無人駕駛剛剛開始的將來

做者： 劉少山，唐潔，吳惟玥
責編：何永燦，歡迎人工智能領域技術投稿、約稿、給文章糾錯，請發送郵件至heyc@csdn.net
本文爲《程序員》原創文章，未經容許不得轉載，更多精彩文章請訂閱《程序員》

本文是無人駕駛技術系列的第12篇，也是最後一篇（文末彙總了無人駕駛系列文章）。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本身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：算法端、Client端和雲端。其中算法端包括面向傳感、感知和決策等關鍵步驟的算法；Client端包括機器人操做系統以及硬件平臺；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

算法子系統從傳感器原始數據中提取有意義的信息以瞭解周遭環境狀況，並根據環境變化作出決策。Client子系統融合多種算法以知足實時性與可靠性的要求。舉例來講，傳感器以60HZ的速度產生原始數據，Client子系統須要保證最長的流水線處理週期也能在16ms內完成。雲平臺爲無人車提供離線計算以及存儲功能。經過雲平臺，咱們可以測試新的算法、更新高精度地圖並訓練更加有效的識別、追蹤、決策模型。

無人駕駛算法

算法系統由幾部分組成：第一，傳感並從傳感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如今所處的環境；第三，決策，以可靠安全抵達目的地。

傳感

一般來講，一輛無人駕駛汽車裝備有許多不一樣類型的主傳感器。每一種類型的傳感器都各有優劣，所以，來自不一樣傳感器的傳感數據應該有效地進行融合。如今無人駕駛中廣泛使用的傳感器包括如下幾種。

• GPS/IMU：經過高達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傳感器，可是它的更新頻率太低，僅僅有10HZ，不足以提供足夠實時的位置更新。IMU的準確度隨着時間下降，在長時間內並不能保證位置更新的準確性，可是，它有着GPS所欠缺的實時性，IMU的更新頻率能夠達到200HZ或者更高。經過整合GPS與IMU，咱們能夠爲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。雷達的準確率很是高，所以在無人車設計中雷達一般被做爲主傳感器使用。激光雷達是以激光爲光源，經過探測激光與被探測無相互做用的光波信號來完成遙感測量。激光雷達能夠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；以及知足避障的要求。以Velodyne 64-束激光雷達爲例，它可完成10HZ旋轉並每秒可達到130萬次讀數。
• 攝像頭：被普遍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爲主要解決方案。爲了增強安全性，現有的無人車實現一般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。這些攝像頭一般以60HZ的頻率工做，當多個攝像頭同時工做時，將產生高達1.8GB每秒的巨數據。
• 雷達和聲吶：雷達經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，無人車會啓動緊急剎車以完成避障。所以，雷達和聲吶系統產生的數據不須要過多的處理，一般可直接被控制處理器採用，並不須要主計算流水線的介入，由於可實現轉向，剎車、或預張緊安全帶等緊急功能。

感知

在得到傳感信息以後，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。在這裏感知子系統主要作的是三件事：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。咱們可以使用卡爾曼濾波來整合兩類數據各自的優點，合併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，可是期間偏差不斷累積精度不斷下降。所幸的是，每100ms能夠獲得一次GPS數據更新，以幫助咱們校訂IMU積累的偏差。所以，咱們最終能夠得到實時並準確的位置信息。然而，咱們不能僅僅依靠這樣的數據組合以完成定位工做。緣由有三：其一，這樣的定位精度僅在一米以內；其二，GPS信號有着自然的多路徑問題將引入噪聲干擾；其三，GPS必須在非封閉的環境下工做，所以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

所以做爲補充方案，攝像頭也被用爲定位。簡化來講，如圖3所示，基於視覺的定位由三個基本步驟組成：1. 經過對立體圖像的三角剖分，將首先得到視差圖用以計算每一個點的深度信息；2. 經過匹配連續立體圖像幀之間的顯著特徵，可經過不一樣幀之間的特徵創建相關性，並由此估計這兩幀之間的運動狀況；3. 經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很是敏感，所以其使用受限並可靠性有限。

所以，藉助於大量粒子濾波的激光雷達一般做爲車輛定位的主傳感器。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一樣的點。經過粒子濾波，系統可將已知地圖與觀測到的具體形狀進行比較以減小位置的不肯定性。
爲了在地圖中定位運動的車輛，咱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。粒子濾波能夠在10釐米的精度內達到實時定位的效果，在城市的複雜環境中尤其有效。然而，激光雷達也有其固有的缺點：若是空氣中有懸浮的顆粒好比雨滴或者灰塵，測量結果將受到極大的擾動。所以，爲了完成可靠並精準的定位，須要傳感器融合，如圖4所示，處理來整合全部傳感器的優勢。

圖4 定位中的傳感器融合

物體識別與跟蹤

激光雷達可提供精準的深度信息，所以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，深度學習技術獲得了快速的發展，經過深度學習可達到較顯著的物體識別和追蹤精度。

卷積神經網絡（CNN）是一類在物體識別中被普遍應用的深度神經網絡。一般，卷積神經網絡由三個階段組成：1. 卷積層使用不一樣的濾波器從輸入圖像中提取不一樣的特徵，而且每一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. 激活層決定是否啓動目標神經元；3. 匯聚層壓縮特徵映射圖所佔用的空間以減小參數的數目，並由此下降所需的計算量；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 面向行爲預測的隨機模型

物體追蹤能夠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當中不會與其餘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點，經過使用輔助的天然圖像，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，行爲預測、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做規劃。

行爲預測

車輛駕駛中的一個主要考驗是司機如何應對其餘行駛車輛的可能行爲，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狀況下，司機的預測決定了下一秒行車的安全。所以，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情況決策下一秒的行駛行爲顯得相當重要。

爲了預測其餘車輛的行駛行爲，可使用隨機模型產生這些車輛的可達位置集合，並採用機率分佈的方法預測每個可達位置集的相關機率。

路徑規劃

爲無人駕駛在動態環境中進行路徑規劃是一件很是複雜的事情，尤爲若是車輛是在全速行駛的過程當中，不當的路徑規劃有可能形成致命的傷害。路徑規劃中採起的一個方法是使用徹底肯定模型，它搜索全部可能的路徑並利用代價函數的方式肯定最佳路徑。而後，徹底肯定模型對計算性能有着很是高的要求，所以很難在導航過程當中達到實時的效果。爲了不計算複雜性並提供實時的路徑規劃，使用機率性模型成爲了主要的優化方向。

避障

安全性是無人駕駛中最爲重要的考量，咱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當中與障礙物發生碰撞。第一層級是基於交通狀況預測的前瞻層級。交通狀況預測機制根據現有的交通情況如擁堵、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，避障機制將被啓動以執行本地路徑重規劃。若是前瞻層級預測失效，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，則當即執行避障操做。

Client系統

Client系統整合以前提到的避障、路徑規劃等算法以知足可靠性及實時性等要求。Client系統須要克服三個方面的問題：其一，系統必須確保捕捉到的大量傳感器數據能夠及時快速地獲得處理；其二，若是系統的某部分失效，系統須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全部的計算操做。

機器人操做系統

機器人操做系統ROS是現現在普遍被使用、專爲機器人應用裁剪、強大的分佈式計算框架。每個機器人任務，好比避障，做爲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訊。

ROS很是適用於無人駕駛的場景，可是仍有一些問題須要解決。

• 可靠性：ROS使用單主節點結構，而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訊時，將產生屢次信息複製致使性能降低。
• 安全：ROS中沒有受權和加密機制，所以安全性受到很大的威脅。

儘管ROS 2.0 承諾將解決上述問題，可是現有的ROS版本中仍然沒有相關的解決方案。所以爲了在無人駕駛中使用ROS，咱們須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，所以當主節點失效時，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。爲了解決此問題，咱們在ROS中使用相似於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。若是關鍵主節點失效，備用主節點將被自動啓用以確保系統可以無縫地繼續運行。此外，ZooKeeper機制將監控並自動重啓失效節點，以確保整個ROS系統在任什麼時候刻都是雙備份模式。

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節點之間的通訊很是頻繁，所以設計高效的通訊機制對保證ROS的性能勢在必行。首先，本地節點在與其餘節點通訊時使用迴環機制，而且每一次迴環通訊的執行都將完整地經過TCP/IP全協議棧，從而引入高達20微秒的時延。爲了消除本地節點通訊的代價，咱們再也不使用TCP/IP的通訊模式，取而代之採用共享內存的方法完成節點通訊。其次，當ROS節點廣播通訊消息時，消息被屢次拷貝與傳輸，消耗了大量的系統帶寬。若是改爲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。若是一個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致使剩餘節點失效繼而全線奔潰。在另外一個場景中，由於ROS節點自己沒有加密機制，黑客能夠很容易地在節點之間竊聽消息並完成系統入侵。

爲了解決安全問題，咱們使用Linux containers （LXC）的方法來限制每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。同時咱們爲通訊消息進行了加密操做，以防止其被黑客竊聽。

圖7 基於Spark和ROS的模擬平臺

硬件平臺

爲了深刻理解設計無人駕駛硬件平臺中可能遇到的挑戰，讓咱們來看看現有的領先無人車駕駛產品的計算平臺構成。此平臺由兩個計算盒組成，每個裝備有Intel Xeon E5處理器以及4到8個Nvidia Tesla K80 GPU加速器。兩個計算盒執行徹底同樣的工做，第二個計算盒做爲計算備份以提升整個系統的可靠性，一旦第一個計算盒發生故障，計算盒二能夠無縫接手全部的計算工做。

在最極端的狀況下，若是兩個計算盒都在峯值下運行，及時功耗將高達5000W，同時也將遭遇很是嚴重的發熱問題。所以，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，每個計算盒的造價很是昂貴，高達2萬-3萬美圓，導致現有無人車方案對普通消費者而言沒法承受。

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衆顯得高不可攀。爲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，咱們在ARM面向移動市場的SoC實現了一個簡化的無人駕駛系統，實驗顯示在峯值狀況下能耗僅爲15W。

很是驚人地，在移動類SoC上無人駕駛系統的性能反而帶給了咱們一些驚喜：定位算法能夠達到每秒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個物體的識別工做。路徑規劃和控制則能夠在6毫秒以內完成規劃工做。在這樣性能的驅動之下，咱們能夠在不損失任何位置信息的狀況下達到每小時5英里的行駛速度。

雲平臺

無人車是移動系統，所以須要雲平臺的支持。雲平臺主要從分佈式計算以及分佈式存儲兩方面對無人駕駛系統提供支持。無人駕駛系統中不少的應用，包括用於驗證新算法的仿真應用，高精度地圖產生和深度學習模型訓練都須要雲平臺的支持。咱們使用Spark構建了分佈式計算平臺，使用OpenCL構建了異構計算平臺，使用了Alluxio做爲內存存儲平臺。經過這三個平臺的整合，咱們能夠爲無人駕駛提供高可靠、低延遲以及高吞吐的雲端支持。

仿真

當咱們爲無人駕駛開發出新算法時，咱們須要先經過仿真對此算法進行全面的測試，測試經過以後才進入真車測試環節。真車測試的成本很是高昂而且迭代週期異常之漫長，所以仿真測試的全面性和正確性對下降生產成本和生產週期尤其重要。在仿真測試環節，咱們經過在ROS節點回放真實採集的道路交通狀況，模擬真實的駕駛場景，完成對算法的測試。若是沒有云平臺的幫助，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。

在雲平臺中，Spark管理着分佈式的多個計算節點，在每個計算節點中，均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，單服務器需耗時3小時完成算法測試，若是使用8機Spark機羣，時間能夠縮短至25分鐘。

高精度地圖生成

如圖8所示，高精度地圖產生過程很是複雜，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，咱們能夠將全部這些階段整合成爲一個Spark做業。因爲Spark自然的內存計算的特性，做業運行過程當中產生的中間數據都存儲在內存中。當整個地圖生產做業提交以後，不一樣階段之間產生的大量數據不須要使用磁盤存儲，數據訪問速度加快，從而極大提升了高精地圖產生的性能。

圖8 基於雲平臺的高精地圖生成

深度學習模型訓練

在無人駕駛中咱們使用了不一樣的深度學習模型，爲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。

爲了解決這一問題，咱們使用Spark以及Paddle開發了一個高可擴展性分佈式深度學習平臺。Paddle是百度開發的一個深度學習開源平臺。在Spark driver上咱們同時管理Spark運行上下文以及Paddle運行上下文，在每一個節點上，Spark執行進程運行一個Paddle訓練實例。在此基礎上，咱們使用Alluxio做爲參數服務器。實驗證實，當計算節點規模增加時，咱們能夠得到線性的性能提高，這說明Spark+Paddle+Alluxio這套深度學習模型訓練系統有着高可擴展性。

無人駕駛的產業發展

爲了深刻了解無人駕駛的產業發展，咱們邀請了牛津大學商學院的同窗一塊兒作了個產業鏈分析。宏觀來講，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。理想來講，無人駕駛的產業發展應該分爲三個階段：第一階段，感知系統的發展，主要包括各種傳感器的融合使用及感知決策系統的準確度提高，實現輔助信息的交互及部分自動駕駛功能。第二階段，支持算法以及決策的芯片成熟，包括算法及芯片設計的發展，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經過深度學習實現協同感知。

傳感器的融合使用

毫米波雷達：車載毫米波雷達市場主要供應商爲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傳感器依賴進口爲主，國內自主品牌的研發生產能力尚需提升。毫米波雷達的核心組成部分爲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。國內企業整體尚處於研發階段，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件端的核心能力，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360億美圓的規模。相比於國外的Velodyne、Quanergy等廠商已經具備相對成熟的產品，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不少，可是大多數缺少完整的產業鏈及相應的配套設備，受制於硬件成本及技術門檻較高等因素，可以作出成型產品的公司每每不多。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。此類公司競爭的着力點包括四個方面：1. 創建與各車廠的合做關係：發展新客戶，搶佔新市場並積累市場需求方面的經驗；2. 硬件的量產及成本的控制：實現大規模生產的同時下降成本，經過量產實現更大的利潤（目前激光雷達的毛利率約爲27%）；3. 提升產品性能的穩定性，經過快速迭代提升產品工藝，創建技術門檻；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爲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，該產業鏈的其餘環節還包括鏡頭供應商及其餘部件的供應商。該模塊的行業技術壁壘較高，只有少數廠商具備垂直整合的能力。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整體一半以上：光學鏡頭主要是臺灣的大立光學、大陸的舜宇光學主導，CMOS傳感器及圖像處理器以歐美和日本韓國的廠商爲主，大陸廠商在紅外濾光片和模組封裝有必定的優點（如歐菲光、水晶光電等）。一般攝像頭硬件設備和配套的算法及系統難以分割，硬件設備商將攝像頭提供給自動駕駛算法公司或者汽車一級供應商，由這些下游的公司進行硬件、芯片及算法的合成。因爲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，因此攝像頭大廠相對有競爭優點。臺灣的同致電子2016年的營業收入預計比2015年增加超過40%，毛利率達到30%。將來的車載攝像頭廠商的競爭將主要體如今：1. 與芯片及算法的適配性，提供總體解決方案的能力；2. 產品穩定性安全性等工藝的領先。

整體上說，傳感器與配套的算法及芯片相輔相成，將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件。另外，各類類型的傳感器的功能各有優點，互相補充，汽車整車廠將融合使用各種傳感器，並經過量產及新技術推進傳感器的成本降低。

算法及芯片協同發展

ADAS算法及芯片技術門檻高，須要對傳感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算法公司主要有深圳佑駕、前向啓創、蘇州智華等。此類公司根據自身特色及戰略目標的不一樣，圍繞算法爲中心，有三種商業模式：1. 向汽車一級供應商直接提供算法（或者外購芯片及傳感器，提供完整的ADAS模組）；2. 創建生產線，提供自產的完整ADAS模組給一級供應商或後裝市場；3. 將自身研發的芯片與算法綁定出售。 因爲能夠經過算法升級實現更多功能，且企業內部的自身成本與創建傳感器生產線相比很是低（主要是人工的成本），因此產業鏈中的算法環節能夠帶來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、前向啓創）和傳統車企（如通用、大衆）等四類。其中除了圖商的高精度地圖是爲地圖的標準化準備外，其餘參與者繪製的高精度地圖都是爲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，主要因爲地圖繪製的牌照數量少，數據庫建設週期長，投入資金大，並且須要大量依賴長期積累起來的實施技術。另外一方面，該行業的規模經濟效應明顯，一旦創建起市場份額則利潤很是可觀。以四維圖新爲例，2016年該公司的綜合毛利率約爲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）爲主，但在高精度地圖時代下，圖商將爲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體分爲四種: 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，地位相似於智能手機的操做平臺，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，經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。科技公司則經過與車企在地圖、車聯網方案、自動駕駛等領域的合做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件基礎。目前該領域還沒有造成巨頭競爭的格局，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應用的價值相似，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，提升用戶體驗。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訊費用。國內三大電信運營在通訊市場處於絕對的寡頭地位。

下游過熱

可是根據目前無人駕駛產業鏈的發展，顯然有點下游過熱了，大量的風投涌入下游，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發太多的注意。資本忽然的涌入也形成了L4/L5整車的無人駕駛公司估值的暴漲，也直接致使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不是是好事，也讓咱們想起了2016年的AR／VR風潮以及後來的AR／VR企業的倒閉潮。我的認爲AR／VR的核心問題也是在上游產業鏈沒準備好的狀況下，下游產品概念被炒做過熱，致使資本的瘋狂。

一點我的的感想與建議

這是無人駕駛系列最後一期，開始寫這個系列是由於本身對這個集大成技術的熱愛以及追求。寫每一期都是對本身作過技術的一次總結以及從新學習。在以前的11期咱們都聚焦技術而不談我的的看法。最後一期想總結一下我的的一些觀點，讀者們未必會認同，可是但願能夠經過這篇文章多與各位交流學習。

爲何沒有作無人駕駛創業

許多投資人問過我（編者注：劉少山，本文做者之一），爲何沒有選擇無人駕駛創業，而選擇了機器人。由於在我看來無人駕駛整合了40～50個技術點，即便作好了其中90%的技術點，無人車仍是上不了路。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。作機器人解決方案咱們很快就能夠出產品，很快能獲得市場反饋，從中學習到許多，也能夠獲得不斷出貨的知足感。而作無人車作得好也可能只是一個好的Demo，並且作無人駕駛創業須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

當前的人工智能熱潮是一次大的技術革命，對廣大技術人員來講是個特別好的機會，可是若是隻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，好比作算法的對軟件設計未必熟悉，專一作軟件的不多懂系統，而懂系統的瞭解硬件也很少。反過來也同樣，讓一個硬件工程師去寫軟件，他可能會以爲很難而不敢觸碰。可是若是能靜下心來花點時間去學一下，其實並無想象中那麼難。我在工做以及創業的過程當中，發現能跨躍幾個細分行業（好比軟件、系統、硬件）的工程師很是可貴也很是有價值。一般能夠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。我之前是學系統的，以爲算法不是個人本行，一直拒絕接觸。可是當本身深刻接觸後，以爲並無想象中那麼困難，只要保持着好奇心，不斷學習，能夠很快成才。

給投資人的建議

下游如今過熱了，多關注上游。我我的信奉的是更細的分工達至更高的效率。只有上游發展好後，下游纔會真正的繁榮。若是每一個公司都說能夠全棧把每一個點都作好那是不成熟以及低效的。好比無人駕駛安全，基本沒人關注也沒人在這個行業創業。不少投資人說，無人駕駛自己都沒作好，哪有功夫看這種方向。可是當車作好後，若是安全沒作好，車是不可能上路的。無人駕駛安全必須隨着無人駕駛其餘技術點一塊兒發展。另外爲無人駕駛服務的雲計算，也是鮮有人投入，可是這在我看來是個極大的市場。

序幕剛啓

無人駕駛做爲人工智能的集大成應用， 歷來就不是某單一的技術，而是衆多技術點的整合。技術上它須要有算法上的創新、系統上的融合，以及來自雲平臺的支持。除了技術以外，無人駕駛的整條產業鏈也是剛剛開始，須要時間去發展。目前在市場上許多創業公司都是作全棧，作整車。可是若是產業鏈沒發展成熟，作全棧與作整車公司的意義更可能是Demo這項技術，而很難產品化。我的認爲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。可是今天無人駕駛行業仍是混沌的，上下游不清晰，並且資本的熱捧也致使了市場過熱。可是相信經過幾年的發展，當上下游發展清晰後，無人駕駛就能夠真正產業化了。無人駕駛序幕剛啓，其中有着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，極可能是在園區以及高速公路等可控場景，而後到2040年，咱們應該能夠看到無人駕駛全面普及，讓咱們拭目以待。

點擊閱讀無人駕駛技術系列文章：

• 光學雷達（LiDAR）在無人駕駛技術中的應用
• 基於ROS的無人駕駛系統
• 基於計算機視覺的無人駕駛感知系統
• 基於Spark與ROS分佈式無人駕駛模擬平臺
• GPS及慣性傳感器在無人駕駛中的應用
• 加強學習在無人駕駛中的應用
• 高精地圖在無人駕駛中的應用
• CNN在無人駕駛中的應用
• 無人駕駛系統安全
• 無人駕駛硬件平臺
• 無人駕駛中的決策規劃控制技術
• 無人駕駛剛剛開始的將來

做者簡介：

• 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、系統軟件、體系結構與異構計算。如今PerceptIn主要專一於SLAM技術及其在智能硬件上的實現與優化。
• 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臺、面向人工智能的計算體系架構、面向機器視覺的嵌入式系統研究。
• 吳惟玥，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，主要專一於銷售業績提高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。

推薦本文做者的新書《第一本無人駕駛技術書》，無人駕駛是一個複雜的系統，涉及的技術點種類多且跨度大，入門者經常不知從何入手。本書的做者都是無人駕駛行業的從業者與研究人員，有着多年無人駕駛及人工智能技術的實戰經驗。適合對無人駕駛技術感興趣的在校學生、工業從業者，以及相關人士閱讀。