無人駕駛技術將會給汽車行業帶來變革

無人駕駛的一天終究會來，屆時交通的安全性可以得到大幅度提升，汽車行業也會發生顛覆性的變化，也許2022年將實現這一目標。

人工智慧概念很早就有了，但之前做的都不是特別好，因為之前都是人去教育機器，然後再讓機器為人做判斷。直到近幾年才有的深度學習功能，人工智慧進入了高速發展階段，深度學習演算法已經成為了無人駕駛的基石，用深度學習來做決策和感知將很快的把無人駕駛的能力提升在人類駕駛員之上。

無人駕駛的研發，從深度學習在無人駕駛的應用程度來看，存在著兩個不同的流派。一個傳統汽車廠商，他們在十幾年前就開始研究自動駕駛技術，其主要目的是通過主動駕駛來幫助人們提升汽車的安全性和操控性。二是互聯網，以百度、谷歌為代表，利用深度學習研究無人駕駛。

從深度學習在無人駕駛的應用方式來看，也有兩種方案：一是以攝像頭為基礎的方案，比如mobileye,他們是全球最大的高級駕駛輔助系統系統供應商，前不久，英特爾斥資153億美元收購了這家公司。他們以感應器為基礎領域領域進行了非常好的深度學習，但是在決策系統上並沒有應用深度學習，目前只能應用於半自動駕駛。另外還有一家值得關注的自動駕駛技術研發公司，Drive ai，他們表現的的比較激進，是直接從感測器出來的信號輸出成為自動駕駛的決策，相當於給車輛安上了一個能夠讓車理解周圍環境並安全行駛的大腦。目前，這類方案已經在做驗證，只需要通過大量的路測來證明其技術的可靠性。

無人駕駛之所以可能在三到五年內被實現，主要是基於這幾個技術的突破。

第一，深度學習的演算法成為了無人駕駛的基石。用深度學習來做決策和感知將會很快的把無人駕駛的能力提升在人類駕駛員之上，比如說，去年阿法狗幫著教育了很多高科技行業之外的包涵整車廠的領導，甚至是晶元廠商公司。再比如說，速銳得為中汽研研究氫能源動力汽車的整車控制策略，提供了絕對大部分汽車感測器的數據和報文。

第二，感測器的換代和感測器的融合技術的升級。感測器技術在這兩年有突破性的提高，使得無人駕駛在深度學習和新型感測器上，得到一個非常廣泛、非常好的突破。

第三、硬體的升級，打造雲端汽車大腦。當汽車大腦擁有了這樣的計算能力之後，就可以把學習演算法和這個模型放到車上，然後在汽車自己駕駛的過程中，走一些實時的判斷和決策。其中非常關鍵的是基礎決策，他是通過攝像頭、激光雷達感知，對很多物體作出判斷，這個判斷要用到速銳得的一些數據做一些評比，綜合演算法，看一看在大量數據里這個決策的準確性。

第四，無人駕駛技術還需要一個非常重要的能力，就是數據收集。俗稱為樣本採集。如果一個公司在做無人駕駛，無人駕駛的車隊有多大很重要，因為每個車隊的規模會影響到他這個車子開得好壞，也就是數據收集的大小，樣本足夠多，足夠大，深度學習的演算法越准。就當下，採用4G網路，已經可以將大部分的數據、攝像頭照片，發回雲端做很大的樣本採集，涉及的車型不同，在匯流排數據上的採集方式也多種多樣，那麼，無人駕駛的數據採集終端也會得到業內的的很重視，因為數據的採集能力，決定著深度學習。

結合項目背景和區塊鏈技術的發展，引申到汽車智能、大數據、物聯網等領域，隨著我市開放態度和眾多頂級人才進入到智能駕駛、人工智慧領域，許多核心技術點上的差異已逐漸被拉平，大家在絕對技術水平上的差距不斷縮小，而解決實際問題的能力卻會越來越顯著，這裡面的核心就是數據。

縱觀國外，這方面最有優勢的還是特斯拉，因為它是讓所有裝配了Autopilot(世界首個量產的輔助駕駛系統)的車、讓用戶天天在真實生活場景中，為自己積累數據。目前特斯拉累計銷量已超過20萬輛，其中大部分車都配備了Autopilot硬體 。

7月份，特斯拉高管公布，全球特斯拉電動車行駛里程已經超過了80億公里。據外媒報道，即便車主沒有啟動Autopilot，它仍處於「影子模式」，感測器會捕捉數據，自動駕駛的演算法會在後台做出自己的判斷，但並不會真的去操控汽車。每輛特斯拉電動車都具備聯網功能。最近，特斯拉甚至要求車主同意上傳車載攝像頭捕捉的視頻數據。

特斯拉CEO Elon Musk 在其「藍圖計劃Part 2」中寫道：我們預計，獲得世界各地監管部門批准，需要積累大約60億英里(接近100億公里)的自動駕駛里程。當下，業內達成的共識是，想要提升演算法，就要拿海量的駕駛里程來填充。不跑完足夠多的里程，不知道這世界究竟多大。

目前自動駕駛車輛的學習里程才剛剛超過每天300萬英里(接近500萬公里)。所以才會有谷歌多年來派出普銳斯、雷克薩斯、考拉車、克萊斯勒等各種車隊去實路測試，才會有Uber急切地在匹茲堡、舊金山投放自動駕駛測試車隊，甚至不惜和美國加州當地車管局撕破臉。

國際大趨勢如此，國產廠商自然也不甘落後，2016年4月，長安自動駕駛汽車完成了2000km高速公路路試;而早在2011年7月14日，紅旗HQ3無人車就歷時3小時22分鐘，完成了從長沙到武漢286km的高速全程無人駕駛實驗;2016年6月，國內首個無人駕駛示範基地在上海嘉定國際汽車城開園，而國內首個無人駕駛測評基地也將落戶同濟大學嘉定校區。同時，上汽集團和同濟大學也已正式簽訂合作協議，共建超過1200畝的測評基地，這裡有望誕生國內首套無人駕駛的認證體系。

從李彥宏坐著無人駕駛的jeep自由光，自五環一路開到北京國際會議中心事實釋放了一個核心信號：做一個在理想狀態下運行的demo車對於很多團隊來說也許並不難，但是要解決極限工況下自動駕駛車輛如何應對的問題，在沒有相關數據可訓練的情況下，只怕再強的技術也是紙上談兵。

2018年5月25日深圳發布《智能網聯汽車道路測試管理規範（試行）》實施意見，該《實施意見》是貫徹落實《工業和信息化部、公安部及交通運輸部關於印發智能網聯汽車道路測試管理規範（試行）的通知》（以下簡稱《管理規範》）的要求，進一步細化了我市申請道路測試的條件，明確了審核申請的流程及有關部門的職責分工。

2018年3月16日，深圳交委發布《深圳市關於規範智能駕駛車輛道路測試有關工作的指導意見(徵求意見稿)》，並公開徵求意見。

2017年12月2日，4台「阿爾法巴智能駕駛公交系統」的深圳巴士集團公交車在福田保稅區首發試運行。

2017年10月底，在南科大等地實驗兩條無人駕駛線。

由深圳市政府指導、中國電動汽車百人會主辦的「2018GIV全球智能汽車前沿峰會」將吸引來自政府、院校、知名企業、初創團隊以及金融機構的500餘名代表參與。中國電動汽車百人會理事長陳清泰、中國工程院院士陳清泉、加州大學戴維斯分校交通研究所創始主任Dan Sperling等頂級專家，以及華為、騰訊、大陸、博世、通用、百度等知名企業代表將分別從技術、應用、示範、通信等角度出發，對視覺感知、智能網聯、人工智慧、智能駕駛測試與生態、5G與車路協同等話題，進行全方位的深度探討，傳遞一個重要信息：

無論是什麼樣的自動駕駛方案，最終是要用在車上，從當下多數車企的表態看，2020年對於自動駕駛的初步實現是個坎，多家汽車廠商都宣布在這個時間節點要推出自己的完全自動化駕駛車型。但自動駕駛的真正實現依然是一個實踐難度極高的系統工程，需要感測器、演算法、執行單位的共同配合，更何況當下對AI技術依賴越來越深，目前沒有任何一個車企能獨立完成。

去年3月，通用宣布斥資近6億美元投資自動駕駛創業公司Cruise Automation。當時Cruise是一個40餘人的小團隊，此舉當時曾引發了業內爭議，特斯拉曾斥責該起收購引發了自動駕駛業界的泡沫化。

今年2月11日，福特宣布向當時成立不足3個月的自動駕駛創業公司Argo.ai投資10億美元，雖然官方表述中沒有出現「收購」的字眼，但Argo.ai與福特達成了排外性合作，雙方將共同開發福特虛擬司機系統，目標是幫助福特在2021年前交付自動駕駛汽車。

通用去年的決策費用貴是貴了點，但Cruise對推動通用自動駕駛汽車商業化所做的貢獻不言而喻。這也是福特效仿的原因之一。這兩個案例有著諸多相似之處，Argo.ai和Cruise在被收購之初都是手握頂ji技術人才、急需資本和資源的創業公司;通用和福特都在整車製造和供應鏈管理方面擁有豐富的經驗，但在開闢新業務時大公司病嚴重，決策效率低下。

對於自動駕駛技術的研發，豐田可能是目前最低調的廠商之一，但曝光少並不意味著豐田真的無動於衷，2014年，豐田確實說過出於安全考慮暫時不搞無人駕駛。但這話你能信?轉個身，豐田就在2015年給自動駕駛項目撥了10億美元的預算。

7月17日，豐田宣布成立自己的人工智慧技術風險投資公司Toyota AI Ventures。這家新成立的風險投資公司將致力於人工智慧技術初創領域的投資。目前，該公司已經收到首筆來自豐田研究院(TRI)的1億美元原始啟動資金。

截止到目前，這家風投公司已經對3家初創企業投資。它們分別為來自於矽谷的Nauto公司，其主要為那些監控司機和道路環境的企業設計開發系統，從而阻止事故發生和不良駕駛習慣。另一家是來自英國的SLAMcore公司，其主要為智能技術開發演算法，服務對象包括無人機和無人駕駛汽車，比如其開發的演算法能夠幫助汽車用戶形成基於自己周邊環境和位置的地圖;最後一家是來自以色列的Intuition Robotics公司，這是一家從事機器人生活伴侶技術研發的初創公司。

豐田章男最近的表態鮮明地表達了當下大多數車企下重注AI、演算法、機器人初創公司的用意：「豐田要在同一時間內採取進攻和防守兼備的策略」。作為一家有近80年發展歷史的汽車製造商，豐田將考慮其他各種可能的發展方向，包括合作、併購和收購等方式。其最終目的，就是要進一步提高豐田汽車公司的競爭力，而回顧通用、福特的做法，又何嘗不是用心良苦。

自動駕駛的本源是打造安全的系統，根據美國2015年所做的里程統計數據，全年美國的汽車總行使里程4.8萬億公里，平均每200萬公里出現一次受傷事故；平均每1.47億公里出現一次致死事故。這都足以證明人類的駕駛水平是了不得的。如果以平均每200萬公里（出現一次受傷事故）為例，北京到上海的距離約為1200公里，我們需要開800多個往返不出現一個受傷事故，才可能從平均水平上證明自動駕駛比人類駕駛安全。再說「系統」。自動駕駛系統有三部分組成：感知、決策、執行。當然，量產的自動駕駛功能絕不是這三者的簡單疊加，在「安全和系統」之外，自動駕駛最重要的是冗餘的系統。

自動駕駛所有核心的零部件包涵在感知層面有毫米波雷達、激光雷達、單目攝像頭、雙目攝像頭、超聲波感測器、輪速感測器、加速度感測器、陀螺儀慣導、定位感測器等；在中央決策層面，有ADAS駕駛輔助預控制器，自動駕駛預控制器、整車控制器；在執行層面，有轉向系統、制動系統、發動機管理系統。

國內最近幾年，中國本土自動駕駛領域的創新創業呈現出「群雄並起」的趨勢。據不完全統計，從北京到深圳，已有超過十家自動駕駛技術方案提供商陸續獲得了多輪融資。自動駕駛的眼睛「雙目模組」到自動駕駛的大腦「車載ECU車載電腦，涉及了圖形轉換矢量，環境監測、場景模型、車況數據，駕駛模型、自動駕駛操作系統演算法及決策等關鍵業務方案。所以自動駕駛決策部分的特點是，龍頭多、技術點繁雜，需要大資源、大技術、大資本，才能投入下一個環節，所有的機器學習，大多停留在信息採集階段，而這個階段的信息採集，絕大多數基本都是處於攝像頭將圖線變成矢量，然後存儲起來。汽車背後的主機非常巨大，相當於一台高容量存儲的伺服器。

如果按照單台車以30Hz的頻率採集320*320的圖像，十分鐘生成一個壓縮包圖片庫的速度來算，2小時內的行駛將產生4個GB的圖片數據，結合邊緣演算法在本地實現處理還需要將圖片通過蜂窩網路（4G,5G）上傳到雲伺服器做深度分析。車子在路上跑的時候，通過V8這類也在不斷的採集數據，而這些數據可以支撐我們做進一步的安全驗證。

I.MX6集成了FlexCAN、MLB匯流排、PCI Express?和SATA-2，具有卓越的連接性，同時集成LVDS、MIPI顯示器埠、MIPI攝像機埠和HDMI v1.4，是先進的消費電子、汽車和工業多媒體應用的理想平台。

SK32作為與汽車匯流排交互的核心處理，採用的Cortex-M4的內核，並帶有乙太網的介面，將適應未來所有車型。

兩個主處理器都滿足AEC-Q100,滿足車規級的要求，未來可以在所有汽車領域大量應用。

我們利用I.MX6解決了高速視頻拍攝及解壓，通過高通4G模組將S32K採集的CAN匯流排數據和外圍GPS等SENSOR將數據傳給伺服器。主要解決從採集端到決策端的數據問題，通過採集到的車速、轉向角度、檔位信息等汽車CAN匯流排數據建立駕駛模型，建立樣本。

智能駕駛實驗平台軟體架構示意圖

應用服務層：智能駕駛實驗平台軟體網關自身帶視頻解析和呈現，主要功能均通過服務的方式對外提供，包括運行在CAN網關上的匯流排數據、遠程升級服務、本地數據處理、應用平台部署、安全服務監測及其他擴展服務。應用框架層：應用框架層主要提供應用服務運行所需的執行環境，包括Java虛擬機(Java運行環境)、Web服務引擎、開發包、MQTT安全模塊及其他擴展開發包。組件層：組件層主要提供網關係統運行所需的各核心功能模塊，包括：電源模塊組，完成與S32K、I.MX6、4G通訊模組等電源供電功能；S32K模塊組，完成CAN協議解析、電壓轉換，數據解析、數據組包等功能；管理模塊組，完成4G網路射頻信號接收、設備GPS定位、外部藍牙連接等管理功能。Linux&驅動層：主要包括Linux操作系統和平台驅動，是網關運行的基礎，包括主晶元驅動以及各種網路驅動，如WiFi、藍牙、串口等。人工智慧技術是在計算機技術上發展起來的一門學科和技術，是在計算機平台上模擬人的大腦進行圖像和數據的智能分析和處理，使用計算機來代替人類的工作，從而有效的減少人力資源的投入，將控制成本控制在最低。人類的大腦本身就是最精密和複雜的系統，人工智慧技術是對人類大腦思考的過程進行模擬和模仿，從而實現人工控制的智能化。人工智慧化技術在不斷發展的同時，在各個領域包括智能汽車中的自動駕駛的控制中也得到了廣泛的應用。人工智慧的最大優勢就是可以對信息進行收集和處理，代替人類進行大量的運算。

人工智慧的直接控制

跟蹤階段的演算法實現原則是利用連續幀間的時間連續性以及當前幀中檢測目標在下一幀中的空間相關性，達到檢測的實時性和穩定性。涉及到的方法有：

（1）基於對比度分析的方法

基於對比度分析的目標跟蹤演算法利用目標與背景在對比度上的差異來提取，識別和跟蹤目標。這類演算法按照跟蹤參考點的，不同可以分為邊緣跟蹤、形心跟蹤和質心跟蹤等。這類演算法不適合複雜背景中的目標跟蹤。

（2）基於匹配的方法

基於匹配的方法包括特徵匹配、貝葉斯跟蹤和均方漂移（Mean Shift, MS）。貝葉斯跟蹤框架根據對運動分布描述能力的大小，依次分為卡爾曼濾波（Kalman Filter, KF）、粒子濾波（Particle Filter, PF）、隱馬爾科夫模型(HMMs)和動態貝葉斯模型（DBNs），這些演算法的主要區別參考文獻。

（3）基於TLD的方法

TLD（Tracking-Learning-detection）是一種近幾年較為流行的框架，集檢測、跟蹤與在線學習於一體，實現檢測器的在線學習和更新，達到對目標長期跟蹤的效果。該演算法與傳統跟蹤演算法的顯著特點在於將傳統的跟蹤演算法和傳統的檢測演算法相結合來解決被跟蹤目標在被跟蹤過程中發生的形變、部分遮擋等問題。同時，通過一種改進的在線學習機制不斷更新跟蹤模塊的「顯著特徵點」和檢測模塊的目標模型及相關參數，從而使得跟蹤效果更加穩定、可靠。但不足之處是只適應於單目標跟蹤。

速銳得科技的匯流排技術處於國際領先水平，核心技術擁有自主知識產權，承擔並完成了多項國家級、省、市重點科技項目，參與起草了《重型汽車排氣污染物排放限值及測量方法》等多項國家和地方標準。

目前市面上的智能汽車、人工智慧演算法及數據採集主要還是以圖片採集為主，只能做到相關的駕駛輔助，無法達到L3級別的自動駕駛及智能化汽車水平，大多是放置在汽車後備箱的電腦主機，主要是收集大量數據，對於新型終端國家並沒有針對硬體相關提出了相關要求。通過汽車CAN匯流排數據基礎用於決策的，目前行業內並沒有切實可行的企業在做，一方面，是汽車CAN匯流排技術本身的壁壘比較高，二是車型非常複雜，三是能將視頻圖片數據與匯流排數據結合的企業，全球屈指可數。行業內很多「山寨盒子」可以通過硬線接入汽車感測器的方式在不同的ECU節點採集不同的數據，但是也給汽車安全帶了嚴重的影響，曾經有不少客戶因為採用接線的方式導致電氣故障燒毀汽車，只有採用免接線即匯流排的接入方式，才能保證安全與數據的實時性。圖片大多只是基於攝像頭，將攝像頭採集的圖片轉換為矢量圖，有一定的演算法，但是壁壘不高。

申萬宏源研究在分析趨勢時指出，2018年是車載TBOX的「莽荒出位期」，在4月份之後甚至是「集體暴動」的狀態。V8與主機通過Canbus通信，實現指令與信息的傳遞，包括車輛狀態信息、車速、轉向角度狀態信息、控制指令等，通過後台系統以數據鏈路的形式高速與雲端實現雙向通信，預測5年內該系統下的智能駕駛、自動駕駛用戶將達千萬規模。

V8基於汽車CAN匯流排將深度結合智能汽車底層技術，幫所有的出行公司、自動駕駛公司、大數據公司收集汽車駕駛數據，結合他們的新調度系統等服務更快帶到全球各個角落。

我們已有像滴滴一樣的自動駕駛客戶、共享汽車小明出行已經布局了自動駕駛，我們通過一個個試點項目，將V8的數據傳輸到雲端，通過V8安裝在這些出行公司、自動駕駛公司、大數據公司運營的100萬輛汽車裡，來分析駕駛模式，建立基於位置、環境、駕駛習慣的模型，以更好地提供人工智慧調度等汽車網聯服務。

作為階段性研發成果，今年6月地，我們開始在北京北京聯合測試新的V8系統。V8利用智能手機、計程車位置、天氣模式等因素的數據來確定網約車、共享車的最有效分布。

除了提高調車效率、增加利潤，V8也將充分利用其汽車服務平台「TSP」上收集到的車輛數據，在國內完善、在日韓擴張，它的駕駛數據聯動型汽車保險，還有面向融資租賃司機的金融產品、預測性維護等服務、可控的網約車認證等多方面的問題。

同時，實時的駕駛數據和視頻也有利於平台公司構建動態地圖，加快自動駕駛研發模型樣本及更新進度。

在未來的汽車服務平台為拼車、租車、共享車、網約車等公司提供一套全流程學習系統，來為他們進行一體化的服務，其中包括汽車的管理、利用、分析等定製功能。除了上述汽車服務外，平台中也包含和汽車遠程信息處理保險公司、身份識別公司、CRM 管理公司等各種基於數據的服務公司的合作。例如，今年 1 月，豐田汽車和保險公司 Aioi Nissay Dowa 推出了日本首個和駕駛行為相關的汽車遠程信息處理保險。

它的原理是：在車輛上搭載V8後，V8可以和雲進行頻繁通訊，將司機的駕駛技術、車輛情況、交通路況等信息進行數字化處理。集成的大數據將被放入雲系統被管理、分析，而第三方企業接入的話，則可以利用這些信息提供服務。

這些數據不僅可以方便於地圖的實時更新、車載系統軟體的OTA 更新，還能基於聯網汽車的行駛數據判斷汽車每月的行駛里程、駕駛特點，然後針對它們提供定製的保險優惠策略。

國內乃至東南亞市場潛力大，早已是巨頭資本角逐的地帶。泰國有本田、豐田、馬自達等多類傳統車廠，國內已經百花齊放，他們對數據的重視程度越來越高、希望通過數據搭建新生態的服務型公司，2018 年 CES 上成立了「e-Palette Alliance」。在這個聯盟里，首批合作夥伴包括滴滴出行、馬自達、亞馬遜、必勝客、Uber，整車廠、出行平台、電商、餐飲，涵蓋了車輛供應方、運營平台、商戶等多方面力量。

總的來說，演算法、感測器、計算硬體、基礎決策、數據的收集能力等都都會影響無人駕駛技術的發展，基於這幾個技術的發展，無人駕駛系統逐漸成為一個主流的方向。

2021年將是無人駕駛的元年，屆時有一些大公司將有十幾萬輛無人駕駛汽車量產規模。當無人駕駛到來的時候，汽車這個行業都有可能被顛覆。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！