ADAS 技術與市場現狀綜述

梁偉強，洪福斌

（國網電子商務有限公司, 北京 100053；國網雄安金融科技集團有限公司，河北 保定 071000）

隨著經濟和社會的發展，汽車已經進入千家萬戶，成為必備出行工具，2010 年，全國汽車保有量為7 801.83 萬輛，到2019 年底，全國汽車保有量增長至2.6 億量，保有量同比增長233.26%。在保障基本出行使用需求的基礎上，人們對汽車智能化和安全輔助功能愈發關注。智能傳感器、車聯網、5G 通信和人工智能算法的不斷成熟，為車輛輔助駕駛提供了可能。

本文通過介紹高級輔助駕駛系統（Advanced Driving Assistance System，簡稱為“ADAS”）的概念和分類、核心算法、國內應用現狀以及未來行業發展趨勢等，幫助讀者對該技術領域有清晰的認識。

1 ADAS 概念與分類

ADAS 是通過安裝在汽車上的攝像頭、激光與毫米波雷達以及衛星導航數據，在車輛行駛過程中，隨時感知外部環境變化，采集數據，并經由各類算法進行場景分類和運算，進行靜態、動態物體識別、偵測與跟蹤，發現影響行車安全的行為或隱患，以圖標閃爍或蜂鳴提示音的方式及時告知駕駛員，為駕駛員采取應對措施爭取更多的反應時間[1]。

高級別應用，甚至可以介入駕駛過程，進行車輛姿態調整或緊急避險，ADAS 設備的引入有效提高了汽車駕駛的舒適性和安全性。近年來ADAS 市場發展迅速，已由原來定位于高端車，逐步進入中端車市場，并成為車型亮點和賣點，與此同時，許多ADAS 駕駛風險提示類基礎應用在入門級乘用車領域更加常見[2]。隨著傳感器、5G 通信技術及人工智能算法的不斷發展，為ADAS 技術升級及系統部署創造了新的機會與策略。

通常ADAS 設備的數據采集單元包括攝像頭、雷達（激光或超聲波）、溫度、光線和壓力傳感器，用于識別物體、測距，以及探測光、熱及壓力或其他汽車狀態變量[3]。部署位置通常位于車輛的前后保險杠、后視鏡或擋風玻璃上。早期的ADAS 技術專注于被動報警，隨著車輛電控技術不斷發展，ADAS 技術正逐漸衍生出完善的主動式安全防御解決方案[4]。

目前ADAS 設備根據功能和使用場景不同，劃分為信息感知類、決策預警類、駕駛輔助類和部分自動駕駛四大類。四類中的具體功能如表1 所示。

表1 ADAS 設備分類

2 ADAS 核心算法分析

ADAS 設備的正常運轉需要大量的圖像識別、跟蹤等人工智能算法作支撐，鑒于本文篇幅有限，選取車道檢測、行人檢測和疲勞駕駛檢測三類場景用到的算法進行介紹。

2.1 車道檢測算法

車道線用于指引交通，保障駕駛安全，車輛按車道引導規范駕駛，是減少行車事故最直接有效的方法[5]，在高級輔助駕駛ADAS 功能中，車道保持和偏離預警是最常見的功能之一，普及率相對較高。通常，車道檢測主要包括道路標線檢測和道路轉彎半徑檢測。

2.1.1 道路標線的檢測

判斷車輛是否正按照正確的道路標線行駛，對于保障駕駛安全具有重要意義。車道偏離預警是ADAS 功能中典型的功能之一。一般情況下，車道偏離預警系統由攝像機、速度傳感器、信息處理單元、方向盤調節器和報警系統組成。一旦檢測到車道偏離，會通過蜂鳴器或液晶儀表的圖像向駕駛員報警，高級車型甚至會主動進行方向修正或主動降速[6]。該功能領域較成熟，目前有較多成熟產品。車輛偏離預警系統多采用單目攝相機探測道路標線，采用雙目攝像機系統可顯著提高不同光照下道路標線的識別精度，此外，為信息處理單元引入神經網絡算法，可提高道路標線識別的精度[7]；通過引入HSV 顏色空間和數字圖像處理（DSP）算法來提高道路標線識別的實時性。

2.1.2 彎道的檢測

對于陌生路況，在駕駛員注意力不集中或視線條件差的情況下，如果車速過快，極易發生翻車或碰撞事故。為降低事故率，通過車載設備如激光雷達、攝像機和計速器主動探測前方彎道信息，并由數據處理單元計算出安全過彎的臨界速度，并以此來判斷駕駛員當前是否超速，如果車速超過估計的安全速度，系統則發出警報信號；如駕駛員未減速，則自動操作制動減速。基于區域生長和曲線擬合的彎道識別算法，是當前較常用的彎道檢測算法。

2.2 行人檢測算法

計算機視覺包含廣闊的知識和學科領域，涉及到生活的方方面面，行人檢測屬于該領域下的目標檢測范疇[8]。當前較為流行的行人檢測方法主要是通過機器學習來對提取到的特征進行檢測識別[9]，不少研究者通過從不同角度對其進行研究并做了多種改進，取得了較好的檢測效果。

目前，主流的行人檢測算法分為基于分類和基于模板匹配的行人檢測算法兩類。基于分類的方法需要先行從大量標記的正負樣本（含行人或不含行人）中提取有效的行人特征來訓練分類器，然后利用訓練成熟的分類器判斷待檢圖片，給出是否包含行人的檢測結果；基于模板匹配的行人檢測方法則是提取待檢圖片中的行人信息與構建好的行人模板庫中的行人進行對比，根據對比結果判斷其是否是行人[10]。

基于機器學習的行人檢測方法屬于第一類算法，是目前比較流行的行人檢測算法，其核心思想是提取能夠充分表征行人的本質特征訓練行人分類器，之后，利用分類器判斷輸入的圖像是否包含行人[11]，該算法的一般過程是分類器訓練和測試。而分類器訓練又分為數據集準備、特征提取和分類器訓練三個環節，分類器測試分為窗口選擇、特征提取和分類器分類[12]，行人檢測流程如圖1 所示。

圖1 行人檢測流程圖

2.3 疲勞駕駛預警檢測算法

第一代疲勞狀態監測算法多采用專家系統和規則算法，其基本原理是設定某一門限值，再根據駕駛員面部、眼部、頭部或駕駛行為分析計算得到一個疲勞程度值。當該值大于預先設定的門限值時，則判定駕駛員處于疲勞狀態；反之，則駕駛員處于正常狀態。市場上在售的配備疲勞駕駛檢測功能的車型多數也采用此類方法，優點是集成簡單，占用內存小，實時性好，適用于多數路況；缺點是單一閾值不能兼顧駕駛員的個體差異，受光線、角度或復雜路況的影響較大。常用人臉檢測方法如圖2 所示。

圖2 常用人臉檢測方法

云計算、車載芯片和移動通信技術的快速發展，為ADAS 設備的集成方式帶來了新的選擇，占用較大算力和內存空間的機器學習算法可以選擇部署在云端服務器而非集成在車載設備端，這些都為駕駛員疲勞狀態監測設備運用機器學習算法提供了條件。機器學習的優點是支持海量數據處理，計算精度逐步提升，不需要預建立復雜的數學模型；缺點是需要較大的算力和內存空間支持，影響車載端設備體積和集成方式。

機器學習算法支持多類型數據融合處理，在檢測駕駛員疲勞狀態時，不僅可以采集分析駕駛員面部、眼部、頭部等的圖像或視頻信息或者車輛狀態、行駛軌跡和剎車信號，還可以通過網絡接口獲取溫度和交通路況等信息，并進行整合分析。相較于傳統方式，機器學習算法大大提高了駕駛員疲勞狀態的識別精度，但運算時需要更大的算力和內存空間支持，往往會增大ADAS 設備的體積，難以與車輛電控系統進行集成。隨著云計算、5G 通信技術的發展，需要大量計算的機器學習算法部署在云服務器上并滿足響應時間要求成為可能，且不占用ADAS 車載終端控制器算力和內存資源，在不增加硬件成本和開發投入的情況下，提高了駕駛員疲勞監測的精度。機器學習算法在駕駛員疲勞狀態監測、車道檢測和行人檢測原理上具有共性，因此在疲勞檢測系統檢測精度提高后，可以進一步擴大應用范圍，用于防撞和車道偏離預警等方面，進一步保障行車安全。

一種典型的基于機器學習算法的駕駛員疲勞駕駛預警流程如圖3 所示。

圖3 基于機器學習算法的疲勞監測流程

其中PERCLOS 值是最經典的駕駛疲勞度量指標，最早由美國人WIERWILLE 提出，他通過大量實驗證明，眼睛的閉合時間一定程度上可以反映人的疲勞狀態。因此，將PERCLOS 值定義為單位時間內（一般取1 min 或者30 s）眼睛閉合一定比例（70%或80%）所占的時間，具體如下：

PERCLOS 測量的參數指在單位時間內眼睛閉合程度超過某一閉值（70%或80%）的時間占總時間的百分比。PERCLOS 方法的常用標準有以下三類。

P70：指眼瞼遮住瞳孔的面積超過70%就計為眼睛閉合，統計在一定時間內眼睛閉合時所占的時間比例。

P80：指眼瞼遮住瞳孔的面積超過80%就計為眼睛閉合，統計在一定時間內眼睛閉合時所占的時間比例。

EM：指眼瞼遮住瞳孔的面積超過一半就計為眼睛閉合，統計在一定時間內眼睛閉合時所占的時間比例。

因此當滿足如下條件時，則可判定人員處在疲勞狀態：

3 ADAS 市場應用現狀分析

在ADAS 市場規模上，國外已進入大眾普及階段，中國正處在快速發展階段，《中國制造2025 重點領域發展路線圖》強調，制定中國版智能駕駛輔助標準，基于車載傳感器實現智能駕駛輔助，可提醒駕駛員、干預車輛，突出安全性、舒適性和便利性，駕駛員對車輛應保持持續控制；到2025年，交通事故數減少30%，交通死亡數減少10%，DA 智能化裝備率40%，自主系統裝備率50%。

ADAS 作為輔助駕駛的核心產品，國內市場規模在迅速攀升[13]。據統計，2020 年中國ADAS 市場規模為878 億元，比2019 年的421.1 億元增長了108.5%，中國ADAS 市場規模如圖4 所示。

圖4 中國ADAS 市場規模（單位：億元）

總體上，隨著人們對輔助駕駛功能認可度的提升，選購新車時，是否支持輔助駕駛功能已經成為重要的考量因素，車企順應市場需要，及時調整新車配置項，由于市場認可度持續走高，新車ADAS 裝配率呈大幅走高趨勢，但消費者差異化需求難以統一，因此在不同功能件的裝配率上略有差異。從ADAS 細分功能上看，自動緊急制動AEB、并線輔助LCA 等功能在新車裝配率上居前，超過15%。與此同時，ADAS 產品其他功能的裝配率也在穩步提高，其中泊車輔助控制系統PA、自適應巡航ACC 和車道偏離預警系統LDW三類功能的新車裝配率較高，相較2019年均提高了4%以上。夜視系統NVS 和智能遠近光燈等功能由于技術難度大、造價昂貴等因素，形成了明顯的價格門檻，逐步定位于部分高端車型，造成目前市場裝配率較低并呈下降趨勢。提高裝配率，需要相關技術和制造工藝有新的突破，降低裝配成本。按車型級別統計發現，ADAS 相關功能在豪華車上的裝配率逐年上升，駕駛輔助類配置裝配率高于感知決策預警類，其中自動剎車、自動泊車入位、車道偏離預警系統的裝配率較高[14]；B 級車方面，ADAS 功能在SUV 上的裝配率提升明顯，整體裝配率仍相對較低，360°行車攝像頭和并線輔助功能的裝配率相對較高；在以經濟實用為主的A 級車上，ADAS設備的裝配率較B 級車明顯降低，但全景攝像頭成為該級別車型上的流行裝備[15]，預計在ADAS 設備技術普及和生產成本降低后，A 級車裝配率會有較大提升。

從車型價格上看，ADAS 相關配置已經開始由高端豪華向低級別及自主品牌延伸，12 萬左右的車型打造ADAS 部分功能已經很常見。2020 年與2017 年部分ADAS 功能裝配滲透率對比如圖5 所示。

圖5 各系統搭載趨勢

截至目前，中國主流車企已經在部分量產車型上裝配了DA 級輔助駕駛系統，并達到美國技術標準要求。部分企業計劃在2020年，在高端車型上裝配PA級部分自動駕駛系統。各大車企自動駕駛戰略布局規劃如表2 所示。

表2 各大車企戰略布局規劃

4 ADAS 產品發展趨勢分析

近年來，隨著消費者對車輛安全性能關注度的提升，各大車企調整新車技術路線，為新車裝配輔助駕駛功能，ADAS 的市場滲透得到了較大提升，并逐漸縮小與歐美國家的差距[16]。如果消費者的消費取向決定車企的技術改革動力，那國家政策就是一劑強心劑。為進一步通過技術手段，提升交通安全，國家部委先后推出多項政策規范，推動輔助駕駛技術的落地實施。2015-05 國務院發布《中國制造2025》，將智能網聯汽車作為一項重點發展內容，將自動駕駛技術作為核心攻關目標。國標GB 7258《機動車運行安全技術條件》中規定，車長大于11 m 的客車必須裝配牽引碰撞預警系統（FCW）和車道偏離預警系統（LDW）。國家發改委、科技部、工信部于2017-04 聯合發布《汽車產業中長期發展規劃》，規劃要求到2020 年，汽車駕駛輔助（DA）、部分自動駕駛（PA）、有條件自動駕駛（CA）系統新車裝配率超50%，智能網聯式駕駛輔助系統裝配率達到10%，基本滿足智慧交通城市建設需求。2018 年C-NCAP 中主動安全的評分權重占到了15%，并增加了關于自動緊急制動系統（AEB）與車身穩定系統（ESC）的評分項目；并且在CNCAP 2018 計劃中指出到2018 年所有新車必須包括ADAS系統。

綜合國家政策刺激、消費者需求度以及技術成熟度三方面因素，未來ADAS 設備廠商不缺乏持續進行研發投入和技術升級的動力，隨著各項技術的不斷迭代更新，設備成本不斷減少。單一功能ADAS 設備的均價會隨著普及率的提升而逐步下降，消費者將占據市場主導地位，選配主動性將得到加強。預計未來的2～3 年內，中國ADAS 市場將進入快速擴張期，在ADAS 的細分功能模塊中，碰撞預警和盲區監測系統（BSD）裝車量將持續保持最高裝車量，但所占比例有所下滑，而諸如自動緊急制動（AEB）、駕駛員疲勞檢測、泊車輔助控制系統等功能裝車率將有所提升。中國汽車市場對ADAS 的需求量在未來三年內將保持持續增長的趨勢，在2021 年可實現千億市場規模。預計到2025 年，高級自動駕駛汽車量產后，ADAS 市場會逐漸進入平穩發展期。

5 結束語

本文通過介紹ADAS 設備概念及分類、設備核心算法、市場現狀分析及未來預測，為讀者大致呈現了中國乘用車ADAS 產業現狀。但鑒于論文篇幅有限，對于核心算法介紹部分，采取了舉例介紹方式，由于ADAS 各細分功能場景差異性較大和人工智能算法領域的迭代更新速度快的特點，舉例介紹的算法適用性有待進一步研究和論證。