资料来源：融中咨询1）域控制器域控制器负责整合和处理传感器数据，并执行高级感知、融合和决策算法，同时管理多个车辆系统之间的通讯，确保实时数据交流和同步，对驾驶辅助功能的可靠性、安全性和效率非常重要，是智能驾驶解决方案的核心构成要素。域控制器结构相对复杂，主要包括：图2：智能驾驶域控制器原理图资料来源：汽车电子与软件智驾SoC：SoC是一个将实现智驾功能的电子系统集成到单一芯片的集成电路，多为异构多核架构（如CPU+GPU+NPU），主频高（GHz级），内存和存储资源丰富（GB级）；在智能驾驶硬件系统中扮演了“大脑”的重要角色，负责处理智能驾驶系统中的复杂计算任务，如传感器数据融合、环境感知、决策规划、车辆控制等，同时确保数据的安全性和处理的实时性。微处理单元MCU：MCU通常基于单核或简单多核架构（如Cortex-M/R系列），主频较低（百MHz级），内存和存储资源有限（KB~MB级），侧重实时性和低功耗，主要处理功能安全要求较高的数据，进行逻辑运算，包括处理雷达等对外接口数据、车辆规控、通信等。存储芯片：负责对数据进行存储，包括eMMC、NorFlash、Memory芯片等。其他部件：如电阻电容等无源器件、散热组件、密封性金属外壳、PCB板、接口、网关、电源管理芯片等。2）传感器传感器负责感知和收集车辆周边的环境数据，提供准确的距离、速度和方向信息。传感器主要包括摄像头和雷达。摄像头：作为关键的视像传感器，可提供高分辨率的影像、准确地识别路面标志、交通信号和障碍物。目前具备智驾系统的汽车上搭载的车载摄像头根据安装位置主要分为前视摄像头、环视摄像头、后视摄像头、侧视摄像头以及内置摄像头五种类别。表1：车载摄像头主要安装位置类别资料来源：艾邦智造雷达：是感知环境的重要传感器，可细分为毫米波成像雷达、超声波雷达和激光雷达系统。表2：智能驾驶雷达系统类别资料来源：艾邦智造三种雷达方案各有优缺点：超声波雷达成本低、探测角度宽但远距离探测弱且受温度影响大；毫米波雷达全天候工作强、车速测量能力高但探测角度窄；激光雷达远距离探测强、环境建模精确但成本高、不良天气性能弱。表3：三种雷达方案性能对比（颜色越深，性能越优）资料来源：融中咨询3）软件算法软件算法可诠释感知和定位数据，预测和规划路径，并做出安全有效的驾驶决策。算法的发展直接与驾驶辅助的安全性和自动化水平挂钩，因此也是该领域技术突破的关键。模块化自动驾驶算法架构：传统的模块化自动驾驶算法反映了工程师们根据人的思维模式，对自动驾驶所需处理过程的思考。通常包含感知、预测、规划模块，同时辅助一些地图、定位等模块，实现自动驾驶功能的落地。图3：模块化自动驾驶算法框架示意图资料来源：Apollo开发者社区早期市场以传统计算机视觉和专家系统为基础构建辅助驾驶功能，随后因卷积神经网络（CNN）在图像识别任务上的出色表现，让深度学习在自动驾驶领域被广泛使用，以Waymo为代表的自动驾驶先驱玩家开创了激光雷达+高精度地图的感知范式，Cruise、百度等企业纷纷效仿。图4 Cruise公司的激光雷达+高精度地图感知方案资料来源：Cruise公司官网但是高精度地图的高采集成本，高采集难度、人工修图费时费力、更新难度高、国内法规严格等特性导致经过数十年的发展，搭载这种解决方案的Robotaxi（自动驾驶出租车）的使用范围仍被限制在特定区域，使用对象也仅局限在商用车领域。BEV+Transformer算法：用神经网络将多个2D的图像和传感器信息综合成为3D的向量空间视角鸟瞰图，交由下游规控模块处理。这种算法架构直接将传感器搜集到的周围信息由算法生成实时动态鸟瞰图，解决了智能驾驶车辆对高精地图依赖的问题，开启了智能驾驶新时代。图5：摄像头视角与BEV算法视角对比资料来源：特斯拉 AI DAY 2021Occupancy Network算法：与BEV一样依托Transformer算法架构。输出的结果是Occupancy Volume（物体所占据的体积）和Occupancy flow（时间流）。它解决了障碍物识别率低的问题，将识别的物体转换为4D形式，无论车辆周围有什么东西，无论它认识与否，它都可以将其识别出来，避免碰撞问题。图6：时间流通过光流法来判断资料来源：特斯拉 AI DAY 2022端到端算法架构：一种基于统一的神经网络，从原始传感器数据输入，直接到控制指令输出的连续学习与决策过程，过程中不涉及任何显式的中间表示或人为设计的模块，无需传统的多个模块参与，从而达成无损信息传递以及快速决策的效果，并能依托大模型算法，实现连续的模仿、学习、决策循环，不断迭代性能。图7：传统模块化算法架构VS端到端算法架构资料来源：36氪4）智能底盘智能底盘是一种为自动驾驶系统、座舱系统、动力系统提供承载平台，具备认知、预判和控制车轮与地面间相互作用、管理自身运行状态的能力。其特点有线控化、个性化、多执行器融合和更高的安全要求。图8：智能底盘系统示意图资料来源：融中咨询（3）分类1）自动驾驶能力划分根据无人驾驶自动化程度，全球公认的分级标准主要有两个：美国高速公路安全管理局（NHTSA）和国际自动机工程师学会（SAE）。中国于2020年参考SAE的0-5级的分级框架发布了中国版《汽车驾驶自动化分级》（GB/T 40429-2021），并结合中国当前实际情况进行了部分调整，大体上也将自动驾驶分为0-5级。SAE标准：表4：SAE无人驾驶自动化程度划分资料来源：国际自动机工程师学会（SAE）中国版标准：表5：中国版《汽车驾驶自动化分级》无人驾驶自动化程度划分资料来源：《汽车驾驶自动化分级》报批稿2）智能驾驶解决方案分类应急辅助系统：一种只能应用于紧急情况的系统，属于L0级无自动驾驶能力。ADAS：一种整合传感器与运算平台的解决方案，具备增强处理复杂任务的能力且通常支持L1级、L2+级的自动驾驶能力。ADS：一种能够执行全部驾驶任务的系统，具备L3至L5级的自动驾驶的能力，技术尚未成熟，目前主要应用在无人出租车领域。表6：智能驾驶解决方案分类资料来源：融中咨询 （4）行业特征1）分阶段商业化智能驾驶的商业化进程严格遵循技术成熟度曲线，呈现明显的阶段性特征。当前，L2级辅助驾驶（如自适应巡航、车道保持）已在私家车市场大规模普及，2024年渗透率超过50%，成为主流车型标配[1]。而L3/L4级高阶自动驾驶仍处于试点或小范围商用阶段。例如，Robotaxi依赖“车企-智驾科技公司-出行平台”的金三角合作模式，通过前装量产降低成本，预计2030年后逐步成熟。用户对完全自动驾驶的预期亦趋理性，认为2030年前可实现的比例从31.5%降至27.6%[2]，反映市场对完全自动驾驶技术落地的阶段性期望。2）强依赖规模化与数据闭环规模化数据积累与闭环能力是智能驾驶技术演进的基础。在智能驾驶领域里，海量高质量数据是算法和模型训练的基础。例如特斯拉FSD系统需100万个视频片段及60亿英里实路里程数据，以实现模型泛化。而BEV感知方案需至少1亿帧训练数据才能满足车规级泛化性、准确率要求，远超激光雷达（几十万帧）和单目摄像头（百万帧）的需求量[3]。数据闭环的意义在于不断优化性能与使用体验，是实现城市NOA和更高级别智驾的必经之路。车企通过量产车收集用户驾驶数据，并构建“采集-标注-训练-仿真-OTA[4]更新”的闭环链路。传统数据闭环依赖人工处理，效率低下，而自动驾驶的数据闭环引入了AI大模型，实现自动标注与仿真，显著提升迭代效率。3）产业链协同性高智能驾驶产业链要求上下游企业跨领域深度协同，形成大中小企业分工合作、互利互惠的产业生态系统。2021年，比亚迪先与汽车智能芯片企业地平线达成合作，后与自动驾驶公司Momenta合资成立自己控股的自动驾驶公司，布局高阶自动驾驶；从2023年起，比亚迪又引入了英伟达的自动驾驶芯片（Drive Orin）和自驾平台（DRIVE Hyperion），体现了智能驾驶产业链深度协同合作的特点。在Robotaxi场景，车企按自身优势分工：制造端企业（如广汽）提供定制化车辆，科技公司（如Waymo）负责算法，出行平台（如滴滴）提供运营服务。协同模式有助降低单家企业研发成本，避免重复投入，加速商业化进程。4）技术多学科融合智能驾驶系统的各个模块需集成计算机科学、电子工程、机械控制等多领域多学科技术。感知层依赖声学、光学等电子信息工程知识的应用：激光雷达解决三维建模，4D毫米波雷达弥补恶劣天气盲区，摄像头实现低成本图像识别。决策层需结合AI算法与交通工程知识：BEV+Transformer大模型处理环境感知，并实时依据道路条件与交通规则完成决策。控制层需机械动力学支持：线控底盘技术将电子信号转化为转向/制动指令，误差需控制在毫秒级。此外，伦理、交通法规、保险等社科要素亦在智驾行业起到不可或缺的作用。