在最新发布的智能网联汽车技术路线图2.0中指出，中国智能网联汽车技术发展将在接下来的5年（2020-2025）中，即将建立较为完善的智能网联汽车自主研发体系，生产配套体系以及创新产业链体系。其中研发过程体系中需要充分考虑包含安全、效率、节能减排舒适便捷及个性化的目标。设置发展期、推广期、成熟期三个阶段来整合优化智能网联汽车主机厂和零部件厂商，以实现顶层设计、技术和产品创新、市场应用三方面的发展目标。1）顶层设计顶层设计目标实际是通过建成完善的政策法规、技术标准、产品安全、运行监管体系，促进汽车与交通、信息通信等产业相互配合、协同发展，最终形成具有中国特色的智能网联汽车发展战略构思。2）技术产品创新在智能网联技术产品创新中需要持续优化研发、生产配套、创新产业链体系。中国本土建立世界级领先零部件供应商1-2家，提升智能化基础设施覆盖度，通过北斗高精度时空服务实现全覆盖，“人-车-路-云”系统达到高度协同，最终实现汽车强国目标。3）市场应用在市场应用方面，在2020-2025的5年中，L2-L3级的智能网联汽车销量占比，C-V2X终端新车装配率均可达到50%，L4级智能网联汽车开始进入市场，并且在特定场景和限定区域开启商业化应用。到2030年，L2-L3级的智能网联汽车销量占比超过70%，L4级车辆在高速公路广泛应用，在部分城市道路规模化应用。为了实现完全的自动驾驶功能，需要在考虑自动驾驶技术的应用前提下，同步与智能网联技术进行融合，企业在开发过程中需要分别从横纵两个方向进行考虑相应的发展策略。智能网联汽车涉及整车零部件、信息通信、智慧交通、地图定位等多技术领域，整体技术架构划分为“三纵两横”。“三横”指车辆关键技术、信息交互关键技术与基础支撑关键技术。“两纵”指支撑智能网联汽车发展的车载平台与基础设施。该技术路线支撑着政府自动驾驶产业规划，推动行业技术发展创新，引导相关社会资源倾向聚集。
如下将就“三纵两横”策略中的各个子项进行全面解读并提出应对建议。车载关键技术-环境感知
路线图中指出，环境感知需逐步满足有限自动驾驶、高度自动驾驶、全自动驾驶的环境感知要求。对于各个阶段自动驾驶而言，相应的环境感知技术需求存在阶跃式发展，包括其探测能力（探测范围、距离、正确识别率等）。为了满足如上传感性能需求，需要从传感零部件供应商、芯片零部件供应商以及主机厂分别进行协作优化。①零部件厂家优化策略建议：对于各个零部件厂家而言，为了更多的满足如上对环境感知结果输出能力，需要大幅的突破传感器领域的技术瓶颈，如从设计原理和生产工艺的源头上提升传感器核心性能。如摄像头采用更好的光学对焦镜片，增大其识别分辨率以及输出帧率，以提升对于较小异形目标的探测。②硬件性能的提升往往伴随着优质软件的需求，传感器软件算法往往付诸于控制器的处理能力，对于各芯片厂家则需要不间断到的开展感知处理器算法（如优化神经网络模型计算效率）及芯片基础技术（提升芯片AI算力与优化带宽）攻关。这里优化神经网络为例，较大分辨率摄像头输入意味着神经网络中较多的输入信息，如果采用的双目摄像头可能还包含三维信息，这就需要进行降维优化：3D卷积->2D矩阵->1D非线性操作。最后进行多层融合，子图处理，结构化剪枝及可适配量化后提升计算性能。③此外，加强对环境感知原始数据融合（如进行视觉与雷达数据融合）并进行有效处理，也是解决感知数据精度提升的有效策略。传感器融合在这里已经是当前很多主机厂或Tier1进行过得算法研究，一般量产上市的车型感知数据融合包含的数据来自于摄像头与毫米波雷达，融合算法也相对简单，后续随着自动驾驶级别的需求更加严苛，我们应该会考虑类似激光雷达一样的高精密环境传感器，而将光雷达将产生指数级的点云数据，这就要求我们有更加强大的芯片算力和更加优化的融合算法。车载关键技术-智能决策对于智能决策技术而言，未来AI技术和大数据将成为其重要的趋势，随着智能机器人、智慧交通的逐步成熟，智能网联汽车将搭载更加先进且丰富的AI技术、开发生态环保，并优化相关数据资源。同时根据不同的时间段，提出了相应的智能决策算法需求，并以人类驾驶作为标杆进行对标开发，最终实现完全的自动驾驶。为了更好的适配智能决策控制技术，要求主机厂构建智能决策控制技术策略开发、虚拟测试验证仿真平台。开发自动驾驶系统智能决策技术控制方法也是必要条件。对于智能决策而言，安全设计能力（包含功能安全和预期功能安全）都尚未开发完成，并且开发难度也较大。且AI算法设计一般掌握在芯片供应商手里，对于供应商而言，很多时候无法满足车辆的路试里程要求，无法采集到的完全满足自动驾驶的标准数据库，这就造成了开发功能和性能的欠缺。而对于主机厂而言，一般是黑盒，在后期测试中也可能导致算法可控性及信任度下降。为了更好地驱动项目开发，建议主机厂在开发前期提供供应商相关的路试采集数据或较为完整的场景库，使得前期AI算法开发更加有效。此外，基于实际道路数据，构建虚拟仿真测试验证平台，并搭建智能决策大数据训练平台。开发智能驾驶决策控制方法，协调基于常规模型开发技术（包含目标跟踪、预测技术）与AI智能控制技术（包含车路协同、多源数据融合），最终组成强大的智能决策控制模型。车载关键技术-控制执行对于控制执行技术而言，广泛的目标范围包含所有与智能网联系统相关的对手件：如加速控制单元（动力系统），减速控制单元（制动系统），转向控制单元（转向系统），显示控制单元（HMI）。而严格意义上的控制执行范围则主要包括线控制动、线控转向与线控悬架三方面。三个方面应对智能驾驶系统主要分别承载包含控制器软硬件性能，功能安全，集成化设计，智能调节控制等方面的能力循序渐进的提升。整个底盘开发呈现出功能多样化，软件定义汽车功能的特点。此外，车辆多目标控制意味着，底盘子系统之间需要进行不断地协同控制。如转向参数影响制动参数调谐，制动参数也反过来影响转向参数的标定。最终的控制执行上实现向可控化方向发展。对于主机厂而言而言，需要逐步实现纵向、横向、垂向动力学协同耦合控制，并实现底层执行器控制算法开发，提高产品的冗余设计能力。完成线控系统执行器的集成化结构设计，实现线控系统向集成化模块化设计能力。此外，对于关键零部件（如域控制器）的设计能力、掌控也是尤为必要的。
系统设计-电子电气架构对于整个电子电器建设目标而言，需要从建立基于域控制器平台的方向上，逐渐过渡到以计算平台为核心的电子电器架构平台。最后依托主机厂信息通信技术和市场应用优势，搭建基于车路云一体化的平台架构，最后在网联环境下实现整车云端协同控制。
对于电子电器架构而言需要主机厂在功能软件设计模型方面逐渐提升自主设计车载核心功能，完善对于控制器的底层软件产品的需求定义验证能力。该过程主要包含芯片选型，多采用市场有认证的底层软件产品，打破国外对于有线通信技术的垄断，整合现有的碎片化信息技术，逐步实现智能网联汽车在通信方面的需求。此外，开发基于架构设计的软件工具向基于模型设计的软件工具的过度。期间，需要将基于零部件设计系统冗余的方式逐步向基于架构的冗余方式过渡。此外，在架构OTA设计方面，需要逐步健全仙女高管的通信协议及安全机制。对于电子架构设计执行端而言，其关键的要素则是针对当前发展过程中对于数据传输中必要的速率和带宽要求进行条件满足。这就需要加强适应5G新型高频限速的研发，研发过程中需要找到相关的设计标准差异，加强基础设计标准的研究。努力制定高频电缆、接插器和线束国家标准或行业标准。对于主机厂而言则需要根据自身传输需求，制定有效的线束技术要求，制定对于高频、宽带信息的有效传输路径。相关的技术要求需要保证对于高频线束基础原材料、接插器以及底层网络协议研究都是有效的。系统设计-人机交互技术这里的人机交互主要是指机器对于驾驶员驾驶情况的实际监控，并及时有效的提供反馈控制。当前，自动驾驶开发中的人机交互过程更加注重娱乐性、场景化的人机互动进行。从智能驾驶的发展需求而言，则需要更多的注重人机交互在其驾驶安全性、高效性方面的效能应用。整体来说驾驶员监控需要在虚拟显示、眼球追踪、视线追踪几个领域中实现真正的设计、开发到量产。
对于人机共驾技术而言，主要分为两个层面的研究：其一，需要对驾驶环境进行全面有效的采集与分析。这就需要进行驾驶环境模拟，这就需要积累相当规模的数据量。同时，针对性的进行人机共驾领域实验，制定相应的评价指标和测试手段。其二，则需要进行有效的驾驶员状态分析与驾驶行为模型研究。最后利用人工智能分析手段进行主动学习、模拟和算法建模。使得人机共驾模型更加契合真实驾驶员驾驶情况。智能计算平台与专用通信技术智能计算平台技术涉及先进的体系架构和高性能计算方式（包含先进的人工指令集），智能化与网联化的融合是提升智能汽车计算平台技术的必要手段。此外，智能驾驶系统对中央控制器处理芯片提出了新的需求（包括算力、带宽、安全等级等方面），这一硬件上的改变必然配合着相关的系统软件在多内核设计及选型上的需求，以及功能软件在使用自动驾驶功能上的通用框架模块、网联模块、云控模块、信息安全和功能安全模块上的需求。
在通信技术方面，主机厂/供应商需要针对C-2X通信技术性能进行验证测试。验证过程中包含检测认证体系、通信安全标准体系、及安全检测能力，从而最终构建安全认证管理平台。大数据与人工智能技术大数据在智能驾驶中的不断渗透表示形成完备的车路数据采集、平台架构标准和技术相关标准是必不可少的。这一过程需要推动车路原始数据质量的检测工作，保证平台输出的感知和决策数据具备较高的精度和可靠性。同时，对于边缘计算技术的依赖将逐渐变重，主机厂/供应商需要建设基于无线接入技术的边缘云。最后通过构建边缘云与中心云的方式，实现边云协同架构。
人工智能技术的应用还是主要体现在对感知数据的分析输出。其设计算法包含加强深度学习、强化学习技术以及依靠大量数据支撑实现的数据处理突破。同时，主机厂需要加强多源异构信息融合、场景细化、驾驶员面部情绪识别智能化。人工智能在车端的迁移应用是需要掌握AI核心算法，并进行跨学科、协同的整体研究。如上分析，大数据的收集往往是实现人工智能技术的前提和保证。主机厂应在实验前期对大数据信息进行有效且全面的收集。使得后续通过人工智能算法中不断迭代过程消除更多误差数据或模型。车路协同与高精定位技术车路协同技术是指在车路信息共享、车路融合感知、意图判断与协同决策、控制等方面实现阶段逐步发展。这一过程需要完善其系统参考架构，开展基于车路协同技术的大规模测试示范，加快完成车路协同测试规范和信息安全标准制定。同时对于信息传播所必须的基础设施建设，车载终端的搭载率则提出了较高的要求。主机厂需要完善车路协同顶层设计规划，发挥产学研优势，加快跨行业协作，重点突破车路协同涉及的车车、车路信息交互、协同感知、预测、决策与控制能力。提高路侧单元、核心通信芯片等关键部件、设备的性能和竞争力，保证网络安全。
高精定位技术是在智能驾驶汽车中应用最为广泛的车辆位置追踪技术，目前行业内是利用传统测绘的方式形成静态高精地图，而未来则是利用众包采集、生产、加密、发布动态地图，而国内发展来说也会从GPS定位转为北斗作为定位源。同时，后续会逐渐由单车多源融合定位向车路协同定位融合实现全场景高精定位。功能安全与测试评价技术智能网联汽车的未来发展的整体趋势是建立全面的功能安全、预期功能安全体系。这一过程需要建立GSN系统理论体系及HAZOP、STAP的安全分析体方法。建立完整的ASIL等级确定方法。加强车载系统和车规级芯片的功能安全设计和测试。
对于完整的智能网联汽车测试技术而言，构建典型的中国驾驶场景数据库，并形成相应的标准规范。结合虚拟仿真实现从模型、硬件再到软件的仿真全覆盖。同时，加强测试设施及装备效率。不断健全测试场、开放道路标准测试规范，并最终形成分级评价与认证规范和流程。总结智能网联技术2.0作为乘用车、货运车辆、客运车辆自动驾驶开发的指导标准，制定了各细分市场分阶段发展的目标与里程碑。本文将对其整体智能网联汽车技术2.0进程进行全面解读，综合详细的将智能化与网联化进行有效区分与协同合作分析。并针对性的为各国内智能网联开发相关方提供一定的指导建议。后续各家主机厂、供应商可参考本文解读内容有针对性的进行开发优化，在跟上国家整体研发的步伐的同时有针对性的对自身的不足进行弥补和改进。
