全球自动驾驶汽车硬件和软件最新技术总结（2020）

2020年落地L3级自动驾驶系统？这种炒作该结束了！~

2020年被称为L3级自动驾驶落地元年，在早前宣传中，梅赛德斯-奔驰、凯迪拉克、小鹏汽车等不少车企都将2020年作为了落地L3级自动驾驶的最终时间。但从行业发展来看，迭代升级了多年的L2、L2+、L2++到L3之间还有很遥远的距离，要落地L3级自动驾驶至少还得迈过这些坎。
最早宣布要落地L3级自动驾驶的车企是奥迪，早在2017年，奥迪就站在了自动驾驶突破的悬崖上，其重新设计的奥迪A8轿车包含了一个名为「拥堵辅助驾驶」（Traffic Jam Pilot）的系统，当该系统处于激活状态时，可使人类驾驶员在走走停停的交通过程中不再需要集中注意力，系统可以完全接手驾驶任务，如下图。

刚刚发布时，该系统被鼓吹为通往完全自动驾驶道路上的决定性时刻，它是第一个允许人类在旅程的某一段将驾驶责任交给汽车本身的系统——但还是需要人类作为后备。
后来事实证明，要实现真正的L3级自动驾驶依旧存在着巨大的难度。当年奥迪A8在配置了一些列先进的硬件之后，因为各种原因，L3级自动驾驶软件最终未能交付到用户手中。


在这之后，各大车企都加大了自动驾驶系统的研发，同时推出了自己的自动辅助驾驶安全系统。例如，凯迪拉克的SuperCruiseTM、特斯拉的Autopilot、本田的Honda SENSING、小鹏汽车的XPliot。于此同时，他们都将L3级自动驾驶落地的最终时间定在了2020年，但截止目前，落地L3级自动驾驶的难题还没有得到本质上的突破。
混合驾驶中的责任划分：
首先，按照美国SAE的自动驾驶分级标准来看，L3级自动驾驶是一个非常尴尬的存在。

在L0到L2阶段，车辆几乎没有人工智能，而且车辆驾驶控制权由人类100%负责，所以在这个阶段的自动辅助驾驶系统只能算是很基础的主动安全配置。例如LKA车道偏离预警、TJA交通拥堵辅助、ICC智能巡航等等。
到了L4级，车辆就已经具备了完整的自动驾驶系统了。因此，相比L4级的完全自动驾驶和L2的完全人为驾驶，L3是尤为艰难的一步。
L3被定义为条件自动化，车辆在特定环境中可以实现自动加减速和转向，不需要驾驶者的操作。驾驶员可以不监控车身周边环境，但要随时准备接管车辆，以应对自动驾驶处理不了的路况情况。
L3级代表的是机器和人同时驾驶一个车辆，所以如何让机器和人为驾驶能达到深层次的沟通融合，确定人在任何状况下都能第一时间来接管车辆，而不是车辆需要接管时，人睡着了。这是L3级自动驾驶辅助系统落地的一个难点。
麻省理工学院（Massachusetts Institute of Technology）运输与物流中心（Center for Transportation and Logistics）的研究科学家 Bryan Reimer 说：“L3 级别挑战了你对人类行为的期望，它让你很难分辨我是在开车还是在坐车。如果我是一名人类司机，我该如何学习成为一名后备驾驶员？”
所以在L3级自动驾驶中，要想实现驾驶员与车辆的融合管理，其中的交接工作是复杂的。目前既有的驾驶员监控系统，方向盘握力传感器、声光提醒、震动提醒等等交互方式，都不是很好的解决方案。
为了行业前进，不少车企开始跳过L3级自动驾驶系统，直接从L4级入手。例如谷歌的无人驾驶汽车项目。谷歌无人驾驶汽车项目最初确实建立了驾驶员切换的系统，但测试司机过度信任了自动驾驶技术，以至于在某些情况下，他们在方向盘上睡着了。

这些发现引起了工程师们的警觉 - 人类会在任何包含人类的系统中变成阻碍。对谷歌来说，这其中的含义很明显：从头开始构建一个自动驾驶系统要比考虑如何让人类司机参与更加容易。
在传统汽车制造商中，福特和沃尔沃得出了类似的结论，并没有追求L3级自动驾驶系统的开发。他们认为有条件的自动化很有价值，特别是对传统车主来说，他们可能会为一些便利的功能付费，比如拥堵辅助驾驶，这些功能可以减轻他们在方向盘后的工作负担。
除此之外，如何判定L3级别自动驾驶下的交通事故责任也是一个难点，如果是车辆的问题，那么就意味着车企需要担负责任。目前，全球只有韩国在2020年1月份推出了L3级自动驾驶相关的商用标准，但仍需要完善。
韩国之所以抢先推出L3级自动驾驶商用化标准与韩国政府意图“2028年韩国成为全球首个自动驾驶国家”的计划有关。
据统计在2030年，全球L3级自动驾驶以上的汽车将达到1.5万亿的规模，而韩国希望2027年全境实现L4级别自动驾驶商用化，到了2030年搭载L3、L4自动驾驶的新车，在市场销量比例超过50%以上的目标，实现汽车强国的目标准。
从实际作用来看，韩国率先推出L3级自动驾驶商用标准可以吸引行业人才和大量的车企进入韩国进行本土化落地测试研究。但技术是严谨的，在没有实质性的突破之前，没有车企敢承担一个半成品在道路上飞驰的风险。
写在最后：
自动驾驶概念炒作已久，相比媒体和车企而言，其中最冷静的是自动驾驶的研发人员，因为他们清楚的知道，要落地L3级自动驾驶还需要迈过很多个坑。
而对于市场而言，即使L3级别自动驾驶能够落地，如何做到低成本，高鲁棒性也是个难题。目前配置一套满足L3级自动驾驶的硬件方案成本居高。包括有激光雷达、77Ghz毫米波传感器、24Ghz毫米波传感器、单/双目视觉传感器、处理器、执行器等等。
最后综合来看，2020年落地L3级自动驾驶的炒作还会继续。但实际上车企能拿出手的只有一堆硬件，和一个后期OTA的承诺。真正将消费者接受的成本、不确定的监管环境与棘手的控制交换和驾驶员监控结合起来看，L3级自动驾驶系统在短期内仍然是一个难以实现的目标。
本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

近日，在CES2020展会上，大疆内部孵化的子公司Livox发布两款 专为自动驾驶汽车设计的激光雷达产品Horizon和Tele-15 。无独有偶，英特尔子公司Mobileye演示了一辆自动驾驶汽车在12个车载摄像头的帮助下，在耶路撒冷的街道上行驶了约20分钟， 除了摄像头以外，该自动驾驶系统没有用到雷达、超声波等其他传感器。

大疆发布的激光雷达产品和Mobileye发布的纯摄像头解决方案，折射出自动驾驶感知层的两大技术流派，一类是多传感器融合路线，主张以激光雷达为主导，配合毫米波雷达、摄像头等，实现多传感器融合，提高自动驾驶安全；一类是计算机视觉优先路线，倾向于采用低成本的摄像头，辅以人工智能算法，降低成本。
两派的技术路线分歧由来已久，孰对孰错？目前技术实践还不足以下结论。从技术细节看，大疆Horizon用于近距离测试，探测范围在260米左右，水平视场为81.7度，可覆盖10米距离内的4条车道，五个Horizon装置可实现360°全方位覆盖。Tele-15用于远距离测试，是业内首款500米范围汽车激光雷达。由于使用的高成本组件较少，两款产品具有价格优势。
而Mobileye技术可以根据2D摄像机捕捉到的图像创建3D模型，以帮助自动驾驶系统更好地感知环境，据悉，该处理过程是用两款最新的自动驾驶EyeQ5芯片完成的。
从市场需求看，两个不同派别都各有拥趸，在既定的道路上实践着自身的技术路线。
多传感器融合派：不谈安全的自动驾驶就是在耍流氓
多传感器融合派认为安全是自动驾驶的第一逻辑，倾向于高成本的激光雷达、毫米波雷达、超声波雷达、摄像头等多种传感器的融合运用，来应对自动驾驶的多个应用场景，优点是计算能力强，灵活性高，缺点是成本高，该路线由“丰田、英伟达提出，大众、戴姆勒、博世、采埃孚、Waymo、Cruise、Uber在内的大部分自动驾驶公司，都采用的是多传感器融合感知的解决方案，在激光雷达的初创企业方面，根据六棱镜sixlens大数据平台以“激光雷达”为关键词进行搜索，可以搜索到激光雷达相关企业总数达到上百家，其中典型的初创企业如下所示：

其中，激光雷达制造商禾赛科技于2020年1月7日宣布完成1.73亿美元C轮融资，由光速联合德国博世集团领投，美国安森美半导体、启明创投、德同资本、新加坡Axiom等跟投，此次融资也刷新了激光雷达行业的最高单笔融资记录。

视觉优先路线：基于技术快速落地的商业化考虑。
视觉优先路线由宝马、英特尔提出，主张采用低成本的摄像头方案，以尽快实现技术落地，主张此路线的企业还包括特斯拉、德尔福、大陆、麦格纳、滴滴等。其中，特斯拉坚决反对激光雷达方案，坚持走视觉路线，2020年1月，特斯拉AI部门高级主管AndrejKarpathy在一个有关深度学习的会议——PyTorchDeveloper Conference 2019时演讲的开场这样说:“由于我们没有采用激光雷达，也没有采用高精度地图，所以Autopilot的一切功能，都依赖于来自车身四周8个摄像头提供原始图像之后，再进行的计算机视觉运算”。
根据六棱镜sixlens大数据平台以“车载摄像头”为关键词进行搜索，可以搜索到相关企业总数达到上百家，其中典型的企业如下所示：

车载摄像头典型企业
以苏州智华为例，苏州智华是一家拥有自主知识产权，集研发、生产、销售、服务为一体的汽车辅助驾驶系统研发商。公司以图像传感和智能识别处理技术为核心，成功开发出车道偏离报警系统、前向碰撞预警系统、全景影像系统、倒车影像辅助等多个汽车智能安全驾驶系统。在车载智能监控、智能安全辅助驾驶等多个领域开发出一系列产品，运用于多家汽车品牌。

苏州智华技术路线图

苏州智华技术热词
从技术路线图和技术热词可以看到，其技术布局的领域包括车载摄像头、汽车安全、车联网、高清摄像等领域。
总体来说，两条路线各有利弊，最终谁将占据主导地位尚未有定论，但唯一可以确定的是自动驾驶技术必将改变汽车行业未来发展。
本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

进入到2020年，自动驾驶技术走到了需要规模商业化证明技术价值的时候。

不管是封闭或半封闭场景的矿区、港口和园区，还是公开道路的RoboTaxi、RoboTruck等，技术都是自动驾驶在不同场景商业化的基础。

本报告覆盖了自动驾驶汽车所需要的感知、定图与定位、传感器融合、机器学习方法、数据收集与处理、路径规划、自动驾驶架构、乘客体验、自动驾驶车辆与外界交互、自动驾驶对汽车部件的挑战（如功耗、尺寸、重量等）、通讯与连接（车路协同、云端管理平台）等技术领域的讨论，并且提供相应的各自动驾驶公司的实施案例。

本报告是由美国、中国、以色列、加拿大、英国等全球不同国家和地区的自动驾驶专家，针对自动驾驶技术的硬件和软件技术，进行的全面阐述，方便各位读者能够从技术角度，了解最新的技术动态，从而全面了解自动驾驶汽车。

本报告的案例大多数来自汽车领域，这也是目前自动驾驶行业最火热的应用场景，但是，服务个人出行的汽车并不是自动驾驶技术影响深远的行业，其他的行业，如公共交通、货运、农业、矿业等领域，也同样是自动驾驶技术应用的广泛天地。

各类传感器，用于自动驾驶汽车感知环境，如同人类的眼睛，自动驾驶汽车的基础部件；自动驾驶汽车的传感器主要有五种，包括了：1、Long range RADAR；2、Camera；3、LIDAR；4、Short/Medium range RADAR；5、Ultrasound；

这些不同的传感器，主要用于不同距离、不同类型的物体感知，为自动驾驶汽车判断周边环境，提供最重要的信息来源，另外，还有一个环境感知的信息来源是车路协同的来源，这点报告中也有阐述。

1、扫描范围，确定必须对被感测的对象做出反应的时间；

2、分辨率，确定传感器可以为自动驾驶车辆提供的环境细节；

3、视场或角度分辨率，确定要覆盖、要感知的区域需要传感器的数量；

4、刷新率，确定来自传感器的信息更新的频率；

5、感知对象数量，能够区分3D中的静态对象数量和动态对象数量，并且确定需要跟踪的对象数量；

6、可靠性和准确性，传感器在不同环境下的总体可靠性和准确性；

7、成本、大小和软件兼容性，这是量产的技术条件之一；

8、生成的数据量，这决定了车载计算单元的计算量，现在传感器偏向智能传感器，也就是，不仅仅是感知，还会分辨信息，把对车辆行驶影响最重要的数据传输给车载计算单元，从而减少其计算负荷；

下面是Waymo、Volvo-Uber、Tesla的传感器方案示意图：

1、Tesla的传感器，具有加热功能，可抵御霜冻和雾气；

2、Volvo的传感器配备有喷水清洁系统，用于清洁粉尘；

3、Waymo使用的Chrysler Pacifica的传感器有喷水系统和刮水器。

02 SLAM和传感器融合

SLAM是一个复杂的过程，因为本地化需要地图，并且映射需要良好的位置估计。尽管长期以来人们一直认为机器人要成为自主的基本“鸡或蛋”问题，但在1980年代和90年代中期的突破性研究从概念和理论上解决了SLAM。从那时起，已经开发了多种SLAM方法，其中大多数使用概率概念。

为了更准确地执行SLAM，传感器融合开始发挥作用。传感器融合是组合来自多个传感器和数据库的数据以获得改进信息的过程。它是一个多级过程，处理数据的关联，相关性和组合，与仅使用单个数据源相比，可以实现更便宜，更高质量或更多相关信息。

1、顺序地，将驱动过程分解为分层管道的组件，每个步骤（传感，定位，路径规划，运动控制）都由特定的软件元素处理，管道的每个组件都将数据馈送到下一个；

2、基于深度学习的端到端解决方案，负责所有这些功能。

端到端（e2e）学习作为一种解决方案，可以解决自动驾驶汽车复杂AI系统所面临的挑战，因此越来越受到人们的关注。端到端（e2e）学习将迭代学习应用于整个复杂系统，并已在深度学习的背景下得到普及。

03 三种机器深度学习方法

当前，不同类型的机器学习算法被用于自动驾驶汽车中的不同应用。本质上，机器学习根据提供的一组训练数据将一组输入映射到一组输出。1、卷积神经网络（CNN）；2、递归神经网络（RNN）；3、深度强化学习（DRL）；是应用于自动驾驶的最常见的深度学习方法。

RNN——当处理诸如视频之类的时间信息时，RNN是强大的工具。在这些网络中，先前步骤的输出作为输入被馈送到网络中，从而使信息和知识能够持久存在于网络中并被上下文化。

DRL——将深度学习（DL）和强化学习相结合。DRL方法使软件定义的“代理”可以使用奖励功能，在虚拟环境中学习最佳行动，以实现其目标。这些面向目标的算法学习如何实现目标，或如何在多个步骤中沿特定维度最大化。尽管前景广阔，但DRL面临的挑战是设计用于驾驶车辆的正确奖励功能。在自动驾驶汽车中，深度强化学习被认为仍处于早期阶段。

这些方法不一定孤立地存在。例如，特斯拉（Tesla）等公司依靠混合形式，它们试图一起使用多种方法来提高准确性并减少计算需求。

一次在多个任务上训练网络是深度学习中的常见做法，通常称为多任务训练 或辅助任务训练。这是为了避免过度拟合，这是神经网络的常见问题。当机器学习算法针对特定任务进行训练时，它会变得非常专注于模仿它所训练的数据，从而在尝试进行内插或外推时其输出变得不切实际。

通过在多个任务上训练机器学习算法，网络的核心将专注于发现对所有目的都有用的常规功能，而不是仅仅专注于一项任务。这可以使输出对应用程序更加现实和有用。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

---

南岔区17193543157： 自动驾驶来了,究竟是哪些技术让汽车变聪明了 - ？
睢蒋脑血： 1、传感器技术:自动驾驶汽车上,前后左右装有认识周围环境、道路、交通状况的各种传感器.光学摄像头包括单摄像头、多摄像头,多普勒雷达包括短距离雷达、远距离雷达,还有激光雷达就是车顶上那个旋转的机器,GPS定位装置,等等...

南岔区17193543157： 自动驾驶汽车涉及哪些技术 - ？
睢蒋脑血： 最主要是人工智能. 人工智能就相当于驾驶者的大脑.其他还会有一些辅助技术,比如激光测量,声波测量,运动传感器,GPS等等,相当于人的眼睛、耳朵、神经感觉等等.目前这些辅助技术很多都已经非常成熟,甚至远超人类, 比如激光和声波测量技术, 目前都运用到很高高端车型上,可以进行ACC自动巡航. 还有夜视技术,可以帮助驾驶员在漆黑的页面看清100米开外的人、动物、障碍, 这些都远远超过人类的生理极限.但是人工智能,目前还在起步阶段.也就是说,自动驾驶员的四肢、感官目前都已经很不错了,甚至超过人类了,但是还缺个脑子....

南岔区17193543157： 汽车无人驾驶,自动驾驶怎么实现?用什么设计工具或者软硬件? - ？
睢蒋脑血： 无人驾驶汽车是通过车载传感系统感知道路环境,自动规划行车路线并控制车辆到达预定目标的智能汽车.具体包括 中远距离雷达,摄像头,GPS 等. 技术实现其实和高级辅助驾驶ADAS接近 目前特斯拉,宝马等厂商的无人驾驶采用的是 英伟达 Nvidia DrivePX2硬件平台

南岔区17193543157： 未来的汽车新技术有哪些? - ？
睢蒋脑血： 未来汽车会越来越智能化 信息化 全球化 低碳 环保 全球多家汽车厂商正在极力研发智能化无人驾驶汽车 未来会达到人与车 车与车 车与路的信息互联 如:车与车直接可以交流 一个地方发生车祸拥堵汽车们通过系统互相警告 司机可以捕捉邻车司机与其交流 汽车制造商技术信息共享

南岔区17193543157： 2020款奇骏自动驾驶的工作原理是什么啊,由什么硬件组成? - ？
睢蒋脑血： 自动驾驶核心硬件;毫米波雷达;摄像头;传感器;激光雷达. 自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆.

南岔区17193543157： 无人驾驶汽车什么时候进入市场 - ？
睢蒋脑血： 截止2020年,特斯拉汽车已经支持无人驾驶了.特斯拉表示,所有在工厂生产的特斯拉车型(包括Model3)将配备具有全自动驾驶功能的硬件,新硬件将从根本上提高车辆行驶的安全性. 该系统包含8个摄像头,覆盖360度可视范围,对周围...

南岔区17193543157： 现在正在研制的无人驾驶汽车使用一种什么现实技术 - ？
睢蒋脑血： 雷达加摄像中国现在已经有无人驾驶的汽车了,时速可达到60KM/H,可以处理一般的启动行驶,超车让车,转弯等正常动作,在不远的将来,我们会用机器人做司机的自动控制技术无人驾驶汽车是一种智能汽车,也可以称之为轮式移动机器...

南岔区17193543157： 未来汽车新技术和发展趋势 - ？
睢蒋脑血： 进入21世纪,为了引领和表现新世纪未来汽车的发展走势,不少国际汽车公司接二连三的在全球各大车展中推出自己的概念车和新型汽车.然而有一个现象必须引起我们关注:作为一个汽车大国,中国却少有汽车企业推出自己开发设计的概念车...

南岔区17193543157： 汽车自动驾驶技术是怎么样的? - ？
睢蒋脑血： 汽车自动驾驶技术包括视频摄像头、雷达传感器以及激光测距器来了解周围的交通状况,并通过一个详尽的地图(通过有人驾驶汽车采集的地图)对前方的道路进行导航.这一切都通过谷歌的数据中心来实现,谷歌的数据中心能处理汽车收集的有关周围地形的大量信息.就这点而言,自动驾驶汽车相当于谷歌数据中心的遥控汽车或者智能汽车..汽车自动驾驶技术物联网技术应用之一.