汽车的传感器越来越多了。
近期小鹏汽车在广州汽车展上发布了新款电动汽车——小鹏P7，该车采用英伟达Xavier自动驾驶芯片，车外共有30个传感器，其中有12个超声波传感器、5个毫米波雷达、13个摄像头，是L3级别的自动驾驶。相较于以往的自动驾驶系统传感器的配置，这次小鹏无疑在传感器的数量上提升了一个量级。
对于自动驾驶而言，传感器是灵魂所在。那么传感器的数量越多越好吗?企业配置更多的传感器又意欲何为呢?
传感器越多越好?
众所周知自动驾驶的实现包括几个技术基础：
感知、决策和控制，感知部分主要就是通过搭载多种传感器来感知周边的环境，比如摄像头、毫米波雷达、激光雷达等。
那么这是否意味着传感器越多越好呢?
业内专注于辅助驾驶系统以及自动驾驶软硬件一体化解决方案的安智汽车相关技术人员表示：“理论上，安装的传感器数量和种类越多，车辆就能够有效地检测出周围环境中的风险和障碍物。
但实际上，传感器并非多多益善，除了成本因素之外，不合理的传感器组合也会带来相互之间的干扰。而除了感知传感器外，车辆上还搭载控制传感器、环境传感器等，各类传感器的信号传输、功耗散热等都需要设计考虑。
”
从目前已经在市面上销售的车辆可以看到，以特斯拉、奥迪、福特、小鹏汽车、蔚来汽车等品牌汽车的自动驾驶级别往往在L2级别和L2级别-L3级别之间。其中特斯拉L2级别自动驾驶所搭载的传感器数量为14个;特斯拉L2级别-L3级别之间的自动驾驶搭载的传感器数量共计21个;奥迪L2级别-L3级别自动驾驶搭载的传感器数量为23个;福特L2级别自动驾驶搭载传感器数量为17个;小鹏G3采用“博世全家桶”L2级别自动驾驶方案，搭载传感器共计有20个;而蔚来ES8为L3级别自动驾驶共计搭载23个传感器。
可见L2级别的自动驾驶往往搭载的传感器在20个以下，而L2级别-L3级别的自动驾驶所搭载的传感器数量相对更多一些，在20个到25个之间。
L4级别的自动驾驶传感器又会是怎样的呢?
据公开信息可知，长安汽车新一代L4级别自动驾驶车配置了6个激光雷达、5个毫米波雷达以及8个摄像头;元戎启行的L4级别自动驾驶方案，则搭载了8个车载相机、3个激光雷达、GNSS等多类传感器以及相应的通信与数据同步控制器。可见尽管总体传感器数量上少于L2级别以及L2-L3级别自动驾驶汽车的传感器数量，但L4级别自动驾驶明显搭载了更多的激光雷达。
当然这仅仅是从每家厂商所搭载的传感器数量层面来看的，并不能证明什么。每家厂商对于自动驾驶系统能够实现的功能有不同的需求，所以搭载的传感器数量自然有所不同。
传感器方案与成本的博弈
马斯克曾有云“自动驾驶汽车需要有强大的软件支撑。”随着自动驾驶、智能网联的兴起，汽车在软件层面的迭代速度越来越快，
与此同时，具备的功能、模式也就越来越多。
更重要的是，这些功能也受到了众多消费者的喜爱。
比如自动泊车模式，能够自动记录碰瓷、汽车被剐蹭的哨兵模式，可在停车场外一键让你的汽车自动驾驶来找你的召唤模式，可以放心、短暂地把宠物放在车内的“狗狗模式”等，都让用户感到“真香”。
小鹏汽车就提到新推出的P7车型在自动泊车上可谓重兵投入。
据小鹏汽车自动驾驶副总裁吴新宙介绍，小鹏P7前置有4颗环视摄像头，就是为了实现自动泊车功能。
他说：“泊车对于一般的国内整车厂来说不是那么大的痛点，它们在这一层面的关注点也不高，但我们做了很多尝试，分析显示4颗环视摄像头非常必要，因为必须要保证泊车足够安全，你不想错过哪怕离车10厘米远的盲区，这对于我们来说不能接受。”
其希望汽车实现在车库中完成低速自动驾驶，在哪怕没有GPS的情况下，自动开到属于车主的车位上，实现自动泊车。此前蔚来ES8也推出了自动泊车的功能。
可见越来越多的功能之下，汽车搭载的传感器也就越多，然而对于厂商而言，量产的成本如何控制是一个难题。
此外传感器越多，对于计算能力的要求就越高。
因此长远来看，一味地堆传感器肯定不是最优解决方式，业内人士认为未来自动驾驶所搭载的传感器将会进一步轻量化、少量化且会朝着低成本的方向发展，而实现这一效果的技术路径则是——多传感器融合。
多传感器融合
所谓多传感器融合是指，
利用计算机技术将来自多个传感器或者多源的信息和数据，在一定的准则下加以自动分析和综合，以完成所需要的决策和估计而进行的信息处理过程。
对于自动驾驶而言，汽车通过安装在车身四周不同的传感器来收集到众多的视觉数据、周围物体运动速度数据等，这些数据是从不同的角度来描述现实世界中同一样或者不同样的物体。多传感器融合的核心任务就是，
利用不同种传感器的优势，同时最小化或弱化每种传感器的弱点，做出最“聪明的决策”。
目前有几种方法处理这些传感器收集回来的数据：
第一种，绝对排序法。这种方法就是
事先决定传感器的排序，
比如摄像头的级别高于雷达、或者雷达级别高于摄像头。那么在传感器融合过程中，子系统预先确定了排序，比如摄像头级别高于雷达，那么当摄像头检测到了物体而雷达没有检测到的时候，雷达的检测结果则不纳入考虑范围也是允许的。该方法简单、容易实现、相应速度也很快，但缺点在于不够严谨。
第二种，情况排序法。该方法与绝对排序法相似，不同的在于，
根据所处的环节，排名先后可以变化。
比如提前设置好，下雨天气时，摄像头容易受到雨水干扰所以摄像头的优先级降低，雷达的级别高于摄像头。不过即便情况排序法是绝对排序法的一个升级，但仍然不够全面严谨。
第三种，平等投票法。
允许每个传感器进行投票且投票能力都是平等的，然后利用一个计数算法，该算法与投票结果相匹配。
如果传感器的某个阈值都同意检测到某个物体，而某些阈值不同意，那么允许这个阈值决定人工智能系统做出判断。当然，该方法还是有所欠缺。
第四种，加权投票法。该方法在平等投票法上做了升级，增加了权重，也就是提前假设一些传感器比另外一些传感器的权重更高。
第五种，争论法。让每个传感器“争论”为何它们的报告是最合适准确的。
第六种，优先到达法。
即系统不会等待其他传感器报告，以优先报告结果的传感器为准，
以此加快传感器融合工作。该方法的优点是迅速，缺点则是存在安全隐患。
第七种，最可靠法。即跟踪每一个传感器的可靠性，
当传感器之间的数据存在争议时，以相信最可靠的传感器为准。
此外还有其他方法。当然多传感器融合中，这些方法可以同时使用。不过眼下对于众多整车厂而言，多传感器融合依旧处于不断摸索阶段，企业仍需要通过堆传感器来实现一些功能。
目前据大陆集团预测，到2020年全球ADAS市场规模或将达到1324亿元，其中传感器市场规模约占据整体市场规模的76%。无论是高阶自动驾驶产品还是低阶自动驾驶产品，都需要摄像头、毫米波雷达等产品，而随着智能驾驶向更高阶进化，传感器产商们的市场空间必然也会越来越大。当然，这一切的前提是产品性能足够好。
