一、华为智驾系统历史迭代 华为高阶智能驾驶系统（ADS）最新版本为今年4月智能汽车解决方案发布会上官宣的华为乾崑ADS 3.0，...

一、华为智驾系统历史迭代

华为高阶智能驾驶系统（ADS）最新版本为今年4月智能汽车解决方案发布会上官宣的华为乾崑ADS 3.0，预计将在与北汽合作的豪华旗舰轿车享界S9上首发搭载。

此前的1.0及2.0版本分别于2021年及2023年发布。相较于历史版本，ADS3.0在软件架构及功能上均有所升级。

在硬件迭代上，华为ADS坚持多传感器融合方案。从ADS1.0到3.0迭代过程中，华为坚持多传感器方案，通过激光雷达、毫米波雷达、摄像头等多传感器互补融合感知，以达到在恶劣天气及光线不足情况下仍能有较好的感知识别表现。

二、华为硬件配置特点

在硬件配置上，华为ADS坚持多传感器融合方案。

考虑到目前ADS3.0尚未公布对应的硬件配置方案，我们从ADS1.0及ADS2.0的硬件配置对比分析来看，硬件数量持续“做减法”，包括激光雷达用量、毫米波雷达用量、摄像头用量均有所减少，同时，端侧处理器简化算力配置，以进一步降低总成本。

（1）激光雷达：硬件成本核心，数量大幅下降

细分来看，激光雷达的数量减少是硬件总成本降低的核心原因。

尽管近年来随着规模应用及上游原材料下降等因素，激光雷达产品均价呈现大幅下降，但目前其单价范围仍在数百美元至数千美元不等，横向对比来看，激光雷达依然是智驾硬件方案中最为昂贵的配置之一。

因此，由ADS1.0向2.0的迭代中激光雷达用量从3个减配至1个，去除了2个侧向激光雷达，仅保留1个前向激光雷达，使得对应成本大幅减少。

虽然用量减少，但硬件实现升级。ADS 1.0中采用的是华为自研的96线激光雷达， 而ADS 2.0中根据车型不同，采用等效126线的速腾聚创M1雷达或192线（业界车规 级量产最高线数）激光雷达，ADS 3.0预计亦将采用自研的192线激光雷达，在分辨率、刷新频率上持续提升。

（2）毫米波雷达：传统雷达用量减少，探索4D产品的使用

毫米波雷达用量亦呈现下降趋势。华为ADS1.0中配置了1颗前向雷达及1颗后向雷达、4颗角雷达，而在ADS2.0中仅保留了1颗前向雷达及2颗角雷达。

华为推出自研4D毫米波雷达并有望搭载于享界S9。

4D毫米波雷达相较于传统毫米波雷达新增了1D高度信息，可实现类似激光雷达的成像功能，目前行业正积极探索4D毫米波雷达的使用。

华为在今年4月首发了自研的高精度4D毫米波雷达，其相较于传统雷达探测距离提升35%达到280m，且支持泊车模式，垂直视野3倍提升至60°，距离精度提升4倍至5厘米。据官网，即将于8月发布的享界S9将标配4D毫米波雷达。

（3）摄像头：前视方案由多目向双目转换

摄像头从多目转向双目，与行业主流趋势一致。

摄像头作为汽车自动驾驶系统的视觉传感器，主要起到搜集车辆周边环境、人、车情况等图像信息的作用。根据配备摄像头的数量，车载摄像头方案可分为单目/双目/多目。单目相机最为常见，其视距较远，但无法获取深度信息；双目相机拥有两个摄像头，可获取深度信息，但需要较为精确的相机标定；多目相机在双目相机基础上可获得更多信息，但在信息融合、计算等层面需要更多的支持，成本相对较高。

目前国内主流厂商的前视相机大部分采用多目方案，但随着摄像头分辨率提升及出于成本考量，配备摄像头数量逐步从2个以上减少为2个。

（4）车载算力：逐步贴近实际需求

车侧算力从超配转向贴合实际需求。

从产品发布历史来看，从MDC 300F到MDC 810，CPU及算力配置呈现升级，但实际上车算力从ADS 1.0的400TOPS降至ADS 2.0的200TOPS；大算力硬件的搭载或为未来升级更高等级的自动驾驶方案做好准备，但现阶段应用中或出现算力冗余，带来不必要的功耗及里程问题。

三、华为智驾算法架构特点

1、“识物” ：从BEV到GOD，从人工标注到自主决策

BEV（Bird’s Eye View）指的是一种鸟瞰式的立体视角/坐标系，相当于在车辆正上方10-20米处俯视车辆及周围环境，也被称为“上帝视角”。

华为ADS 1.0主要采用BEV + Transformer算法，Transformer是一种新型神经网络架构，可以直接进行2D、3D不同序列之间的转换。整个BEV + Transformer方案的思路基本为“输入-提取-转换-融合-时序-输出”，可将多传感器采集到的数据融合并展现在同一坐标中，形成一个虚拟的向量空间，所有的分析和决策都在这个空间中进行。

存在问题：该算法需要在开发阶段对识别到的目标进行人工标注，即“白名单机制” ；但实际路况非常复杂，障碍物标识存在“长尾效应”——白名单中不存在的物体数量多而种类繁杂， 如石块、树木等，从而发生事故。

ADS 2.0及3.0：从BEV走向GOD

为解决长尾效应问题，BEV进一步迭代为Occupancy Network（占用网络），而ADS 2.0使用的GOD算法与占用网络类似。该算法将整个世界划分为极其微小的立方体，然后判断每个小立方体是否被占用。

参考特斯拉的Occupancy Network方案，其摄像头形成的周视信息先被发送到骨干网络中进行特征提取、产生“占用体积”特征，然后将该特征与之前时序的体积相融合，产生4D占用网格，最后使用反卷积获得体积及时序等反馈，从而实现动态以及静态的障碍物感知。

相较于BEV的更优表现：由于该算法将现实世界分割成了小方块，从而跳出了物体识别的固有思维，所以对异形障碍物的识别上具有较强的表现。

3.0版本中，进一步去除了BEV算法，仅保留GOD算法。

2、“识路” ：从有图到无图，采用RCR实现车辆的正常行驶

对于道路拓扑结构的识别上，从ADS 1.0到ADS 2.0，经历了从有图到无图的转变。

高精地图与导航地图的区别：高精地图包括了传统地图的道路网数据、车道网络数据 （车道线的位置、类型、宽度、坡度和曲率等车道信息）以及交通标志等，而传统导航地图仅包括方向级的路径规划、以及道路级的定位匹配等。人类驾驶员仅凭传统导航地图及自身的视觉感知、决策可实现日常需求，但对于自动驾驶系统而言则需要高精地图才能实现精确的路径规划。

实际应用中，“有图”方案存在两大缺点：一是新城渗透速度慢，从政府开放城市采集名单、图商制图到车企研发适配需要2-3年的时间；二是更新不及时，由于高精地图测绘耗时耗力，目前高精地图的更新频率在1-3个月左右，但小鹏汽车前自动驾驶副总裁吴新宙就曾表示，仅在广州，半年就有500多处修路改造的情况发生，平均一天2处。

“无图”方案城市泛化速度快：相较于有高精地图，华为智能驾驶解决方案产品线总裁李文广表示， “无图最大的一个好处是泛化城市很快。”华为ADS 2.0在2023年Q2已实现深圳、上海、广州、重庆、杭州的城区NCA落地，并在2024年春节之前实现了无图智驾城区NCA对M5\M7智驾版用户的全量推送，2024年3月实现了对问界M9的全量推送。

算法上亦迎来对应改变：ADS 1.0通过高精地图实现车道识别，而ADS 2.0去除了高精地图，转向基于BEV架 构的道路拓扑推理网络方案（RCR），将车辆自身视觉感知搜集到的信息，经过一系列的推理算法生成自身 的“高精地图”，结合导航地图实现实时路径规划。

3.0进一步更新为PDP（预决策规划）。

最后，记得关注微信公众号：镁客网（im2maker），更多干货在等你！