2840
阿维塔于2023年8月完成B轮融资，增资完成后，长安汽车仍为阿维塔的最大股东，持股比例40.99%；宁德时代持股第二，增资后持股比例从17.1%降至14.1%；重庆承安持股第三，增资后持股比例从13.55%降至11.17%。华为不参股，但提供全套智能汽车解决方案。
阿维塔类似于极狐，华为提供全套解决方案，包括机械部分、高压电气系统、智能汽车和电子架构。但阿维塔不如问界那般，华为几乎算是直接下场卖车，因此阿维塔被人误认为华为含量不高，销售业绩不佳，而问界卖得十分火爆，华为加持是主要原因。实际上，阿维塔华为含量丝毫不低，甚至高过问界。
阿维塔11的ADAS系统由华为一手操办，与极狐又有很大不同。
立体双目是华为的核心技术，只要看一眼前面的摄像头，必须是两个摄像头，且摄像头之间有至少3厘米以上的距离，就可以判别是不是华为技术。使用华为技术的前视通常是4颗摄像头，只有1颗前向摄像头，95%的概率不是华为技术。极狐应该是一对800万像素的立体双目配置，中间是540万像素的单目摄像头，负责长距离和近距离。
阿维塔11与极狐类似，根据https://www.yiche.com/zhaiyao/detail-8029-2357-6375b5bceb459f000a72cbdf.html，华为的摄像头图像传感器尺寸为3*3微米，推测应该是索尼的IMX490，像素为540万像素。因为超过600万像素的车载摄像头图像传感器尺寸都低于3*3微米。
阿维塔11共9个ADAS用摄像头，除了前视4个，还有5个，这5个摄像头是4个360环视短距离摄像头加1个后置中部中距离摄像头，华为对后向视觉非常重视。
毫米波雷达方面，阿维塔11是6颗毫米波雷达，通常毫米波雷达是3颗，车头1颗，车尾两颗，多的在车前左右再加一个是5颗，阿维塔是在车前左右和车后中间都加了1颗摄像头，可能都是博世的MRR毫米波雷达，MRR分前向和后向两种。
阿维塔用了3颗激光雷达，1颗位于保险杠，另外2颗位于车翼子板的位置，位置都比较低，因为车顶的激光雷达在车周围会有明显的盲区，所以阿维塔将激光雷达放置在较低的位置。据说阿维塔用的是华为MDC810做域控制器，这是华为最顶级产品。
阿维塔11智能驾驶域控制器架构
MDC系统内部应该是一片昇腾处理器，一片以太网交换机加一片安全MCU。雷达的CAN总线系统都在安全MCU上，以太网部分自然是在以太网交换机上。
从HBE的名称可以判断阿维塔没有用主流的博世iBooster或博世的IPB，而是用了大陆汽车的MKC2+HBE，极狐也是如此。大陆集团推出的由集成式线控制动系统MKCx与HBE模块组成的MKCxHAD线控冗余制动解决方案，充分满足L4级汽车自动驾驶的安全需求。主流的iBooster对应L2级自动驾驶。
MKCx通过将踏板模拟器、制动主缸、助力器和液压调节控制系统(ABS、ESC)等集成为一个结构紧凑、体积小的制动模块，减轻了约30%的自身重量，可满足新能源车在轻量化和空间优化等方面的需求。得益于独特的全解耦踏板模拟器设计，MKCx还能满足不同类型、不同级别车型的技术需求，提供更多样化、稳定和舒适的踏板感受。
集成式线控制动系统MKCx能以比传统液压制动系统快3倍的速度产生足够高的制动压力，可以实现150毫秒内的建压。除了在更短的时间内可以更好地缩短制动距离，经过TÜV测试认证MKCx还可以实现100%的制动能量回收，帮助新能源车可平均多回收160瓦时(Wh)的电能，比对标制动系统高出约32％的制动能量回收效率，相当于为续航里程500公里的纯电动车增加了约20公里的续航里程。
针对高度自动驾驶场景下的制动安全需求，MKCxHAD线控冗余制动解决方案拥有冗余降级备选功能，即使是面临发生概率极低的故障情况也能够有效应对。一种情况是当主制动系统完全失效时，HBE模块将通过两个前轮对汽车实施制动，起到制动防抱死系统的作用。另一种则如果仅是主制动系统中部分模块发生故障，MKCx将激活大陆集团自行研发的协同制动模式，让HBE模块加入协同工作来驱动后轮制动系统保持工作。这种创新的协同模式，用灵活分离功能确保在自动驾驶下，即使某个系统部件发生故障，也能通过在双轴上控制滑移率进行减速，让制动功能正常发挥作用。
阿维塔11非常罕见地独立外置INS，即惯性导航系统，在阿维塔电路图上直接将INS所在的模块称之为高精度地图控制模块，加上输出PPS信号，PPS应该是PPS+GPRMC构成的时间同步信号，毫无疑问阿维塔具备高精度定位能力，且使用高精度地图。没有高精度地图和高精度定位，永远都只是L2级辅助驾驶。
最后再讲下双目系统。
由于硬件厂家的误导，让普通大众以为算力和安全性成正比，与技术先进度成正比。实际毫无任何直接关联，其原因在于通常说的算力都是AI算力，即深度学习算力，更准确地说是卷积部分乘和累加的运算。基于单目或三目的机器视觉，有着天然的无法改变的缺陷，这个缺陷表现为识别或者说分类与探测是一体的，无法分割，特别是基于深度学习的机器视觉。也就是说，如果无法将目标分类（Classification，也可通俗地说是识别Recognition）就无法探测，即便特斯拉的占用网格也无法避免这个缺陷，因为它用的语义分割的骨架部分仍是最传统的CNN。换句话说，如果无法识别目标就认为目标不存在，车辆会认为前方无障碍物，会不减速直接撞上去。什么状况下无法识别？有两种情况：
第一种是训练数据集无法完全覆盖真实世界的全部目标，能覆盖10%都已经很强了，更何况真实世界每时每刻都在产生着新的不规则目标。特斯拉多次事故都是如此，比如在中国两次在高速公路上追尾扫地车（第一次致人死亡），在美国多次追尾消防车。
第二种是图像缺乏纹理特征，就像摄像头面前放一张白纸，自然识别不出来是什么物体。某些底盘高的大货车的侧面在某一时刻或者一堵白墙，就如同白纸一样，基于深度学习的机器视觉此时如同盲人一般，不减速直接撞上去。
此外，静止目标对深度学习也是麻烦，为了提高识别效率，机器视觉尤其是基于深度学习的机器视觉需要先框选出运动目标，同时也为了防止误判，也必须将运动目标和静止目标分开，如有些道路两侧停满车辆，运动目标的优先级自然高于静止目标，然后再去识别，通常是背景减除、三帧法或光流法，有时需要1-2秒时间，然而事故可能就发生了。
从本质上讲，深度学习是一种高度通用且极为强大的曲线拟合技术，能够识别出以往无法被发现的模式，推断趋势并针对各类问题给出预测性结果。当然，曲线拟合在表示给定数据集时也存在一定风险，这就是过度拟合。具体而言，算法可能无法识别数据的正常波动，最终为了拟合度而将噪音视为有效信息。并且深度学习是个黑盒子或灰盒子，调参更像是艺术而非科学。
那为何特斯拉不用立体双目？宝马用了立体双目后来又退出了？很简单，太难用了。奔驰和丰田在这个领域花费了大量时间来研发，奔驰早在1999年就投入双目的研发，2013年才在S级上应用，丰田大约也是1999年开始，直到2019年才开始在雷克萨斯上量产。宝马照搬德国大陆汽车的全套立体双目解决方案，效果不理想，但没有大改款的宝马7系还是用的立体双目。特斯拉这种短平快的公司自然不愿意多做技术累积。深度学习的免费资源很多，研发周期是双目的1/10，甚至1/15。从事深度学习的人至少是双目的上万倍，双目人才奇缺，并且一切都要从头做起，几乎没有免费资源。国内除华为外，只有中科慧眼能帮助整车厂量产立体双目系统。
电装最早的立体双目用于自动驾驶的研究论文发表在2001年（https://www.denso-ten.com/business/technicaljournal/pdf/17-4.pdf），奔驰则是1996年（https://ieeexplore.ieee.org/document/566403/authors#authors，论文作者Uwe Franke是现奔驰图像理解小组负责人，实际他最早的双目研究论文可以追溯到1987年，Uwe Franke是当今立体双目界的权威），没有20年技术累积，很难用好立体双目。
华为在立体双目道路也有困难，最早的立体双目传感器的基线长远比量产车上要长，基线越长，有效距离就越远，但标定难度就越高，尺寸一致性难度也越高。目前起步最早的奔驰和斯巴鲁基线长度最长，接近30厘米，博世和华为大约是12厘米。
MDC810、三激光雷达、独立INS加立体双目，前后6毫米波雷达，即使面对一系列L4级的Robotaxi，这也是国产最强的智能驾驶系统。
免责说明：本文观点和数据仅供参考，和实际情况可能存在偏差。本文不构成投资建议，文中所有观点、数据仅代表笔者立场，不具有任何指导、投资和决策意见。
下载ECAD模型
