無人駕駛關鍵技術拆解

本文為 AI 研習社編譯的技術博客，原標題 ：

Unbundling The Autonomous Vehicle

作者 | Emily Veach

翻譯 | 劉徽、Ophria、哈帝•霍布森

校對 |  鄧普斯•傑弗      審核 | 醬番梨      整理 | 菠蘿妹

原文連結：

https://www.cbinsights.com/research/startups-drive-auto-industry-disruption/

自動駕駛汽車依靠幾種先進技術來實現自主行駛。我們將自動駕駛汽車拆解，來看一看這些技術是怎樣互相協作的，以及有哪些公司在驅動這些技術的革新。

自動駕駛汽車依靠一系列互補的技術來對周圍的環境進行理解和響應。

一些自動駕駛公司關注這些特定的部分，並且在汽車製造商和Tier-1供應商的幫助下，讓自己的產品迅速規模化。採用這種方法從頭開始製造自己的車輛的公司有Zoox和Nuro。

讓我們更仔細地觀察這些讓自動駕駛汽車成為可能的技術，並且詳細分析這些讓自動駕駛汽車更先進、更低成本和更容易規模化的路線。

這份商業地圖包括一些秘密的或者活躍的公司，但是並不完全包括行業內所有的公司。圖中種類互相不包含，並且公司是根據初級應用場景進行標記的

點擊可放大圖片。

自動駕駛汽車需要和其他車輛、自行車和行人一樣，能夠識別出來交通信號和標誌。他們也需要感知到一個迎面而來的物體的距離和速度，以便能夠知道該如何做出反應。

自動駕駛汽車通常依靠攝像頭和其他傳感器，如毫米波雷達和雷射雷達，其中的每種傳感器都有自己的優點和限制。

這些傳感器收集的數據被通過一種叫「傳感器融合」的技術組合在一起，來儘可能給汽車提供周圍環境最準確的情況。

攝像頭和計算機視覺

攝像頭在自動駕駛汽車和裝備ADAS功能的汽車上被普遍使用。不同於毫米波雷達和雷射雷達，攝像頭能夠識別顏色和文字來幫助探測路標、交通信號燈和街道指示。

但是，攝像頭在探測深度和距離的時候與雷射雷達相比有所不足。

很多初創公司希望開發攝像頭供自動駕駛汽車來儘可能提取最生動的圖像。

Light在7月公布了D系列的$121M，已經專門開發了與雷射雷達的精度相匹配的攝像頭。攝像頭能夠通過它的16個鏡頭來提取高精度的3D圖像進行圖像融合。

Light的L16攝像頭，包含了16個攝像頭（來源：Light）

為了處理從攝像頭接收到的數據，自動駕駛汽車的系統藉助訓練好的計算機視覺軟體來識別物體和信號。這個軟體應該能夠識別車道線特定的細節（比如車道邊界的顏色和圖案）並且評估合適的交通規則。

很多初創公司希望能夠開發更多精緻和有效率的計算機視覺技術。

比如DeepScale正在布置深度神經網絡來提高識別能力和保持一個隨時間不斷優化的錯誤率。

在巴黎進行研發的Prophesee，已經開發出基於情景的計算機視覺，能夠促進物體識別和降低數據過載。公司的深度學習技術模仿人類的大腦處理從視網膜接收來的圖像。

在一個標準相機裡的基於每幀的傳感器依靠從圖像裡面同時捕捉到的所有像素並且一幀一幀地處理圖像；基於情景的傳感器依靠互相獨立的像素，允許傳感器藉助一串連續的信息捕捉物體的移動。

這個技術減少了傳統攝像頭從連續的各幀裡面處理圖像的數據量。

來源：Prophesee

Prophesee希望在幾種工業場景中布置自己的機器學習視覺能力，從自動駕駛汽車到工業自動化，再到健康關懷。在二月，這家初創公司將繼續發布B系列中的$19M。

毫米波雷達、雷射雷達以及V2X

自動駕駛汽車開發者在組合毫米波雷達和雷射雷達傳感器來增強攝像頭獲取圖像的性能。

自動駕駛汽車藉助傳感器的融合來處理大量傳感器中的數據。特別是藉助所有傳感器在軟體上的數據融合，來開發出一個對於汽車周圍環境的一致性的視角。

除了視距傳感器，很多初創公司和汽車公司正致力於一種能讓汽車與其他相連物體進行無線通訊的技術，也就是V2X技術。

這種技術仍然處在研發階段，但是它已經擁有讓車輛與周圍不論是否處於視野內的車輛、非機動車和行人保持不間斷通信的潛力。

毫米波雷達

毫米波雷達通過發射一種無線電波來探測物體，汽車可以藉助其來探測迎面而來的物體的距離、範圍和速度。

毫米波雷達技術被視為比雷射雷達更可靠的技術，因為它的遠距離探測能力，並且沒有易損壞的旋轉運動的元件。並且它成本更低。因此毫米波雷達被廣泛應用於自動駕駛汽車和ADAS功能中。

Lunewave在2018年9月收到了來自BMW的500萬美金的種子輪融資。這家公司正在使用3D列印技術來創造作用距離更遠和更準確的天線系統。他們的技術是基於在1940年發明的龍伯透鏡天線。

Metawave也在研究如何加強毫米波雷達的性能。這家公司已經開發出一種使用金屬材料以達到更告訴和更遠探測距離的模擬天線。

Metawave的雷達技術（來源：Metawave）

Metawave在5月的的種子輪融資跟投方包括，來自於大型汽車業製造商如電裝、現代和豐田，和來自於小型VC的融資如Khosla Ventures。還包括Tier-1供應商英飛凌在8月的跟投。

雷射雷達

雷射雷達被視為最先進的傳感器。雷射雷達能創建車輛周圍環境3D透視圖的能力，能夠促進對於物體的識別。

利用雷射雷達創建車輛周圍3D透視圖的技術（來源：Velodyne）

雷射雷達技術利用雷射傳感器來確定物體的距離。傳感器發射高頻脈衝雷射並且計算波束往返的時間。

傳統的雷射雷達系統包含一系列旋轉元件來獲取車輛周圍360°的視角。這些元件的開發成本很高，而且往往並不比固定元件更耐用。許多初創公司正致力於在保持雷射雷達的高精度的同時減少其成本。

一種解決方法就是固態雷射雷達，也就是一種沒有運動元件並且製造成本更低的雷射雷達。

以色列初創公司Innoviz已經將固態雷射雷達縮減到幾百美元以內。它的售價僅為Velodyne$75000的128線雷射雷達系統的一小部分。

4月，Innoviz宣布同汽車製造商BMW和Tier-1製造商麥格納達成合作夥伴關係，來在BMW的自動駕駛汽車上搭載自己的雷射雷達。

Innoviz的雷射雷達系統：Innoviz Pro（來源：Innoviz）

Avea是另一家在研發自己的固態雷射雷達的初創公司。它在2018年10月收穫了4500萬美元的A輪融資。這家公司宣布它的產品擁有200米的探測範圍和僅有幾百美元的成本。不同於傳統的雷射雷達，Avea的技術專注於連續的雷射波形而非獨立的光束。

中國的固態雷射雷達初創公司Robosense在10月收穫了$4330萬美元的C輪融資，成為中國單輪融資金額最大的雷射雷達公司。這輪融資的投資人包括阿里的物流子公司菜鳥智慧物流網絡和汽車製造商上汽集團以及北汽集團。

車聯萬物（V2X）

V2X技術使車輛和其他可聯網物體的無線信息互聯成為可能。在這項技術處於非常早期階段的時候，V2X技術能夠幫助擴展雷射雷達、毫米波雷達和攝像頭等視野探測類傳感器的限制。

V2X傳感器可以探測道路險況、堵車和視野外的盲區。

以色列初創公司Autotalks正與韓國現代公司合作來為市場量產它的V2X傳感器技術。這家初創公司已經收到了現代和Tier-2供應商三星的投資。

駕駛數據和仿真

路測的駕駛數據和仿真對於自動駕駛開發是非常關鍵的，給算法訓練提供了指導方向。

根據蘭德公司的報告，自動駕駛需要駕駛數億甚至數十億英裡來驗證其安全性，自動駕駛的開發人員利用車隊完成這個距離的數據收集需要花費數年時間。

因此，開發者利用仿真技術來積累虛擬裡程。

仿真初創公司和自動駕駛開發者利用人工智慧來生成測試數據訓練自動駕駛車輛。該項技術特別有利於在危險或不常見場景訓練自動駕駛車輛，例如炫目的陽光或突然出現的行人。

總部位於以色列的創業公司Cognata開發了一個3D仿真平臺，為客戶提供各種自動駕駛測試場景。

Cognata的3D模擬平臺（來源：Cognata）

10月，該公司從包括空客和Maniv Mobility在內的投資者那裡籌集了1850萬美元的B輪融資。

 MightyAI的元數據歸屬和分類技術（來源：MightyAI）

NVIDIA是處於仿真技術前沿的主要公司之一。 5月，它推出了一個名為DRIVE Constellation的基於雲的仿真平臺。 該平臺在公司的GPU上運行，並為自動駕駛系統生成傳感器數據流以進行處理。 NVIDIA可以在數十億英裡的定製場景中訓練其算法。

9月，該公司向合作夥伴網絡開放了仿真平臺，包括創業公司Cognata和Parallel Domain，以及主要的科技公司西門子。

與收集駕駛員數據相關的另一個挑戰是圖像注釋，或標記數據，以便自動駕駛車輛可以識別和分類對象。

訓練數據初創公司MightyAI正在與構建計算機視覺模型的公司合作，以幫助標記他們用於訓練的數據。 MightyAI提供數據管理，注釋和驗證工具。

公司用於理解收集的數據的一種技術是語義分割，通過對視頻圖像進行像素分解達到更細粒度的處理。

 來源：Medium

中國科技巨頭百度也開發了自己的語義分割軟體ApolloScape，用於自動駕駛的開源數據集。

百度的技術可實現多達26種分類的圖像注釋，包括汽車，行人，自行車，建築物和路燈，以幫助自駕車識別道路上的可駕駛區域和迎面而來的危險。

自動駕駛車輛還需要知道它們的精確位置，包括決策和路徑規劃。

許多人依賴GPS信號，但這些測量值可能會偏離1-2米——如果整個自行車道的平均長度約為1.2米，那麼誤差率就太大了。

因此，AV開發人員依賴於一套技術，包括預構建的地圖，這有助於將誤差減少到1米以下。

當車輛自我導航時，他們將周圍環境與存儲在記憶中的數字地圖進行比較。

這些被稱為高清地圖的地圖比用於個人導航軟體的數字地圖更精確。它們包含基於道路的信息，如車道大小、人行橫道和道路標誌，並通過從車輛外部的傳感器收集的數據進行增強。

資源來自於: Ars Technica

許多初創企業設計了所需的硬體（即傳感器）和軟體，可以在路上收集數據，然後將其轉換為數字地圖。

DeepMap 開發了地圖構建軟體，計劃向汽車製造商和專注於AV技術的公司發放許可證。一級供應商羅伯特•博世（Robert Bosch）在8月份與之前的投資者安德烈森•霍洛維茨（Andreessen Horowitz）和Accel Partners聯手投資了這家初創企業。

資源來自於：DeepMap

Civil Maps也在為全自動車輛開發3D地圖技術。利用人工智慧，該公司將原始傳感器數據轉換為有意義的地圖信息。

一些公司正在自己製作高清地圖，目的是將數據授權給相關方。

地圖領域的兩個主要參與者是HERE Maps 和TomTom。2015年12月，德國汽車製造商聯盟（奧迪、寶馬和戴姆勒）收購了地圖。今年1月，TomTom與百度合作，將其美國和西歐地圖與百度廣泛的中國地圖進行整合。

谷歌在地圖領域也取得了顯著進展。今年10月，沃爾沃宣布將其地圖平臺從TomTom改為Google。谷歌的自動駕駛臂Waymo也在利用自己的車輛在路上收集的數據構建自己的高清地圖。

百度正在為自己的自動駕駛汽車軟體平臺Apollo開發高清地圖。該公司看到了一個向汽車製造商出售地圖，並收取服務費或將這些費用整合到汽車成本中的機會。

百度相信，其高清地圖業務最終將超過目前中國最大的搜索業務。

許多公司正在研究全自動駕駛系統，而不是特定的部件。

雖然這些初創企業大多僅僅致力於自動駕駛，並與汽車製造商合作部署他們的技術，但也有一些正在從頭開始重建他們的汽車。

大多數構建全自動駕駛堆棧的公司都提供了一個軟體包，其中包括計算機視覺和傳感器融合軟體，以及自動駕駛所需的硬體。這些系統是自主車輛的「大腦」。

在這一領域的初創企業通常與汽車製造商合作部署他們的技術。在某些情況下，他們正在利用這項技術對現有車輛進行改裝。

例如，Drive.ai正在使用其自主系統來創建改裝套件。在德克薩斯州弗裡斯科試用了幾個月的自動駕駛汽車服務後，該公司於10月將服務擴展到了德克薩斯州阿靈頓市。

Drive.ai於2017年9月與Lyft合作，將配備其系統的自動駕駛汽車引入Lyft的開源軟體平臺。

資源來自於: Drive.ai

中國也有幾家公司在研究自動駕駛系統。

總部位於北京的Momenta在10月份獲得了獨角獸的地位，在電動汽車製造商Nio和中國科技巨頭騰訊的貢獻下發起了一輪C輪融資。蒙門塔已與蘇州市政府合作，部署了一支大規模的試驗車隊，並在該市建立了智能交通系統。

Pony.ai也達到了獨角獸的地位。該公司已與中國第二大汽車製造商廣州汽車集團（Guangzhou Automobile Group）合作，部署其完整的AV架構。9月，在籌集了1.02億美元的首輪融資後的三個月，它在廣州成立了一支自主車隊。

像Zoox和Nuro這樣的公司正在從頭開始建造車輛。

Zoox的原型車與傳統車有很大的不同——它們不包括方向盤或儀錶板，內部有兩個面對面的長椅。

資源來自於：Zoox

它的車輛還未被法律允許在公路上行駛，所以Zoox正在與豐田高地汽車公司（Toyota Highlanders）暫時測試其技術。

該公司獨特的做法引起了投資者的關注，在其聯合創始人兼執行長被免職後，近幾個月來也引起了媒體的廣泛關注。

到目前為止，Zoox已經籌集到8億美元，包括7月份價值32億美元的5億美元B輪融資。該公司計劃在2020年前將其自動駕駛系統部署成叫車服務。

努羅的AV系統設計用於運輸貨物而不是人，以應對困擾眾多零售商的最後一英裡交貨瓶頸。

資源來自於：Nuro

想要繼續查看該篇文章相關連結和參考文獻？

長按連結點擊打開或點擊【無人駕駛關鍵技術拆解】：

https://ai.yanxishe.com/page/TextTranslation/1278

AI研習社每日更新精彩內容，觀看更多精彩內容：雷鋒網(公眾號：雷鋒網)雷鋒網雷鋒網

命名實體識別（NER）綜述

傑出數據科學家的關鍵技能是什麼？

初學者怎樣使用Keras進行遷移學習

如果你想學數據科學，這 7 類資源千萬不能錯過

等你來譯：

如何在神經NLP處理中引用語義結構 

你睡著了嗎？不如起來給你的睡眠分個類吧！ 

高級DQNs：利用深度強化學習玩吃豆人遊戲

深度強化學習新趨勢：谷歌如何把好奇心引入強化學習智能體