2021年传感器行业的机遇与风险

来源：蓝焱资本

2021年已过半，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，而数字化万物的核心就是传感器。传感器这个概念虽然已经存在多年，但它依旧是个活力无限的领域。

随着物联网概念的火热，传感器的风口也点燃了MEMS微机电技术以及半导体封装行业在资本市场上的热度。然而热点时期下，我们创投机构更应该放低姿态，以学生的身份重新谨慎、仔细、敬畏的看待这个充满无限可能的市场。

本文作者职业为投资经理，站在资本市场的角度，尽可能系统的思考了传感器的发展与未来，以及这其中所蕴含的投资机会，资本市场青睐传感器行业的哪些方面？

传感器的4大发展方向

自2000年起，MEMS智能传感器开始进入人们的视野，大家对于传感器形态上的变化有了颠覆性的认知。传感器的尺寸及性能伴随微机电技术的发展有了质的飞跃。随后在汽车及消费电子市场上大放异彩，形成了众所周知的传感器第一及第二次发展浪潮。如今，第三次浪潮万物联网已经到来，它与传感器之间的关系无需再多赘述，而汽车行业及消费电子领域对于传感器发展的推动作用犹在。因此，细心观察这些行业中产品的发展轨迹，我们能够看到：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。传感器本质属于半导体，遵循摩尔定律，在这之上，伴随超越摩尔的多样化发展路线。从生产及加工的角度上看，传感器尺寸决定了原材料的使用率，传感器微型化代表了生产成本的下降；从性能上看，微型传感器的能耗得到大幅降低；从产品角度看，传感器的缩小可以释放更多空间，间接提升产品最终的用户体验。根据Yole Développement 的研究，MEMS 典型器件中，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%，而成本则是过去的十分之一。

博世BMA系列加速度计尺寸从3x3mm缩小为2x2mm

2. 柔性化

传感器柔性化的目的主要有三种：便携、仿生、融合。便携性主要基于柔性电子方向的发展。目的是改变电子器件刚性结构，使得产品设计上能够有所突破，在外形上可以折叠卷曲，更加便于携带、使用。仿生方向是通过柔性传感器来模拟人体皮肤，为机器人的感知进行赋能。生物融合则是针对人体来开展的传感器研究。柔性材料可以更加贴合人体器官，在不被人体察觉的状态下，对身体生物变量进行监测。

目前大家能够接触到的传感器柔性化例子除了各种“智能鞋垫、枕头、床垫”之外，就数折叠屏手机最具代表性了。未来手机可能会越来越“软”，像纸一样折起来放在口袋，或者像隐形眼镜一样，戴在眼中。

3. 无源无线化

电源及电线的存在对于传感器的应用环境限制很大。许多工业及医疗场景中复杂的机械及人体结构无法满足传感器电源及线路的排布。主流思想主要是解决无源这个问题。毕竟无源问题解决了，无线通讯只需要搭载WiFi或者蓝牙模块就行了（前提是电量能支持）。另外利用生物电、摩擦电等方式收集能量供于传感器的发展线路也已存在，只是均停留在实验室阶段。

RFID无源无线传感器基础原理

4. 传感融合化

传感器融合在产业中的主要表现为：按照数据采集方式及传感器技术结构，将同类别的传感器进行硬件集成，并通过特定算法进行数据校正及优化，降低串扰。不同传感器之间协同工作，性能互补，为用户提供更丰富功能，赋予消费电子行业更大商业价值。

图片来源：Yole Développement，民生证券研究院

可穿戴设备是消费电子市场中迭代非常明显的一类产品。从外观到功能的进化就可以清晰的看到传感器融合的轨迹。不同种类的传感器逐步增加、融合、协同工作使得电子设备的功能更丰富，更符合消费者需求。

另一个明显案例就是汽车电子中的视觉雷达融合。目前，大多数路面上行驶车辆内的ADAS功能都是独立工作的，这意味着相应传感器彼此之间几乎不交换信息。然而，面对复杂环境仅仅依靠单一传感器是不够的。我们需要将不同种类的传感信息融合在一起，来弥补各传感器自身的缺点及不足。雷达视觉融合就是个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、下雨、强光或弱光情况下会失真。而雷达缺少成像传感器所具有的高分辨率。两者的结合则可在复杂环境下输出更可靠的数据。

传感器发展趋势中的机会与风险

投资机会的把握主要基于效率提升及未来市场空间这两大方面来判断。传感器主要的作用在于信息的采集。传感器的发展就是一个不断提升信息采集效率的过程。因此，传感器发展的每一次变革，必须是产出大于投入+耗损，才是有效的。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。而未来市场的空间大小，也和效率的提升与否息息相关。新变革带来效率的提升会降低成本提高产品的性价比，进而获得更大的市场认同度，市场扩大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去分析上文所提到的四个发展趋势，来大胆判断它们当中所蕴含的机会与风险。

1. 微型化

最直观提升效率的发展趋势就是传感器微型化。提升原材料利用率及能源利用率将直接体现于产品的生产成本及能耗下降。传感器的微型化，主要基于半导体工艺的发展。其中包含了芯片及电路设计、材料加工、制造、封装测试等环节。

（这里我们插入一个MEMS产业链的图来方便理解全局）

对于创投机构而言，投资致力于将传感器尺寸缩小并降低其成本及能耗的企业（同时保证其性能的稳定），大方向上是一定正确的。当然，其中的难度及门槛不言而喻。风险自然就是资本投入极大，且针对的传感器种类未来存在不确定性。深度摩尔能走多远，特征尺寸降无可降，量子隧穿产生漏电，最终只能另辟蹊径的事情会不会携带这资本重来一次，一切都有可能。

2. 柔性化

这是一个绝对前景广阔的投资方向，但现在却未必是一个合适的投资时点。首先，柔性化的诸多技术如电子皮肤、表皮电子、脑机接口等还存在于实验室阶段，到商业转化还需要很长一段时间。其次，传感器柔性化短期内并不会显著提升效率。现有技术在追求柔性化的道路上或多或少会牺牲成本控制、耐久度及性能等。虽然现在的折叠手机让大家看到了手机形态的下一步方向，但其高昂的价格、耐久度及维修成本等问题造成了折叠手机还是炫富炫技的存在，而非生活必需品。同时，人们对于柔性化的认知程度与心理预期还不成熟。刚性结构=耐用，柔性结构=华而不实或者脆弱易坏，这类的思维还是占主导地位的。这同样会给传感器柔性化的道路带来一定的阻力。

3. 无源无线

耦合效率，或者说是能量转递效率是无源无线化发展道路上的最大难题。RFID技术是传感器无源无线的成熟方案之一。通过电磁感应或反向散射的耦合方式将信号及能量远程传输于传感器与阅读器之间。然而缺点也很明显：能量传输效率过低；工作距离过远会逸散严重；无法支持大功率传感器工作；功率高了会有辐射。其他技术方案如：磁谐振供电、磁共振供电、反向散射供电等等，从能源利用率的角度上看，同样存在效率不高的问题。当能源成本大幅下降，不考虑逸散的损耗时，无源无线方向的投资机会将真正成熟。

4. 传感融合

传感融合的概念很早就被提出，但它真正的发展趋势是近期才开始的。我们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：对多个传感器产生的原始数据进行整理、优化、融合并产生更全面的信息数据，进而传输给CPU进行决策。融合主体是数据。

· 传感器集成：多个传感器硬件集成在设备中，各自独立工作并将原始数据直接传输给中央处理器进行决策。融合主体是硬件。

上文所讲的两个例子：计步器到智能手环以及汽车ADAS的发展就很好的展现了传感器集成以及传感融合在实际产品中的表现形式。从行业发展的角度可以说：市场需求推动了传感器集成，而传感器集成又推动了传感融合的发展。回过头来，传感融合也为传感器的进一步集成提供了软硬件上的支撑。

事实上，传感器融合在硬件层面并不难实现，重点和难点都在算法上，具有较高的技术壁垒。传感器的协同工作需要算法和算力支撑，而在之前，人们对于算法及人工智能方面的投入并不多。这种情况下，传感器只能单独工作，应用场景及信息采集的效率都受到很大限制。当算力提升后，传感融合得到了硬件支撑，迎来了高速增长期。伴随传感器融合的优势在数据采集效率上的逐步显现，传感器集成度将进一步上升，与传感融合齐步发展，并推动整个行业的进步。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。