一、華為智駕系統歷史迭代 華為高階智能駕駛系統（ADS）最新版本為今年4月智能汽車解決方案發布會上官宣的華為乾崑ADS 3.0，...

一、華為智駕系統歷史迭代

華為高階智能駕駛系統（ADS）最新版本為今年4月智能汽車解決方案發布會上官宣的華為乾崑ADS 3.0，預計將在與北汽合作的豪華旗艦轎車享界S9上首發搭載。

此前的1.0及2.0版本分別于2021年及2023年發布。相較于歷史版本，ADS3.0在軟件架構及功能上均有所升級。

在硬件迭代上，華為ADS堅持多傳感器融合方案。從ADS1.0到3.0迭代過程中，華為堅持多傳感器方案，通過激光雷達、毫米波雷達、攝像頭等多傳感器互補融合感知，以達到在惡劣天氣及光線不足情況下仍能有較好的感知識別表現。

二、華為硬件配置特點

在硬件配置上，華為ADS堅持多傳感器融合方案。

考慮到目前ADS3.0尚未公布對應的硬件配置方案，我們從ADS1.0及ADS2.0的硬件配置對比分析來看，硬件數量持續“做減法”，包括激光雷達用量、毫米波雷達用量、攝像頭用量均有所減少，同時，端側處理器簡化算力配置，以進一步降低總成本。

（1）激光雷達：硬件成本核心，數量大幅下降

細分來看，激光雷達的數量減少是硬件總成本降低的核心原因。

盡管近年來隨著規模應用及上游原材料下降等因素，激光雷達產品均價呈現大幅下降，但目前其單價范圍仍在數百美元至數千美元不等，橫向對比來看，激光雷達依然是智駕硬件方案中最為昂貴的配置之一。

因此，由ADS1.0向2.0的迭代中激光雷達用量從3個減配至1個，去除了2個側向激光雷達，僅保留1個前向激光雷達，使得對應成本大幅減少。

雖然用量減少，但硬件實現升級。ADS 1.0中采用的是華為自研的96線激光雷達， 而ADS 2.0中根據車型不同，采用等效126線的速騰聚創M1雷達或192線（業界車規 級量產最高線數）激光雷達，ADS 3.0預計亦將采用自研的192線激光雷達，在分辨率、刷新頻率上持續提升。

（2）毫米波雷達：傳統雷達用量減少，探索4D產品的使用

毫米波雷達用量亦呈現下降趨勢。華為ADS1.0中配置了1顆前向雷達及1顆后向雷達、4顆角雷達，而在ADS2.0中僅保留了1顆前向雷達及2顆角雷達。

華為推出自研4D毫米波雷達并有望搭載于享界S9。

4D毫米波雷達相較于傳統毫米波雷達新增了1D高度信息，可實現類似激光雷達的成像功能，目前行業正積極探索4D毫米波雷達的使用。

華為在今年4月首發了自研的高精度4D毫米波雷達，其相較于傳統雷達探測距離提升35%達到280m，且支持泊車模式，垂直視野3倍提升至60°，距離精度提升4倍至5厘米。據官網，即將于8月發布的享界S9將標配4D毫米波雷達。

（3）攝像頭：前視方案由多目向雙目轉換

攝像頭從多目轉向雙目，與行業主流趨勢一致。

攝像頭作為汽車自動駕駛系統的視覺傳感器，主要起到搜集車輛周邊環境、人、車情況等圖像信息的作用。根據配備攝像頭的數量，車載攝像頭方案可分為單目/雙目/多目。單目相機最為常見，其視距較遠，但無法獲取深度信息；雙目相機擁有兩個攝像頭，可獲取深度信息，但需要較為精確的相機標定；多目相機在雙目相機基礎上可獲得更多信息，但在信息融合、計算等層面需要更多的支持，成本相對較高。

目前國內主流廠商的前視相機大部分采用多目方案，但隨著攝像頭分辨率提升及出于成本考量，配備攝像頭數量逐步從2個以上減少為2個。

（4）車載算力：逐步貼近實際需求

車側算力從超配轉向貼合實際需求。

從產品發布歷史來看，從MDC 300F到MDC 810，CPU及算力配置呈現升級，但實際上車算力從ADS 1.0的400TOPS降至ADS 2.0的200TOPS；大算力硬件的搭載或為未來升級更高等級的自動駕駛方案做好準備，但現階段應用中或出現算力冗余，帶來不必要的功耗及里程問題。

三、華為智駕算法架構特點

1、“識物” ：從BEV到GOD，從人工標注到自主決策

BEV（Bird’s Eye View）指的是一種鳥瞰式的立體視角/坐標系，相當于在車輛正上方10-20米處俯視車輛及周圍環境，也被稱為“上帝視角”。

華為ADS 1.0主要采用BEV + Transformer算法，Transformer是一種新型神經網絡架構，可以直接進行2D、3D不同序列之間的轉換。整個BEV + Transformer方案的思路基本為“輸入-提取-轉換-融合-時序-輸出”，可將多傳感器采集到的數據融合并展現在同一坐標中，形成一個虛擬的向量空間，所有的分析和決策都在這個空間中進行。

存在問題：該算法需要在開發階段對識別到的目標進行人工標注，即“白名單機制” ；但實際路況非常復雜，障礙物標識存在“長尾效應”——白名單中不存在的物體數量多而種類繁雜， 如石塊、樹木等，從而發生事故。

ADS 2.0及3.0：從BEV走向GOD

為解決長尾效應問題，BEV進一步迭代為Occupancy Network（占用網絡），而ADS 2.0使用的GOD算法與占用網絡類似。該算法將整個世界劃分為極其微小的立方體，然后判斷每個小立方體是否被占用。

參考特斯拉的Occupancy Network方案，其攝像頭形成的周視信息先被發送到骨干網絡中進行特征提取、產生“占用體積”特征，然后將該特征與之前時序的體積相融合，產生4D占用網格，最后使用反卷積獲得體積及時序等反饋，從而實現動態以及靜態的障礙物感知。

相較于BEV的更優表現：由于該算法將現實世界分割成了小方塊，從而跳出了物體識別的固有思維，所以對異形障礙物的識別上具有較強的表現。

3.0版本中，進一步去除了BEV算法，僅保留GOD算法。

2、“識路” ：從有圖到無圖，采用RCR實現車輛的正常行駛

對于道路拓撲結構的識別上，從ADS 1.0到ADS 2.0，經歷了從有圖到無圖的轉變。

高精地圖與導航地圖的區別：高精地圖包括了傳統地圖的道路網數據、車道網絡數據 （車道線的位置、類型、寬度、坡度和曲率等車道信息）以及交通標志等，而傳統導航地圖僅包括方向級的路徑規劃、以及道路級的定位匹配等。人類駕駛員僅憑傳統導航地圖及自身的視覺感知、決策可實現日常需求，但對于自動駕駛系統而言則需要高精地圖才能實現精確的路徑規劃。

實際應用中，“有圖”方案存在兩大缺點：一是新城滲透速度慢，從政府開放城市采集名單、圖商制圖到車企研發適配需要2-3年的時間；二是更新不及時，由于高精地圖測繪耗時耗力，目前高精地圖的更新頻率在1-3個月左右，但小鵬汽車前自動駕駛副總裁吳新宙就曾表示，僅在廣州，半年就有500多處修路改造的情況發生，平均一天2處。

“無圖”方案城市泛化速度快：相較于有高精地圖，華為智能駕駛解決方案產品線總裁李文廣表示， “無圖最大的一個好處是泛化城市很快。”華為ADS 2.0在2023年Q2已實現深圳、上海、廣州、重慶、杭州的城區NCA落地，并在2024年春節之前實現了無圖智駕城區NCA對M5\M7智駕版用戶的全量推送，2024年3月實現了對問界M9的全量推送。

算法上亦迎來對應改變：ADS 1.0通過高精地圖實現車道識別，而ADS 2.0去除了高精地圖，轉向基于BEV架 構的道路拓撲推理網絡方案（RCR），將車輛自身視覺感知搜集到的信息，經過一系列的推理算法生成自身 的“高精地圖”，結合導航地圖實現實時路徑規劃。

3.0進一步更新為PDP（預決策規劃）。

最后，記得關注微信公眾號：鎂客網（im2maker），更多干貨在等你！