货量最大的驾驶辅助芯片厂商Mobileye、Nvidia形成「双雄争霸」局面，Xilinx则继续在FPGA领域上深挖。这里我们可以看一个行业典型，Mobileye具有自主研发设计的芯片EyeQ系列，由意法半导体公司生产供应。

Mobileye目前也算是Intel体系在自动驾驶布局的重要一步，原来的Mobileye团队刚成立时，高级驾驶辅助系统(ADAS)还处于起步阶段，整个行业都认为昂贵的雷达传感器是实现必要功能的必要条件，或者至少两个相机(立体视觉)，利用传统的三角测量方法来计算距离和速度。而Mobileye的创始人，Prof. Amnon Shashua证明了关键的安全功能，如自动紧急制动(AEB)和基本上所有的感知任务都可以使用一个相机(单反视觉)来实现。所以，将这些革命性的算法与定制、高效的EyeQ SoC结合在一起开，相当于是创了许多基于视觉的ADAS功能。从ADAS升级到自动驾驶汽车，不仅需要额外的传感器和更先进的算法，还需要解决整个行业的挑战，比如监管自动驾驶汽车的安全，为自动驾驶汽车绘制高清地图， 并降低每辆车所需的硬件成本——通过解决规模挑战，Mobileye在所有领域都是行业的领导者。 在定义自动驾驶汽车的安全性方面，Shalev-Shwartz和Shashua共同撰写了一篇开创性的研究论文，研究了一种新的模型，用于定义在驾驶决策环境中安全的含义。 该模型被称为“责任-敏感-安全”(RSS)，它以数学形式定义了驾驶员在平衡安全与效用的同时提供正式的保证以防止事故发生的假设，这在行业和监管机构中得到了广泛支持。RSS也成为了Mobileye“驱动政策”的支柱，它取代了传统机器人启发的政策算法所依赖的“预测”——尽管消耗了巨大的计算资源——用“意图”取代，因此只需要一小部分计算能力。（笔者注：但是算法相关的知识因为不够了解，所以不做过多说明）；

Mobileye2017年被英特尔153亿美元收购。英特尔在ADAS处理器上的布局已经完善，包括Mobileye的ADAS视觉处理，利用Altera的FPGA处理，以及英特尔自身的至强等型号的处理器。从目前发展状况来看，英特尔 Mobileye形成的CPU FPGA EyeQ 5G构成的强大计算平台和通信是一套完整的从感知到决策和通讯的完整解决方案。也算是ADAS进化到自主驾驶的一个正向案例，提供一套成熟的解决方案。相信能从根本上解决大家对于目前阶段，自动驾驶方面的很多担忧。

由此来看，实际上对比互联网巨头，传统ADAS企业更有有先发优势，当把L1到L2的产品逐渐交付给车企，规模交付和量产经验已经积累很多。而且产品经过大批量装配、使用过后，安全可靠性已被验证，这些能力远比“PPT“造车等概念要重要的多。