2021年汽车电子之传感器行业研究报告

admin管理员组

文章数量:1608365

报告摘要 ：

智能电动汽车优质”赛道”，不确定中寻找确定性，寻找上游产业链投资机会

智能电动汽车是未来 5-10 年投资的优质”赛道”，在 2020 年风口启动之初，市场最关 注的是汽车的电动化属性。新能源车是最确定性的方向，资本市场提前以科技股的投资 理念给予特斯拉、蔚来、小鹏等造车新势力高市值。随着苹果、小米等手机厂商进入智 能汽车”赛道”，以及华为、Mobileye、百度等新兴 Tier1 赋能传统车企后来居上，智能 电动汽车格局充满不确定性。而巨头大规模入局，意味着行业逐渐走向成熟。智能电动 汽车终局不定，但在不确定中寻找确定性，我们认为当前阶段上游零部件产业链的投资 机会是相对确定的。围绕智能化这条主线，建议首先关注感知层投资机会。

软硬件解耦趋势下，智能驾驶零部件地位提升，建议关注感知层投资机会

当前阶段在汽车这个庞大应用场景下，集结云计算、AI、物联网等前沿技术，正经历电 动化、智能化、网联化、共享化变革。在特斯拉、蔚来、小鹏等造车新势力推动下，智 能汽车商业化落地渐行渐近，也将带动上游产业链投资机会。围绕汽车智能化这条主线， 技术架构可以分成感知-决策-执行层，感知层是汽车的“眼睛”将率先受益。感知层发 展路径：1）车企硬件军备竞赛已开启，率先提高自动驾驶安全性和冗余性，单车传感 器配置在 30+个。2）硬件配置先冗余再融合，在传感器搭载数量和性能升级的基础上， 逐渐实现多传感器融合。3）软硬件解耦是最终趋势，智能驾驶解决方案厂商将打破过 去依赖于一级供应商的模式，未来将更多采取直接向车企提供硬件、软件支持的方式， 从而带动相关零部件产业链地位提升。

感知层细分”赛道”中，摄像头确定性最强，激光雷达弹性最大

我们预计到 2030 年智能驾驶所带动的感知层硬件市场规模可达 3892 亿元，10 年 CAGR 为 23%。其中摄像头 1232 亿元，10 年 CARG 为 21%；超声波雷达 332 亿元，10 年 CARG 为 12%；毫米波雷达 960 亿元，10 年 CARG16%；激光雷达 1367 亿元，2025-2030 年 CARG41%。

感知层四个”赛道”中：1）摄像头增长确定性最强，在镜头和 CMOS 产业链环节格局 向好。2）激光雷达” 赛道”弹性最大，目前还处于技术驱动阶段，风险与机遇并存。3）毫米波雷达犹存国产替代空间，虽然主要市场被 Tier1 占据，国产 初创公司进行技术集成化创新，仍有打破垄断的机会。4）超声波雷达市场技术较为成 熟，已有奥迪威等国内厂商布局。

1 软硬件解耦趋势下，智能驾驶零部件地位提升

华为轮值董事长徐直军曾称：“每一个行业都有可能受到人工智能的影响，未来最能颠覆 的一个产业就是汽车产业。自动驾驶电动汽车可能将中国 16 万亿产值的汽车业，包括周边产 业，彻底颠覆掉。”

全球乘用车出货总量接近 1 亿辆，以 2 万美金的 ASP 来衡量，全球汽车是一个 2 万亿美元量级的市场。另 2019 年全球商用车出货量 2696 万辆，中 国 432 万辆。当前阶段在车这个庞大应用场景下，集结云计算、AI、物联网等前沿技术，正 经历电动化、智能化、网联化、共享化变革。在特斯拉、蔚来、小鹏等造车新势力推动下，智 能汽车商业化落地渐行渐近，也将带动上游产业链投资机会。

1.1 智能化落地长周期下，感知层最先受益

围绕汽车智能化这条主线，技术架构可以分成感知-决策-执行层。感知层是汽车的“眼睛”， 环境感知是实现智能驾驶的第一步，通过组合多传感器来感知环境，在 V2X 通信技术下实现 车内车外通信。决策层是汽车的“大脑”，是实现智能驾驶的关键一环，融合多传感器收集的 数据，并做出最佳决策。执行层相当于汽车的“四肢”，是智能驾驶的最后落脚点，根据决策 实现纵向横向的自动控制。

多传感器配置保证系统冗余：自动驾驶分为 L0-L5 六个等级。在等级要求上：L0-L1 驾驶员参与对车辆横向和纵向控制，L0-L2 驾驶员完 成目标和事件探测与响应。到了 L3 阶段，在特定驾驶模式下由自动驾驶系统完成所有的动态 驾驶任务，但期望人类驾驶员能正确响应请求并接管操控。在功能实现上：L1 主要实现自适 应巡航、自动紧急刹车、车道保持、泊车辅助等功能，L2 能完成车道内自动驾驶、换道辅助 和自动泊车；而 L3 可以进行有条件的自动驾驶如高速自动驾驶，城郊公路驾驶等；L4-L5 最 终实现车路协同，达到城市内自动驾驶。在硬件配置要求上：自动驾驶程度的递进，需要多 传感器的融合，对摄像头、超声波雷达、毫米波雷达、激光雷达等感知层硬件的性能和数量提出更高的要求。

1.2 传感知配置先冗余再融合，前向融合是最终趋势

多传感器融合的感知系统可以形成互补，有效应对现实世界中的光照，天气，路况各种 复杂条件，以及再安全方面形成冗余设计。激光雷达对于距离的探测很强，也具备一定的全 天候工作能力，在 3D 成像和高精度地图定位方面具备优势。摄像头的采样率和分辨率很高， 对于纹理信息获取能力强，但是受到天气的影响太大。相比于摄像头和激光雷达，毫米波雷达 的优势在于全天候工作特性，受不良天气影响弱，测速、测距能力强。超声波雷达主要适用于 近距离感知，具备成本低车规级量产容易等优势。

车企硬件军备竞赛已开启，提高自动驾驶安全性和冗余性。从主要车企重点车型感知层 硬件配置的情况来看，除特斯拉软件能力强大硬件配置较为激进外，其他车企考虑到系统的冗 余性，硬件配置持续推高。以特斯拉 Model3 为例，配置 8 个摄像头，12 个超声波雷达，1 个 毫米波雷达。其他智能化程度较高的车企基本摄像头配置在 10 个以上，超声波雷达普遍在 8-12 个，毫米波雷达 3-5 个配置情况居多，另外还有车型领先配置了激光雷达。以蔚来 ET7 为例， 搭载了 11 个 800 万像素的摄像头，12 个超声波雷达，5 个毫米波雷达，和 1 个激光雷达。

前融合是未来趋势，最终实现软硬件解耦。传感器融合分成两种：前融合和后融合。后 融合算法下，每个传感器各自独立处理生成目标数据，再由主处理器进行数据融合。而前融合 只有一个感知算法，在原始层把各种传感器的数据融合在一起，实现原始数据的同步，即空间 同步和时间同步。相较于后融合，前融合的优势在于：1）前融合将所有传感器的原始数据进 行统一算法处理，降低了整个感知架构的复杂度和系统延迟；2）许多后融合感知中被过滤掉 的无效和无用的信息，在前感知路线中通过与其他传感器数据融合后进行综合识别，可以创建 出一个更全面、更完整的环境感知信息，大大提高感知系统的稳健性。

前融合对于提高感知系统的准确性和稳健性有不可比拟的优势，但是实现多传感的前融 合对于软件、硬件、通信提出了更高的要求：1）软件算法需求：各个传感器数据采集方式和 周期相对独立，后融合向前融合转化需要实现数据空间和时间同步，来控制时间误差需要在 1 微秒以内，100 米外的物体距离精度要在 3 厘米以内，这样需要主机厂在算法端给各个传感器 提供时间校准和空间标定的功能。2）芯片算力需求：整车所有传感器原始数据都汇集到中央 计算平台进行处理，对于 AI 芯片的算力提出更高的要求。3）数据通信需求：一是车载的传 感器如毫米波雷达、摄像头、激光雷达等来自于不同硬件厂商，因为产品接口与商业协议等等 问题，有些传感器无法获得原始数据；二是车内通信带宽需升级来支持多传感器数据的并发。

多传感器前融合是长周期目标，目前还属于智能驾驶发展初期，传感器本身硬件升级还 有长足空间。多传感器发展路径会趋向冗余再融合，在传感器搭载数量和性能升级的基础上， 逐渐实现多传感器融合。摄像头从单目升级到多目，像素从 2M 到 8M 再到更高像素。毫米波 雷达从低频的 24GHz 毫米波雷达向 77GHz 和 79GHz 升级。激光雷达还处于技术驱动阶段， 还需翻越车规级量产和降成本两座大山。而另一端软件部分，也将从传统的控制器算法向深度 学习视觉算法到增强型学习决策算法，多次

本文标签： 研究报告传感器汽车电子行业