无传感，不智能
　　中短期来看，由于成本和成熟度的关系，与摄像头传感器相关的应用会得到快速成长，包括盲区侦测、环视、行人侦测等；中长期来看，雷达/激光传感器的应用也会得到加速普及，如何看待这两类技术之间的相互关系与发展趋势成为人们热议的焦点。
　　在余辰杰看来，当前ADAS传感器主要还是依赖摄像头和毫米波雷达，但对于AEB来说，更多还是需要借助于毫米波雷达。因为相对于摄像头而言，基于电磁波反射原理的毫米波雷达对于目标速度和距离的测量，具有更好的实时性和环境适应性。
　　而思特威科技CMO Chris Yiu女士在接受《电子工程专辑》采访时则指出，从技术特点上看，CMOS图像传感器（CIS）和雷达/激光传感器各有千秋。除了部署成本低的优势外，CIS能够获得更复杂的图像信息，应用场景更为丰富；而雷达/激光传感器在避障、测距等特定使用场景中，具有测量准确、测量速度快等优势，但工作原理限制了使用场景，较高的部署成本也制约了其在汽车中的部署规模。随着汽车电子的发展，未来的汽车系统设计中将会部署越来越多的传感器，CIS与雷达/激光传感器将以一种相辅相成的互补关系，分别在各自的强势应用场景中发挥重要作用。
　　当然，如果单从CIS未来在车用领域的发展趋势上看，随着人工智能算法的愈发成熟，越来越多的功能可以通过CIS+AI的形式实现。比如在车外场景中，配合CIS获取的图像数据，汽车驾驶辅助系统能够实现行人监测、路面标志识别、车道偏移报警、自动泊车，乃至最终的无人驾驶。而在舱内场景中，CIS的应用场景将更为丰富：驾驶员身份识别、驾驶习惯设置自运行、用于自动调整安全气囊设置的儿童及物品识别、疲劳与分心驾驶检测、车内物品及儿童遗忘提醒等。
　　不过，车用CIS产品往往需要满足不少独特的需求，例如LED闪烁抑制能力以确保正确识别路面信号灯及汽车车灯；HDR功能以应对复杂的光照条件；强大的低光照成像性能以满足夜间开车或隧道环境的成像需求；全局快门技术防止高速运动下的“果冻效应”等。以低光照成像性能为例，由于有夜间驾驶以及隧道等低光照驾驶环境的存在，车用CIS不仅需要强大的低光照成像性能，还必须能够应对复杂且实时快速变化的光线环境，这意味着车用CIS产品必须拥有堪比高端安防CIS的夜视和HDR功能。
　　在AI应用上，为了应对各种典型或非典型场景，AI算法模型的发展需要建立在由大量测试数据支持的机器学习之上，这就要求CIS产品能够配合算法开发商进行大量的路面测试，以收集大量数据。同时，由于汽车中CIS部署量上升，为了让更多的中低端车型也配备足够的CIS传感器以部署AI技术，业内估计CIS产品必须降低20%-30%的价格才能满足成本方面的需求。

　　电子信息架构的迁移
　　从汽车架构的趋势来看，现在汽车的电子信息架构正从传统的分布式控制向域控制架构、分区架构、中央化架构方向迁移。但不管是哪种架构，随着架构的演进，对控制器的算力、软件、生态都会有越来越高的要求。
　　“这会引出一个问题：传感器是否要内置智能功能，以减少从传感器到处理器的带宽流量？”Bryce Johnstone认为，车内的网络带宽将会大幅增加，以太网尤其是千兆以太网的使用也会随之增加，以处理增长的流量，从而确保实时性能。但在完善全自动驾驶所需的处理能力方面，还有一段路要走。
　　众所周知，在传统的汽车电子E/E架构中，除车机端外，基本都是低算力的实时控制器，运算能力从几百到上千DMIPS不等。随着ADAS/AV功能的引入，多传感器信息融合的处理需要更高算力的计算平台，目前主流车规级高算力处理器（MPU）的算力从几百Gops到几十Tops不等。可是，虽然此类芯片运算能力突出，但通常不具备实时性和高功能安全等级，所以在L0以上涉及底盘和动力控制的ADAS/AV ECU中，多数方案都采用“高算力非实时MPU搭配ASILB+实时MCU”架构，其中MPU部分负责传感器的信息处理和融合，MCU负责控制决策以及和底盘及车身的通信。
　　此外，高运算量一定伴随着高带宽数据，传统的汽车网络主要以CAN（FD）/LIN等低速网络为主，其带宽从几百Kb/s到几Mb/s不等。而在ADAS/AV时代，无论是车内带宽还是车外无线网络，都对通讯接口的带宽提出了不同数量级的要求，比如PCIe被用于ADAS控制器中MPU/MCU之间的通信，车载以太网被用于域控制器之间的大数据信息的传递，LVDS则用于雷达和摄像头等传感器原始数据的传输。这些传输介质其实在消费类电子中早就存在，带宽则以Gb/s为单位，但当它们被引入到ADAS/AV网络后，其功能安全和网络安全的属性都要进行重新考量和设计。
　　最后来看看AI技术的大量引入能在多大程度上解决和推动智能驾驶所带来的算力军备竞赛。目前L1/L2的ADAS功能大多基于固定场景分类的rule-based算法，但未来过渡到L3/L4时，大数据的训练一定会对神经网络规模和层次、MPU算力提出更高要求。但这并不意味着进行简单粗暴的AI硬件加速资源堆叠就能解决问题，由于AI算法日新月异，如何让AI算法工程师能够将算法高效快速地移植到硬件上成为关键，这就需要芯片商同时提供强大的工具链支撑。
　　Yan Goh说，随着人们对大规模高速实时数据处理和高吞吐量的期待，数据通信带宽已成为汽车系统架构师面临的主要挑战。自动驾驶汽车的大量路试取得成功，得益于AI计算和许多基于摄像头-激光雷达-雷达的复杂传感器提供支持。在L5级自动驾驶模式下，每一毫秒对于确保驾驶员和乘客的安全都至关重要。要确保汽车能够在几毫秒内做出反应，现有的汽车架构是无法满足要求的，突破这一瓶颈的方法是将服务器-台式机的计算能力和千兆位类型的网络功能引入汽车领域，用复杂的软件处理算法和专业的汽车AI，帮助汽车OEM提升智能驾驶体验。