當前，全球汽車產業(yè)正加速向新能源化、智能網聯(lián)化、高端化、綠色化發(fā)展，新能源智能網聯(lián)汽車已成為全球各主要汽車大國爭相發(fā)力的戰(zhàn)略制高點。新能源智能網聯(lián)汽車是指通過搭載先進傳感器、控制器等裝置，運用人工智能、5G通信等新技術，具有自動駕駛功能的新能源汽車。在國家政策支持、核心技術進步、下游市場需求旺盛等因素的驅動作用下，中國新能源智能網聯(lián)汽車正邁入全面迭代發(fā)展的新階段，其未來發(fā)展將呈現(xiàn)以下六大趨勢：

　　趨勢一：新能源智能網聯(lián)汽車的全鏈條低碳轉型進程或將提速。新能源智能網聯(lián)汽車的全鏈條低碳化發(fā)展已成為全球共識，隨著國內外市場對新能源智能網聯(lián)汽車低碳化、零碳化要求的不斷提升，國內部分整車企業(yè)已開始從研發(fā)設計、生產制造、原材料及零部件供應以及產品回收再生等全生命周期出發(fā)，制定碳減排目標，力求帶動全產業(yè)鏈低碳化轉型。未來，在整車企業(yè)帶動下，新能源智能網聯(lián)汽車全鏈條低碳轉型進程或將提速。

　　趨勢二：固定路線場景下的新能源智能網聯(lián)商用車將率先進入商業(yè)化階段。商用車的新能源化、智能網聯(lián)化發(fā)展對實現(xiàn)“雙碳”戰(zhàn)略目標、推動汽車行業(yè)轉型升級有著至關重要的意義。目前看，固定路線場景下的新能源智能網聯(lián)商用車將率先進入商業(yè)化階段，主要原因有以下兩點：一是商用車作為“生產工具”，用戶衡量的是其商業(yè)價值，新能源智能網聯(lián)商用車可解決傳統(tǒng)商用車發(fā)展所面臨人力資源不足、人力成本上漲、安全事故頻發(fā)等問題，因此購買者的付費意愿更高。二是商用車的運營場景較為封閉、交通流量較小、行駛速度較低，高精度地圖的繪制和路側感知設備的布局相對容易，所需的測試和仿真時間也大幅縮減，新能源智能網聯(lián)商用車的量產化、規(guī)模化更為容易。

　　趨勢三：補能網絡建設將持續(xù)加速。隨著中國新能源智能網聯(lián)汽車產業(yè)快速發(fā)展，如何提升消費者的使用體驗成為了行業(yè)內關注的重點，補能服務作為消費者使用體驗的重點組成之一，近年來也得到了越來越多的關注。工業(yè)和信息化部及中國充電聯(lián)盟數(shù)據(jù)顯示，2022年中國新能源汽車車樁比約為2.7:1，充電樁總計521.0萬臺、換電站總計1973座，保有量總體相對偏低?？紤]到中國新能源智能網聯(lián)汽車保有量仍處于快速增長階段，為進一步提升新能源汽車消費者使用體驗，充電站、換電站、加氫站等補能網絡建設速度將進一步提升。

　　趨勢四：駕駛員監(jiān)測系統(tǒng)將成為新能源智能網聯(lián)汽車標配。駕駛員監(jiān)測系統(tǒng)可實現(xiàn)駕駛員身份識別、疲勞監(jiān)測、分心監(jiān)測以及危險駕駛行為等監(jiān)測功能。2022年，歐洲新車安全評鑒協(xié)會E-NCAP已將駕駛員狀態(tài)監(jiān)控系統(tǒng)(DMS)作為測試評分項，納入到新車的安全認證測試范圍內。新版歐盟交通安全法規(guī)要求從2024年開始，所有在歐盟注冊的車輛必須具備疲勞檢測和分心檢測功能功能。在中國，座艙企業(yè)也逐漸將DMS系統(tǒng)做成標配，造車新勢力企業(yè)對座艙標配DMS系統(tǒng)已形成一定共識，傳統(tǒng)車企持續(xù)重視車輛的安全功能，也正加速裝配DMS系統(tǒng)。

　　趨勢五：電子電氣架構將向域集中架構、基于中央計算機的集中式電子電氣架構方向發(fā)展。汽車電子電氣架構是通過物理層面的布置、轉化和處理車輛行駛信息，為汽車電子電氣設計提供整體解決方案。隨著新能源智能網聯(lián)汽車發(fā)展，車輛搭載的電子控制單元數(shù)量持續(xù)增加，與云端、第三方APP的交互信息量也逐步提高。傳統(tǒng)分布式電子電氣架構下，車輛智能功能的升級依賴于ECU數(shù)量的累加，因此面臨研發(fā)和生產成本劇增、安全性降低、線束布置過于復雜、算力不足等問題。域集中架構和基于中央計算機的集中式架構是將汽車電子系統(tǒng)根據(jù)功能分為若干個子模塊，可在降低架構復雜度的同時提高系統(tǒng)算力，讓汽車軟件具備可持續(xù)迭代升級能力，可進一步推動新能源智能網聯(lián)汽車產業(yè)向低延時、可升級、萬物互聯(lián)方向發(fā)展。

　　趨勢六：前融合方案將逐步成為多傳感器融合的優(yōu)選方案。多傳感器融合方包括后融合、前融合兩種。后融合方案是將超聲波雷達、攝像頭、毫米波雷達等傳感器通過不同算法進行獨立感知，但單一傳感器的感知能力有限，如攝像頭不擅長判斷距離和位置，雷達不擅長判斷顏色和紋理，因此后融合方案易對大型物體產生大小及分類識別錯誤，無法識別與跟蹤特殊物體或小物體。前融合方案是將來自激光雷達、攝像頭和毫米波雷達的不同原始數(shù)據(jù)統(tǒng)一處理，與后融合方案相比，該方案需要更大的算力作為支撐，對不同傳感器的時間同步和空間標定也非常嚴苛，但對特殊物體或者小物體的識別精度更高，發(fā)生誤判的概率更小。例如特斯拉將毫米波雷達、攝像頭等傳感裝置的不同原始數(shù)據(jù)統(tǒng)一處理，整合成一套環(huán)繞全車360°的超級傳感器，再通過AI算法來完成整個感知過程。