無人駕駛剛剛開始的未來

作者 | 劉少山，唐潔，吳唯玥

責編 | 何永燦

本文是無人駕駛技術系列的第12篇，也是最後一篇。本文梳理總結了前面11篇涉及到的技術點，嘗試呈現一個宏觀的無人駕駛系統架構。另外，簡單分析了無人駕駛的產業鏈現狀以及根據筆者自己的經驗提出了一些給開發者、創業者，以及投資者的建議。

無人駕駛系列文章鏈接：http://geek.csdn.net/news/detail/199280

無人駕駛技術總結

無人駕駛是一個複雜的系統，如圖1所示，系統主要由三部分組成：演算法端、Client端和雲端。其中演算法端包括面向感測、感知和決策等關鍵步驟的演算法；Client端包括機器人操作系統以及硬體平台；雲端則包括數據存儲、模擬、高精度地圖繪製以及深度學習模型訓練。

圖1 無人駕駛系統架構圖

演算法子系統從感測器原始數據中提取有意義的信息以了解周遭環境情況，並根據環境變化做出決策。Client子系統融合多種演算法以滿足實時性與可靠性的要求。舉例來說，感測器以60HZ的速度產生原始數據，Client子系統需要保證最長的流水線處理周期也能在16ms內完成。雲平台為無人車提供離線計算以及存儲功能。通過雲平台，我們能夠測試新的演算法、更新高精度地圖並訓練更加有效的識別、追蹤、決策模型。

無人駕駛演算法

演算法系統由幾部分組成：第一，感測並從感測器原始數據中提取有意義信息；第二，感知，以定位無人車所在位置以及感知現在所處的環境；第三，決策，以可靠安全抵達目的地。

感測

通常來說，一輛無人駕駛汽車裝備有許多不同類型的主感測器。每一種類型的感測器都各有優劣，因此，來自不同感測器的感測數據應該有效地進行融合。現在無人駕駛中普遍使用的感測器包括以下幾種。

GPS/IMU：通過高達200Hz頻率的全球定位和慣性更新數據以幫助無人車完成自我定位。GPS是一個相對準確的定位用感測器，但是它的更新頻率過低，僅僅有10HZ，不足以提供足夠實時的位置更新。IMU的準確度隨著時間降低，在長時間內並不能保證位置更新的準確性，但是，它有著GPS所欠缺的實時性，IMU的更新頻率可以達到200HZ或者更高。通過整合GPS與IMU，我們可以為車輛定位提供既準確又足夠實時的位置更新。

LiDAR：激光雷達可被用來繪製地圖、定位以及避障。雷達的準確率非常高，因此在無人車設計中雷達通常被作為主感測器使用。激光雷達是以激光為光源，通過探測激光與被探測無相互作用的光波信號來完成遙感測量。激光雷達可以用來產生高精度地圖，並針對高精地圖完成移動車輛的定位；以及滿足避障的要求。以Velodyne 64-束激光雷達為例，它可完成10HZ旋轉並每秒可達到130萬次讀數。

攝像頭：被廣泛使用在物體識別以及物體追蹤等場景中，像是車道線檢測、交通燈偵測、人行道檢測中都以攝像頭為主要解決方案。為了加強安全性，現有的無人車實現通常在車身周圍使用至少八個攝像頭，分別從前、後、左、右四個維度完成物體發現、識別、追蹤等任務。這些攝像頭通常以60HZ的頻率工作，當多個攝像頭同時工作時，將產生高達1.8GB每秒的巨數據。

雷達和聲吶：雷達通過把電磁波能量射向空間某一方向，處在此方向上的物體反射碰到的電磁波；雷達再接收此反射波，提取有關該物體的某些信息（目標物體至雷達的距離，距離變化率或徑向速度、方位、高度等）。雷達和聲吶系統是避障的最後一道保障。雷達和聲吶產生的數據用來表示在車的前進方向上最近障礙物的距離。一旦系統檢測到前方不遠有障礙物出現，則有極大的相撞危險，無人車會啟動緊急剎車以完成避障。因此，雷達和聲吶系統產生的數據不需要過多的處理，通常可直接被控制處理器採用，並不需要主計算流水線的介入，因為可實現轉向，剎車、或預張緊安全帶等緊急功能。

感知

在獲得感測信息之後，數據將被推送至感知子系統以充分了解無人車所處的周遭環境。在這裡感知子系統主要做的是三件事：定位、物體識別以及物體追蹤。

圖2 基於GPS/IMU的定位

定位

GPS以較低的更新頻率提供相對準確的位置信息；IMU則以較高的更新頻率提供準確性偏低的位置信息。我們可使用卡爾曼濾波來整合兩類數據各自的優勢，合并提供準確且實時的位置信息更新。如圖2所示，IMU每5ms更新一次，但是期間誤差不斷累積精度不斷降低。所幸的是，每100ms可以得到一次GPS數據更新，以幫助我們校正IMU積累的誤差。因此，我們最終可以獲得實時並準確的位置信息。然而，我們不能僅僅依靠這樣的數據組合以完成定位工作。原因有三：其一，這樣的定位精度僅在一米之內；其二，GPS信號有著天然的多路徑問題將引入雜訊干擾；其三，GPS必須在非封閉的環境下工作，因此在諸如隧道等場景中GPS都不適用。

圖3 基於立體視覺的測距

因此作為補充方案，攝像頭也被用為定位。簡化來說，如圖3所示，基於視覺的定位由三個基本步驟組成：1. 通過對立體圖像的三角剖分，將首先獲得視差圖用以計算每個點的深度信息；2. 通過匹配連續立體圖像幀之間的顯著特徵，可通過不同幀之間的特徵建立相關性，並由此估計這兩幀之間的運動情況；3. 通過比較捕捉到的顯著特徵和已知地圖上的點來計算車輛的當前位置。然而，基於視覺的定位方法對照明條件非常敏感，因此其使用受限並可靠性有限。

因此，藉助於大量粒子濾波的激光雷達通常作為車輛定位的主感測器。由激光雷達產生的點雲對環境進行了「形狀化描述」，但並不足以區分各自不同的點。通過粒子濾波，系統可將已知地圖與觀測到的具體形狀進行比較以減少位置的不確定性。

為了在地圖中定位運動的車輛，我們使用粒子濾波的方法來關聯已知地圖和激光雷達測量過程。粒子濾波可以在10厘米的精度內達到實時定位的效果，在城市的複雜環境中尤為有效。然而，激光雷達也有其固有的缺點：如果空氣中有懸浮的顆粒比如雨滴或者灰塵，測量結果將受到極大的擾動。因此，為了完成可靠並精準的定位，需要感測器融合，如圖4所示，處理來整合所有感測器的優點。

圖4 定位中的感測器融合

物體識別與跟蹤

激光雷達可提供精準的深度信息，因此常被用於在無人駕駛中執行物體識別和追蹤的任務。近年來，深度學習技術得到了快速的發展，通過深度學習可達到較顯著的物體識別和追蹤精度。

卷積神經網路（CNN）是一類在物體識別中被廣泛應用的深度神經網路。通常，卷積神經網路由三個階段組成：1. 卷積層使用不同的濾波器從輸入圖像中提取不同的特徵，並且每個過濾器在完成訓練階段後都將抽取出一套「可供學習」的參數；2. 激活層決定是否啟動目標神經元；3. 匯聚層壓縮特徵映射圖所佔用的空間以減少參數的數目，並由此降低所需的計算量；4. 對物體進行分類。一旦某物體被CNN識別出來，下一步將自動預測它的運行軌跡或進行物體追蹤。

圖5 面向行為預測的隨機模型

物體追蹤可以被用來追蹤鄰近行駛的車輛或者路上的行人，以保證無人車在駕駛的過程中不會與其他移動的物體發生碰撞。近年來，相比傳統的計算機視覺技術，深度學習技術已經展露出極大的優勢，通過使用輔助的自然圖像，離線訓練好的模型直接應用在在線的物體追蹤中。

決策

在決策階段，行為預測、路徑規劃以及避障機制三者結合起來實時完成無人駕駛動作規劃。

行為預測

車輛駕駛中的一個主要考驗是司機如何應對其他行駛車輛的可能行為，這種預判斷直接影響司機本人的駕駛決策，特別是在多車道環境或者交通燈變燈的情況下，司機的預測決定了下一秒行車的安全。因此，過渡到無人駕駛系統中，決策模塊如何根據周圍車輛的行駛狀況決策下一秒的行駛行為顯得至關重要。

為了預測其他車輛的行駛行為，可以使用隨機模型產生這些車輛的可達位置集合，並採用概率分布的方法預測每一個可達位置集的相關概率。

路徑規劃

為無人駕駛在動態環境中進行路徑規劃是一件非常複雜的事情，尤其如果車輛是在全速行駛的過程中，不當的路徑規劃有可能造成致命的傷害。路徑規劃中採取的一個方法是使用完全確定模型，它搜索所有可能的路徑並利用代價函數的方式確定最佳路徑。然後，完全確定模型對計算性能有著非常高的要求，因此很難在導航過程中達到實時的效果。為了避免計算複雜性並提供實時的路徑規劃，使用概率性模型成為了主要的優化方向。

避障

安全性是無人駕駛中最為重要的考量，我們將使用至少兩層級的避障機制來保證車輛不會在行駛過程中與障礙物發生碰撞。第一層級是基於交通情況預測的前瞻層級。交通情況預測機制根據現有的交通狀況如擁堵、車速等，估計出碰撞發生時間與最短預測距離等參數。基於這些估計，避障機制將被啟動以執行本地路徑重規劃。如果前瞻層級預測失效，第二級實時反應層將使用雷達數據再次進行本地路徑重規劃。一旦雷達偵測到路徑前方出現障礙物，則立即執行避障操作。

Client系統

Client系統整合之前提到的避障、路徑規劃等演算法以滿足可靠性及實時性等要求。Client系統需要克服三個方面的問題：其一，系統必須確保捕捉到的大量感測器數據可以及時快速地得到處理；其二，如果系統的某部分失效，系統需要有足夠的健壯性能從錯誤中恢復；其三，系統必須在設計的能耗和資源限定下有效地完成所有的計算操作。

機器人操作系統

機器人操作系統ROS是現如今廣泛被使用、專為機器人應用裁剪、強大的分布式計算框架。每一個機器人任務，比如避障，作為ROS中的一個節點存在。這些任務節點使用話題與服務的方式相互通信。

ROS非常適用於無人駕駛的場景，但是仍有一些問題需要解決。

可靠性：ROS使用單主節點結構，並且沒有監控機制以恢復失效的節點。

性能：當節點之間使用廣播消息的方式通信時，將產生多次信息複製導致性能下降。

安全：ROS中沒有授權和加密機制，因此安全性受到很大的威脅。

儘管ROS 2.0 承諾將解決上述問題，但是現有的ROS版本中仍然沒有相關的解決方案。因此為了在無人駕駛中使用ROS，我們需要自行克服這些難題。

可靠性

現有的ROS實現只有一個主節點，因此當主節點失效時，整個系統也隨之奔潰。這對行駛中的汽車而言是致命的缺陷。為了解決此問題，我們在ROS中使用類似於ZooKeeper的方法。如圖6所示，改進後的ROS結構包括有一個關鍵主節點以及一個備用主節點。如果關鍵主節點失效，備用主節點將被自動啟用以確保系統能夠無縫地繼續運行。此外，ZooKeeper機制將監控並自動重啟失效節點，以確保整個ROS系統在任何時刻都是雙備份模式。

圖6 面向ROS的Zoo-Keeper結構

性能

性能是現有ROS版本中有欠考慮的部分，ROS節點之間的通信非常頻繁，因此設計高效的通信機制對保證ROS的性能勢在必行。首先，本地節點在與其他節點通信時使用迴環機制，並且每一次迴環通信的執行都將完整地通過TCP/IP全協議棧，從而引入高達20微秒的時延。為了消除本地節點通信的代價，我們不再使用TCP/IP的通信模式，取而代之採用共享內存的方法完成節點通信。其次，當ROS節點廣播通信消息時，消息被多次拷貝與傳輸，消耗了大量的系統帶寬。如果改成目的地更明確的多路徑傳輸機制則將極大地該改善系統的帶寬與吞吐量。

安全

安全是ROS系統中最重要的需求。如果一個ROS節點被挾制後，不停地在進行內存分配，整個系統最終將因內存耗盡而導致剩餘節點失效繼而全線奔潰。在另一個場景中，因為ROS節點本身沒有加密機制，黑客可以很容易地在節點之間竊聽消息並完成系統入侵。

為了解決安全問題，我們使用Linux containers （LXC）的方法來限制每一個節點可供使用的資源數，並採用沙盒的方式以確保節點的運行獨立，這樣以來可最大限度防止資源泄露。同時我們為通信消息進行了加密操作，以防止其被黑客竊聽。

圖7 基於Spark和ROS的模擬平台

硬體平台

為了深入理解設計無人駕駛硬體平台中可能遇到的挑戰，讓我們來看看現有的領先無人車駕駛產品的計算平台構成。此平台由兩個計算盒組成，每一個裝備有Intel Xeon E5處理器以及4到8個Nvidia Tesla K80 GPU加速器。兩個計算盒執行完全一樣的工作，第二個計算盒作為計算備份以提高整個系統的可靠性，一旦第一個計算盒發生故障，計算盒二可以無縫接手所有的計算工作。

在最極端的情況下，如果兩個計算盒都在峰值下運行，及時功耗將高達5000W，同時也將遭遇非常嚴重的發熱問題。因此，計算盒必須配備有額外的散熱裝置，可採用多風扇或者水冷的方案。同時，每一個計算盒的造價非常昂貴，高達2萬-3萬美元，致使現有無人車方案對普通消費者而言無法承受。

現有無人車設計方案中存在的功耗問題、散熱問題以及造價問題使得無人駕駛進入普羅大眾顯得遙不可及。為了探索無人駕駛系統在資源受限以及能耗受限時運行的可行性，我們在ARM面向移動市場的SoC實現了一個簡化的無人駕駛系統，實驗顯示在峰值情況下能耗僅為15W。

非常驚人地，在移動類SoC上無人駕駛系統的性能反而帶給了我們一些驚喜：定位演算法可以達到每秒25幀的處理速度，同時能維持圖像生成的速度在30幀每秒。深度學習則能在一秒內完成2-3個物體的識別工作。路徑規劃和控制則可以在6毫秒之內完成規劃工作。在這樣性能的驅動之下，我們可以在不損失任何位置信息的情況下達到每小時5英里的行駛速度。

雲平台

無人車是移動系統，因此需要雲平台的支持。雲平台主要從分布式計算以及分布式存儲兩方面對無人駕駛系統提供支持。無人駕駛系統中很多的應用，包括用於驗證新演算法的模擬應用，高精度地圖產生和深度學習模型訓練都需要雲平台的支持。我們使用Spark構建了分布式計算平台，使用OpenCL構建了異構計算平台，使用了Alluxio作為內存存儲平台。通過這三個平台的整合，我們可以為無人駕駛提供高可靠、低延遲以及高吞吐的雲端支持。

模擬

當我們為無人駕駛開發出新演算法時，我們需要先通過模擬對此演算法進行全面的測試，測試通過之後才進入真車測試環節。真車測試的成本非常高昂並且迭代周期異常之漫長，因此模擬測試的全面性和正確性對降低生產成本和生產周期尤為重要。在模擬測試環節，我們通過在ROS節點回放真實採集的道路交通情況，模擬真實的駕駛場景，完成對演算法的測試。如果沒有雲平台的幫助，單機系統耗費數小時才能完成一個場景下的模擬測試，既耗時同事測試覆蓋面有限。

在雲平台中，Spark管理著分布式的多個計算節點，在每一個計算節點中，都可以部署一個場景下的ROS回訪模擬。在無人駕駛物體識別測試中，單伺服器需耗時3小時完成演算法測試，如果使用8機Spark機群，時間可以縮短至25分鐘。

高精度地圖生成

如圖8所示，高精度地圖產生過程非常複雜，涉及到：原始數據處理、點雲生成、點雲對其、2D反射地圖生成、高精地圖標註、地圖生成等階段。使用Spark，我們可以將所有這些階段整合成為一個Spark作業。由於Spark天然的內存計算的特性，作業運行過程中產生的中間數據都存儲在內存中。當整個地圖生產作業提交之後，不同階段之間產生的大量數據不需要使用磁碟存儲，數據訪問速度加快，從而極大提高了高精地圖產生的性能。

圖8 基於雲平台的高精地圖生成

深度學習模型訓練

在無人駕駛中我們使用了不同的深度學習模型，為了保證模型的有效性及效率，有必要對模型進行持續的更新。然而，原始數據量異常巨大，僅使用單機系統遠不能完成快速的模型訓練。

為了解決這一問題，我們使用Spark以及Paddle開發了一個高可擴展性分布式深度學習平台。Paddle是百度開發的一個深度學習開源平台。在Spark driver上我們同時管理Spark運行上下文以及Paddle運行上下文，在每個節點上，Spark執行進程運行一個Paddle訓練實例。在此基礎上，我們使用Alluxio作為參數伺服器。實驗證明，當計算節點規模增長時，我們可以獲得線性的性能提升，這說明Spark+Paddle+Alluxio這套深度學習模型訓練系統有著高可擴展性。

無人駕駛的產業發展

為了深入了解無人駕駛的產業發展，我們邀請了牛津大學商學院的同學一起做了個產業鏈分析。宏觀來說，一個產業的發展應該是至上而下的，上游產業的發展讓下游產業更加繁榮，反過來刺激上游產業的發展。理想來說，無人駕駛的產業發展應該分為三個階段：第一階段，感知系統的發展，主要包括各類感測器的融合使用及感知決策系統的準確度提升，實現輔助信息的交互及部分自動駕駛功能。第二階段，支持演算法以及決策的晶元成熟，包括演算法及晶元設計的發展，實現協同決策及自動駕駛。第三階段，車聯網的發展，實現高精度地圖及實時路況信息的更新及通過深度學習實現協同感知。

感測器的融合使用

毫米波雷達：車載毫米波雷達市場主要供應商為傳統的汽車電子企業，如博世、大陸、 海拉等，市場佔有率頭三位的企業佔領了50%以上的市場份額。中國市場中高端汽車裝配的毫米波雷達感測器依賴進口為主，國內自主品牌的研發生產能力尚需提高。毫米波雷達的核心組成部分為前端單片微波集成電路MMIC和雷達天線高頻PCB板，此兩項核心技術僅掌握在國外廠商手中。國內企業總體尚處於研發階段，24GHz的產品已經取得部分研發成果，華域汽車、湖南納雷、蕪湖森思泰克、智波科技等企業在此方面有部分技術積累。

激光雷達：激光雷達是無人駕駛汽車硬體端的核心能力，受益於無人駕駛汽車市場規模的爆發，預計2030年全球激光雷達市場可達到360億美元的規模。相比於國外的Velodyne、Quanergy等廠商已經具有相對成熟的產品，國內公司在激光雷達生產研發尚處於初步成型階段。目前國內研發生產激光雷達的初創公司數量很多，但是大多數缺乏完整的產業鏈及相應的配套設備，受制於硬體成本及技術門檻較高等因素，能夠做出成型產品的公司往往很少。目前有產品落地的激光雷達公司包括歐鐳激光、鐳神智能、思嵐科技和速騰聚創等。此類公司競爭的著力點包括四個方面：1. 建立與各車廠的合作關係：發展新客戶，搶佔新市場並積累市場需求方面的經驗；2. 硬體的量產及成本的控制：實現大規模生產的同時降低成本，通過量產實現更大的利潤（目前激光雷達的毛利率約為27%）；3. 提高產品性能的穩定性，通過快速迭代提高產品工藝，建立技術門檻；4. 綜合提供數據存儲分析的服務，實現數據格式的統一。

攝像頭：預計2020年全球車載攝像頭的市場規模約為200億人民幣，模組組裝及CMOS供應商共佔據超過60%的產業價值，該產業鏈的其他環節還包括鏡頭供應商及其他部件的供應商。該模塊的行業技術壁壘較高，只有少數廠商具有垂直整合的能力。大部分廠商將業務集中在產業鏈中的少數環節，行業的集中度很高，大多數環節的前三廠商市場份額合計佔總體一半以上：光學鏡頭主要是台灣的大立光學、大陸的舜宇光學主導，CMOS感測器及圖像處理器以歐美和日本韓國的廠商為主，大陸廠商在紅外濾光片和模組封裝有一定的優勢（如歐菲光、水晶光電等）。通常攝像頭硬體設備和配套的演算法及系統難以分割，硬體設備商將攝像頭提供給自動駕駛演算法公司或者汽車一級供應商，由這些下游的公司進行硬體、晶元及演算法的合成。由於車載攝像頭對安全性及穩定性的要求比普通的工業用攝像頭高，產品壁壘較高，所以攝像頭大廠相對有競爭優勢。台灣的同致電子2016年的營業收入預計比2015年增長超過40%，毛利率達到30%。未來的車載攝像頭廠商的競爭將主要體現在：1. 與晶元及演算法的適配性，提供整體解決方案的能力；2. 產品穩定性安全性等工藝的領先。

總體上說，感測器與配套的演算法及晶元相輔相成，未來的趨勢是提供完整的一套解決方案，而不是單個零星的硬體。另外，各種類型的感測器的功能各有優勢，互相補充，汽車整車廠將融合使用各類感測器，並通過量產及新技術推動感測器的成本下降。

演算法及晶元協同發展

ADAS演算法及晶元技術門檻高，需要對感測系統採集的數據進行處理，完成對周圍環境及自身車況的識別及探知，市場集中度較高。國內的ADAS演算法公司主要有深圳佑駕、前向啟創、蘇州智華等。此類公司根據自身特點及戰略目標的不同，圍繞演算法為中心，有三種商業模式：1. 向汽車一級供應商直接提供演算法（或者外購晶元及感測器，提供完整的ADAS模組）；2. 建立生產線，提供自產的完整ADAS模組給一級供應商或後裝市場；3. 將自身研發的晶元與演算法綁定出售。 由於可以通過演算法升級實現更多功能，且企業內部的自身成本與建立感測器生產線相比非常低（主要是人工的成本），所以產業鏈中的演算法環節可以帶來30%以上的產品溢價。

高精度地圖及車聯網的發展

高精度地圖參與者主要有圖商（如HERE、四維圖新）、無人駕駛科技公司（如Google、特斯拉等）、ADAS方案提供商（如Mobileye、前向啟創）和傳統車企（如通用、大眾）等四類。其中除了圖商的高精度地圖是為地圖的標準化準備外，其他參與者繪製的高精度地圖都是為了各自環節中的特定需求定製的，標準化程度較低。地圖行業的進入壁壘較高，主要由於地圖繪製的牌照數量少，資料庫建設周期長，投入資金大，而且需要大量依賴長期積累起來的實施技術。另一方面，該行業的規模經濟效應明顯，一旦建立起市場份額則利潤非常可觀。以四維圖新為例，2016年該公司的綜合毛利率約為80%，近50%的營業收入來自車載導航領域。在離線地圖的時代，圖商主要以銷售地圖使用許可證（License）為主，但在高精度地圖時代下，圖商將為用戶提供持續的服務。屆時一次性收費的模式將被按時間或按產品類型收費的模式取代。

車聯網市場的參與方可大致分為四種: 車聯網服務提供商、設備供應商、增值服務提供商以及電信運營商。1. 車聯網服務提供商居於產業鏈核心，地位類似於智能手機的操作平台，是傳統整車廠和高科技行業巨頭競爭的主戰場。傳統整車廠利用捆綁銷售的方式，通過在旗下產品搭載自家品牌的車聯網系統，完成用戶的原始積累。科技公司則通過與車企在地圖、車聯網方案、自動駕駛等領域的合作進入車聯網生態系統。2. 設備供應商是整個車聯網產業鏈實現的硬體基礎。目前該領域尚未形成巨頭競爭的格局，留給創業公司發展的空間較大。縱向一體化或者專攻高利潤市場將有助於儘快確立競爭地位。3. 增值服務提供商與智能手機App應用的價值類似，市場空間十分巨大，但目前尚處於初級的服務模式當中，參與者魚龍混雜，競爭的關鍵點在於精準理解用戶需求，提高用戶體驗。4. 電信運營商主要將用戶請求及處理結果在車聯網中傳遞並收取通信費用。國內三大電信運營在通信市場處於絕對的寡頭地位。

下游過熱

但是根據目前無人駕駛產業鏈的發展，顯然有點下游過熱了，大量的風投湧入下游，特別是L4／L5整車的無人駕駛初創公司，而許多上游部件以及核心模塊卻沒有引起太多的注意。資本突然的湧入也造成了L4/L5整車的無人駕駛公司估值的暴漲，也直接導致了無人駕駛從業者人心浮動，大量人才從行業領先地位的無人駕駛公司（包括Google、百度等）流失。這個現象對無人駕駛產業發展並非是好事，也讓我們想起了2016年的AR／VR風潮以及後來的AR／VR企業的倒閉潮。個人認為AR／VR的核心問題也是在上游產業鏈沒準備好的情況下，下游產品概念被炒作過熱，導致資本的瘋狂。

一點個人的感想與建議

這是無人駕駛系列最後一期，開始寫這個系列是因為自己對這個集大成技術的熱愛以及追求。寫每一期都是對自己做過技術的一次總結以及重新學習。在之前的11期我們都聚焦技術而不談個人的見解。最後一期想總結一下個人的一些觀點，讀者們未必會認同，但是希望可以通過這篇文章多與各位交流學習。

我為什麼沒有做無人駕駛創業

許多投資人問過我，為什麼沒有選擇無人駕駛創業，而選擇了機器人。因為在我看來無人駕駛整合了40～50個技術點，即使做好了其中90%的技術點，無人車還是上不了路。而機器人只是整合了4～5個技術點，相對容易許多，責任也小許多。做機器人解決方案我們很快就可以出產品，很快能得到市場反饋，從中學習到許多，也可以得到不斷出貨的滿足感。而做無人車做得好也可能只是一個好的Demo，而且做無人駕駛創業需要很強的技術以及資本掌控能力，我能力還到不了這個程度。在我看來市場上有幾家無人駕駛初創公司有很強的技術把控能力，包括NURO.AI、PONY.AI、以及AutoX.AI，NURO.AI與PONY.AI應該屬於傳統的LiDAR流派，而AutoX應該是視覺流派的佼佼者。

給開發者的建議

當前的人工智慧熱潮是一次大的技術革命，對廣大技術人員來說是個特別好的機會，但是如果只掌握一個技術點是不足夠的。根據我過去幾年的經驗，在技術行業隔行如隔山，比如做演算法的對軟體設計未必熟悉，專註做軟體的很少懂系統，而懂系統的了解硬體也不多。反過來也一樣，讓一個硬體工程師去寫軟體，他可能會覺得很難而不敢觸碰。但是如果能靜下心來花點時間去學一下，其實並沒有想像中那麼難。我在工作以及創業的過程中，發現能跨躍幾個細分行業（比如軟體、系統、硬體）的工程師非常難得也非常有價值。通常可以跨躍幾個細分行業的人都比較有好奇心，也有勇氣去嘗試新的東西。我以前是學系統的，覺得演算法不是我的本行，一直拒絕接觸。但是當自己深入接觸後，覺得並沒有想像中那麼困難，只要保持著好奇心，不斷學習，可以很快成才。

給投資人的建議

下游現在過熱了，多關註上游。我個人信奉的是更細的分工達至更高的效率。只有上游發展好後，下游才會真正的繁榮。如果每個公司都說可以全棧把每個點都做好那是不成熟以及低效的。比如無人駕駛安全，基本沒人關注也沒人在這個行業創業。很多投資人說，無人駕駛本身都沒做好，哪有功夫看這種方向。但是當車做好後，如果安全沒做好，車是不可能上路的。無人駕駛安全必須隨著無人駕駛其他技術點一起發展。另外為無人駕駛服務的雲計算，也是鮮有人投入，但是這在我看來是個極大的市場。

序幕剛啟

無人駕駛作為人工智慧的集大成應用， 從來就不是某單一的技術，而是眾多技術點的整合。技術上它需要有演算法上的創新、系統上的融合，以及來自雲平台的支持。除了技術之外，無人駕駛的整條產業鏈也是剛剛開始，需要時間去發展。目前在市場上許多創業公司都是做全棧，做整車。但是如果產業鏈沒發展成熟，做全棧與做整車公司的意義更多是Demo這項技術，而很難產品化。個人認為一個成熟的產業是應該有層次感的，上下游清晰，分工細緻以達到更高的效率。但是今天無人駕駛行業還是混沌的，上下游不清晰，而且資本的熱捧也導致了市場過熱。但是相信通過幾年的發展，當上下游發展清晰後，無人駕駛就可以真正產業化了。無人駕駛序幕剛啟，其中有著千千萬萬的機會亟待發掘。預計在2020年，將有真正意義上的無人車開始面市，很可能是在園區以及高速公路等可控場景，然後到2040年，我們應該可以看到無人駕駛全面普及，讓我們拭目以待。

作者簡介

劉少山，PerceptIn聯合創始人。加州大學歐文分校計算機博士，研究方向：智能感知計算、系統軟體、體系結構與異構計算。現在PerceptIn主要專註於SLAM技術及其在智能硬體上的實現與優化。

唐潔，華南理工大學計算機科學與工程學院副教授。主要從事面向無人駕駛和機器人的大數據計算與存儲平台、面向人工智慧的計算體系架構、面向機器視覺的嵌入式系統研究。

吳唯玥，牛津大學工商管理碩士。牛津大學種子基金投資經理，曾任德勤諮詢汽車行業服務高級顧問，主要專註於銷售業績提升與企業管理流程重組優化，帶領團隊參與多個汽車品牌及零售業品牌諮詢項目。中國註冊會計師協會會員。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！