1. 视觉感知赛道的真实格局：为什么Mobileye不是唯一答案
聊到车载视觉感知，Mobileye几乎是绕不开的名字。早年做ADAS方案，大家第一反应就是找Mobileye拿EyeQ芯片加算法打包方案，省事、成熟、上车快。但这几年情况变了，我在实际项目里接触过不少主机厂和Tier1的朋友，大家普遍的感受是：Mobileye确实强，但它的封闭性也越来越让人头疼。你想改一点感知策略？不行。你想把自家数据闭环跑通？接口不给你。你想做更灵活的功能定义？黑盒摆在那里，动不了。
这就催生了一个很现实的问题：在视觉感知这个领域，除了Mobileye，还有哪些真正能打的玩家？这个问题背后其实藏着三层需求。第一层是技术选型需求，做ADAS或自动驾驶的团队需要知道有哪些替代方案，各自的能力边界在哪里。第二层是成本与可控性需求，Mobileye的授权模式和芯片绑定策略让很多中小团队望而却步，大家需要更灵活的选择。第三层是技术演进需求，视觉感知本身在快速迭代，从单目到多目、从2D检测到BEV加Occupancy、从纯视觉到多传感器融合，不同玩家走的技术路线差异很大，理解这些差异才能做出适合自己的判断。
这篇文章面向的是做ADAS和自动驾驶感知的工程师、技术选型负责人，以及想了解视觉感知行业格局的技术爱好者。我会从技术路线、产品形态、实际落地表现几个维度，把Mobileye之外值得关注的9个玩家拆开来讲。不是念参数表，而是讲清楚每家到底强在哪、适合什么场景、有什么坑。文章里涉及的具体参数和性能数据，一部分来自公开资料和行业交流，一部分是我在实际项目中的观察和推断，我会尽量标注清楚哪些是确定的、哪些是基于常见实践的合理推测。
先给一个整体判断：视觉感知这个赛道，目前没有一家能在所有维度上全面碾压Mobileye，但不同玩家在特定场景下的表现已经非常能打。选型的关键不是找“最强”，而是找“最合适”。
2. 九位玩家的技术路线与核心能力拆解
2.1 第一梯队：全栈自研的视觉感知巨头
特斯拉（Tesla）是绕不开的。很多人把特斯拉和Mobileye放在一起比，其实两家走的是完全不同的路。Mobileye是芯片加算法打包卖，特斯拉是自研芯片加自研算法，数据闭环完全掌握在自己手里。特斯拉的HydraNet多任务网络架构把目标检测、车道线、可行驶区域、深度估计等任务整合到一个骨干网络里，推理时共享特征提取，大幅降低计算量。我印象很深的是2021年特斯拉AI Day上展示的BEV加Transformer方案，把多摄像头输入直接映射到鸟瞰图空间，这个思路后来被国内很多玩家跟进。特斯拉的优势在于数据规模，百万级车队每天回传的corner case数据是任何竞争对手都比不了的。但它的方案高度依赖自有车队和数据闭环，第三方想复现几乎不可能。
Waymo在视觉感知上的积累同样深厚。Waymo的感知栈是典型的多传感器融合路线，激光雷达、毫米波雷达、摄像头全上，视觉感知在其中承担语义理解和纹理识别的角色。Waymo的摄像头方案经历了多轮迭代，从早期的单目到后来的多目环视，分辨率、帧率、动态范围都在持续提升。它的感知算法在长尾场景处理上非常扎实，比如施工区域的锥桶识别、临时交通标志的理解、夜间弱光下的行人检测，这些都有大量实测数据支撑。Waymo的问题是方案太重、成本太高，普通乘用车项目很难直接借鉴。
华为在视觉感知领域的布局非常完整。从昇腾芯片到MDC计算平台，从ADS高阶智驾方案到鸿蒙座舱的视觉交互，华为是少数能把芯片、算法、系统、数据闭环全部打通的玩家。华为的视觉感知方案在极狐阿尔法S、问界系列上都有量产落地，实际表现可圈可点。我试过问界的城区NCA，在复杂路口对两轮车和行人的处理比较果断，感知延迟控制得不错。华为的优势在于工程化能力极强，能把实验室指标快速转化成量产表现。但它的方案和自家芯片深度绑定，第三方想用华为的算法配别家的芯片，基本不现实。
2.2 第二梯队：芯片与算法解耦的灵活派
英伟达（NVIDIA）在视觉感知领域的角色比较特殊。它本身不直接做ADAS方案，但提供了Orin和Thor这样的计算平台，以及DriveOS、DriveWorks这样的软件开发套件。很多做视觉感知的算法公司都是在英伟达平台上跑自己的模型。英伟达的优势是生态，CUDA加TensorRT的工具链让算法部署相对高效，而且Orin的算力冗余足够支撑BEV加Occupancy这类大模型。但英伟达平台功耗偏高，散热设计需要额外考虑，这对一些紧凑型车型来说是个挑战。
高通（Qualcomm）的Snapdragon Ride平台是英伟达的有力竞争者。高通在移动端芯片的能效比积累很深，Ride平台在功耗控制上有明显优势。高通的视觉感知方案支持多摄像头输入，配合其AI引擎可以跑中等规模的感知模型。我了解到的一些项目里，高通平台在L2加级别的ADAS功能上表现稳定，成本也比英伟达方案低一些。但高通在自动驾驶高阶功能上的生态还在建设中，工具链的成熟度不如英伟达。
Mobileye的替代者：Ambarella这家公司值得单独说。Ambarella最早做安防和运动相机的视觉芯片，后来切入车载市场，CVflow系列芯片在视觉感知上很有特色。它的优势是低功耗加高能效，适合对散热和功耗敏感的场景。Ambarella的芯片支持多路摄像头输入，内置的视觉加速器可以高效跑目标检测和车道线识别。我见过一些做商用车ADAS和后装市场的团队用Ambarella方案，性价比很高。但它的算力上限相对有限，跑不了太大的模型，适合L2级别功能。
2.3 第三梯队：特定场景的深耕者
Mobileye之外的以色列力量：Foresight Automotive这家公司走的是多目立体视觉路线，用双目或三目摄像头做深度估计和障碍物检测。Foresight的方案不依赖激光雷达，纯视觉就能输出比较准确的深度信息，在低速场景和特定工业场景下有应用。它的技术特点是通过立体匹配算法生成稠密深度图，对近距离障碍物的检测精度不错。但立体视觉的计算量较大，对芯片算力有要求，而且标定精度直接影响效果，量产一致性是个挑战。
国内视觉感知的代表：地平线地平线的征程系列芯片在国产ADAS方案里出货量很大。征程3和征程5芯片配合地平线的感知算法，可以实现从L2到L2加的功能。地平线的优势是本土化服务好，和国内主机厂、Tier1的合作紧密，工具链和文档也比较完善。我接触过用征程3做前视ADAS的项目，单目摄像头加毫米波雷达的融合方案，在高速场景下的车道保持和跟车表现稳定。地平线的感知算法对国内路况的适配做得比较细，比如对加塞车辆、电动自行车、异形车辆的识别。
安霸之后的另一家：黑芝麻智能黑芝麻的华山系列芯片在视觉感知上也有布局。它的A1000芯片支持多摄像头输入，算力可以支撑BEV感知模型。黑芝麻的方案在国产化替代的背景下受到不少关注，尤其是在一些对供应链安全有要求的项目里。但它的生态和工具链还在完善中，算法部署的便利性不如英伟达和地平线。
传统Tier1的视觉方案：博世博世的视觉感知方案在量产车上非常常见。它的前视摄像头加雷达融合方案是很多L2车型的标配。博世的优势是工程化能力和功能安全体系，方案成熟度高、可靠性好。但博世的算法迭代速度相对较慢，在BEV和Occupancy这些新范式上的跟进不如新兴玩家快。它的方案更适合对功能安全要求极高、对最新技术不那么敏感的量产项目。
3. 视觉感知的核心技术点：从摄像头到决策的完整链路
3.1 摄像头选型与图像质量：感知的上限由输入决定
视觉感知的第一道关是摄像头。很多人觉得算法厉害就行，摄像头随便选选，这个想法很危险。我踩过的坑里，至少有三成的问题出在图像质量上。摄像头的选型要看几个核心参数：分辨率、帧率、动态范围、低照度性能、镜头畸变、接口类型。
分辨率方面，前视摄像头目前主流是200万到800万像素。200万像素在L2级别够用，但要做更远距离的小目标检测，比如150米外的锥桶或行人，800万像素更有优势。我算过一笔账：假设镜头水平视场角50度，800万像素对应3840个水平像素，每个像素约0.013度。在100米距离上，一个0.5米宽的物体大约占2.2个像素，这个分辨率对分类来说勉强够用，但要精确检测边界就不太够了。所以高分辨率摄像头配合长焦镜头是趋势。
帧率方面，30帧是底线，60帧更好。高速场景下，车速120公里每小时相当于33米每秒，30帧意味着每帧间隔1.1米。如果算法处理延迟再叠加几帧，实际响应距离会明显缩短。60帧能把每帧间隔压到0.55米，对紧急制动的AEB功能来说差别很大。
动态范围决定了摄像头在隧道出入口、逆光、夜间对向车灯等场景下的表现。人眼动态范围大约120dB，普通车载摄像头的动态范围在60到70dB，高端产品能做到120dB以上。动态范围不够，图像要么高光过曝、要么暗部死黑，感知算法直接失效。
低照度性能看的是摄像头在夜间无路灯环境下的信噪比。这里有个常见误区：很多人只看像素大小，觉得像素越大低照度越好。实际上还要看传感器工艺、读出电路噪声、镜头光圈。索尼的IMX系列车载传感器在低照度上口碑不错，但价格也高。国产豪威、思特威的传感器这几年进步很快，在中低端项目里性价比很高。
接口类型方面，车载摄像头主流是LVDS、GMSL、MIPI。GMSL2支持长距离同轴电缆传输，抗干扰能力强，适合环视和侧视摄像头。MIPI适合短距离板间连接。选接口时要考虑线束长度、电磁兼容性、连接器成本。我见过一个项目为了省线束成本用了MIPI，结果整车电磁干扰导致图像偶发花屏，排查了很久才定位到接口问题。
实操心得：摄像头选型不要只看规格书，一定要拿样品在实际场景里测。白天测、夜间测、逆光测、雨天测、过隧道测。规格书上的动态范围是实验室条件，实际装车后的表现可能差很多。
3.2 感知算法架构：从CNN到BEV加Occupancy
视觉感知算法这几年经历了明显的范式转移。早期是单目2D检测，在图像平面上画框，然后通过几何关系反推3D位置。这种方案的问题是深度信息不准确，而且多摄像头之间的结果融合很麻烦。后来发展到多目融合，把多个摄像头的检测结果投影到统一坐标系里，但本质上还是2D加后处理。
BEV加Transformer的方案是当前的主流方向。核心思路是把多摄像头图像通过Transformer的注意力机制映射到鸟瞰图空间，在BEV空间里做检测、分割、预测。特斯拉是这条路线的先行者，国内的小鹏、理想、华为、地平线都在跟进。BEV方案的好处是统一了多摄像头的信息，输出的是自车坐标系下的3D感知结果，下游的规划控制模块用起来更直接。
Occupancy网络是BEV的进一步演进。BEV通常只关注地面上的物体，Occupancy把整个3D空间体素化，预测每个体素是否被占用。这样就能处理悬空障碍物、异形物体、施工区域这些传统BEV搞不定的场景。Occupancy的代价是计算量大、标注成本高。我了解到的一些项目里，Occupancy网络的推理延迟在Orin平台上大约50到80毫秒，对实时性要求高的功能需要做优化。
算法架构的选择要看场景。L2级别的高速ADAS，BEV加少量Occupancy就够了。城区NOA需要更精细的Occupancy和预测。泊车场景对近距离感知要求高，可能需要额外的超声波和环视视觉融合。
3.3 决策延迟与实时性：32.8毫秒意味着什么
热词里有个“决策延迟32.8毫秒”，这个数字值得展开说。32.8毫秒是什么概念？车速120公里每小时，32.8毫秒车辆移动约1.1米。如果从摄像头曝光到执行器响应总共延迟32.8毫秒，那在AEB场景下，系统需要在更远的距离就开始制动。但实际链路远不止32.8毫秒。
完整的感知到决策链路包括：摄像头曝光、图像传输、图像预处理、神经网络推理、后处理、融合、规划、控制、执行器响应。每个环节都有延迟。摄像头曝光和读出大约5到10毫秒，图像传输1到2毫秒，预处理2到5毫秒，推理10到30毫秒，后处理和融合5到10毫秒，规划控制5到10毫秒，执行器响应20到50毫秒。加起来轻松超过50毫秒，甚至到100毫秒以上。
所以32.8毫秒如果指的是纯推理延迟，那确实很快，说明模型优化做得好。但如果指的是端到端延迟，那需要确认统计口径。我在实际项目里测过，Orin平台上跑一个中等规模的BEV感知模型，纯推理延迟大约20到40毫秒，加上前后处理，端到端感知延迟在50到70毫秒。这个水平做L2加功能够用，但做高阶城区NOA还需要进一步优化。
降低延迟的手段包括：模型量化、算子融合、剪枝、知识蒸馏、使用更高效的骨干网络、把部分后处理放到GPU上并行。我试过把后处理从CPU挪到GPU，延迟降低了约8毫秒。另一个有效手段是流水线并行，把不同摄像头的处理分配到不同流里，重叠计算和传输。
注意事项：延迟优化不要只看平均值，要看最坏情况。感知系统在复杂场景下的延迟可能比简单场景高出一倍。功能安全要求考虑最坏情况延迟，而不是平均值。
4. 实操落地：从选型到部署的完整流程
4.1 需求定义与方案选型
做视觉感知项目，第一步不是选芯片，而是把需求定义清楚。我见过太多项目一上来就说“我们要做L2加”，但L2加具体包含哪些功能、性能指标是什么、成本上限多少、功耗限制多少、功能安全等级要求是什么，这些都没想清楚，后面选型就会反复摇摆。
需求定义要回答几个问题：功能清单是什么（ACC、LKA、AEB、NOA等）、每个功能的性能指标（检测距离、响应时间、误报率、漏报率）、运行场景（高速、城区、泊车、雨天、夜间）、成本目标（摄像头数量、芯片算力、线束成本）、功耗和散热约束、功能安全等级（ASIL-B还是ASIL-D）、量产时间节点。
把这些理清楚之后，方案选型就有依据了。比如高速ACC加LKA，单目前视摄像头加一个前向毫米波雷达，芯片算力10到20TOPS就够，Mobileye EyeQ4、地平线征程3、安霸CV2都能做。如果要城区NOA，至少需要多目摄像头加激光雷达加高算力芯片，算力需求100TOPS以上，英伟达Orin、华为MDC、地平线征程5是候选。
选型时还要考虑团队的技术栈。如果团队熟悉PyTorch和CUDA，英伟达平台上手最快。如果团队有丰富的嵌入式优化经验，地平线和安霸的方案可能更合适。如果项目对国产化有要求，地平线、黑芝麻、华为是优先选项。
4.2 摄像头标定与数据采集
摄像头标定是视觉感知的基础，标定不准，后面算法再好也白搭。标定分内参标定和外参标定。内参标定是确定摄像头的焦距、主点、畸变系数，通常在实验室用标定板完成。外参标定是确定摄像头相对于自车坐标系的位置和姿态，需要在整车状态下完成。
内参标定的常见坑是标定板质量。我见过用打印的棋盘格标定板，平整度不够，标定出来的畸变系数偏差很大。建议用专业标定板，陶瓷或玻璃基材，平整度在微米级。标定环境的光照要均匀，避免反光和阴影。标定图片要覆盖整个视场，包括边缘区域，否则边缘畸变校正不准。
外参标定的常见方法是使用地面标定场，车辆停在指定位置，用激光跟踪仪或全站仪测量摄像头相对于车辆坐标系的位置。量产线上通常用标定工装加视觉标定算法，快速完成外参标定。我了解到的一些产线标定方案，单次标定时间在30秒以内，精度可以做到0.1度以内。
数据采集是另一个关键环节。视觉感知模型的训练需要大量标注数据，尤其是corner case。数据采集要考虑场景覆盖：白天、夜间、黄昏、雨天、雪天、隧道、桥梁、城市道路、乡村道路、高速公路、停车场。每个场景都要有足够的数据量。我建议至少采集1000公里以上的实车数据作为基础数据集，corner case单独采集和标注。
实操心得：数据采集时一定要同步记录车辆状态信息，包括车速、转向角、制动状态、GPS位置、时间戳。这些信息对后续的数据筛选、场景切分、模型验证非常重要。我见过一个项目采集了几百小时数据，但没记录车速，结果做速度相关的场景分析时完全没法用。
4.3 模型训练与部署优化
模型训练阶段，骨干网络的选择很关键。ResNet、EfficientNet、RegNet、Swin Transformer各有优劣。车载场景下，我倾向于选择计算量适中、特征提取能力强的骨干，比如RegNet或EfficientNet的变体。Transformer骨干在BEV方案里表现好，但计算量大，需要配合高效的注意力机制实现。
训练策略上，多任务学习是主流。一个骨干网络同时输出目标检测、车道线、可行驶区域、深度估计等多个任务的结果。多任务学习的难点是任务之间的平衡，不同任务的损失函数量级不同，需要仔细调权重。我试过用不确定性加权的方法自动调整任务权重，效果比手工调参好一些。
数据增强对车载视觉感知很重要。随机裁剪、缩放、旋转、色彩抖动、模糊、噪声这些常规增强之外，还要针对车载场景做特定增强，比如模拟雨天雨滴、夜间低照度、隧道出入口的剧烈光照变化。我试过用生成模型合成雨天和夜间图像，对模型在这些场景下的表现有提升。
模型部署优化是另一个重头戏。训练好的模型直接部署到车载芯片上，通常跑不动，需要做量化、剪枝、算子融合。量化方面，INT8量化是主流，精度损失通常在1%以内。但要注意敏感层的处理，比如检测头的最后一层、小目标检测相关的层，可能需要保持FP16。剪枝方面，结构化剪枝对硬件友好，非结构化剪枝虽然压缩率高但需要硬件支持稀疏计算。
部署工具链方面，英伟达的TensorRT、地平线的天工开物、华为的CANN、安霸的CVflow工具链各有特点。TensorRT的文档和社区最完善，但学习曲线陡峭。地平线的工具链对国内开发者友好，中文文档齐全。安霸的工具链比较简洁，适合快速上手。
4.4 实车测试与问题排查
实车测试是检验视觉感知方案的最终环节。测试要分阶段：台架测试、封闭场地测试、公开道路测试。台架测试主要验证功能逻辑和接口，封闭场地测试验证典型场景，公开道路测试验证泛化能力。
封闭场地测试要覆盖的场景包括：前车静止、前车慢速、前车紧急制动、cut-in、cut-out、行人横穿、自行车横穿、车道线丢失、隧道出入口、逆光、夜间。每个场景要重复多次，统计成功率和误触发率。
公开道路测试要积累里程，同时记录所有异常事件。我建议用数据回传系统，把异常事件前后的数据自动上传，方便后续分析。异常事件包括：误制动、漏制动、车道保持抖动、目标丢失、误识别。
常见问题排查方面，我整理了一个速查表：
| 问题现象 | 可能原因 | 排查方法 | 解决思路 |
|---|---|---|---|
| 夜间检测率下降 | 低照度信噪比差 | 检查图像信噪比和动态范围 | 更换低照度性能更好的摄像头，增加图像增强预处理 |
| 逆光场景误制动 | 高光过曝导致误检 | 回放数据检查过曝区域 | 提升摄像头动态范围，算法增加过曝区域抑制 |
| 车道保持抖动 | 车道线检测不稳定 | 检查车道线置信度序列 | 增加时序滤波，优化车道线拟合算法 |
| 目标丢失 | 遮挡或截断 | 检查目标跟踪逻辑 | 优化跟踪算法，增加预测补偿 |
| 推理延迟超标 | 模型过大或算子效率低 | 用profiler分析各层耗时 | 量化、剪枝、算子融合、模型轻量化 |
| 多摄像头时间不同步 | 触发信号延迟不一致 | 检查各摄像头时间戳 | 硬件同步触发，软件时间对齐 |
注意事项：实车测试一定要有安全员，随时准备接管。视觉感知系统在极端场景下可能失效，安全员是最后一道防线。我见过测试时安全员分心，差点出事故的案例，这个绝对不能省。
5. 视觉感知的边界与未来演进
5.1 纯视觉方案的物理极限
纯视觉方案有几个物理极限是绕不过去的。第一是测距精度。单目视觉测距依赖目标尺寸的先验知识，如果目标尺寸未知或变化，测距误差会很大。双目视觉测距精度受基线长度限制，车载双目基线通常20到30厘米，在100米距离上的测距误差可能达到数米。激光雷达的测距精度在厘米级，这是物理原理决定的差距。
第二是恶劣天气。大雨、大雪、浓雾条件下，摄像头的能见度大幅下降，图像质量严重退化。激光雷达在雨雾中也有衰减，但毫米波雷达的穿透能力更强。所以纯视觉方案在恶劣天气下的可靠性需要打问号。
第三是逆光和夜间无照明场景。摄像头的动态范围有限，极端光照条件下图像信息丢失严重。虽然HDR技术不断进步，但和人眼的适应能力相比还有差距。
这些极限意味着纯视觉方案在某些场景下需要其他传感器的补充。多传感器融合不是技术路线之争，而是物理规律决定的必然选择。
5.2 数据闭环与持续迭代
视觉感知系统的竞争力越来越取决于数据闭环能力。谁能更高效地收集数据、标注数据、训练模型、部署模型、再收集数据，谁就能更快迭代。特斯拉的数据闭环是行业标杆，百万级车队每天回传大量数据，自动标注和自动训练流水线把迭代周期压缩到很短。
建立数据闭环需要几个基础设施：数据回传通道、数据存储和管理平台、自动标注工具、训练平台、模型部署流水线、影子模式验证。影子模式是指新模型部署到车上但不控制车辆，只做推理并记录结果，和实际驾驶行为对比，验证模型的准确性。影子模式可以在不影响用户体验的前提下积累大量验证数据。
我了解到的一些国内团队，数据闭环的迭代周期在2到4周，比传统模式快很多。但数据闭环的建立需要投入大量资源，中小团队可能负担不起。一个折中方案是使用开源数据集加少量自采数据，配合预训练模型做微调。
5.3 给不同阶段团队的建议
如果你是一个刚起步的团队，想做视觉感知相关的产品，我的建议是从特定场景切入，不要一上来就做全场景。比如先做高速ADAS，场景相对简单，数据采集和标注成本低，算法成熟度高。等高速场景做稳了，再逐步扩展到城区和泊车。
如果你是一个有量产经验的团队，想从Mobileye方案切换到自研方案，建议先做影子模式对比。把自研模型和Mobileye方案并行运行，对比两者的输出差异，找出自研方案的不足。这个过程可能需要几个月，但能大幅降低切换风险。
如果你是一个做后装市场的团队，成本敏感度很高，可以考虑安霸或地平线的低算力方案，配合单目摄像头实现基础的ADAS功能。后装市场的用户对功能的要求没有前装那么高，但对价格很敏感。
如果你是一个做特定场景的团队，比如矿区、港口、园区，场景相对封闭，可以针对场景做深度优化。封闭场景的数据采集和标注成本低，算法可以做得更精细。我见过做矿区无人驾驶的团队，用纯视觉方案加少量毫米波雷达，在矿区场景下跑得很稳。
视觉感知这个领域，技术迭代很快，但底层逻辑不变：更好的输入、更高效的算法、更低的延迟、更强的泛化能力。选型时不要盲目追新，要根据自己的场景、团队、成本约束做判断。Mobileye之外的选择很多，关键是找到适合自己的那一个。
