黄应秋
自动驾驶汽车即将迎来黄金时刻，帮助它们观察周围环境的激光传感器也是如此。激光雷达（Lidar）每秒发射数百万激光点，测定激光反射回来所花费的时间，从而构建出车辆周围环境的3D地图。激光雷达的研发始于2005年，当时一个名叫戴夫·霍尔（Dave Hall）的人为DARPA自动驾驶汽车挑战赛开发了一套这样的系统。在随后的十多年里，如果想要自动驾驶汽车的激光雷达，Velodyne是唯一的选择。
然而，Velodyne的垄断地位在近几年遭到削弱。数十家激光雷达创业公司纷纷涌现，自动驾驶汽车制造商也各显神通。谷歌的兄弟公司Waymo花费大量时间和金钱，研发一种专有系统；通用汽车收购了激光雷达创业公司Strobe；为福特开发自动驾驶系统的Argo AI收购了Princeton Lightwave。
Luminar激光雷达装置的接收器可探测到反射回来的激光脉冲，如草莓种子般大小，价格仅为3美元
最新的挑战者是Luminar，这家硅谷创业公司已经与丰田和另外三家汽车厂商达成了合作协议。近日，Luminar宣布推出其最新的激光雷达装置，视角为120度（一套装置就足以看见车辆前方的情况，两套就能实现360度视角）。第一批产量只有100套，此后可达1000套，满足当前需求绰绰有余。也许，Luminar的激光雷达装置可以拉低生产成本，让自动驾驶汽车走进千家万户。
“到今年年底，我们的产量将足以装备全球道路上几乎所有的自动驾驶测试和开发车辆，”Luminar首席执行官奥斯汀·罗素（Austin Russell）说，“这不再是由光学博士手工制作，而是像样的汽车系列产品。”2012年，17岁的罗素从斯坦福辍学，把Luminar作为他的全职事业。
Luminar在光学工业中心奥兰多有一间面积约1.26万平方米的工厂，一套激光雷达装置的生产时间从大约一天减少到八分钟。在过去一年里，该公司员工人数翻倍，达到350人左右，还聘请摩托罗拉的产品专家贾森·沃贾克（Jason Wojack）领导其硬件团队，招募汽车业大型供应商哈曼的亚历桑德罗·加西亚（Alejandro Garcia）负责生产业务。
在产量方面，Luminar处于劣势。去年，为了提高产量，Velodyne开设了一家“巨型工厂”，生产了10,000个激光传感器。Velodyne总裁马塔·霍尔（Marta Hall）说，如果他们愿意的话，年产量可以达到100万。不过，大批量生产激光雷达的能力不足以确保胜利。
激光雷达是一种极好的传感器，比雷达更精确，比相机更具有环境适应能力，但缺点是太贵了。Velodyne最好的激光雷达拥有360度视角，测距范围为300米，售价高达7.5万美元。批发价要低一点，但仍然令人难以承受，哪怕是按照服务年限分摊费用的车队也负担不起。
在奥兰多工厂，Luminar生产一套激光雷达装置的时间仅为八分钟，而以前需要一天
Luminar用铟砷化镓而不是硅来制造激光雷达的接收器（其作用如同眼睛的视网膜），这使成本问题难上加难。想让激光雷达“看”得更远，就必须发射更强大的光脉冲，这样才能让光脉冲有足够的能量击中远距离的物体，并反射回来。大多数激光雷达都使用905纳米波长的激光。人类看不见这些激光，但如果人眼被能量足够强大的激光击中，视网膜就会受损。如果你想发射更强大的脉冲（好让激光雷达“看”得更远），又不想使人致盲，可以使用1550纳米波长的激光。这样的激光更深入光谱的红外部分，所以不会穿透人的眼球。
再来说说硅。用硅制成的接收器虽然价格便宜，但无法探测1550纳米波长的激光。用铟砷化镓制成的接收器可以，但价格要贵得多。因此，业内的普遍做法是使用硅，激光波长为905纳米，缺点是发射距离没有那么远。
罗素坚持使用能量更大的激光（1550纳米波长），因此就需要使用铟砷化镓制成的接收器。由此产生的结果是，他发射的脉冲能量是竞争对手的40倍，即使吸引了95%光线的极暗物体，他的激光雷达也可以隔着250米的距离探测到。他说，没有谁的激光雷达能在这么远的地方看得这么清楚。
奥斯汀·罗素（Austin Russell）
但说真的，铟砷化镓贵得惊人。罗素说，尺寸如同一大块薯片的接收器阵列价值数万美元。因此，Luminar决定自己研发。结果（现在是第七代产品）是如草莓种子般大小的接收器。（包括激光器和其他电子元件在内的整套装置横截面约0.05平方米，高约8厘米。）其中包含以秒为单位计算光子飞行时间的芯片。这种接收器的价格仅为3美元，既解决了成本问题，又提高了测距范围和分辨率。罗素没有透露整套激光雷达装置的确切价格，但他说客户非常满意。当自动驾驶出租车最终用上Luminar的激光雷达时，车费可能降低。
Luminar的研发团队也成功地增加了接收器的“动态感光范围”。就像瞳孔根据外界光线强度而放大一样，激光雷达接收器可以进行调整，以接受特定强度的脉冲（光子在反射回来之前飞行的距离越远，其强度就越弱）。如果设定的是接收微弱信号，但却被强得多的脉冲击中，接收器就会烧毁。“我们有无数个烧毁的接收器，”罗素说。目前的这套装置能应付更大范围的脉冲强度，一缕烟都不会冒。
与此同时，Luminar已经在研发下一代传感器。罗素说，下一代传感器的成本更低，可以用于消费级汽车，从而让这种视觉本领应用于日常生活。
翻译：于波
校对：其奇
造就：剧院式的线下演讲平台，发现最有创造力的思想
造就
汽车行业未来的发展趋势就是自动驾驶。除了传统汽车制造企业之外，以Waymo为代表的众多科技巨头也加入到这场狂欢中，在车辆原型设计和道路基础设备建设上投入大量人力物力，便于测试和收集宝贵的数据信息。虽然Uber的车祸和特斯拉Autopilot近期的车祸让公众对自动驾驶的安全产生了质疑，但是并不妨碍企业进一步推进该技术的发展。
目前自动驾驶技术面临的挑战之一就是，如何训练AI（人工智能）算法以决策和驾驶汽车，这就需要从数百万乃至数十亿英里的驾驶中收集数据。而这正是微软车库项目Project Road Runner想要解决的。
根据微软车库官方博客公布的信息，Project Road Runner是由位于华盛顿州雷蒙德市微软车库的一项研究项目。该项目主要是帮助自动驾驶行业、开发人员、研究人员通过模拟现实来收集数据培训AI。顾名思义，就是在可控的模拟环境下接近于现实公路场景，使测试更加的灵活，对现实道路的影响降到最低。
由于该项目没有任何资金，所以在最开始时候，团队是在远程遥控汽车和互联网的免费模拟器上操作的。不过，后来他们转向了AirSim，这是微软研究院自己基于Unreal引擎开发的开源模拟平台，主要用于无人机方面的研究。AirSim同时也是培训自动驾驶算法的理想平台，能够在现实情境中实现更精准的数据捕捉。
cnBeta
在这里，不扯什么大数据、人工智能，也不说什么机器学习、深度学习类似的黑盒技术，只从一个工程师实际研发的角度来说明一下，我们能保证自动驾驶90%的安全，但若要自动驾驶实现99.999%的安全，具体有哪些难点。
根据无人驾驶汽车的功能模块，可以将无人驾驶的关键技术分为：定位导航技术、环境感知技术、规划决策技术和自动控制技术，这里分别说明一下有哪些难点。
特别声明：这些都是特殊情况，但要99.999%的安全，必须考虑。
1、定位导航难点：在任何地点、任何时间，如何都能保证定位准确
- GPS定位会因建筑物遮挡信号漂移或丢失，在地下车库完全没有GPS信号；
- SLAM建图定位会因环境发生变化导致定位漂移或丢失，或因找不到特征点无法定位；
- IMU、里程计、推算定位会有累积误差；
- 多种定位手段时，定位融合如何设计。
2、环境感知难点：在任何环境下不漏检、不误检
摄像头严重受光照影响，在强光或黑暗条件下无法工作；
激光雷达在雨雪天气下无法工作；
3、决策规划难点：如何应对真实复杂的交通环境
- 定位会丢失，感知会漏检、误检，如何决策；
- 在行人、自行车、和有人驾驶车辆的混合交通环境下，是争夺路权，还是让行；
- 出现道德困境时，如何决策。
4、自动控制难点：电机失控
- 驱动电机失控怎么办；
- 转向电机失控怎么办；
- 制动电机失控怎么办。
个人愚见，不喜勿喷，欢迎探讨！
算法集市
自动驾驶是近几年比较火热的话题。各大传统OEM（宝马，福特，奔驰，日产等）在2016年就公布过自动驾驶测试数据。而零部件供应商博世，大陆集团也投入了大量的研发费用于自动驾驶。互联网公司加入自动化驾驶的争逐的典型代表就有谷歌，百度。2019年目前各个公司在自动驾驶的研发进展如下：
表格 - 2019年自动驾驶最新进展
从表格中可以看出，自动驾驶的发展面临着很大的挑战。离我们想象的自动驾驶的目标还十分遥远。而自动驾驶目前依旧是疯狂烧钱，混战结盟。在汽车行业不景气的今天，融资愈发困难，而自动驾驶的研发需要大量不断的钱续命。自动驾驶的困难，不仅仅在于技术的复杂性，还有法律法规的局限和不确定性。
虽然，重庆，上海等地试行了自动驾驶测试路段，支持自动驾驶的研发，但法律法规的支持还不够。
自动驾驶的技术主要包括：超声波雷达，激光雷达，车速传感器，精密摄像头（用于检测车前方，车上方，车后发的位置及其障碍物信息）。在此基础上，还需要强大的信息数据计算处理平台。鉴于目前的汽车电子架构（分布式架构），自动驾驶还需要很长的路要走。这也是为什么很多技术公司加入自动驾驶的争夺之战。
汽车技术Wind
骚年，都开始关注自动驾驶汽车了，有前途！
导语：什么是自动驾驶汽车？
自动驾驶汽车就是用激光雷达、摄像头、毫米波雷达、超声波雷达等传感器感知外界路况，用GPS/IMU等GNSS和惯导系统来实现高精定位，从而计算车辆如何前进的汽车。
所以其本质上就是一个数学游戏。
一方面知道外界的汽车、行人、自行车的位置与行驶情况，然后又知道自己在路上的位置，结合着交通规则和自己的前进方向，计算出行驶结果即可。
了解了这个步骤，你就知道难点在哪了。
1、感知困难
自动驾驶汽车需要感知外界路况，需要用到激光雷达等传感器。但是像是64线乃至128线的激光雷达售价昂贵，因此很难在量产车中使用。与此同时，由于激光雷达此前属于科研产品，要想量产装车，还要满足汽车行业的要求，例如承受高低温、颠簸震动等，但目前的激光雷达产业并不能满足这些需求。
与此同时，雷达、摄像头等硬件本身会给出探测的原始结果，但是就像是照片一样，还得告诉自动驾驶汽车找出来的东西哪些是汽车、哪些是房子等等，需要软件技术。
目前业内都是用AI技术和多传感器融合技术教会自动驾驶汽车识别道路上的行人、汽车、自行车等交通参与者。
但是由于现实世界的情况近乎无限，因此总会有自动驾驶汽车不认识的东西，这就会对自动驾驶汽车造成困扰。
与此同时像是裂缝、沟壑、或者塑料袋等物体，也是识别的难点。
2、决策困难
在识别了外界环境后，自动驾驶汽车还要根据外部交通参与者的行为、交通规则和自己的目的地来算出了自己怎么走。
如果所有的车辆和行人都按照交通规则走，这事儿也并不复杂。但是在现实世界中，有些闯红灯、逆行、插队等现象，这些非规则类的交通情况会让自动驾驶汽车很懵逼，因此纯粹靠规则计算并不靠谱，各大技术公司还是靠AI技术，教会计算机学习人类司机面临不同情况下的反应来学习开车。
3、计算困难
正如前文，不管是在感知还是决策环节，都要涉及大量的计算问题。这就要求无人车上要有一台计算能力超强的计算机来帮助计算，体积还不能太大，并且还要满足车辆的生产规定，能够承受高低温、颠簸震动等。
显然，目前的桌面级电脑并不合适。好在英特尔、英伟达等半导体巨头也在加速研发，推出适用于自动驾驶汽车的计算设备，不过由于技术难度较高，早期生产的设备价格仍然极其昂贵，没法大规模批量装机。
4、其他困难
事实上，除了感知、决策、计算方面的困难，自动驾驶汽车还面临其他一系列问题。例如无人车适用的高精地图并不充沛，高精定位在城市、隧道、地下室等环境下无法精确等。此外，像是法律、伦理、车祸责任划分、保险定价等辅助问题也都没有解决。
智东西
实现自动驾驶的难点在哪？我想这个问题我们可以从这个方面去进行思考。
对自动驾驶有一个清晰的认知。
在非自动驾驶情况下，车辆自动驾驶分别承担了什么样的功能：
接受外界来的信息与刺激，代替了各个器官，例如眼耳鼻，承担着感知的功能；
处理收集到的各种信息，代替驾驶员大脑进行数据的总和和处理，决定进行加减速、转向等操作，承担着决策的功能；
代替驾驶员实行四肢的运作，油门刹车与方向盘作为人车交互的两大媒介，与整个汽车系统一起承担着执行的功能。
所以什么是自动驾驶？
简单来说，就是一定程度上的替代驾驶员的感知、决策与执行功能，而替代的程度，就决定了自动驾驶的等级。目前，普通公认的自动驾驶等级标准是SAE J3016，最新版本是2016年9月，详细情况可以去网上自行查阅。
上图对于自动驾驶等级有一个相对清晰的解释。英文+术语对阅读来说可能不太友好，我来用通俗的语言翻译一下：
L0- 无自动辅助功能，也就是我们平时自己造作车辆。
L1- 转向或者加减速实现一条，但是驾驶员要时刻关注驾驶过程
L2- 转向和加减速都实现，但是驾驶员依旧要时刻关注驾驶过程
L3- 不需要驾驶员监督，车辆全程自运行，但在出问题时需要驾驶员介入
L4- 不需要驾驶员监督，但仍然有一定局限，在出问题时能够自动停车靠边
L5- 全自动驾驶，只要在地球上有地图的地方，都能给你开过去
老杨聊聊车
其实以目前的研发实力和技术储备，在封闭路段实现自动驾驶一点也不难，真正影响自动驾驶落地量产的原因其实就三点。
1、技术层面感知和决策的算法无法做到百分百可靠，因为驾驶环境是开放的，外界共存的不可控因素如何应对，有时候真不是技术层面可以应对的。
2、Level3以上的自动驾驶车会涉及激光雷达，而这玩意本身就不便宜，那么以激光雷达为主感知器件，在量产商业化道路上如何解决成本也是一个问题。
3、道路法规的落地，车辆与交通系统的互联建立等，这些都是相当复杂的系统工程。
这里面尤其是技术层面是个大问题，我也和自动驾驶工程师的请教过，对方也表示即使法规一路绿灯，技术也将成为自动驾驶落地的障碍。
AL频道
汽车自动驾驶需要突破的点还有很多，这里简单讲解下主要的几点：
1、 汽车自动驾驶的关键传感器技术
可以肯定的是雷达技术将会是自动驾驶最先攻克的难关之一，作为发展半自动驾驶乃至自动驾驶的基础，现在来说传统的摄像头、毫米波雷达成熟度尚可，需要重点攻坚的是激光雷达技术。
激光雷达现在最大的问题就在于成本居高不下，可以预见的是固态激光雷达将会是接下来重点发展方向，细化来说产品稳定和更小角度分辨率则是难点所在。
[去年年底知名激光雷达厂家Velodyne宣布他们在固态激光雷达设计方面取得了突破，新设计不仅可以实现设备的小型化（集成电路大小不到4平方毫米），并且在大批量生产的情况下有望将成本降至50美元以下。
虽然Velodyne产品价格很低，不过其多线激光雷达的角分辨率为1.33度，这与其此前宣传的0.33度有很大的差距。
2、 汽车自动驾驶的高精度地图技术
可以肯定的是雷达等探测技术最多也就一两百米范围内较精确，再远就指望不上了，这时高精度地图就很重要了。
比如不久前推出的奥迪A8，在搭载Level 3的自动驾驶技术的同时，还拥有HERE全新高精度地图系统，不仅可以更新行车状况，实时计算路线，还可以显示3D模拟街景图，提供更有效率的导航服务。
据推算，完全自动驾驶阶段地图精度则需要达到\n 10 至 20 \n厘米的精度。自动驾驶技术对于地图更新速度的需求必须是秒级的，只有这样车辆才能够具有等同于人类，甚至是超越人类的判断时间，因此地图资源的更新会通过云技术在线升级（OTA），当然这就会对网络提出更高的要求。
此外，实际标志与存储标志的信息可能不同；在不同的照明和天气条件下，各种基础设施标识也难以识别。这就需要提高车辆的深度学习能力，但相关指标可能不符合传统的感知算法。
3、 汽车自动驾驶的人工智能技术
AI对汽车的改变已经不用多说，就自动驾驶汽车而言，人工智能技术在语音、手势识别，眼球追踪，驾驶员监控和自然语言交互等功能的实现上将扮演主要角色。[图片搜索和语音识别就属于基本的AI技术。
自动驾驶汽车要实现在复杂环境或不断变化的街道中驾驶，需要有很好的感知及决策能力，而这本身就具有不确定性，这种不确定性主要依靠人工智能技术的深度学习来解决。
至于AI技术的难点，这几年首先被攻克的是算法技术，比如近期在围棋领域正火的AlphaGo就是得益于此。
但构建自动驾驶的深度学习系统却是一个复杂的系统性工程，包括算法、软件、计算架构、处理器、云端大数据的训练、仿真系统等等，都需要重新构建。
4、 汽车自动驾驶的网络化技术
网络化技术也就是我们常说的车联网技术，时髦点的说法就是V2V（车联车）、V2X（车联“万物”）技术等。这项技术的好处很多，比如它能够实时跟踪每辆车的实时路况，协调统筹每辆车的行驶，合理安排路线，避免拥堵和交通事故的发生，能够很大程度上提高自动驾驶的可靠性。
但是V2X技术现在还仅处在测试阶段，比如此前奔驰首款自动驾驶大巴在阿姆斯特丹完成的20公里自动驾驶测试，这辆自动驾驶公交可自动在公交站、红灯、障碍等位置进行停止或绕行，在每一个公交站可自动实现开关门，并且隧道也不会影响到自动驾驶的效果。实现这一功能的原因正是因为他们完成了大巴与基站之间的沟通。
至于V2V技术，现在已经有比较初阶的应用了，比如不少汽车的多媒体系统具备的朋友圈功能，能够自动搜索附近的同品牌汽车，并进行类似于微信的交流功能，不过这只限于娱乐交流，还没有达到驾驶交流的作用。[比如此前刚发布的东风AX4，其多媒体系统就有具备类似微信的交流功能。
5、 汽车自动驾驶的基础设施建设
V2X技术强调的是车与车的互联、车与基站的互联、基站和基站的互联，所以基站的建立就成为了关键。例如 GPS 差分基站、LTE-V2X 通讯基站、DSRC和 LTE-V2X 路侧单元、智能红绿灯和各类摄像头、WiFi 全覆盖等。
此外，具有反思能力的道路基础设施对自动驾驶汽车至关重要。智能、互联的道路基础设施不再是简单地将信号灯，路牌或交通指示简单放置在路面上，而是要对人们现有的交通模式、工作职责等进行修改。
东拉西车
产出一辆可以量产的自动驾驶汽车并上路没有问题，可是我们无法保证安全。
自动驾驶领域有一个经典的道德难题，当两辆车相撞时先救谁。算法数据都不能回答这个问题。
刚刚过去的中国互联网安全大会提出了一个口号：万物皆变，人是安全的尺度。看到这句话时，我的焦虑消失了。
但是以人作为安全的尺度是否太自私了，要是技术可以给予我们规避风险的机会就能缓解人们对自动驾驶。除了激光雷达传感器，自动驾驶还需要预判。
来自以色列的开发者提供了实用的方案。
热成像公司 FLIR 和以色列初创公司 Adasky 正在研发应用于自动驾驶汽车的新型热传感器，这种热传感器通过识别行人、动物以及周围环境发出的热量，形成物体轮廓图像，进而帮助司机发现行驶过程中的危险。
一些高端汽车制造商，包括保时捷、宝马和奥迪，已经为汽车安装了 FLIR 热成像仪，它利用热量感应原理为司机提供了像素大小为 320×240 的图像，帮助夜间开车的司机注意到车灯照不到的动物或行人。
现在，FLIR 和 Adasky 都希望他们正在研发的新传感器应用于自动驾驶汽车。
Adasky 近日宣布推出一款名为 Viper 的新型远红外传感器，它的图像更新速度每秒可达 60 帧，具有更高的分辨率（像素大小为：640×480），此外还可以检测到 0.05°C 的温差。Adasky 的设计师 Dror Meiri 告诉麻省理工科技评论，这种分辨率不仅能够发现像麋鹿一样的东西，还可以辨别出高速公路上的薄冰。他透露，到 2020 年，这个设备可实现量产。
上面的动图显示了 Adasky 研发的热传感器在乡村道路上的对比测试情况。左侧是可见光摄像机，右侧是热传感器。测试目标包括骑车人、行人和动物。结果表明右边热传感器的成像效果更好。成像效果越明显，汽车越容易提前发现、处理危险。激光雷达只提供测量信息，效果也不如热成像。
FLIR 还开发了一种专用于自驾车的 VGA 设备。 FLIR 汽车总监 Paul Clayton 表示，这些传感器已经交给制造商进行生产、测试，投产后的成本只需花费“几百块钱”。
成本低，使用便捷，安全性提升显著，假如这种热成像传感器能够实现量产，我们离自动驾驶普及那一天就要快很多。
锋潮评测室
\n
{!-- PGC_VIDEO:{"thumb_fingerprint": 442981923721313952, "status": 0, "thumb_height": 360, "thumb_url": "53e700013b355f4fcde0\
