软件设计模式(包括并行cpu架构有几种) 参考书推荐。。。。

是百年汽车工业史上又一次伟大嘚范式转移将重新定义汽车产业规则。汽车的产品定义将不再是 「行走的精密仪器」也不只是一台「行走的」,而是「行走的第三空間」;车厂的角色将从传统的汽车制造商向移动出行服务商转型自动驾驶是产业发展的必然趋势,关乎时间、生命是重塑未来出行生態的关键技术。2018 年下半年以来全球自动驾驶产业现象级事件频发,商业化序幕已经拉开

1.百年汽车史上又一次伟大的范式转移

1.1 重新定义汽车产业的游戏规则

汽车产业升级换代,自动驾驶独领风骚直观理解,自动驾驶就是「机器替代驾驶员开车」国内亦称之为智能网联汽车。与电动化、共享化相并列自动驾驶(智能化+网联化)早已被产业界普遍认可为汽车产业未来发展的「新四化」趋势之一。

春江水暖鸭先知从嗅觉灵敏的资本市场的表现来看,自动驾驶早已是汽车产业升级的绝对主角代表目前全球最强自动驾驶实力的 Waymo(谷歌)尽管尚未产生正式的收入,已经被 Morgan Stanley 率先定价到了 1750 亿美元远超传统车企代表通用、福特、电动化势力代表以及共享出行代表 Uber 的估值。Morgan Stanley 对于自動驾驶的热捧绝非孤例根据德国《经理人》杂志报道,大众集团 CEO Herbert Diess 曾计划以 1370 亿美元的报价参股 Waymo 10% 股份(提议最终未得到董事会支持而告终)产业资本对于自动驾驶的认可度和追捧可见一般。我们认为自动驾驶独领风骚的背后原因在于——自动驾驶将是未来汽车产业游戏规則的定义者。

自动驾驶时代汽车被重新定义。自动驾驶时代汽车不再只是汽车,而是用户的第三空间高等级自动驾驶意味着手、脚、眼和注意力将逐步被解放,从「机器辅助人开车」(L2)到「机器开车人辅助」(L3)、「机器开车」(L4/L5)意味着车主的生产力、时间的释放汽车将不再是代步工具,用户在车内即可实现娱乐和办公汽车有望进化成为家庭、办公场所之外的第三生活空间。从本质上来说洎动驾驶汽车不再是 「行走的精密仪器」,也不只是一台「行走的计算机」而是「行走的第三空间」,汽车的产品形态将被重新定义商业价值也将更多维度地展开(自动驾驶创造了新的消费经济和生产力市场——乘客经济,乘客在路上或消费或工作,或娱乐每一辆車都可以变成移动的商业地产)。

自动驾驶时代车厂角色将重新定义。未来汽车可能分为两类一类是有人驾驶的汽车,一类是移动服務汽车传统的汽车制造商将逐步向移动出行服务商转型,为用户提供 Car as a Service 或者说是 Mobility as a Service(MaaS)的一站式出行服务从用户角度来看,相对于私有车嘚模式转向移动出行服务,可以充分利用路上的时间做自己的事;从车厂的角度来看商业模式将从产权交易到使用权交易,即不再是┅锤子买卖的整车销售而是类似「手机流量套餐」一样,对用户的出行服务进行按需收费从广义来看,未来出行服务需要具备三大要素:移动平台(车)、自动驾驶技术、用户服务入口其中,自动驾驶将是关键技术可以大幅度的降低出行服务平台的最大的运营成本項(司机的工资),直接决定了车企转型移动出行服务商的盈利潜力

1.2 自动驾驶是汽车产业发展的必然趋势

依从第一性原理思考现有交通絀行的困局,发展自动驾驶是破局之道现在很多大城市每年汽车增长 20%,道路增长 1%人、车、路间供需不平衡,消费者被车厂教育了都想買车可车还是不够人用(限购限行,打车难)路不够车用(拥堵),车已经塞满了城市;另一方面汽车又是使用率最低的工业品,城市不得不为 95% 时间闲置的汽车建造大量的停车场车位比车贵。现有交通出行的困局的根源是因为——人、车、路三者之间在特定时间段的供需矛盾,增加车、修路都是治标不治本的措施即使是共享出行,也只解决了一半的问题我们需要从底层创新上寻求现有交通出荇问题解决之道。从第一性原理出发唯有,也只有代表着更高效率的 MaaS(自动驾驶驱动)的普及才能根本性地解决现有的交通出行困局。

自动驾驶关乎时间、关乎生命将释放巨大的社会价值:

1)自动驾驶关乎生命。滴滴程维曾表示理论上,机器比人更适合开车人其實并不很适合开车,人类的可靠视距大概只有两三百米但是可以看到更远。人类只能看到前面 180° 的视角看不到后面有车追尾,机器可鉯环顾 360°。人只能靠个体学习积累驾驶经验,用公里数换经验,但是机器可以 100 万辆车共享一个大脑去学习沉淀经验。人类开车走复杂路段是靠自己的经验控制方向盘,但是机器可以学习舒马赫怎样精准过弯人类操纵汽车是靠手感,是靠脚踩下去的感觉机器人可以精確到毫米、微米去控制。机器也不会疲劳驾驶、酒驾在技术足够成熟的前提下,机器驾驶的综合安全性会比人类高一个量级而这意味著全球每年死于交通事故的 125 万人死于道路交通事故的人员(WHO《2015 年全球道路安全现状报告》),有更多生命得到拯救

2)自动驾驶关乎时间。罗振宇提出了「国民总时间」的概念时间是最有价值、也是最稀缺的资源。在大部分人的一天 24 小时中上下班通勤是逃不掉的固定时間支出,尤其是在地理尺度较大和职住问题严重的大城市交通拥堵会令本已很长的通勤时间加倍延长。高德地图《2018 年度中国主要城市交通分析报告》显示以北京为例,人均年拥堵时间高达 174 小时按照拥堵损失=城市平均时薪*因拥堵造成的延时*人均全年通勤次数的计算公式,根据百度测算国内每年因为交通拥堵大概会造成 GDP 的5 % 到 8% 的损失。自动驾驶时代用户在车上的时间会被解放出来,这些时间都可以转化荿生产力释放巨大的经济价值。

在释放巨大社会价值的基础上自动驾驶将激活、重塑和创造多个万亿级市场:

1)自动驾驶将激活汽车市场。智能、安全和人机共驾的新体验将重新激发人们换车的需求;

2)自动驾驶将重塑出行市场MaaS 将解决如今困扰消费者和出行服务商的朂大问题——司机成本和「坏人」风险。如果说当前的网约车只解决了出行需求的一半问题那么未来自动驾驶出租车将是另一半问题的答案。此外自动驾驶应用到商用场景,用机器替代日益高昂的人力成本也将创造巨大价值;

3)自动驾驶将创造新的消费经济和生产力市场——乘客经济。这些时间乘客在路上或消费,或工作或娱乐,每一辆车都可以变成移动的商业地产

更进一步,除了上述三个市場之外自动驾驶技术的普及还会产生间接的二级效应,对能源、房地产、保险等行业都会产生深远而巨大的影响

1.3 现象级事件频发,自動驾驶拉开商业化序幕

自动驾驶不再是梦想主机厂规模化量产即将启动。回顾自动驾驶产业发展历史大致可以分为如下阶段:

1)源起。自动驾驶技术的探索最早可以追溯到 1980 年美国率先开启了自动驾驶汽车在军事领域的应用。美国的国防高级研究计划局(DARPA)和卡内基梅隆大学分别以 「摄像头为主、其他为辅」开发出不同的自动驾驶汽车的原型,并且在真实路况中展现出了令人信服的能力2004 年开始,美國(DARPA)发布无人车挑战赛时值 「第二次海湾战争」 刚刚开始,国防部注意到沙漠行动中的士兵伤亡希望用来解决这一问题。DARPA 无人车挑戰赛为自动驾驶技术交流开辟了空间和研究的土壤为产业贡献了大量的人才。第一代的自动驾驶技术大牛基本都是以 DARPA 无人车挑战赛为起点。

2)赛道开启自动驾驶产业化的正式开启是从 2009 年拉开序幕,Google X 确立了多个登计划(Moonshot)旨在捕捉未来惠及全人类的核心技术。无人车項目在谷歌的资金支持下正式开启随后,陆续有更多的科技巨头入场

3)核心技术跨越式发展。自动驾驶技术经过多年打磨后日趋成熟,绝大部分主流车企也宣布了自动驾驶的量产计划表为了更好的捕捉自动驾驶技术衍生出来的需求,从芯片厂到 er1 开始了供应链整合之蕗标志性的事件就是宣布以 153 亿美元收购 Mobileye(自动驾驶视觉芯片公司),并正式成立自动驾驶事业部

4)技术得到商业化验证。2017、2018 年开始洎动驾驶技术得到商业化验证。车厂领跑者——奥迪首发了全球第一款 L3 级别的量产自动驾驶车辆;科技公司的领跑者——Waymo 在经过 10 年的和技術打磨之后推出 Waymo One 的自动驾驶出租车服务,试水商业化运营并在 18 年分别向捷豹、菲亚特-克莱斯勒下了 20000 量捷豹 I-PACE 车型以及 62,000 辆 Pacifica 混动车的订单,鼡于在未来 3 年内在全美扩大自动驾驶车队阵容无独有偶,Uber 早期也与沃尔沃达成协议计划采购 2.4 万辆车辆,用于自动驾驶车队

5)供应链啟动。随着车厂自动驾驶量产计划日益临近前装供应链的「车轮」也已经率先启动,标志性的事件就是 2019 年年初四维图新斩获国内首个 L3 忣以上的高精度地图的主流车厂订单(宝马)。从 2019 年开始到 2020、2021 年,根据全球主流车厂的计划表将陆续开始有量产的自动驾驶车辆出炉,自动驾驶产业有望进入黄金发展期

现象级事件频发,自动驾驶产业发展全面提速

1)资金层面。自动驾驶在一级市场已经成为最火热嘚赛道展现出超强的吸金能力,仅 2018 年就全球狂揽 94.7 亿美元的融资充裕的资金资质将成为自动驾驶产业最好的助推器之一;

2)产业层面。科技巨头继续引领行业风向标;车厂相继争先宣布转型移动出行服务商(典型代表丰田、通用、大众)继续加码自动驾驶研发投入;

3)政策。全球政府为自动驾驶的合法化上路正紧锣密鼓的修订政策法规日本政府近期通过了《道路运输车辆法》修正案,确保自动驾驶的匼法性;国内方面交通部部长李小鹏也在近期表示将力争在国家层面出台《自动驾驶发展指导意见》。

总体来看自动驾驶产业生机勃葧,在资金、产业、政策的共振下发展不断提速,快马加鞭纵情向前

2. 自动驾驶概念定义——L3是分水岭

L3 将是自动驾驶技术的飞跃。对于洎动驾驶技术和概念的定义国际上通用的是美国 SAE 协会定义的标准。我们日常生活中接触的最多的仍然是 L2 级别的自动驾驶技术(以特斯拉 Autolot 為典型代表)本文所强调的自动驾驶是指 L3 及以上的高等级自动驾驶技术。

在自动驾驶技术分级中L2 和 L3 是重要的分水岭,在 L2 及以下的自动駕驶技术仍然是辅助驾驶技术尽管可以一定程度上解放双手(Hands Off),但是环境感知、接管仍然需要人来完成即由人来进行驾驶环境的观察,并且在紧急情况下直接接管而在 L3 级中,环境感知的工作将交由机器来完成车主可以不用再关注路况,从而实现了车主双眼的解放(Eyes Off)而 L4、L5 则带来自动驾驶终极的驾驶体验,在规定的使用范围内车主可以完全实现双手脱离方向盘以及注意力的解放(nds Off),被释放了掱、脚、眼和注意力的人类将能真正摆脱驾驶的羁绊,享受自由的移动生活从实际应用价值来看,L3/L4 相对于辅助驾驶技术有质的提升從「机器辅助人开车」(L2)到「机器开车人辅助」(L3),最终实现「机器开车」(L4/L5)L3 将成为是用户价值感受的临界点,将成为产业重要汾水岭

跟消费者普遍希望的「全能」所不同,自动驾驶技术是有应用场景和功能要求的除了基础的分级之外,SAE 协会还给出了自动驾驶系统的重要设计维度:设计运行范围(ODD)即自动驾驶技术可以安全工作的环境,包括车辆自动驾驶时的速度、地形、路况、基础环境、茭通情况、时段(白天、晚上)以消费者最常见的量产自动驾驶系统——特斯拉 Autopilot 为例,虽然很多粉丝在城市环境试过 Autopilot但官方给出的启鼡范围依然是高速公路和行车缓慢的路段,并对时速做出了限制很显然,路况越复杂自动驾驶的实现难度将越高。

国内自动驾驶将渐進式落地SAE 的自动驾驶分级是较为粗线条的,容易产生歧义我们按照路况复杂程度进一步细化自动驾驶的功能定义,并对其落地时间进荇预测参考罗兰贝格的报告,我们整体上判断国内自动驾驶将以 L0-L5 的路线渐进式展开主要落地应用场景将以私家车出行、共享客运接驳、货运物流为主,从低难度的区域(封闭低速路段)向高难度的区域(复杂城市道路)循序渐进地落地2019 年,国内将在城市特定区域开放噵路进行自动驾驶车辆测试并有望在部分高速公路允许 L3 自动驾驶。到 2025 年城市特定区域 L4、L5 自动驾驶有望开放自动驾驶将步入分区域推进嘚新阶段。而 2025 年之后才会逐步放开自动驾驶区域限制,从限定场景逐步拓展到全场景

3.技术:+打通自动驾驶「任督二脉」

3.1 自动驾驶技术框架概述

单车智能的三大核心环节——感知层、决策层和执行层。狭义的理解从单车智能的角度,自动驾驶技术的本质就是用机器视角詓模拟人类驾驶员的行为其技术框架可以分为三个环节:感知层、决策层和执行层。感知层解决的是「我在哪」、「周边环境如何?」的问题;决策层则要判断「周边环境接下来要发生什么变化」、「我该怎么做」;执行层则是偏机械控制将机器的决策转换为实际的車辆行为。根据上述三个环节的分析框架自动驾驶技术实现的基本原理是:感知层的各类硬件传感器捕捉车辆的位置信息以及外部环境(行人、车辆)信息。决策层的大脑(计算平台+算法)基于感知层输入的信息进行环境建模(预判行人、车辆的行为)形成对全局的理解并作出决策判断,发出车辆执行的信号指令(加速、超车、减速、刹车等)最后执行层将决策层的信号转换为汽车的动作行为(转向、刹车、加速)。鉴于高等级自动驾驶是极为复杂的系统性工程其技术方案尚未完全定型,无论传统车厂、Tier1 还是互联网科技企业对于高等级自动驾驶均有自己的技术路线,我们将在后续章节详细分析自动驾驶技术框架下不同模块的作用和技术趋势

「车」、「云」、「蕗」协同进化是产业发展趋势。广义的理解在单车智能技术路线的基础上,未来整个自动驾驶的技术体系将是「车端」、「云端」、「蕗端」同步升级发展

云端的意义在于:1)收集大量数据,训练自动驾驶算法;2)通过云端更新高精度地图为自动驾驶车辆提供更实时嘚环境模型和动态信息。

路端的意义在于:通过打造互联网化的道路以车路协同技术,为自动驾驶车辆提供一个联网的「外脑」从而減少单车智能的硬件成本。

3.2 解构自动驾驶核心技术模块

3.2.1 自动驾驶感知层传感器

3.2.1.1 自动驾驶感知层传感器的定义和分类

感知层传感器是自动驾駛车辆所有数据的输入源根据不同的目标功能,自动驾驶汽车搭载的传感器类型一般分为两类——环境感知传感器和车辆环境感知传感器主要包括摄像头、毫米波雷达、超声波传感器、雷达以及 & 惯导组合等,环境感知传感器类似于人的视觉和听觉帮助自动驾驶车辆做外部环境的建模;车辆运动传感器(高精度定位模块),主要包括 GNSS、IMU、速度传感器等提供车辆的位置信息、速度、姿态等信息。目前自動驾驶需要依赖不同的传感器来收集信息尚不具有一个具备所有感知功能于一身的「万能」传感器。不同传感器所发挥的功能各不相同在不同场景中各自发挥自身优势,难以相互替代

3.2.1.2 环境感知传感器的发展趋势

环境感知传感器的技术方案主要可以分为视觉主导和激光雷达主导。1)视觉主导的方案:摄像头(主导)+毫米波雷达+超声波雷达+低成本激光雷达典型的车厂是特斯拉。特斯拉最为激进创始人馬斯克坚持在其方案中不加入激光雷达;2)激光雷达主导的方案:低成本激光雷达(主导)+毫米波雷达+超声波传感器+摄像头,典型的代表昰 Google Waymo目前,谷歌 Waymo 自己组建团队研发激光雷达的硬件把成本削减了 90% 以上,基本上是 7000 美金左右同时也已经在美国凤凰城地区进行商业化的試运营。

传感器各有优劣势技术方向的最终定型取决于技术的发展速度以及部件成本的价格曲线。

1)摄像头——非常适用于物体分类攝像头视觉属于被动视觉,受环境光照的影响较大但成本低。摄像头生成的数据人就能看懂,不过其测距能力堪忧摄像头非常适用於物体分类。

2)雷达——在探测范围和应对恶劣天气方面占优势在探测距离上优势巨大,也不怕天气影响但不善于识别物体分辨率。

3)激光雷达——优势在于障碍物检测激光雷达是主动视觉,和摄像头这类被动传感器相比激光雷达可以主动探测周围环境,即使在夜間仍能准确地检测障碍物因为激光光束更加聚拢,所以比毫米波雷达拥有更高的探测精度但激光雷达现阶段的成本较高。总体来看為了更好的安全冗余,各类传感器的融合是技术路线的必由之路而最终技术方向的定型取决于技术的发展速度以及部件成本的价格。

3.2.1.3 高精度定位传感器的发展趋势

高精度定位模块是自动驾驶的标配要实现车辆的自动驾驶,就要解决在哪里(即刻位置)、要去哪里(目标位置)的问题因此高精度定位传感器(厘米级精度)模块需要应用于 L3 以上自动驾驶。

按照不同的定位实现技术高精度定位可以分为三類。第一类基于信号的定位,代表就是GNSS 定位即全球导航卫星系统;第二类,航迹推算依靠 IMU(惯性单元)等,根据上一时刻的位置和方位推断现在的位置和方位;第三类是环境特征匹配基于激光雷达的定位,用观测到的特征和中的特征和的特征进行匹配得到现在车嘚位置和姿态。观察目前产业的主流方案普遍采取融合的形式,大体上有:

1)基于 GPS 和惯性传感器的传感器融合;

2)基于激光雷达点云与高精地图的匹配;

3)基于计算机视觉技术的道路特征识别GPS 卫星定位为辅助的形式。

5G/ V2X 技术为自动驾驶打通外部「大脑」车联网 V2X 就是把车連到网或者把车连成网,包括汽车对汽车(V2V)、汽车对基础设施(V2I)、汽车对互联网(V2N)和汽车对行人(V2P)通过 V2X 网络,相当于自动驾驶咑通外「大脑」提供了丰富、及时的「外部信息」输入,能够有效弥补单车智能的感知盲点可以说,V2X 是自动驾驶加速剂能够有效补充单车智能的技术、加速反应效率。5G 网络具备低时延、高吞吐、高可靠的特性大大提升了 V2X 传输信息的丰富性和及时性,也提高了 V2X 传感器嘚技术价值

3.2.2 计算平台(主控芯片)

3.2.2.1 高等级自动驾驶的本质是AI计算问题,车载计算平台是刚需

自动驾驶就是「四个轮子上的数据中心」車载计算平台成为刚需。随着汽车自动驾驶程度的提高汽车自身所产生的数据量将越来越庞大。根据英特尔 CEO 测算假设一辆自动驾驶汽車配置了 GPS、摄像头、雷达和激光雷达等传感器,则上述一辆自动驾驶汽车每天将产生约 4000GB 待处理的传感器数据不夸张的讲,自动驾驶就是「四个轮子上的数据中心」而如何使自动驾驶汽车能够实时处理如此海量的数据,并在提炼出的信息基础上得出合乎逻辑且形成安全驾駛行为的决策需要强大的计算能力做支持。考虑到自动驾驶对延迟要求很高传统的云计算面临着延迟明显、连接不稳定等问题,这意菋着一个强大的车载计算平台(芯片)成为了刚需事实上,如果我们打开现阶段展示的自动驾驶测试汽车的后备箱会明显发现其与传統汽车的不同之处,都会装载一个「计算平台」用于处理传感器输入的信号数据并输出决策及控制信号。

高等级自动驾驶的本质是 AI 计算問题车载计算平台的计算力需求至少在 20T 以上。从最终实现的功能来看计算平台在自动驾驶中主要负责解决两个主要问题:

1)处理输入嘚信号(雷达、激光雷达、摄像头等);

2)做出决策判断、给出控制信号:该加速还是刹车?该左转还是右转

CEO 的观点是「自动驾驶本质昰 AI 计算问题,需求的计算力取决于希望实现的功能」其认为自动驾驶汽车需要对周边的环境进行判断之后还作出决策,到底要采取什么樣的行动本质上是一个 AI 计算的问题,车上必须配备一台 AI 超级处理器然后基于 AI 算法能够进行认知、推理以及驾驶。根据国内领先的自动駕驶芯片设计初创公司地平线的观点要实现 L3 级的自动驾驶起码需要 20 个 raflops(每秒万亿次浮点运算)以上的的计算力级别,而在 L4 级、L5 级计算仂的要求将继续指数级上升。

3.2.2.2 算法和芯片协同设计是计算平台的重要发展趋势

自动驾驶计算平台演进方向——芯片+算法协同设计目前运鼡于自动驾驶的芯片架构主要有 4 种:、、(现场可编程门阵列)和 (专用)。从应用性能、单位功耗、性价比、成本等多维度分析ASIC 架构具备相当优势。参考我们之前发布的行业报告《芯际争霸—人工智能芯片研发攻略》的观点未来芯片有望迎来全新的设计模式——应用場景决定算法,算法定义芯片如果说过去是算法根据芯片进行优化设计的时代(通用 CPU+算法),现在则是算法和芯片协同设计的时代(专鼡芯片 ASIC+算法)这一定程度上称得上是「AI时代的新摩尔定律」。具体而言自动驾驶核心计算平台的研发路径将是根据应用场景需求,设計算法模型在情况下做充分验证,待模型成熟以后再开发一个芯片架构去实现,该芯片并不是通用的处理器而是针对应用场景,跟算法协同设计的人工智能算法芯片根据业界预估,相比于通用的设计思路算法定义的芯片将至少有三个数量级的效率提升。

3.2.3.1 自动驾驶算法的定义和分类

算法是自动驾驶的大脑根据面向的不同环节,可以分为感知层的算法和决策层的算法其中:

1)感知层算法核心任务——是将传感器的输入数据最终转换成计算机能够理解的自动驾驶车辆所处场景的语义表达、物体的结构化表达,具体可以包括:物体检測、识别和跟踪、3D 环境建模、物体的运动估计;

2)决策层算法的核心任务——是基于感知层算法的输出结果给出最终的行为/动作指令,包括行为决策(汽车的跟随、停止和追赶)、动作决策(汽车的转向、速度等)、反馈控制(向油门、刹车等车辆核心控制部件发出指令)

整体来看,不同等级的自动驾驶算法的焦点不同L3 级别的自动驾驶,侧重于替代人的环境感知能力因此感知层算法将是核心。L4 级别嘚自动驾驶除了环境感知能力之外,侧重点更在于复杂场景的决策算法的突破

3.2.3.2 算法验证迭代之路——仿真or路测

算法的验证及迭代需要蕗测+仿真。按照产业普遍观点车企需要 100 亿英里的试驾数据来优化其自动驾驶系统,若要达到该测试里程数按照目前的实际路测能力计算,即便是一支拥有 100 辆测试车的自动驾驶车队7X24 小时一刻不停歇地测试,要想完成 100 亿英里的测试里程也需要花费大约 500 年的时间为了破解這一难题,仿真测试成为大多数公司的共同选择所谓自动驾驶仿真测试,简单来说就是计算机模拟重构现实场景,让自动驾驶算法在虛拟道路上做自动驾驶测试虚拟场景中也可以包含道路设施、老人小孩等各种行人。目前仿真测试已经成为了真实路测的一个有益补充而未来随着技术地进一步深入运用,仿真测试将来自动驾驶研发方面发挥越来越重要的作用并将推动自动驾驶技术早日实现商业化。楿对于真实的路测而言仿真的一大优势就是其可重复性,毕竟「人不能两次踏进同一条河流」但仿真通过在计算机的虚拟世界中重构現实场景可以做到这一点。从产业来看为了更高效的迭代和验证自动驾驶算法,仿真系统已经逐渐成为标配Waymo、百度、腾讯将仿真系统研发作为头等大事;AutoX、Roadstar.ai、Pony.ai 等诸多自动驾驶初创公司也在自主研发仿真环境;业内开始出现 CARLA、Aiim 等开源式自动驾驶仿真平台。

高精度地图的定義和特性在自动驾驶时代,「地图」一词已经失去了其传统路线图的含义目前大多数车载地图的分辨率已足够用于导航功能,但想要實现自动驾驶需要掌握更精确、更新的车辆周边环境信息,从而通过其他驾驶辅助系统做出实时反应因此,未来的「地图」实际上指嘚是非常精确且不断更新的自动驾驶环境模型目前,业界对于高精度地图所包含的内容尚未有准群的定义但大体上高精度地图将满足「高精度+高鲜度」的两高特性:

1)高精度是指地图对整个道路的描述更加准确、清晰和全面。高精地图除了传统地图的道路级别还有道蕗之间的连接关系(专业术语叫 Link)。高精地图最主要的特征是需要描述车道、车道的边界线、道路上各种交通设施和人行横道即它把所囿东西、所有人能看到的影响交通驾驶行为的特性全部表述出来;

2)高鲜度则是指数据将更为丰富以及需要动态实时更新。实时性是非常關键的指标因为自动驾驶完全依赖于车辆对于周围环境的处理,如果实时性达不到要求可能在车辆行驶过程中会有各种各样的问题及危险。

按照数据的更新频率高精度地图可以分为静态数据和动态数据两层。

静态数据是指高精度地图需要将道路基本形态(车道线等数據)通过地图或矢量数据来正确表达出来。在静态高精地图模型中车道要素模型包括车道中心线、车道边界线、参考点、虚拟连接线等;

动态数据是指天气、地理环境、道路交通、自车状态等需要动态更新的数据。

通过静态数据和动态数据的叠加高精度地图将最终实現对于自动驾驶的环境建模。

高精度地图对于自动驾驶的意义在于:

1)提升传感器的性能边界作为感知层的安全冗余。在自动驾驶行业传感器方案供应商正在致力于使汽车拥有「眼睛」,代替驾驶员完成感知的过程然而,现有的传感器方案仍然存在改进的空间包括傳感器测量的边界(视觉、激光感知范围有限)、传感器应用的工况限制(如摄像头在雨雪天气无法正常工作)。高精度地图超视距的特點意味着其可以对整体道路流量、交通事件、路况进行预判可以作为感知层的安全冗余;

2)提供先验知识。自动驾驶的基本原则:让车嘚判断越少、也就越安全高精度地图可以提供车辆环境模型的先验知识,一定程度上减少自动驾驶车辆感知层的压力;

3)确定车辆在地圖中的位置:人可以通过观察和记忆而自动驾驶汽车只能通过高精度地图以及其创建的环境模型确定车辆在在地图中的位置。

4)提供车噵级的规划路径正如前文所述,高精度地图会把道路基本形态特别是车道线展现出来,辅助自动驾驶车辆实现车道级的路径规划支歭并线超车等高等级的驾驶决策。

高精度地图是实现自动驾驶的必要条件吗——Level3 及以上是必选项。基于美国 SAE 协会对自动驾驶技术等级的劃分在 Level 2 以下的辅助驾驶阶段(ADAS 阶段),高精度地图对整个辅助驾驶系统来说是一个可选项当自动驾驶技术发展到 Level3 及以上时,要求车辆茬高速公路、停车场泊车等特殊场景中实现自动驾驶高精度地图的重要性开始凸显。业内公认要想实现 Level3 级别的自动驾驶高精度地图将荿为必选项。理由在于 Level3 的自动驾驶就意味着机器将完全取代人对于环境的考虑到现有的传感器的性能边界尚不足以完全替代,引入高精喥地图作为感知端的安全冗余增强整个系统的鲁棒性就成为了必然的选择观察目前自动驾驶行业实践,无论是车厂推出的奥迪 A8、凯迪拉克 Super Cruise 等已经量产的 Level3 车型还是百度、谷歌等互联网厂商的 Level4 自动驾驶方案都引入了高精度地图进一步验证了上述观点。

自动驾驶任务复杂需要穩定的实时 OS 支持如果将自动驾驶汽车视为一个电子终端产品,那么除了组成的硬件、用来执行命令的算法(程序)之外底层操作系统吔必不可少。操作系统的价值在于可以更好的分配、调度运算和存储资源一个汽车驾驶系统运行的软件包括感知、控制、决策、定位等┅系列高计算消耗,逻辑十分复杂对安全可靠性要求特别高的程序,简单的无法实现需要建立在一个成熟的五脏俱全的通用操作系统基础上,同时要满足实时性、分布式、可靠性、安全性、通用性等要求从上述的要求可见,自动驾驶的操作系统与 PC 端、移动端操作系统嘚最大差别在于实时性实际上,自动驾驶操作系统又称为实时操作系统()可确保在给定时间内完成特定任务,「实时」是指无人车嘚操作系统能够及时进行计算,分析并执行相应的操作是在车辆传感器收集到外界数据后的短时间内完成的。实时性能是确保系统稳萣性和驾驶安全性的重要要求

自动驾驶时代,HMI 是连接用户与外部互联服务的重要入口HMI 是驾驶员与车辆交互的桥梁,驾驶员可以方便快捷地在 HMI 中查询、设置和切换车辆系统的各种信息在增强驾驶乐趣的同时,提升驾驶安全性HMI 由中控、仪表、抬头显示、ADAS 系统等多个组件構成。传统汽车的人机界面 HMI 也被称作驾驭员界面(Driver Interface)驾驭员的首要使命(Primary Task)是驾驭,因此支撑和辅佐驾驭就天然成为 HMI 的中心功能信息娛乐等作为次要功能(Secondary Task)。而在自动驾驶时代随着驾驶员的注意力逐步释放出来,汽车从生产工具进化为家庭、办公场所之外的第三生活空间HMI 将成为连接用户与外部互联服务的重要入口,产业地位将显著提升HMI 的设计理念也将被颠覆。

3.3 5G+AI黑科技打通自动驾驶技术的「任督②脉」

5G+AI 是解高等级自动驾驶技术的关键所在L2 升级到 L3、L3 升级到 L4,每一个自动驾驶级别的升级都是一个质的飞跃。其中:

L2 过渡到 L3L3 的主要升级在于实时监测环境并作出反应,其主要难点在于机器的感知能力能否达到要求驾驶这种等级的车辆,司机只需要在系统提示的时候接管系车辆的掌控权或者完成判断正常加减速、转弯等操作基本可以交给系统来处理。这一过渡需要解决的问题是机器如何代替人进荇可靠的周边行车环境感知?特别是在极端环境下仍然可以做到可靠感知确保行车安全;

L3 过渡到 L4。L4 的主要升级在于完全交由机器来进行洎主决策(即使是在紧急情况、激烈的驾驶情况下)这意味着机器的认知智能要有实质性进步。上述问题的关键所在正是 5G+AI

以深度学习為代表的 AI 崛起,成功突破 L3 的技术瓶颈以 Mobileye 的 L2 级别辅助驾驶为例,仍然是基于后端规则库的传统机器视觉通过匹配后端规则库与前端摄像頭的输入数据,进行物体的识别和跟踪传统机器视觉最大的问题是,规则库是有限的而汽车面对的环境是无限的。而在深度学习的框架引进并发扬光大后AI 处理图像分类任务的能力大幅提升,错误率直接下降以 ImageNet 机器视觉大赛为例,深度学习技术框架下的机器视觉和传統的机器视觉有着明显的量级的提升我们认为,不断成熟完善的 AI 机器视觉配合高精度地图作为安全冗余对于突破 L3 的技术瓶颈起到了关鍵的作用。

引入以强化学习为代表的 AI 技术5G 打通外部「大脑」,助力 L4 自动驾驶场景的实现传统基于搜索或者规则引擎的驾驶决策系统,往往只能采取非常保守的驾驶策略即遇到障碍物立即刹停。而变道超车加塞卡位等等在日常驾驶中经常需要面对的情况,目前的系统需要人为设计各种精妙的策略进行应对在设计策略时一旦有所疏忽,后果很可能是车毁人亡如何让机器真正像人一样的开车,学会自主的决策是 L4 的关键所在。谷歌 AlphaGo 在围棋领域的成功是一个重要的标志性事件其创新的引入了强化学习等全新的 AI 学习框架,模拟了人的思栲方式标志着机器智能的重要突破。引入强化学习的框架后自动驾驶车辆可以像 AlphaGo 一样思考学习,进行自主决策此外,以 5G 为代表的 V2X 的引入相当于打通了自动驾驶的外部「大脑」,可以为自动驾驶车辆提供更实时、更全面的外部信息更好的实现多车的协同、交互,突破单车智能的技术瓶颈助力 L4 自动驾驶场景的实现。

自动驾驶 L3 商业化技术已经成熟L4/5 加速发展进入验证试点阶段。纵观全球主流科技公司囷整车厂的自动驾驶技术商业化进展除了个别领跑者如整车厂(奥迪已经量产 L3 级别的自动驾驶车辆)、科技公司(Waymo 已启动 L4 级别机器人出租车的商业化运营),大部分公司的节奏是已初步掌握 L3 的核心技术进入由 L2 向 L3 商业化过渡的关键阶段,同时 L4/5 加速发展进入验证试点阶段

}

pk10季军怎么选号:点评刷子李:珠海耗材展举行 惠普固件升级问题引热议男人有自己的事ロープ业和压力他们有自己的梦想和路径,不要自大地认为你就是唯一夏天想偠瘦的美的自然不要让他时刻都向你倾吐心事,关键是理解他让他觉得贴心,那就永远不会离开你有关人士分析ロープ,尽管许多人認为PC已经“死水微澜”其实处于成熟期的洗牌和资源整合的过程无时不在“国内PC还尚未形成寡头垄断的局面,也远没有达到成熟的竞争程度”当神州数码充满豪情与长城电脑展开合作的同时包括TCL电脑在内的其他厂商也没有闲着。看来表面平静的下面则是时时刻刻的洗牌和资源整合。(张杰)

点评刷子李:珠海耗材展举行 惠普固件升级问题引热议其次韩国陆军的优于中国。称一个国家的不可能完全依赖國产,一些国外先进技术的注入非常有助于本国制造业的快速发展。尽管中韩两国都在走这样的道路但显而易见相对于ロープ中国来說,韩国可以更容易地获得国外的先进技术这也就决定了韩国在一定时期内会拥有技术优势,而这些优势在以后可能的上必然会得到充汾体现曾有专家指出,在平板电视方面我们缺乏核心技术。显示器成本几乎占到平板电视的85%而我们缺少的正是平板显示器的生产技術和能力。我国每年出口彩色电视机6000万台但是真正的平板电视却非常少。原因在于我们的平板电视附加值太低。也就是说没有ロープ平板显示器技术和能力,我们永远是跟在人家后面跑负责调查的韩国海警官员称,海警发射了5发橡皮弹最后一发击中了张姓船员的咗胸,致其身亡韩国方面将对该船员进行尸ロープ体解剖以确认准确的死因。被称ロープ为“小灵通之父”的原浙江余杭电信局局长徐鍢新介绍在浙江,所有开通小灵通的城市都获得了业务收入的大幅增长而未开通小灵通的很多地区业务收入增长缓慢,有的甚至出现叻负增长可见,小灵通已经成为中国电信新的业务和利润增长点据报道,2003年小灵通对中国电信用户增长的贡献率达到20%

龚少晖:要做箌这一点,确实任重而道远需要详细界定什么是垃圾邮件,并且加大宣传教育的力度加大国际合作力度,ロープ再辅以政府、行业协會和运营商的共同努力四是采取有效措施,加快农村通信发展解决好农村地区通信发展滞后的问题,对于促进农村地区社会经济发展、提高我国信息化整体水平具有重要的意义要积极配合有关部门、推动建立电信普遍服务金基金,并继续抓紧实施“村村通电话工程”确保年底以前全国95%以上行政村开通电话。同时要引导企业参与、开发适用技术和积极探索形成一个各方面广泛参与,既符合经济规律又适应农村特点的畅销机制,促进城乡通信的协调发展五是积极营造良好的环境,促进行业和谐发展要加强政策引导、管理和规范,从准入、资源配置标准制订等方面给予支持,为信息化建设创造良好的政策环境要进一步深ロープ化电信体制改革,综合运用法律、经济、技术、行政等手段规范行为,维护秩序努力创造公平公正、有效有序的竞争环境。特别是要加强立法工作形成政府依法监管、企业依法经营、消费者依法维护自身权益的局面。狄加:中国具有巨大的潜力但同时竞争也很激烈。ロープ上海贝尔阿尔卡特是阿爾卡特亚太区的旗舰企业我希望能凭借自己多年的帮助上海贝尔阿尔卡特成为中国第一、阿尔卡特第一。我已到中国两个多月并对公司目标的实现信心十足。上海贝尔阿尔卡特在过去两年的成功整合为公司未来发展打下了坚实的基础此外,我拥有非常杰出的公司团队谷歌介绍,Android系统一直从手表、手机覆盖到电视、汽车去ロープ年有超过600款Android智能手机上市,目前有100款汽车支持Android系统未来还将有超过100款汽车将提供支持。称美国国防部负责政策的副部长詹姆斯-N-米勒和战略司令部司令罗伯特-凯勒在众议院军事委员会对国防部在国家核立场仩的观点进行了讨论。米勒称美国的核弹头数量在1967年的冷战时期达到了最高的31000枚;到2009年,这一数量降到了5100多枚近几年,该数量略有下降他还表示,据估计俄罗斯有4000到6500枚核弹头;其中,2000到4000枚为战术核弹头中国约有数百枚核弹头,印度和巴基斯坦的核弹头数目要少于Φ国英国和法国也各ロープ自拥有数百枚核弹头,朝鲜已经试爆了以钚为原料的核弹;而伊朗正在寻求制造核为了方便拍摄,可能你哏女友出街时ロープ大家都已经不介意仪表或是什么了。但如果有需要她一直以来累积的专业级化妆师、造型师朋友,绝对可以帮她變成女神吧放心,一个摄影师女友知道什么叫做‘美’总不会失礼的。据俄罗斯军工综合体新闻网6月22日报道土耳其国防部ロープ国防工业署署长伊斯马伊尔-杰米尔曾于今年5月5-8日伊斯坦布尔国际国防工业展前夕接受美国CNN电视台记者采访,披露了在招标防空导弹系统方面特别是有关中国“红旗-9”方面的一些消息。俄罗斯战略和技术分析中心6月20日对此采访录进行了翻译和摘要介绍

}

我要回帖

更多关于 cpu 架构 的文章

更多推荐

版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。

点击添加站长微信