2021年传感器行业的机遇与风险 | 深度思考

来源：蓝岩资本

2021年已经过半，物联网时代已经到来。毫无疑问，万物联网的背后是万物数字化，万物数字化的核心是传感器。虽然传感器的概念已经存在多年，但它仍然是一个充满活力的领域。

随着物联网概念的普及，传感器的风口也点燃了MEMS微机电技术和半导体包装行业在资本市场的普及。然而，在热点时期，我们的风险投资机构应该降低态度，以学生的身份对这个充满无限可能的市场保持谨慎、谨慎和敬畏。

本文作者资经理，从资本市场的角度来看，尽可能系统地思考传感器的发展和未来，以及投资机会，资本市场青睐传感器行业的哪些方面？

传感器的四发展方向

自2000年起，MEMS智能传感器开始进入人们的视野，每个人都对传感器形变化有了颠覆性的认识。随着微机电技术的发展，传感器的尺寸和性能有了质的飞跃。随后，它在汽车和消费电子市场上大放异彩，形成了传感器第一和第二次发展的著名浪潮。如今，第三波万物联网已经到来，它与传感器的关系不需要重复，而汽车工业和消费电子领域对传感器发展的推动作用仍然存在。因此，仔细观察这些行业产品的发展轨迹，我们可以看到传感器的发展遵循四个方向。

1.微型化

微型化是未来传感器发展的必然趋势之一。传感器本质上属于半导体，遵循摩尔定律，伴随着超越摩尔的多元化发展路线。从生产加工的角度来看，传感器尺寸决定了原材料的利用率，传感器微型化代表了生产成本的下降下降产品的角度来看，减少传感器可以释放更多的空间，间接改善产品的最终用户体验。根据Yole Développement 的研究，MEMS 在典型的装置中，加速度计的封装管脚从 2009 年的 3×5 mm2 缩小至 2018 年的 1.6×1.6 mm2.面积仅相当于之前的17%，而成本是过去的十分之一。

博世BMA系列加速度计尺寸为3x3mm缩小为2x2mm

2.柔性化

灵活的传感器有三个主要目的：便携、仿生、融合。便携性主要基于柔性电子方向的发展。目的是改变电子设备的刚性结构，使产品设计有所突破，外观可折叠卷曲，更便于携带和使用。仿生方向是通过柔性传感器模拟人体皮肤，赋能机器人的感知。生物融合传感器研究是针对人体进行的。柔性材料能更适合人体器官，在不被人体注意的情况下监测生物变量。

目前，除了各种智能鞋垫、枕头、床垫外，我们可以接触到的传感器柔性例子是最具代表性的折叠屏幕手机。在未来，手机可能会变得越来越软，像纸一样折叠在口袋里，或者像隐形眼镜一样戴在眼睛里。

3.无源无线化

电源和电线的存在对传感器的应用环境有很大的限制。在许多工业和医疗场景中，复杂的机械和人体结构满足传感器电源和线路的排列。主流思想主要是解决无源问题。毕竟无源问题解决了，无线通信只需要搭载WiFi或者蓝牙模块(前提是能支撑)。此外，利用生物电、摩擦电等方式为传感器收集能量的发展线路也存在，但都停留在实验室阶段。

RFID无源无线传感器的基本原理

4.传感融合化

该行业传感器集成的主要性能是：根据数据采集方法和传感器技术结构，硬件集成相同类型的传感器，并通过特定算法进行数据校正和优化，以减少串扰。不同的传感器协同工作，性能互补，为用户提供更丰富的功能，为消费电子行业提供更大的商业价值。

图片来源：Yole Développement，民生证券研究所

可穿戴设备是消费电子市场上一种非常明显的迭代产品。从外观到功能的演变，我们可以清楚地看到传感器集成的轨迹。不同类型的传感器逐渐增加、集成和协作，使电子设备的功能更加丰富，更符合消费者的需求。

另一个明显的案例是汽车电子中的视觉雷达融合。目前，大多数车辆在路上行驶ADAS功能是独立工作的，这意味着相应的传感器几乎不交换信息。然而，仅仅依靠单个传感器来面对复杂的环境是不够的。我们需要整合不同类型的传感信息，以弥补传感器本身的缺点。雷达视觉融合是传感融合的典型例子。可见光谱范围内工作的摄像头在浓雾、雨水、强光或弱光下会失真。雷达缺乏成像传感器的高分辨率。在复杂的环境以在复杂的环境中输出更可靠的数据。

传感器发展趋势中的机遇和风险

把握投资机会主要是基于效率提高和未来市场空间。传感器的主要功能是收集信息。传感器的发展是一个不断提高信息收集效率的过程。因此，传感器发展的每一个变化都必须大于输出 损失是有效的。而无法做到这点的创新和突破只能成为概念，投了就成了先烈。未来市场的空间也与效率的提高密切相关。新变革带来的效率提高将降低成本，提高产品的性价比，进而获得更大的市场认可度。市场扩张将带动产能产生规模经济效应，进一步降低成本，进入良性循环。因此，我们围绕这两个核心思路分析上述四个发展趋势，大胆判断机遇和风险。

1.微型化

提高效率最直观的发展趋势是传感器微型化。提高原材料利用率和能源利用率将直接反映在产品生产成本和能耗的下降上。传感器的微型化主要基于半导体工艺的发展。它包括芯片和电路设计、材料加工、制造、包装测试等环节。

(这里我们插入一个MEMS产业链图便于了解全局)

对于风险投资机构来说，投资企业致力于缩小传感器尺寸，降低其成本和能耗（确保其性能的稳定性），总体方向必须正确。当然，难度和门槛是不言而喻的。风险自然是资本投入大，未来传感器类型不确定。深度摩尔能走多远，特征尺寸不能降低，量子隧道渗漏，最终只能找到另一种方式，一切都是可能的。

2.柔性化

这是一个绝对有前途的投资方向，但现在可能不是一个合适的投资时间点。首先，电子皮肤、表皮电子、脑接口等许多柔性技术仍存在于实验室阶段，需要很长时间才能进行商业转型。其次，传感器的灵活性在短期内不会显著提高效率。在追求柔性的道路上，现有技术或多或少会牺牲成本控制、耐久性和性能。虽然目前的折叠手机让每个人都看到了手机形式的下一个方向，但其高昂的价格、耐久性和维护成本导致了折叠手机或炫耀财富和技能的存在，而不是必需品。与此同时，人们对性的认知和心理预期还不成熟。刚性结构=耐用，结构灵活=华而不实或脆弱易坏，这种思维仍然占主导地位。这也会给传感器柔性道路带来一定的阻力。

3.无源无线

耦合效率或能量转移效率是无源无线化发展道路上最大的问题。RFID该技术是传感器无源无线的成熟方案之一。信号和能量通过电磁感应或反向散射的耦合远程传输到传感器和读者之间。但缺点也很明显：能量传输效率过低；工作距离过长会严重逃逸；不能支持大功率传感器工作；高功率会有辐射。从能源利用率的角度来看，磁谐振供电、磁共振供电、反向散射供电等其他技术方案也存在效率低下的问题。当能源成本大幅下降，不考虑逃逸损失时，无源无线投资机会将真正成熟。

4.传感融合

传感融合的概念很早就提出了，但它的真正发展趋势才在不久的将来开始。首先要区分传感融合（Sensor Fusion）与传感器集成（Multisensor Integration）这两个概念。

·传感融合：整理、优化、集成和生成多个传感器生成的原始数据，然后传输到CPU决策。整合主体是数据。

·传感器集成：多个传感器硬件集成在设备中，独立工作，直接将原始数据传输到中央处理器进行决策。集成主体是硬件。

上面提到的两个例子步器到智能手镯和汽车ADAS其发展很好地展示了传感器集成和传感集成在实际产品中的表现形式。从行业发展的角度来看，市场需求促进了传感器集成，传感器集成促进了传感集成的发展。回顾过去，传感集成也为传感器的进一步集成提供了软硬件支持。

事实上，传感器在硬件层面层面并不难实现，重点和难点都在算法上，技术壁垒较高。传感器的协同工作需要算法和计算能力的支持，而在此之前，人们对算法和人工智能的投入并不多。在这种情况下，传感器只能单独工作，应用场景和信息收集的效率受到很大限制。计算能力提高后，传感融合得到硬件的支持，迎来了快速增长期。随着传感器集成在数据采集效率方面的优势逐渐显现，传感器集成将进一步提高，与传感器集成一起发展，促进整个行业的发展。据麦姆斯咨询报道，传感器融合系统需求预计将在未来5年内以约19.4%的复合年增长率增长，市场规模预计将从2017年的26.2亿美元增长到2023年的75.8亿美元。

总结一下：

微型化的方向是成熟的投资时点，但早期投资机会不多。柔性化及无源无线化投资时点过早，还需等待。传感融合方向处于产业的高速增长期，值得重点关注。

传感融合依旧是个很宽泛的大方向，仅仅一个方向不足以支撑我们对于该命题的投资策略。因此，我们要更具体的去分析传感融合这个领域成熟的机会与潜在的可能。

接下来主要分析两个问题：

1. 传感融合的现有行业框架与商业结构是怎样的

2. 什么场景拥有更大的发展空间

传感融合的现有行业框架与商业结构是怎样的？

传感融合是个很典型的行业发展倒逼出的新概念。尤其是自动驾驶行业，传感融合已经成为该行业的发展共识。但怎么做，诸多大厂还在不断摸索。就拿汽车行业说事，目标融合的程度已经无法跟上自动驾驶发展的要求，随着ASIC、FPGA等芯片算力的提升，SOC集成的MEMS传感器逐渐成为自动驾驶汽车的主流配件，“原始数据融合”的可行性及重要性将逐渐显现。不过目前，大部分传感器融合应用的还是目标数据，而不是原始数据。而在传统量产车型上，摄像头和雷达甚至没有达到目标数据的融合程度。

目前，行业内主要的多传感数据处理架构主要包括以下三种：

1、分布式：将各独立传感器获取的原始数据进行局部处理，然后将处理结果发送到数据融合中心进行智能优化组合，得到最终结果。优点是：对通信带宽的分布式需求低，计算速度快，可靠性和连续性好。缺点是：跟踪精度不够。

2、集中式：将采集到的原始数据直接传输到中央处理器进行融合处理，可以实现实时集成。优点：数据处理精度高，算法灵活，缺点：对处理器要求高，可靠性低，数据量大，难以实现。

3、混合式：混合多传感器信息融合框架（分布式+集中式），部分传感器采用集中式融合，其余传感器采用分布式融合。优点：混合融合框架具有较强的适应性，兼顾了集中式融合和分布式融合的优点，稳定性强。缺点：混合融合结构比前两种融合方案更为复杂，增加了通信和计算成本。

传感融合的过程中，整个系统需要处理多参量的数据，甚至相互矛盾的信息。如何保证融合系统快速处理数据，过滤噪点和干扰，确保融合后的信息不会失真，误报或堵塞中央处理器导致死机，是该行业发展的重要难点。

讲到这里，或许你会一头雾水，到底什么是目标数据融合，什么是原始数据融合？为什么原始数据融合就厉害了？我还是用自动驾驶来举个例子说明一下：

自动驾驶需要用到多种传感器，比如摄像头、毫米波雷达、激光雷达以及超声波雷达。不同传感器的工作原理不同所以它们产生的数据类型也不一样。

如果车辆在自动驾驶过程中发现前面飘来一个塑料袋，摄像头可能会识别出它是个塑料袋或者白色的皮球，甚至是白色的飞鸟（如果光线不好），而毫米波雷达很可能会认为它是个石头或者相同尺寸的障碍物。这时候不同传感器发出了截然相反的指令，摄像头建议减速而雷达建议紧急制动。两个互相冲突的指令必须引入第三个传感器介入打破平衡，或根据系统预设优先级直接判定紧急制动。但无论哪一种方案，都不是自动驾驶最优的解决方案。因为复杂的逻辑判定流程会造成延迟以及算力的浪费，甚至不必要的执行动作，而这还仅仅是一个塑料袋。如果两个塑料袋飘过来，就是两倍的工作量。

这就是目标数据融合的尴尬。

而原始数据融合则是所有传感器直接描绘完整环境，事实运算并对每个像素进行动态信息标注。根据塑料袋的动态方式计算出它的重量，直接得到它是塑料袋这个答案，并配合做出相应驾驶动作。原始数据融合能够在使用更少能源（和计算）的情况下，以更高的分辨率探测环境。当来自不同传感器的所有原始数据在处理之前被混合在一起时，深度神经网络(DNN)可以创建一个更完整的环境图像。

这里说一下行业中比较有代表性的公司方便大家理解传感融合公司的产品模式和服务对象。以色列的初创公司VAYAVISION就是一家提供自动驾驶车辆原始数据融合和感知软件解决方案的供应商，2018年10月这家公司拿到了800万美元的融资（投资方包括三菱HFJ金融、LG电子等），该公司2019年5月于EcoMotion智能交通峰会上展示了其最新的自动驾驶环境感知软件VAYADrive 2.0。

（上图是Vayavision官网中环境感知软件的工作原理图，我进行了简单的翻译，方便大家理解。）

该软件对距离传感器进行稀疏采样，并将距离信息分配给高分辨率相机图像中的每个像素。这使得自动驾驶汽车能够接收到关于物体大小和形状的关键信息，能够将道路上的每一个小障碍物分开，并准确地定义道路上的车辆、人和其他物体的形状。

VAYADrive2.0架构为汽车厂商提供了一个可行的选择，以替代市场上常见的‘目标级对象融合’模型的不足。这对提高检测精度、降低从L1-L3升级过程中的高误报率至关重要。

类似企业在全球有许多，国内也有很优秀的初创公司在各自的细分领域深耕着。例如傲酷雷达（Oculii）通过融合水平俯仰雷达及点速度原始数据，在全球首创了车载4D（X,Y,Z和速度）高清点云成像毫米波雷达，用类似激光点云的成像方式，对距离300米内的移动和静止目标高清成像，媲美低线数激光雷达。不过，点云的增多势必也造成算力负担的加大。在电脑主机下跑数据进行融合，和实际车中进行运算还是有区别的。从实验室转入商业应用面对消费者，不仅存在硬件上的诸多挑战，还有行业生态是否成熟，是否能够兼容配套等相关问题。其他公司由于字数原因，就不在这里过多列举。

什么场景拥有更大的发展空间？

除了自动驾驶外，还有哪些场景需要传感融合的引入呢？它们的存在背后是否存在着全新的市场等待创新企业去挖掘？在回答这个问题时，我们首先需要判断，传感融合的加入，能否对整体行业效率进行提升。

上文我们总结了，传感融合主要提升的是信息采集和信息处理效率。那么这个场景就必须是围绕或者侧重信息数据的（先不去管目标信息和原始信息那么高深的程度）。通过两个维度来做分析：特定产业中设备的传感器数量及数据精确度。我们发现有的场景对传感融合的需求非常迫切，有些则只是锦上添花。

（横坐标为工作时所依赖的数据精度，纵坐标为传感器总数，圆圈大小表示市场规模）

列举几个高速发展的热点产业，根据它们的产品特性在上图中进行排列。通过排列分析可以发现：复杂环境下，如动态或开放场景中工作的设备需要安装更多的传感器，来满足外界信息采集的多样性及全面性；执行复杂任务的设备，如高精度任务或需自主进行行为判断的工作，对于数据的精确性要求很高。所以，除了自动驾驶外，无人机以及服务机器人对于传感融合的需求会同样强烈，甚至随着细分场景中各自工作的复杂度及自动化程度提升，这一需求会更加突出。（环境感知的融合运算不仅可以用于自动驾驶）

如果从行业的成熟度去判断，我们可以把行业的发展按照时间来分成三个阶段。

第一阶段是行业的萌芽期。产品受限于当前技术或研发初衷只是为了解决具体需求。这个阶段企业在软硬件的投入都不会多，整个行业都在摸索突破口和想象空间。

第二阶段是高速发展期。平台和生态已经搭建完成，民众对于这个行业的认知程度非常高。行业逐步形成龙头态势，产品通过竞争不断打磨外观及成本。这个时候算法占到主导地位，传感器受到空间设计或成本等因素依旧保持旧有形态，甚至在算法的填补上进行缩减。

第三阶段则是行业转型升级，配合需求驱动，产生颠覆性的产品或服务迭代。传统汽车向自动驾驶过渡就属于第二阶段迈向第三阶段的典型例子。而服务型机器人和无人机还在不断寻找自身的突破。

结尾：

传感融合的重要性不亚于AI人工智能。它作为工业4.0中围绕大数据闭环的重要一段，很明显并未得到相应的认知度。这一领域又新又低调，伴随着各行业的发展，它的重要性和市场价值将越发显著。

2021年，虽然新冠疫情仍未过去，全球经济形势仍然风雨飘零，但传感器行业却自顾蓬勃发展。

未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）大脑研究计划，构建互联网（城市）大脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”