摘要：卫星雷达（分布式雷达）将信号处理计算迁移至中央域控，雷达端仅负责数据采集，带来多方面影响：雷达端成本与功耗降低，中央域控需升级接口与算力（千兆以太网/SERDES，增加DSP内核）。主流厂商推出专用MMIC芯片，支持1D FFT预处理后数据传输。该架构可实现原始数据/点云级融合，提升感知精度（如角度分辨率、目标分类），满足L3-L5自动驾驶对360°覆盖、多雷达协同和成本控制的需求。系统模块

本文系统梳理了4D雷达技术发展现状，从传统巨头到新兴企业解决方案：1）NXP、TI、Infineon三大厂商方案显示8T8R配置、算力提升和4级联成为趋势，2级联方案可使探测距离达300m，角分辨率显著提升；2）新势力企业如Vayyar（24T24R）、Arbe（48T48R）和Uhnder（数字PMCW技术）通过创新架构实现更高性能，其中Uhnder方案已由欧菲光在国内落地12T16R产品。技术

蜂窝移动通信技术通过将区域划分为六边形"小区"（形似蜂窝）实现高效覆盖，每个小区由基站负责，利用"频率复用"技术解决频谱资源稀缺问题。3GPP作为全球移动通信标准制定组织，主导了从3G到5G的技术演进：3G时代引入WCDMA/HSPA实现数据突破；4G时代LTE实现全IP化；5G时代NR技术支持eMBB/uRLLC/mMTC三大场景；当前5G-Advance

自动驾驶算法架构的演进推动传感器数据融合层级不断前移：从早期的目标级后融合（模块化规则算法），到BEV特征级融合（多任务联合感知），再到全链路特征交互（UniAD）和原始数据级融合（端到端系统），最终发展为多模态语义对齐（具身智能）。这一演进过程体现了算力提升、算法优化和神经网络能力的增强，使得融合点从末端结果融合逐步推进到最前端的原始特征融合，实现了更高效、更拟人化的自动驾驶决策能力。

阶段核心驱动架构特点优点缺点代表方案规则算法工程师写代码感知-预测-规划 串行逻辑可解释，易调试累积误差，无法处理长尾Mobileye早期，传统L2两段式端到端深度学习+先验结构特征共享，可微分模块兼顾性能与解释性仍有结构限制一段式端到端视频数据上限极高，拟人化黑盒，训练极其昂贵VLA通用人工智能 (AGI)视觉+语言+动作具备常识推理能力实时性挑战，算力巨大演进阶段核心特征数据流形式下游规划局限

摘要：PVT（位置、速度、时间）是GNSS系统的最终输出结果，通过与IMU数据进行松耦合或紧耦合融合实现精准定位。松耦合PVT融合采用EKF算法，工程实现简单但抗干扰能力较弱；紧耦合直接处理原始GNSS观测数据，在信号遮挡时仍能保持定位。多传感器融合（GNSS+IMU+视觉/激光雷达）和高精度算法（RTK/PPP）可提升定位精度至厘米级，满足自动驾驶需求。发展趋势包括多频多星座融合、AI驱动的异常

混合融合架构是L2++至L4级自动驾驶的主流方案，通过多层次灵活融合传感器数据。该系统包含三条并行处理主线：主感知流（BEV特征融合）、定位流（GNSS/IMU信号融合）和安全流（雷达/超声波后融合）。处理流程分为四个阶段：原始信号时空对齐、BEV深度特征融合、定位修正反馈和安全校验兜底。该架构采用AI主感知与传统传感器校验相结合的方式，既发挥深度学习优势又确保系统安全，通过ROI融合等特殊模式提

摘要 自动驾驶摄像头技术通过光学镜头和图像传感器实现环境感知，主要包括前视、环视、侧视等13个摄像头类型，部分系统采用双目摄像头提升深度感知。摄像头核心组件包括光学透镜、图像传感器（CIS）和图像处理器（ISP），后者通过算法优化画质（如降噪、HDR）。技术特点上，单目、立体、鱼眼和红外摄像头分别适用于不同场景，车载摄像头需满足耐高温、抗震等严苛要求。CIS采用RGGB、RCCB等滤光阵列以平衡灵

本文介绍了超声波雷达在汽车泊车辅助系统中的应用与发展。文章首先区分了UPA（倒车雷达）和APA（自动泊车辅助）两种技术，指出APA采用三级架构实现更智能的泊车功能。随后详细分析了APA系统面临的五大技术挑战，包括信号干扰、探测距离、扫描效率等问题。文章还深入探讨了超声波传感器的频率特性、方向性设计原理，以及村田制作所采用的温度补偿技术。最后介绍了Elmos芯片在智能泊车系统中的关键作用，包括精确测

本文分析了自动驾驶摄像头图传的数据率计算方法，重点讨论了行消隐（Horizontal Blanking）和场消隐（Vertical Blanking）的概念。研究指出Bit per pixel（BPP）未采用标准24位的原因在于CIS（CMOS图像传感器）采用了PWL压缩技术输出图像。文中通过X8D10产品特点的图示和PWL压缩示意图，解释了这种压缩技术对数据传输效率的优化作用，为自动驾驶视觉系统