隨著全球科技的迅速發展，汽車產業正經歷著從機械化向智能化的發展轉型，而智能駕駛技術則是這一變革的核心推動力。全球各大汽車制造商和科技公司紛紛布局智能駕駛，希望在未來出行領域搶占市場先機。據麥肯錫預計，中國未來很可能成為全球最大的自動駕駛市場，至2030年，自動駕駛相關的新車銷售及出行服務創收將超過5000億美元。自動駕駛汽車的普及率必然大幅上升，這也預示著未來出行模式將會發生根本性變革。華為作為信息通信技術領域的領軍企業，憑借其在通信、云計算和人工智能（AI）方面的技術積累，迅速切入了智能駕駛領域。自2021年發布ADS 1.0以來，華為通過持續的技術迭代和優化，推出了更為先進的ADS 2.0和ADS 3.0，逐步確立了其在全球智能駕駛領域的競爭優勢。

華為ADS的發展歷程：從1.0到3.0的技術演進

華為的智能駕駛系統ADS自2021年問世以來，經歷了三次重大版本迭代，每個版本的技術演進都反映了華為在智能駕駛領域的創新與突破。從ADS 1.0依賴高精地圖的“有圖”方案到ADS 2.0的“無圖”自主駕駛，再到ADS 3.0引入端到端大模型，華為ADS系統的每一次升級都帶來了技術上的質變。通過不斷優化傳感器融合技術、提升系統算力和算法精度，華為ADS系統在自動駕駛的安全性、穩定性和成本控制方面取得了顯著進步。

華為ADS歷史版本特性

1.1ADS 1.0：多傳感器融合與高精地圖依賴

2021年發布的ADS 1.0是華為進入智能駕駛市場的起點。該版本采用了多傳感器融合方案，包括激光雷達、毫米波雷達、攝像頭等設備的組合，依賴高精地圖實現車輛的路徑規劃和障礙物檢測。ADS 1.0的技術核心在于傳感器數據的融合，車輛通過采集周圍環境信息進行實時分析，從而為駕駛員提供駕駛輔助功能。l高精地圖依賴：ADS 1.0高度依賴高精地圖進行路徑規劃，這意味著車輛需要提前獲取城市或道路的高精地圖數據。這種技術方案在一些特定城市（如上海、廣州等）能夠實現較為穩定的自動駕駛功能，但在城市拓展性方面存在局限性。l硬件配置：ADS 1.0采用了較為高配的硬件配置，包括3個激光雷達、6個毫米波雷達和13個攝像頭。這一組合提供了豐富的環境感知能力，但也使得系統硬件成本居高不下。l技術挑戰：高精地圖的覆蓋和更新成本較高，特別是在新興城市或新建道路中，地圖更新滯后會導致車輛無法獲取準確的道路信息。此外，復雜硬件配置也增加了系統的維護難度和成本。

1.2ADS 2.0：自主感知與無圖駕駛的突破

ADS 2.0于2023年4月發布，帶來了重大技術突破，其最大的亮點在于“無圖駕駛”。華為通過自主感知技術和路徑規劃算法，使車輛能夠在沒有高精地圖的情況下自主識別車道、障礙物及周圍環境，從而實現智能駕駛。ADS 2.0標志著華為在智能駕駛技術領域從依賴外部數據到完全自主感知的跨越，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M5M7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。

GOD算法：ADS 2.0采用了GOD（Generalized Occupancy Network）算法，通過將外界環境劃分為多個立方體，并判斷每個立方體的占用狀態，系統能夠實時生成精確的環境模型。這種算法極大地提高了系統在復雜城市環境中的泛化能力。

無圖駕駛的實現：無圖駕駛意味著ADS 2.0不再依賴高精地圖進行導航和路徑規劃，而是通過傳感器采集到的實時數據和GOD算法進行自主決策。這一技術的突破大大降低了自動駕駛系統對地圖更新的依賴，并且使車輛在任何復雜或未知的環境中都能安全運行。

硬件優化：ADS 2.0進一步優化了硬件配置，激光雷達數量從3個減少到1個，毫米波雷達數量從6個減少到3個，攝像頭也從13個減少到11個。這種優化在降低硬件成本的同時，依然保證了系統的感知能力和穩定性。

1.3ADS 3.0：端到端大模型的應用

2024年，華為發布了最新的ADS 3.0版本，進一步提升了智能駕駛系統的感知和決策能力。ADS 3.0引入了端到端大模型架構，有別于特斯拉所宣傳的“大一統”模型，華為ADS采用感知+決策分層的GOD+PDP架構，這使得系統能夠在不同場景下進行自主感知、決策和路徑規劃，并實現復雜環境中的智能駕駛。

端到端大模型：ADS 3.0的技術核心在于端到端大模型。通過大規模數據訓練，系統能夠從傳感器輸入中直接生成決策和路徑規劃結果，簡化了傳統的分階段處理流程。這一技術顯著提升了系統的智能化程度和實時響應能力。

車位到車位的全自動駕駛：與ADS 2.0主要適用于城市道路和高速公路不同，ADS 3.0進一步擴展了功能，支持從停車位到停車位的全自動駕駛，包括自動泊車和復雜環境中的自主導航。

硬件配置：從繁雜到簡化的技術優化

智能駕駛系統的性能在很大程度上依賴于硬件配置。華為在ADS系統的發展過程中，通過對傳感器配置的優化，實現了從高成本的復雜硬件組合到性能優異的精簡方案的轉變。通過逐步減少傳感器數量、提升硬件性能，華為成功降低了系統的整體成本，并提升了傳感器融合的效率。

2.1多傳感器融合的必要性與優勢

多傳感器融合是智能駕駛系統感知環境的關鍵技術。單一傳感器難以應對復雜多變的駕駛環境，特別是在不同光照條件或惡劣天氣下，不同類型的傳感器具有各自的優缺點，因此必須通過融合技術來實現全面感知。

華為多傳感器融合方案

激光雷達：激光雷達通過發射激光束并計算返回的時間差來生成三維環境圖像。它的主要優勢在于高精度、長距離感知，適用于光線較好且無遮擋的場景，生成的環境模型精確且穩定。

毫米波雷達：毫米波雷達在極端天氣和夜間表現優異，它通過電磁波探測物體的距離、速度和角度。毫米波雷達的探測范圍較激光雷達廣，尤其在夜晚或霧天等條件下，毫米波雷達能夠補充激光雷達的感知盲區。

攝像頭：攝像頭主要用于捕捉車輛周圍的圖像信息，能夠識別車道線、障礙物、行人等細節信息。攝像頭與激光雷達、毫米波雷達的融合顯著提升了系統的綜合感知能力。

2.2從高配到精簡：傳感器配置的優化歷程

ADS 1.0采用了多達3個激光雷達、6個毫米波雷達、13個攝像頭及12個超聲波雷達的配置，確保了系統具備較高的環境感知能力。然而，這種高配方案導致了硬件成本的上升，增加了整車的制造成本和系統復雜性。為了解決這一問題，ADS 2.0和ADS 3.0逐步減少了傳感器數量，并通過傳感器的性能優化來彌補數量的減少。

華為歷代ADS硬件方案

激光雷達的減少：從ADS 1.0的3個激光雷達到ADS 2.0和ADS 3.0的1個激光雷達，雖然傳感器數量減少，但華為通過技術提升增加了單個激光雷達的覆蓋范圍和分辨率，使其感知效果更加出色。

毫米波雷達和攝像頭的優化：在ADS 2.0中，華為的毫米波雷達和攝像頭也得到了進一步優化。3個毫米波雷達與11個攝像頭的組合依然能夠提供全面的環境感知能力，并且顯著降低了系統的整體硬件成本。

2.3激光雷達的技術進步與成本下降

激光雷達作為智能駕駛系統中最昂貴的傳感器之一，其技術進步和成本下降對行業有著重大影響。在ADS 2.0中，華為采用了192線激光雷達，這相比96線激光雷達顯著提升了分辨率和掃描頻率。激光雷達的分辨率越高，車輛對周圍環境的感知精度也越高，能夠有效提升自動駕駛的安全性與準確性。此外，隨著技術的成熟，激光雷達的制造成本也在逐步下降。以速騰聚創為例，其激光雷達價格從2021年的1萬元降至2024年的2600元，這大幅降低了智能駕駛系統的硬件成本，使激光雷達成為大規模商用的可行方案。

2.4毫米波雷達的創新與4D成像

毫米波雷達在ADS系統中發揮了關鍵作用，特別是在低能見度的條件下，它能夠準確識別周圍物體的距離、速度和方位。ADS 1.0階段使用的3D毫米波雷達在探測距離上表現出色，但無法提供物體的高度信息。在ADS 2.0和ADS 3.0中，華為推出了4D毫米波雷達，不僅能夠探測物體的二維平面信息，還能夠提供物體的高度數據，從而生成更加完整的環境模型。4D毫米波雷達的成像效果接近激光雷達，但成本卻低得多。因此，4D毫米波雷達的引入大幅提升了ADS系統的性價比，使其在惡劣天氣下依然能夠保持較高的環境感知能力。

算法架構：從人工標注到自主決策

在智能駕駛系統中，算法架構是決定車輛如何從感知數據中提取有效信息、做出實時決策的核心因素。華為ADS系統的算法架構經歷了從BEV的人工標注、GOD的自主感知，再到ADS 3.0的端到端大模型的逐步升級。每次迭代都標志著華為在智能駕駛算法方面的重大突破，使得系統在感知精度、實時決策和路徑規劃方面的性能大幅提升。

3.1BEV算法：鳥瞰視角的初步感知

ADS 1.0階段，華為采用了BEV（Bird's Eye View，鳥瞰視角）算法，該算法通過多傳感器融合，將車輛周圍環境的數據以三維的方式呈現。車輛通過這一視角進行障礙物識別和路徑規劃，能夠實現較為精準的駕駛輔助功能。然而，BEV算法依賴人工標注的高精地圖，這在動態變化的城市環境中存在局限性，特別是在高精地圖更新速度較慢的情況下，車輛的路徑規劃和環境感知能力可能受到影響。

BEV輸入及輸出示意圖

3.2GOD算法：無圖駕駛的自主決策

在ADS 2.0中，華為引入了GOD（Generalized Occupancy Network）算法，極大地提升了系統的自主決策能力。GOD算法通過將環境劃分為多個小立方體（occupancy grid），并判斷每個立方體是否被占用，進而生成一個動態的環境模型。這一算法不再依賴人工標注的高精地圖，而是通過實時數據感知環境的變化，并根據道路狀況做出自主決策。相比BEV算法，GOD算法大幅提升了系統在復雜城市環境中的泛化能力和適應性。特別是在路況復雜、交通環境多變的城市，GOD算法能夠實時識別障礙物、行人、其他車輛等，并自主規劃最優路徑，極大提升了系統的靈活性。

3.3端到端大模型：深度學習驅動的智能決策

ADS 3.0標志著華為在智能駕駛算法領域的又一次飛躍。與傳統的模塊化算法不同，ADS 3.0通過引入端到端大模型，實現了從傳感器輸入到感知、決策、規劃的全面一體化。端到端大模型的核心是基于深度學習的算法架構，系統能夠通過大量的駕駛數據進行訓練，逐步提升其對復雜環境的適應性和自學習能力。端到端大模型的應用不僅提升了系統的計算效率，還使得系統能夠在不同的場景下進行更為精準的決策。這一技術突破顯著提升了ADS系統的智能化水平，使其在自動駕駛的實時性和響應能力方面達到了新的高度。

算力優化：精準與高效的平衡

智能駕駛系統的算力需求直接影響其處理速度、決策能力和系統功耗。華為ADS系統在算力配置上經歷了從超配到精準的優化過程，通過MDC（Mobile Data Center）計算平臺的逐步升級，華為實現了智能駕駛系統的算力優化，既提升了系統性能，又降低了不必要的功耗和硬件成本。

4.1MDC計算平臺：從高算力到雙版本方案

ADS 1.0階段，華為采用了自研的MDC 610 Pro計算平臺，支持400 TOPS的算力，以滿足L3級別及更高階的自動駕駛需求。然而，實際應用中，這種超高的算力配置并未被充分利用，特別是在L2+級別的自動駕駛場景中，算力冗余帶來了不必要的功耗和成本增加。

為了優化算力配置，ADS 2.0將算力調整至200 TOPS，滿足L2+級別智能駕駛需求，同時大幅降低了系統的功耗。到ADS 3.0階段，華為進一步引入了“高+低”雙版本算力方案，MDC 610平臺用于日常駕駛場景，而MDC 810平臺則為未來更高階自動駕駛提供預留空間。這一策略不僅優化了成本，還提升了系統的可擴展性。

4.2算力冗余的解決與優化

算力冗余是自動駕駛系統中普遍存在的問題，特別是在L2和L3級別的駕駛場景中，超高的算力往往會導致不必要的功耗增加。華為通過對MDC平臺的算力優化，成功解決了這一問題。ADS 2.0和ADS 3.0通過調整算力配置，使系統更加貼近實際需求，避免了因冗余算力帶來的功耗問題，從而進一步提高了系統的穩定性和可靠性。

智能駕駛生態：多元化合作模式與市場擴展

智能駕駛技術的成功不僅依賴于技術突破，還需要一個完整的產業生態系統作為支撐。華為通過與多家車企的合作，逐步構建了以智能駕駛為核心的多元化生態體系。通過零部件供應、Huawei Inside模式（HI模式）以及智選車模式，華為與國內外車企建立了深度合作關系，推動了智能駕駛技術的應用和普及。

5.1合作模式的多樣化與成功案例

華為通過以下三大合作模式與車企建立了緊密的合作關系：

零部件供應模式：華為向車企提供智能駕駛相關的零部件，如傳感器、計算平臺等，幫助車企提升其智能駕駛系統的整體性能。

Huawei Inside模式（HI模式）：通過提供完整的智能駕駛解決方案，華為與車企共同研發智能汽車，深度參與汽車制造過程。

智選車模式：華為不僅參與汽車的設計和研發，還通過其渠道幫助車企進行市場推廣和銷售。

這些合作模式已經在比亞迪、北汽、上汽、吉利等多家知名車企中成功應用。特別是在問界M5、M7等車型上，ADS系統的高階版本得到了廣泛的用戶認可，用戶選擇ADS高階包的比例已達到70%，這證明了華為智能駕駛技術的市場競爭力和商業化潛力 。

5.2市場數據與擴展前景

截至2023年，華為ADS系統的市場裝配量顯著增長，特別是在國內市場，華為與國內多家車企的合作使其ADS系統得到了大規模應用。根據行業數據顯示，2023年華為ADS系統的銷售額超過30億元，車BU（業務單元）接近盈虧平衡，標志著華為智能駕駛業務的商業化進程取得了顯著成功。

結論與展望

通過對華為智能駕駛ADS系統的技術演進、硬件優化、算法創新及生態合作的全面分析，可以看出，華為在智能駕駛領域已經取得了顯著的技術突破。ADS系統的每一次迭代都展示了華為在傳感器融合、算力優化、算法架構等方面的創新，并通過不斷優化硬件配置，降低了系統的整體成本，提升了市場競爭力。然而，智能駕駛技術的普及仍然面臨著諸多挑戰，包括技術標準的制定、車輛行駛安全性問題以及政策法規的限制等。未來，隨著自動駕駛技術的逐步成熟，華為ADS系統將進一步擴展其市場份額，并通過與車企的合作，推動智能駕駛生態的構建。華為有望在全球智能駕駛市場中繼續保持領先地位，但同時也需要持續應對技術挑戰與市場競爭，確保其技術優勢的長期保持。

參考文獻：

華金證券：??????華為智能駕駛方案分析

「智駕最前沿」微信公眾號后臺回復：C-0537，獲?。喝A為智能駕駛方案分析pdf下載方式。

審核編輯 黃宇