轉載自：招商計算機 劉澤晶團隊
一、未來已來：無人駕駛前進的五個維度
無人駕駛技術最初的發展從減少、防止機動車事故開始。
從1950年至2000年， OEM車廠和Tier 1的零部件製造商對車輛發明、生產了許多結構性的改進。最核心的就是四大安全係統：安全帶，防抱死製動係統(ABS)，安全氣囊和電子穩定控製(ESC)。
從2000年至今，汽車行業推出了一係列高級駕駛輔助係統(Advanced Driver Assistant System，ADAS)功能。從2000年的夜視儀、前方碰撞預警(Forward collision warning，FCW)，到2002年的後置攝像頭、泊車輔助(Park assist，PA)，到2005年的車道偏離預警(Lane departure warning，LDW)，到2006年的自適應前照燈係統(Adaptive front lights，AFS)、自動泊車(Automatic parking，AP)、盲點探測係統(Blind spot detection，BSD)，到2007年的全景可視係統(Surround view systems，SVS)，到2008年的前方碰撞輔助(Forward collision assist，FCA)，到2010年的瞌睡警示Drowsiness alert，到2014年的車道保持輔助(Lane departure assist，LKA)。通過一係列的ADAS功能進一步地減少、防止機動車事故。
2016年以後，部分無人駕駛的功能如單車道自動駕駛、交通擁堵環境下的自動駕駛、車道變化自動駕駛、城市自動駕駛等等有望逐步實現。再進一步過多到完全無人駕駛。
3、未來屬於無人駕駛
預計部分無人駕駛在2020年左右開始商業化，完全無人駕駛在2025年左右開始商業化，而在此之前，高級駕駛輔助係統ADAS會發揮重要作用。
樂觀情況下，預計2030年的新車銷售中，完全無人駕駛車占比約15%，部分無人駕駛車占比約50%;2015的新車銷售，部分無人駕駛的滲透率達到100%;2040年的新車銷售，完全無人駕駛的滲透率達到90%。
悲觀情況下，預計2040年的新車銷售中，完全無人駕駛車占比約10%，部分無人駕駛車占比約30%。在此之前，無人駕駛的普及處於緩慢的爬坡過程中。
政府監管、安全可靠的技術解決方案以及消費者的接受度和支付意願是無人駕駛能否普及的關鍵因素。
4、無人駕駛前進的五個維度：消費者接受度、技術整合度、生態體係、立法、基礎設施投資
無人駕駛的推進需要在五個維度同時進行，消費者接受度、技術整合度、生態體係、立法、基礎設施投資，不可或缺。
消費者對無人駕駛的接受程度從信息到輔助駕駛，到最後控製權交給無人駕駛。
技術的發展從傳感器到DSRC，到技術的融合。
生態體係從各種互聯網公司新進入到逐漸產生新的商業模式，最終發展成新的行業。
立法方麵，從地方立法/州立法，到DSRC強製立法，到全國範圍的立法。
基礎設施投資方麵，從地方的測試基地，到地方交通樞紐的接受，最後到全國範圍的基礎設施投資。
總的來看，五個維度的推薦互為前提條件，交錯前進，最終形成新技術、新行業、新生態。
5、無人駕駛關鍵技術正在突破
無人駕駛技術是一個涉及傳感器、計算機、信息通訊、自動控製、導航定位、機器視覺、人工智能等多諸多前沿學科的綜合技術。根據無人駕駛的職能模塊，可將無人駕駛的關鍵技術分為：環境感知技術、定位導航技術、路徑規劃技術和決策控製技術。
環境感知技術是通過多種傳感器對車輛周圍的環境信息進行感知。環境信息不僅包括了車輛自身狀態信息，如車輛速度、轉向度、位置信息、傾角、加速度等，還包括四周環境信息，如道路位置、道路方向、障礙物位置和速度、交通標誌等。
定位導航技術主要包括定位技術和導航技術。定位技術可以分為相對定位(如陀螺儀、裏程計算)、絕對定位(如GPS)和組合定位。導航技術可以分為基於地圖的導航和不基於地圖的導航(如慣性導航)。其中高精度地圖在無人駕駛的導航中起關鍵作用。
路徑規劃技術可以為無人駕駛提供最優的行車路徑。無人駕駛車在行駛過程中，行車路線的確定、如何躲避障礙物、路口轉向等問題都需要通過路徑規劃技術完成。據適用範圍不同，路徑規劃技術通常可分為全局路徑規劃和局部路徑規劃。
決策控製技術相當於智能車的大腦，它通過綜合分析環境感知係統提供的信息，對當前的車輛行為產生決策。決策技術還需要考慮車輛的機械特性、動力特性，出合理的控製策略。常用的決策技術有機器學習、神經網絡、貝葉斯網絡、模糊邏輯等。根據決策技術的不同，控製係統可分為反射式、反應式和綜合式。
二、外部環境：無人駕駛的標準、法規和支持
1、美國不斷更新和完善關於無人駕駛的標準和法規
(1)NHTSA將在2016年提出完全無人駕駛的安全運行指導原則
2016年1月，美國交通部更新美國國家公路交通安全管理局(NHTSA)在2013年的針對無人駕駛的政策。
預計今年，美國國家公路交通安全管理局(NHTSA)會提出完全無人駕駛的安全運行指導原則。
L1：大約對應Feet off，典型代表是自適應巡航控製係統 Adaptive Cruise Control(ACC)和自動緊急製動 Automatic Emergency Braking(AEB)。
L2：大約對應Hands off，與L1的區別：駕駛員在係統能工作的時候，隻用眼睛就可以了。
L3：大約對應Eyes off，與L2的區別：不需要駕駛員時時刻刻盯著，係統有高度的自治權，在特定工作的情況下，係統不允許退出。
L4：大約對應Mind off，隻要輸入出發地和目的地，責任完全交給車輛端。
(2)截至2015年，美國已經有16個州啟動無人駕駛立法
隨著無人駕駛技術的不斷發展演進，對無人駕駛的立法變得十分重要。截至2015年，美國已經有16個州啟動無人駕駛立法;截至2014年是12個州，截至2013年是9個州，截至2012年是6個州。
Nevada在2011年授權無人駕駛車的運營，是全美第一個授權無人駕駛的州。之後，California, Florida, Michigan, North Dakota, Tennessee和Washington D.C針對無人駕駛通過了相關的法案。Arizona州長簽署了無人駕駛的行政命令。
2、中國對無人駕駛、智能駕駛的支持正在加大
工信部批準智能網聯汽車試點示範區
2016年6月，由國家工信部批準的國內首個"國家智能網聯汽車(上海)試點示範區"(以下簡稱示範區)在上海嘉定正式投入運營。目前開放的封閉測試區(一期)可以為無人駕駛汽車提供綜合性測試場地和功能要求。
根據第二屆智能網聯汽車技術及標準法規國際研討會，目前國家正在積極地推動製定無人駕駛相關技術規範。另外，由中國汽車工程學會開展的國家智能網聯汽車技術路線圖已經基本完成，將在合適的時機對外發布。
三、環境感知：激光雷達是無人駕駛車最重要的傳感器之一
1、無人駕駛車的環境感知係統
傳感器是無人駕駛汽車的眼睛，用來觀察行駛時環境的動態變化，無人駕駛車中不可或缺的重要組成部分，常用的傳感器包括攝像頭、激光雷達、超聲波雷達、GPS、陀螺儀等等。最主要的兩種傳感器就是攝像頭和激光雷達。
攝像頭(Camera)作為一種已普遍應用的傳感器，具有成本低廉、信息采集量大等特點，現在的攝像頭的分辨率也己經達到了較高水準。
激光雷達(LIDAR)測距的優勢就在於分辨率高、精確度高(可達到厘米級)、定向性好、抗有源幹擾能力強，基於這些優勢，激光雷達廣泛應做無人駕駛、智能駕駛的傳感器，缺點是價格較高。
2、激光雷達：無人駕駛車最重要的傳感器之一
(1)激光雷達的主流廠商有Velodyne、Quanergy、Ibeo等公司
激光光束與聲波相比更加聚攏，可以準確測量視場中物體輪廓邊沿與設備間的相對距離，這些輪廓信息組成所謂的點雲並繪製出3D環境地圖，精度可達到厘米級別。
激光雷達的組成部件主要包括：激光轉台、激光發射單元、接收單元、信息處理單元等，發射單元將電脈衝變成光脈衝發射出去，接收單元再把從目標反射回來的光放衝還原成電脈衝，通過計算發送信號到接收信號的時間差，便可得到前方物體的距離信息。
激光雷達的主流廠商包括Velodyne、Quanergy、Ibeo等公司。他們最高的激光器數分別是64、8、8;代表性產品分別是HDL-64、S3、LUX;精度分別可以達到±2cm、±5cm、±10cm。
Velodyne的客戶有福特這樣的車廠，也有Google，Uber，百度等互聯網企業。Velodyne不提供算法產品，向車企或者互聯網企業輸出的是激光雷達原始數據，用於完全無人駕駛的測試。
Quanergy的客戶有德爾福，提供包括硬件和軟件在內的整套解決方案，用於部分無人駕駛測試。
Ibeo與法雷奧合作，提供相控陣激光雷達技術，用於ADAS，如汽車緊急製動時的核心檢測傳感器。
(2)Velodyne激光雷達產品被Google、Uber、百度等互聯網公司廣泛采納
Velodyne的主打產品HDL-64有64個激光器數，最遠測量範圍可達100-120米，精度可以達到±2cm。掃描頻率1.3M 點/秒，垂直視野26.8°，水平視野360°，功率60W，作業溫度-10至50℃，大小203mm×284mm，重量15kg。
目前價格較高，約6-7萬美元。
激光光束測量視場中物體輪廓邊沿與設備間的相對距離，這些輪廓信息組成點雲並繪製出3D環境地圖，精度可達到厘米級別。
拆解後的Velodyne HDL-64，從正麵看，整個激光收發器可以視為上下兩部分，每部分都有三個並排透鏡，兩側透鏡是激光發射處，中間是接收處。轉到產品背後會發現，兩側凸鏡後各有16個一組的二極管，中間透鏡對應32個接收器，可以把光信號變成電信號。
激光光束從兩側透鏡發出，遇到障礙物折返後經過中間透鏡被抓取，接收器處理分析後判斷障礙物位置。所有的時間信息、控製信息、接收信號都會傳到頂端的主板上進行信息處理。底部的旋轉記錄器會記下旋轉時所在位置和旋轉信息。所有原始數據可以通過底部數據線傳送至電腦。為了讓機器旋轉時保持平衡，這款64線激光雷達加裝了一個沉重的底座。每圈旋轉輸出13萬個信息點(點密度)，形成所謂的"點雲"。
Velodyne不提供算法產品，向車企或者互聯網企業輸出的是激光雷達原始數據，用於完全無人駕駛的測試。除了位置和距離信息，Velodyne還掃描物體的密度信息，根據物體的反射率，判斷對象中哪塊是交通指示牌，繼而可以由攝像頭針對性地分析指示牌內容，從而減少算法成本。
Google無人駕駛原型車、Uber無人駕駛測試車、百度無人駕駛測試車都采用了Velodyne。
(3)預計2035年以後激光雷達市場規模往千億美元衝刺
目前，激光雷達主要問題是價格比較昂貴，難以普及。其實我們可以看到關鍵組件的高昂價格是需要出貨量和時間兩大因素消化的。
電子穩定性控製 (ESC)在北美的普及花了近15年時間。
現在主要的ADAS組件如全景可視係統、泊車輔助、車道偏離預警、盲點探測係統、前方碰撞預警、自動泊車等等，現有成本與消費者支付意願仍然有一定差距，仍然需要出貨量和時間兩大因素去消化。
保守估計，預計2020年激光雷達市場規模可以達到25億美元。
我們期待隨著無人駕駛技術的進步，激光雷達的出貨量增加，價格隨之下降。
假設2035年無人駕駛汽車每年的銷量可達2000萬輛，如果每輛無人駕駛汽車配備一台激光雷達，2035年左右每年至少新增2000萬台左右的激光雷達需求。目前激光雷達的龍頭公司是Velodyne，2035年左右，2000萬台激光雷達的需求可能將由多個市場參與者瓜分。
假設2035年左右激光雷達單價可以下降到1萬美元到5千美元甚至更低，那麼2035年以後激光雷達市場規模往千億美元衝刺。
四、定位導航：高精度地圖在三個層次幫助實現無人駕駛
1、高精度地圖如何在三個層次實現無人駕駛
(1)高精度地圖層
高精度地圖層：提供道路的斜率和曲率、車道標誌和路邊物體的標注;提供一個高精度的車道模型，協助車輛間距調整、安全換道、速度管理、超車等等;實現車與車之間的水平和垂直方向的精確定位。
(2)實時道路層
實時道路層：現場道路層動態地跟蹤道路上的事件，提供在車輛傳感器範圍之外的時的信息;提供與建築物、交通擁堵、交通事故、天氣災害等等有關的動態事件;遙感數據在雲中進行彙總和處理，受影響的層進行更新，使得車輛可以啟用主動戰略規劃。
(3)駕駛層
駕駛層：基於真正的人類學習駕駛模式，分析了大量的車輛傳感器數據，提取合適的車輛行為配置規範;提供符合當前駕駛環境的速度規範;有助於把"機器感覺"的車輛自動化，以幫助增加駕駛員的信任。
2、地圖的動態生產閉環
(1)地圖更新頻率：天、小時、分鍾級，最終到實時地圖
地圖的動態生產閉環平台，可以探測現實世界中的變化以及終端用戶設備的地圖上的更新，能夠迅速形成生產地圖的閉環。
地圖的更新可以通過閉環流程實現端到端，並最終實現天、小時、分鍾級別的地圖更新，最終滿足實時地圖的需求。
(2)端到端的生產閉環
首先，通過智能地圖生產流程檢測地圖上的更新。接下來，隻選擇的部分的變化的地圖。更新地圖並立即進行數百次的質量檢查，保證精度，再合並作為一個增量更新。地圖質量在流程中得到保證，地圖數據庫不斷發行新的版本。
3、高精度地圖巨頭Here公司
(1)Here發展史：從最大的地圖商到ADAS、雲服務、無人駕駛服務商
(1)發展成最大地圖商 (1985-2004)
1985年，植根於舊金山灣區的NAVTEQ公司正式起步。1994年，Here提供了全球第一個汽車級地圖，用於BMW E38的導航係統。1996年，Here成為全球最大地理人員/地理學家雇傭商，全美第一個車載導航使用Here地圖。
(2)開展ADAS和雲服務 (2004-2010)
2004年，Here地圖數據為ADAS服務。2006年，Nokia收購一家德國的移動定位軟件公司GATE-5，BMW的自適應巡航控製係統使用Here的ADAS地圖。2007年，Nokia N95成為第一部有GPS和地圖的智能手機。2008年，Nokia收購NAVTEQ公司。2009年，戴姆勒卡車使用Here 的ADAS數據進行汽車節能。
(3)無人駕駛服務 (2010至今)
2010年，多屏雲服務起步，Yahoo是Here雲的第一個主要客戶。2012年，收購earthmine，開展厘米級高精度地圖項目，改名H ere，融入Nokia。2013年，與Benz合作開發自動駕駛汽車，引入定製化精細化導航方案。2015年，Here雲與BMW合作車聯網。
(2)Here的"高精度地圖+雲"業務：地圖有多強大?
Here的三大業務群：
汽車業務：為車廠/Tier 1供應商提供三大服務：增強舒適和安全性的實時連接且個性化駕駛服務、實時道路網視圖提供預判服務、高精度地圖支持自動駕駛服務
企業業務：提供車聯網和數據可視化技術，為車隊與物流提供服務，利用Here地圖和定位工具的SDK幫助企業建立自己的app
消費者業務：iOS、安卓、微軟平台的地圖app，提供離線導航、交通和公共運輸的高質量地圖與雲服務
Here地圖有多強大?
地圖：Here為200個國家提供地圖，為136個國家提供導航地圖，為超過50個國家提供1000餘個城市的路徑規劃。
交通：提供58個國家的實時交通、85個國家的13000個場景3D視圖，預測未來12小時交通狀況、興趣點數據。
地圖更新：Here每天收集數十億探測點數據(匿名)，每天百萬次地圖更新。
地圖精度：Here擁有200激光雷達車，提供厘米級高精度地圖，信息源超過8萬個(每年增加3千個信息源)。
(3)Here與車廠、互聯網公司、手機廠商深度合作車聯網、無人駕駛
2014年7月，Here成為Red Bull官方地圖。2014年8月，為Samsung提供地圖服務。2014年10月，Here成為巴黎車展地圖服務提供商。2014年12月，為百度地圖提供中國區以外服務。2015年4月，成為land-rover官方導航供應商。2015年7月，與產業夥伴組建OMTA提供全球導航服務。2015年10月，與Oracle合作提供船舶、物流定位服務。2015年12月，為Navman提供定位服務。2016年2月，Here與Nuance合作車載語音定位服務，在加拿大與Honda共同提供實時交通更新服務。2016年3月，與Samsung加強技術合作。
(4)Here高精度地圖捕捉數十億的點雲數據
對於地圖廠商來說，底層數據才是真正的命脈。沒有數據，再好的服務也出不來。采集的主要信息是道路的行駛規則、方向、限速、路口形狀、行車引導線、到達坐標等信息以及道路周邊的餐飲、酒店、商場、加油站、停車場等興趣點(POI)信息。Here的采集車的激光雷達可以每秒鍾采集70萬點雲數據。
采集車的激光雷達運作時，隻需進行非接觸掃描可以在短時間內獲取物體和環境空間點的三維數據和信息，由於收集的數據是以點的形式組成，所以這些數據被稱作點雲數據，其最大的特點是可以進行後期的處理，依靠獲取的數據便能夠建立完整的三維立體模型，而如今隨著商用GPS及IMU(慣性測量單元)的發展，通過LIDAR從移動平台上獲得高精度的數據已經成為可能並被廣泛應用。
4、高精度地圖巨頭TomTom公司
(1)TomTom發展史：從導航到交通、手表、車聯網、ADAS的綜合服務商
(1)麵向B端和C端的導航 (1991-2005)：1991年，TomTom成立，為B端客戶的移動應用、C端客戶的PDA提供服務。1996年，第一代導航軟件發布。2001年，聚焦於車載導航。2004年，發布第一代便攜式導航PND。2005年，在NYSE-Euronext Amsterdam上市。
(2)發展交通、手表業務 (2006-2013)：2006年，收購英國的Applied Generics公司，組成TomTom的交通業務。2008年，收購數字地圖公司Tele Atlas。2012年，與Apple達成全球內容協議。2013年，TomTom消費者業務進入GPS運動手表市場。
(3)開展車聯網、ADAS業務 (2010至今)：2014年，TomTom車聯網收購法國的DAMS Tracking和荷蘭的Fleetlogic。與博世合作開發ADAS。2015年，TomTom消費者進入運動攝像頭市場。TomTom車聯網收購波蘭的Finder公司。
(2)TomTom的"地圖+交通+導航"業務
To C：TomTom的PND從2004年發布以來，累計銷售了7800萬台，貢獻了數億計的探測反饋。在50個國家提供交通信息服務。導航地圖覆蓋超過125個國家、40億人。
To B：63萬職業司機使用車隊管理係統WEBFLEET。
TomTom的業務主要分為四大類：
(1)麵向消費者的便攜式導航PND、運動手表、運動攝像機;
(2)麵向車廠、Tier 1供應商的地圖、交通、導航;
(3)麵向移動消費電子廠商、互聯網公司、政府、GIS所有者的地圖、交通、導航、定位許可服務;
(4)麵向車隊、物流公司的車隊管理服務WEBFLEET。
5、高精度地圖巨頭四維圖新
(1)中國導航電子地圖甲級測繪資質供應商隻有12家
目前中國隻有12家地圖供應商擁有導航電子地圖甲級測繪資質。其中，四維圖新、高德、百度地圖、易圖通及科菱航睿等占領了車載導航前裝市場，凱立德則主打車載導航後裝市場。
(2)四維圖新的高精度地圖進展
四維圖新的高精度地圖研發始於2013年，2014年可以提供精度10厘米到20厘米的高精度數據。高精度地圖的演進是一個循序漸進的過程，要與當前自動駕駛技術的發展進程以及汽車廠商的需求保持一致。
四維圖新已經建立了自動駕駛實驗室和深度學習實驗室致力於自動駕駛領域的探索;正式運營FastMap，為基礎地圖數據每日更新提供服務;同時也開展了高精度智能地圖和傳感器融合地圖服務等前沿領域的研發工作。
五、規劃決策：Google與Mobileye的無人駕駛路線殊途同歸
1、路徑規劃：為無人駕駛提供最優的行車路徑
(1)全局路徑規劃和局部路徑規劃
路徑規劃技術可以為無人駕駛提供最優的行車路徑。無人駕駛車在行駛過程中，行車路線的確定、如何躲避障礙物、路口轉向等問題都需要通過路徑規劃技術完成。
據適用範圍不同，路徑規劃技術通常可分為全局路徑規劃和局部路徑規劃。
全局路徑規劃是根據全局地圖數據庫信息規劃出自起始點至目標點的一條無碰撞、可通過的路徑。全局路徑規劃需要已知的地圖數據，特別是厘米級的高精度地圖。
全局路徑規劃所生成的路徑隻能是從起始點到目標點的粗略路徑，並沒有考慮路徑的方向、寬度、曲率、道路交叉以及路障等細節信息。
局部路徑規劃是在無人駕駛車輛的行駛過程中，以局部環境信息和自身狀態信息為基礎，規劃出一段無碰撞的理想局部路徑。
全局路徑規劃和局部路徑規劃的關係是在全局路徑規劃的指導下，完成對局部路線的行駛規劃。
(2)路徑規劃的三個層次：路徑規劃、行為規劃、軌跡規劃
上層的路徑規劃在已知高精度地圖、路網以及宏觀交通信息等信息下，根據某優化目標得到兩點之間的最優路徑，完成路徑規劃的傳感信息主要來自於GPS定位信息以及高精度地圖。
中層的行為規劃是指根據主車感興趣區域內道路。行為規劃的傳感信息主要來自車載傳感器如激光雷達、攝像頭等，用以識別道路障礙、車道線、道路標識信息和交通信號燈信息等。
下層的軌跡規劃是指在當前時刻，以完成當前行車行為為目標，考慮周圍交通環境並滿足不同約束條件，根據最優目標動態規劃決策出的最優軌跡。
(3)路徑規劃算法
無人駕駛車是最初在圖的底部的起點，並希望得到頂端的重點。
如果無人駕駛車沒有掃描到什麼障礙物，它就會一直想上移動(粉色路線)，在頂部附近，它檢測到障礙物然後改變方向。隨後，無人駕駛車不得不圍繞"U"形障礙方式繼續前進。
與此相反，路徑規劃係統如果能夠掃描大的麵積(淺藍色橢圓)，從而發現較短的路徑(藍色路線)，那麼無人駕駛車可以不用進入凹狀的障礙物。
路徑規劃的算法可以來解決這個問題。要麼避免在地圖上製造凹形障礙，要麼標記的凹包為危險(除非終點在這個凹包以內，應該避免進入這個區域)。
路徑規劃算法未雨綢繆，而不是等到最後一刻才發現有問題。在更大的尺度、緩慢變換的地圖和更長的路徑上進行路徑規劃，而對於局部區域、快速更改的地圖和短的路徑則使用改進的物體移動算法。
常用的路徑規劃算法包括了柵格法、人工勢場法、VFH類方法、神經網絡法等。
2、Google的完全無人駕駛路線
(1)Google無人駕駛發展史：逐漸聚焦於環境複雜的城市街道(City Streets)
Google無人駕駛車是由Google X研發設計的無人駕駛新能源汽車。Google無人駕駛車上的軟件係統名字叫穀歌司機(Google Chauffeur)，車身上有self-driving car的標示。
Google無人駕駛項目之前由塞巴斯蒂安·特龍(Sebastian Thrun)領導，他曾經是斯坦福人工智能實驗室的主任、穀歌街景Google Street View的共同發明人。特龍的斯坦福團隊發明的機器人車輛Stanley贏得了2005年DARPA大賽(Defense Advanced Research Projects Agency)，獲得美國國防部200萬美元的獎金。
Google無人駕駛項目現任負責人是John Krafcik，擁有斯坦福大學機械工程學士學位，曾經擔任通用汽車工程師、福特產品開發部門負責人、現代美國公司CEO、汽車電商TrueCar總裁。
早在1939年的紐約世界博覽會上，在公路上無人駕駛的願景開始孕育。在2000年代中期，美國國防部高級研究計劃局(DARPA)舉辦的大挑戰，進行了無人駕駛車輛的競賽。
2009年，Google開始了無人駕駛汽車的項目，在加州的公路上用豐田普銳斯測試無人駕駛技術。
2012年，Google開始用雷克薩斯RX450h SUV測試。截至2012年，Google已經完成了超過30萬英裏的高速公路(Freeway)的測試。
2012年以後，Google將測試的焦點轉移到城市街道(City Street)——一個比高速公路(Freeway)更複雜的環境。
2014年，在經過了幾個月的測試和迭代之後，Google推出了為完全無人駕駛量身定製新款的原型車。
截至2016年5月底，穀歌的無人駕駛測試已經行駛了164萬英裏(即265萬公裏)，主要試驗地點是加州的山景城、德克薩斯州的奧斯汀、華盛頓州的柯克蘭、亞利桑那州的鳳凰城的街道上。
(2)Google的完全無人駕駛路線
穀歌的無人駕駛汽車配備有大約價值$150,000的設備，包括價值$ 60,000-70,000的激光雷達(LIDAR)係統。
安裝在頂部的測距儀是Velodyne的64線激光雷達。這種激光雷達可以對無人駕駛車輛的周圍環境生成詳細的3D地圖。
將這些生成的地圖與高精度地圖綜合，生產不同類型的數據模型來實現無人駕駛，有一些計算是在車載的計算機(on-board systems)完成，有一些計算在遠程的雲(clouds)中完成。
Google無人駕駛車上最貴的器件就是車頂的由Velodyne公司生產的HDL-64——64線激光雷達。它可以一邊旋轉一邊不間斷的發射64束最遠射程可達120米的激光束，並接收反射回來的光束，依據返回時間的差別計算出物體與汽車之間的距離，從而繪製出汽車周圍實時的3D地圖。
激光束非常密集並且刷新頻率非常快，綜合探測數據後還可以判斷出物體的形狀、大小和大致的運動軌跡，以此作為接下來行動的判斷依據之一。
Velodyne的HDL-64的性能非常強大，每秒可以給Google無人駕駛車的處理器提供130萬組數據，這可以保證提供給Google無人駕駛車處理器的信息幾乎是實時的。
人類的感官感不止一種，人類感受外界事物刺激的器官有眼、耳、鼻、舌、身等，眼睛負責視覺，耳朵負責聽覺，鼻子負責嗅覺，舌頭負責味覺，身體各個部位負責觸覺。
正如人類的感官不止一種，為了在環境複雜的道路上保障駕駛者和行人的安全，Google無人駕駛車也配備了多種傳感器。
攝像頭： HDL-64激光雷達已經足以確定汽車的位置，Google無人駕駛車同時配置了更直觀的眼睛：攝像頭。攝像頭還可以辨識出路上出現的交通標誌和信號燈等物體，以保證自身的運行會嚴格遵守交通規則，這是激光雷達很難辦到的。
Google無人駕駛車有一對向前的攝像頭，其之間有著一定的距離。從兩個攝像頭傳回的畫麵的視差就像人的兩隻眼睛一樣，可以幫助車輛判斷自己的位置、行進的速度等信息。
位置傳感器：Google無人駕駛車的車胎輪轂上同樣帶有位置傳感器，用於探測車輪轉動，也能幫助車輛進行定位，同時與GPS得出的數據進行整合。
車載雷達：HDL-64激光雷達是有一定判斷物體運動軌跡和速度的能力的，但其獲得的數據要將其與車輛自身的速度結合，計算出兩者的相對運行速度，還需要許多額外的計算量。因此Google為車輛前後都配備了車載雷達，它們可以很精確地測出前後車輛與Google 無人駕駛車的相對速度，以此判斷接下來的車速該如何變化。
數據整合、數據協同共同保證無人駕駛車輛定位的準確性。
Google無人駕駛車上的各種傳感器綜合起來的數據流量是非常大的，可以達到每秒1GB，由車輛後方的強大計算性能的計算機處理。係統會繪製出一份周邊環境圖出來，如上圖所示綠色代表已經阻擋在行進路線上的物體，AI會根據實時路況進行判斷，決定無人駕駛車下一步的行動。
(3)Google的無人駕駛實踐：從無人駕駛解除機製(Disengagement)中迭代學習成長
截至2016年5月底，穀歌的無人駕駛試驗已經行駛了164萬英裏(即265萬公裏)，主要試驗地點是加州的山景城、德克薩斯州的奧斯汀、華盛頓州的柯克蘭、亞利桑那州的鳳凰城的街道上。
截至2016年5月底，穀歌的無人駕駛車隊是24輛改裝的雷克薩斯RX450h SUV和34輛Google新款原型車。在自動駕駛模式下行駛了265萬公裏，在人工駕駛模式下行駛了180萬公裏。
在城市街道(City Street)測試無人駕駛車輛的難度比在洲際公路(Interstate)、高速公路(Freeway)、普通公路(Highway)的難度更高，需要適應更為複雜的環境，如車道換道、未受保護的左轉、大量的道路使用者(包括自行車和行人)、其他道路使用者的不可預測的行為等等。這不同於，平均而言在美國，司機在高速公路(Freeway)上駕駛的裏程數占比更高。
Google無人駕駛設置了無人駕駛解除機製(Disengagement)，即從無人駕駛模式(Autonomous Mode)切換至人工駕駛模式(Manual Mode)，通常切換時長在1秒鍾左右。無人駕駛解除機製是一種保守的保護機製，每一次解除都被完整地記錄下來，用以指明安全問題，用以提高軟件係統、感知係統、硬件係統以及各個係統的綜合能力。
無人駕駛解除機製是整個無人駕駛測試中的一個關鍵環節，可以幫助提升無人駕駛軟件係統的能力、確認有哪些地方是需要改進的地方。無人駕駛解除機製的設置初衷並不是為了單純地降低無人駕駛解除次數，而是為了收集盡可能多的數據，從而改進無人駕駛係統。隨著無人駕駛技術的成長，無人駕駛每公裏的解除的次數隨之下降。
無人駕駛解除機製可以分為兩類：
(1)無人駕駛技術失效被監測到，簡稱技術失效解除(Failure Detection);
(2)出於車輛的安全運行的需要，車輛的測試司機解除無人駕駛模式，對車輛立刻進行人工接管，簡稱安全運行解除(Safe Operation)。
技術失效解除(Failure Detection)的主要原因有主、次(備份)無人駕駛係統的通信失效，如線路短路;加速儀或者GPS等傳感器異常;轉向或者刹車等關鍵功能異常等。
從2014年9月到2015年11月，Google無人駕駛一共行駛了424331英裏，發生了272次技術失效解除(Failure Detection)。技術失效解除(Failure Detection)發生時，Google的測試司機人工接管車輛的平均時間是0.84秒。
隨著Google無人駕駛技術的迭代學習成長，技術失效解除的發生率從2014年4季度的每785英裏發生一次技術失效解除下降到2015年4季度的每5318英裏發生一次技術失效解除。
安全運行解除(Safe Operation)出於車輛的安全運行的需要，車輛的測試司機解除無人駕駛模式，對車輛立刻進行人工接管。為了評估測試司機的解除，Google開發了一套功能強大的模擬程序，可以對每一個事件進行"回放"，然後預測無人駕駛車的行為(如果此時司機沒有接管車輛的話)，也可以預測同行的汽車、行人、自行車的行為和位置。這套模擬程序可以基於事件生成上千種變異的情景，用以評估環境發生微小改變時的各種場景，如Google無人駕駛車和其他道路使用者沿著不同的速度、角度運行。
從2014年9月到2015年11月，Google無人駕駛一共行駛了424331英裏，發生了69次安全運行解除(Safe Operation)。
69次安全運行解除(Safe Operation)中有13次，模擬程序顯示，測試司機如果不人工接管車輛的控製權，車輛將會與其他對象發生接觸。其他56次，模式程序顯示，安全運行解除(Safe Operation)是安全的，如果測試司機沒有人工接管車輛的控製權，可能在真實世界中不會發生車輛與其他對象接觸。
Google無人駕駛解除(Disengagement)的原因排序前五的是：感知問題、軟件問題、對汽車的多餘操作、硬件問題、道路使用者的魯莽行為。
每一次解除都被完整地記錄下來，用以指明安全問題，用以提高軟件係統、感知係統、硬件係統以及各個係統的綜合能力。
Google無人駕駛解除(Disengagement)的場景排序是：城市街道(Street)，普通公路(Highway)，高速公路(Freeway)，洲際公路(Interstate)。
2012年以後，Google將測試的焦點轉移到城市街道(City Street)——一個比高速公路(Freeway)更複雜的環境。在城市街道(City Street)測試無人駕駛車輛的難度比在洲際公路(Interstate)、高速公路(Freeway)、普通公路(Highway)的難度更高，需要適應更為複雜的環境，如車道換道、未受保護的左轉、大量的道路使用者(包括自行車和行人)、其他道路使用者的不可預測的行為等等。解除是為了收集盡可能多的數據，從而改進無人駕駛係統，隨著無人駕駛技術的成長，無人駕駛每公裏的解除的次數隨之下降。
3、Mobileye的漸進無人駕駛路線
(1)主流的OEM都在采用Mobileye技術，超過1千萬輛車采用了Mobile技術
Mobileye由以色列希伯來大學的Amnon Shashua教授(CTO)和連續創業成功者Ziv Aviram(CEO)創立於1999年，是一家基於人工視覺技術的全球領先的ADAS和無人駕駛技術服務提供商，擁有全球最大的人工視覺研發中心。目前公司在全球48個國家和地區運營，2014年在NYSE上市。
世界上主要的汽車生產商如奧迪、寶馬、雪鐵龍、福特、通用、本田、現代、捷豹、陸虎、尼桑、歐寶、雷諾、豐田、沃爾沃等都采用了Mobileye的技術。
截至2015年年底，超過10,000,000輛車采用了Mobileye的技術。Mobileye在全球有超過100家合作的分銷商。
汽車廠商在某個型號裏加入這樣的駕駛輔助係統所需要的比較長的時間周期，從初步溝通、到評估、到整合開發、到加入生產線、到正式的生產線升級到批量生產每個都需要 1-2 年，總計要 6 年左右的時間。而且每個型號一旦投產，生產周期都有 5 年左右。截至2016 年，約有 237 個車型采用 Mobileye 的技術。
(2)Mobileye可以大幅減少TCO中的保險和維修成本
根據NHTSA的統計，交通事故的原因，隻有7%的因素是非人為因素，而93%的原因是人為因素。而人為因素中，74%的交通事故源於司機的注意力不集中。
Mobile的ADAS技術有助於減少車輛的擁有成本TCO。汽車的擁有成本之中，保險和維修成本約占到整個擁有成本的20%左右。根據Allianz的統計，交通事故中沒有被覆蓋的成本，乘用車約為1600歐元，商用重卡車約為3000歐元。根據ECDP統計，平均一輛車的維修成本約為730歐元。
提前1.5秒鍾預警，可以減少90%的追尾事故。Mobileye可以顯著地降低汽車擁有成本之中的保險和維修成本。
(3)Mobileye的漸進無人駕駛路線：從單目攝像頭開始
攝像頭相比其他傳感器可以輕鬆識別出物體的外形，但對距離的識別卻是非常困難的。Mobileye在2007年推出了車道偏離輔助預警係統;2008年推出了交通標誌識別和智能遠光控製;2010年推出了行人偵測;2011年推出前車防碰撞警示。Mobileye用十幾年的積累完成了可靠的單攝像頭信息采集技術。
EyeQ視覺處理芯片是由Mobileye和意法半導體(全球最大的半導體公司之一)共同研發的。2015年，Mobileye發布第四代ADAS視覺處理器EyeQ4，相關產品將從2018年開始應用在新下線車型中。2016年5月，Mobileye和意法半導體共同宣布正在合作開發第五代Mobileye係統芯片EyeQ5。從2020年開始，新產品將用於全自動駕駛汽車(FAD)執行傳感器數據整合功能的芯片。
EyeQ5獨有的優化的加速器內核可執行各種計算機視覺、信號處理和機器學習任務，包括深度神經網絡。EyeQ5集成四種完全可編程的異構加速器，每種加速器各自優化執行專用算法集。
4、Google與Mobileye的無人駕駛路線殊途同歸
無人駕駛技術被劃分為兩個陣營，一個是源自Darpa，由一群機器人學家構成的"特定區域全無人駕駛派"，以Google為首，試圖通過大數據和人工智能技術來革新駕駛體驗。另一個則是源自車企，由一群汽車電子工程師構成的"全區域部分無人駕駛派"，試圖將該技術以新功能的形式添加到汽車進而盈利。
穀歌的無人駕駛模式與Mobileye的無人駕駛模式對比：
Google模式需要不斷地采集並更新實時高清地圖(所采集的高精度3D厘米級地圖會達到3-4Gb/km)。
Mobileye的難點則在於更強的人工智能， Mobileye利用攝像頭作為傳感器，搭配人工智能、深度學習以及眾包數據的方式獲取高精度地圖，大小隻有10Kb/km，來幫助汽車廠商完善和實現無人駕駛。
穀歌的無人駕駛與Mobileye的無人駕駛成本對比：
Mobileye將原先高達數十萬美元的無人駕駛技術成本壓縮到僅僅幾百美元，這意味汽車企業與消費者並不用為輔助駕駛(無人駕駛)支付高額的費用。
Mobileye的CTO Shashua教授的計算機科學背景讓他們同時兼顧了人工智能技術，並將其大量運用於產品當中。Mobileye希望能夠以一種遞進的方式，逐步推進無人駕駛技術。Mobileye最大的優勢就在於所有應用隻使用一個攝像機就可將多個路況探測應用捆綁起來，在一個攝像機內的芯片中同時運行，大大節省了在車體內的占用空間和成本。
Google的完全無人駕駛路線和Mobileye的漸進無人駕駛路線最終實現殊途同歸的全區域的完全無人駕駛。
六、社會效應："無人駕駛+共享經濟"將降低70%的出行成本
1、無人駕駛降低道路交通事故死亡率
根據世界衛生組織的統計，全球每10萬人的道路交通死亡率(2013年)在非洲、中東、世界、西太平洋、東南亞、美洲、歐洲分別為26.6、19.9、17.4、17.3、17、15.9、9.3。從各地區的情況來看，歐洲最為安全，而非洲則最危險。
根據NHTSA統計，交通事故的原因，隻有7%的因素是非人為因素，而93%的原因是人為因素。而人為因素中，74%的交通事故源於司機的注意力不集中。
通常駕駛員反應+液壓製動需要1.2秒，駕駛員安全視距50米;而計算機處理+電控製動隻需0.2秒，無人駕駛汽車超視距超過200米，而且沒有疲勞駕駛問題。如果采用無人駕駛的汽車，交通事故死亡人數將有望下降90%。與此同時，由於人為因素導致的交通擁堵也將有效降低。
2、無人駕駛解放雙腳、雙手、眼睛和大腦
無人駕駛對有人駕駛的顛覆，正如汽車對馬車的顛覆。
無人駕駛發展從Feet off、Hands off、Eyes off到Mind off，不需要駕駛員時時刻刻盯著，係統有高度的自治權，在特定工作的情況下，係統不允許退出。乃至於隻要輸入出發地和目的地，責任完全交給車輛端。
根據CEA的調研(多選)，實現無人駕駛以後，81%的人想看風景，80%的人想聽音樂，65%的人想打電話，57%的人想閱讀，55%的人想看視頻，53%的人想看網頁，50%的人想睡覺，44%的人想工作，29%的人想玩遊戲，27%的人想鍛煉，10%的人想做其他事情，徹底解放雙腳、雙手、眼睛和大腦。
根據美國勞工部的統計，大部分的大部分的旅行時間或者說車上時間被用於睡覺(50%)或者閑暇娛樂(41%)。無人駕駛徹底解放司機雙腳、雙手、眼睛和大腦，司機有更多的時間用於睡覺或者閑暇娛樂。
無人駕駛給予駕駛者更多的選擇，通過為人們創造更加愜意的自動駕駛時光，把原本開車過程中"丟失的時光"重新交還給駕駛者。在高度無人駕駛階段，駕車者的狀態是完全放鬆的，而非時刻保持警惕狀態。
福特公司提出了一個有意思的消遣：把無人駕駛汽車變成家庭影院，讓你和你的家人可以在車裏欣賞一部電影。福特最近剛剛申請了一個專利，專利說明顯示，福特希望將投影儀整合到無人駕駛汽車內。
3、"無人駕駛+共享經濟"將降低70%的出行成本
"十年後買車就像今天買一匹馬一樣奇怪。"——共享經濟
共享經濟的本質是整合線下的閑散物品或服務者，讓他們以較低的價格提供產品或服務。對於供給方來說，通過在特定時間內讓渡物品的使用權或提供服務，來獲得一定的金錢回報;對需求方而言，不直接擁有物品的所有權，而是通過租、借等共享的方式使用物品。
共享經濟的經典案例是Uber在2014年8月份推出了自己的新產品拚車功能uberPOOL，這是在搭車(Shared)基礎上進一步發展而成的多人拚車(Pooled)的功能，即司機一次搭乘的不是一位乘客，而是同一方向的兩位乘客，甚至中途可能會有一位乘客下車，也可能在此前還會再搭乘第三位乘客。Uber公司將這款產品定義為Perpetual Ride——持續載客。本質上是座位盡可能被更多的人占用，提高車的使用率。
在無人駕駛+共享經濟時代，買車會變得非常奇怪，人們習慣於按需隨時叫一輛無人駕駛車。共享經濟會因為無人駕駛實現得更加徹底，在整個城市、整個國家甚至全球的無人駕駛網絡裏，車的利用效率會極大地提升，拚車拚座位變得非常普及。
現在通常情況下，司機擁有汽車的所有權以及開車時汽車的控製權，假設每英裏的運行約為1美元。
在共享經濟時代，因為共享拚車的出現，汽車空座位率的降低，效率提升而降低了每英裏的運行成本。
在無人駕駛的時代，司機的雇傭成本、司機的時間成本大大地被降低，車險可能會遭受到毀滅性的打擊，從而降低每英裏的運行成本。
在無人駕駛+共享經濟時代，兩種紅利疊加，降低70%的出行成本，我們看好無人駕駛+共享經濟時代的交通運營商。
没有评论:
发表评论