黃應秋
自動駕駛汽車即將迎來黃金時刻，幫助它們觀察周圍環境的激光傳感器也是如此。激光雷達（Lidar）每秒發射數百萬激光點，測定激光反射回來所花費的時間，從而構建出車輛周圍環境的3D地圖。激光雷達的研發始於2005年，當時一個名叫戴夫·霍爾（Dave Hall）的人為DARPA自動駕駛汽車挑戰賽開發了一套這樣的系統。在隨後的十多年裡，如果想要自動駕駛汽車的激光雷達，Velodyne是唯一的選擇。
然而，Velodyne的壟斷地位在近幾年遭到削弱。數十家激光雷達創業公司紛紛湧現，自動駕駛汽車製造商也各顯神通。谷歌的兄弟公司Waymo花費大量時間和金錢，研發一種專有系統；通用汽車收購了激光雷達創業公司Strobe；為福特開發自動駕駛系統的Argo AI收購了Princeton Lightwave。
Luminar激光雷達裝置的接收器可探測到反射回來的激光脈衝，如草莓種子般大小，價格僅為3美元
最新的挑戰者是Luminar，這家硅谷創業公司已經與豐田和另外三家汽車廠商達成了合作協議。近日，Luminar宣佈推出其最新的激光雷達裝置，視角為120度（一套裝置就足以看見車輛前方的情況，兩套就能實現360度視角）。第一批產量只有100套，此後可達1000套，滿足當前需求綽綽有餘。也許，Luminar的激光雷達裝置可以拉低生產成本，讓自動駕駛汽車走進千家萬戶。
“到今年年底，我們的產量將足以裝備全球道路上幾乎所有的自動駕駛測試和開發車輛，”Luminar首席執行官奧斯汀·羅素（Austin Russell）說，“這不再是由光學博士手工製作，而是像樣的汽車系列產品。”2012年，17歲的羅素從斯坦福輟學，把Luminar作為他的全職事業。
Luminar在光學工業中心奧蘭多有一間面積約1.26萬平方米的工廠，一套激光雷達裝置的生產時間從大約一天減少到八分鐘。在過去一年裡，該公司員工人數翻倍，達到350人左右，還聘請摩托羅拉的產品專家賈森·沃賈克（Jason Wojack）領導其硬件團隊，招募汽車業大型供應商哈曼的亞歷桑德羅·加西亞（Alejandro Garcia）負責生產業務。
在產量方面，Luminar處於劣勢。去年，為了提高產量，Velodyne開設了一家“巨型工廠”，生產了10,000個激光傳感器。Velodyne總裁馬塔·霍爾（Marta Hall）說，如果他們願意的話，年產量可以達到100萬。不過，大批量生產激光雷達的能力不足以確保勝利。
激光雷達是一種極好的傳感器，比雷達更精確，比相機更具有環境適應能力，但缺點是太貴了。Velodyne最好的激光雷達擁有360度視角，測距範圍為300米，售價高達7.5萬美元。批發價要低一點，但仍然令人難以承受，哪怕是按照服務年限分攤費用的車隊也負擔不起。
在奧蘭多工廠，Luminar生產一套激光雷達裝置的時間僅為八分鐘，而以前需要一天
Luminar用銦砷化鎵而不是硅來製造激光雷達的接收器（其作用如同眼睛的視網膜），這使成本問題難上加難。想讓激光雷達“看”得更遠，就必須發射更強大的光脈衝，這樣才能讓光脈衝有足夠的能量擊中遠距離的物體，並反射回來。大多數激光雷達都使用905納米波長的激光。人類看不見這些激光，但如果人眼被能量足夠強大的激光擊中，視網膜就會受損。如果你想發射更強大的脈衝（好讓激光雷達“看”得更遠），又不想使人致盲，可以使用1550納米波長的激光。這樣的激光更深入光譜的紅外部分，所以不會穿透人的眼球。
再來說說硅。用硅製成的接收器雖然價格便宜，但無法探測1550納米波長的激光。用銦砷化鎵製成的接收器可以，但價格要貴得多。因此，業內的普遍做法是使用硅，激光波長為905納米，缺點是發射距離沒有那麼遠。
羅素堅持使用能量更大的激光（1550納米波長），因此就需要使用銦砷化鎵製成的接收器。由此產生的結果是，他發射的脈衝能量是競爭對手的40倍，即使吸引了95%光線的極暗物體，他的激光雷達也可以隔著250米的距離探測到。他說，沒有誰的激光雷達能在這麼遠的地方看得這麼清楚。
奧斯汀·羅素（Austin Russell）
但說真的，銦砷化鎵貴得驚人。羅素說，尺寸如同一大塊薯片的接收器陣列價值數萬美元。因此，Luminar決定自己研發。結果（現在是第七代產品）是如草莓種子般大小的接收器。（包括激光器和其他電子元件在內的整套裝置橫截面約0.05平方米，高約8釐米。）其中包含以秒為單位計算光子飛行時間的芯片。這種接收器的價格僅為3美元，既解決了成本問題，又提高了測距範圍和分辨率。羅素沒有透露整套激光雷達裝置的確切價格，但他說客戶非常滿意。當自動駕駛出租車最終用上Luminar的激光雷達時，車費可能降低。
Luminar的研發團隊也成功地增加了接收器的“動態感光範圍”。就像瞳孔根據外界光線強度而放大一樣，激光雷達接收器可以進行調整，以接受特定強度的脈衝（光子在反射回來之前飛行的距離越遠，其強度就越弱）。如果設定的是接收微弱信號，但卻被強得多的脈衝擊中，接收器就會燒燬。“我們有無數個燒燬的接收器，”羅素說。目前的這套裝置能應付更大範圍的脈衝強度，一縷煙都不會冒。
與此同時，Luminar已經在研發下一代傳感器。羅素說，下一代傳感器的成本更低，可以用於消費級汽車，從而讓這種視覺本領應用於日常生活。
翻譯：于波
校對：其奇
造就：劇院式的線下演講平臺，發現最有創造力的思想
造就
汽車行業未來的發展趨勢就是自動駕駛。除了傳統汽車製造企業之外，以Waymo為代表的眾多科技巨頭也加入到這場狂歡中，在車輛原型設計和道路基礎設備建設上投入大量人力物力，便於測試和收集寶貴的數據信息。雖然Uber的車禍和特斯拉Autopilot近期的車禍讓公眾對自動駕駛的安全產生了質疑，但是並不妨礙企業進一步推進該技術的發展。
目前自動駕駛技術面臨的挑戰之一就是，如何訓練AI（人工智能）算法以決策和駕駛汽車，這就需要從數百萬乃至數十億英里的駕駛中收集數據。而這正是微軟車庫項目Project Road Runner想要解決的。
根據微軟車庫官方博客公佈的信息，Project Road Runner是由位於華盛頓州雷蒙德市微軟車庫的一項研究項目。該項目主要是幫助自動駕駛行業、開發人員、研究人員通過模擬現實來收集數據培訓AI。顧名思義，就是在可控的模擬環境下接近於現實公路場景，使測試更加的靈活，對現實道路的影響降到最低。
由於該項目沒有任何資金，所以在最開始時候，團隊是在遠程遙控汽車和互聯網的免費模擬器上操作的。不過，後來他們轉向了AirSim，這是微軟研究院自己基於Unreal引擎開發的開源模擬平臺，主要用於無人機方面的研究。AirSim同時也是培訓自動駕駛算法的理想平臺，能夠在現實情境中實現更精準的數據捕捉。
cnBeta
在這裡，不扯什麼大數據、人工智能，也不說什麼機器學習、深度學習類似的黑盒技術，只從一個工程師實際研發的角度來說明一下，我們能保證自動駕駛90%的安全，但若要自動駕駛實現99.999%的安全，具體有哪些難點。
根據無人駕駛汽車的功能模塊，可以將無人駕駛的關鍵技術分為：定位導航技術、環境感知技術、規劃決策技術和自動控制技術，這裡分別說明一下有哪些難點。
特別聲明：這些都是特殊情況，但要99.999%的安全，必須考慮。
1、定位導航難點：在任何地點、任何時間，如何都能保證定位準確
- GPS定位會因建築物遮擋信號漂移或丟失，在地下車庫完全沒有GPS信號；
- SLAM建圖定位會因環境發生變化導致定位漂移或丟失，或因找不到特徵點無法定位；
- IMU、里程計、推算定位會有累積誤差；
- 多種定位手段時，定位融合如何設計。
2、環境感知難點：在任何環境下不漏檢、不誤檢
攝像頭嚴重受光照影響，在強光或黑暗條件下無法工作；
激光雷達在雨雪天氣下無法工作；
3、決策規劃難點：如何應對真實複雜的交通環境
- 定位會丟失，感知會漏檢、誤檢，如何決策；
- 在行人、自行車、和有人駕駛車輛的混合交通環境下，是爭奪路權，還是讓行；
- 出現道德困境時，如何決策。
4、自動控制難點：電機失控
- 驅動電機失控怎麼辦；
- 轉向電機失控怎麼辦；
- 制動電機失控怎麼辦。
個人愚見，不喜勿噴，歡迎探討！
算法集市
自動駕駛是近幾年比較火熱的話題。各大傳統OEM（寶馬，福特，奔馳，日產等）在2016年就公佈過自動駕駛測試數據。而零部件供應商博世，大陸集團也投入了大量的研發費用於自動駕駛。互聯網公司加入自動化駕駛的爭逐的典型代表就有谷歌，百度。2019年目前各個公司在自動駕駛的研發進展如下：
表格 - 2019年自動駕駛最新進展
從表格中可以看出，自動駕駛的發展面臨著很大的挑戰。離我們想象的自動駕駛的目標還十分遙遠。而自動駕駛目前依舊是瘋狂燒錢，混戰結盟。在汽車行業不景氣的今天，融資愈發困難，而自動駕駛的研發需要大量不斷的錢續命。自動駕駛的困難，不僅僅在於技術的複雜性，還有法律法規的侷限和不確定性。
雖然，重慶，上海等地試行了自動駕駛測試路段，支持自動駕駛的研發，但法律法規的支持還不夠。
自動駕駛的技術主要包括：超聲波雷達，激光雷達，車速傳感器，精密攝像頭（用於檢測車前方，車上方，車後發的位置及其障礙物信息）。在此基礎上，還需要強大的信息數據計算處理平臺。鑑於目前的汽車電子架構（分佈式架構），自動駕駛還需要很長的路要走。這也是為什麼很多技術公司加入自動駕駛的爭奪之戰。
汽車技術Wind
騷年，都開始關注自動駕駛汽車了，有前途！
導語：什麼是自動駕駛汽車？
自動駕駛汽車就是用激光雷達、攝像頭、毫米波雷達、超聲波雷達等傳感器感知外界路況，用GPS/IMU等GNSS和慣導系統來實現高精定位，從而計算車輛如何前進的汽車。
所以其本質上就是一個數學遊戲。
一方面知道外界的汽車、行人、自行車的位置與行駛情況，然後又知道自己在路上的位置，結合著交通規則和自己的前進方向，計算出行駛結果即可。
瞭解了這個步驟，你就知道難點在哪了。
1、感知困難
自動駕駛汽車需要感知外界路況，需要用到激光雷達等傳感器。但是像是64線乃至128線的激光雷達售價昂貴，因此很難在量產車中使用。與此同時，由於激光雷達此前屬於科研產品，要想量產裝車，還要滿足汽車行業的要求，例如承受高低溫、顛簸震動等，但目前的激光雷達產業並不能滿足這些需求。
與此同時，雷達、攝像頭等硬件本身會給出探測的原始結果，但是就像是照片一樣，還得告訴自動駕駛汽車找出來的東西哪些是汽車、哪些是房子等等，需要軟件技術。
目前業內都是用AI技術和多傳感器融合技術教會自動駕駛汽車識別道路上的行人、汽車、自行車等交通參與者。
但是由於現實世界的情況近乎無限，因此總會有自動駕駛汽車不認識的東西，這就會對自動駕駛汽車造成困擾。
與此同時像是裂縫、溝壑、或者塑料袋等物體，也是識別的難點。
2、決策困難
在識別了外界環境後，自動駕駛汽車還要根據外部交通參與者的行為、交通規則和自己的目的地來算出了自己怎麼走。
如果所有的車輛和行人都按照交通規則走，這事兒也並不複雜。但是在現實世界中，有些闖紅燈、逆行、插隊等現象，這些非規則類的交通情況會讓自動駕駛汽車很懵逼，因此純粹靠規則計算並不靠譜，各大技術公司還是靠AI技術，教會計算機學習人類司機面臨不同情況下的反應來學習開車。
3、計算困難
正如前文，不管是在感知還是決策環節，都要涉及大量的計算問題。這就要求無人車上要有一臺計算能力超強的計算機來幫助計算，體積還不能太大，並且還要滿足車輛的生產規定，能夠承受高低溫、顛簸震動等。
顯然，目前的桌面級電腦並不合適。好在英特爾、英偉達等半導體巨頭也在加速研發，推出適用於自動駕駛汽車的計算設備，不過由於技術難度較高，早期生產的設備價格仍然極其昂貴，沒法大規模批量裝機。
4、其他困難
事實上，除了感知、決策、計算方面的困難，自動駕駛汽車還面臨其他一系列問題。例如無人車適用的高精地圖並不充沛，高精定位在城市、隧道、地下室等環境下無法精確等。此外，像是法律、倫理、車禍責任劃分、保險定價等輔助問題也都沒有解決。
智東西
實現自動駕駛的難點在哪？我想這個問題我們可以從這個方面去進行思考。
對自動駕駛有一個清晰的認知。
在非自動駕駛情況下，車輛自動駕駛分別承擔了什麼樣的功能：
接受外界來的信息與刺激，代替了各個器官，例如眼耳鼻，承擔著感知的功能；
處理收集到的各種信息，代替駕駛員大腦進行數據的總和和處理，決定進行加減速、轉向等操作，承擔著決策的功能；
代替駕駛員實行四肢的運作，油門剎車與方向盤作為人車交互的兩大媒介，與整個汽車系統一起承擔著執行的功能。
所以什麼是自動駕駛？
簡單來說，就是一定程度上的替代駕駛員的感知、決策與執行功能，而替代的程度，就決定了自動駕駛的等級。目前，普通公認的自動駕駛等級標準是SAE J3016，最新版本是2016年9月，詳細情況可以去網上自行查閱。
上圖對於自動駕駛等級有一個相對清晰的解釋。英文+術語對閱讀來說可能不太友好，我來用通俗的語言翻譯一下：
L0- 無自動輔助功能，也就是我們平時自己造作車輛。
L1- 轉向或者加減速實現一條，但是駕駛員要時刻關注駕駛過程
L2- 轉向和加減速都實現，但是駕駛員依舊要時刻關注駕駛過程
L3- 不需要駕駛員監督，車輛全程自運行，但在出問題時需要駕駛員介入
L4- 不需要駕駛員監督，但仍然有一定侷限，在出問題時能夠自動停車靠邊
L5- 全自動駕駛，只要在地球上有地圖的地方，都能給你開過去
老楊聊聊車
其實以目前的研發實力和技術儲備，在封閉路段實現自動駕駛一點也不難，真正影響自動駕駛落地量產的原因其實就三點。
1、技術層面感知和決策的算法無法做到百分百可靠，因為駕駛環境是開放的，外界共存的不可控因素如何應對，有時候真不是技術層面可以應對的。
2、Level3以上的自動駕駛車會涉及激光雷達，而這玩意本身就不便宜，那麼以激光雷達為主感知器件，在量產商業化道路上如何解決成本也是一個問題。
3、道路法規的落地，車輛與交通系統的互聯建立等，這些都是相當複雜的系統工程。
這裡面尤其是技術層面是個大問題，我也和自動駕駛工程師的請教過，對方也表示即使法規一路綠燈，技術也將成為自動駕駛落地的障礙。
AL頻道
汽車自動駕駛需要突破的點還有很多，這裡簡單講解下主要的幾點：
1、 汽車自動駕駛的關鍵傳感器技術
可以肯定的是雷達技術將會是自動駕駛最先攻克的難關之一，作為發展半自動駕駛乃至自動駕駛的基礎，現在來說傳統的攝像頭、毫米波雷達成熟度尚可，需要重點攻堅的是激光雷達技術。
激光雷達現在最大的問題就在於成本居高不下，可以預見的是固態激光雷達將會是接下來重點發展方向，細化來說產品穩定和更小角度分辨率則是難點所在。
[去年年底知名激光雷達廠家Velodyne宣佈他們在固態激光雷達設計方面取得了突破，新設計不僅可以實現設備的小型化（集成電路大小不到4平方毫米），並且在大批量生產的情況下有望將成本降至50美元以下。
雖然Velodyne產品價格很低，不過其多線激光雷達的角分辨率為1.33度，這與其此前宣傳的0.33度有很大的差距。
2、 汽車自動駕駛的高精度地圖技術
可以肯定的是雷達等探測技術最多也就一兩百米範圍內較精確，再遠就指望不上了，這時高精度地圖就很重要了。
比如不久前推出的奧迪A8，在搭載Level 3的自動駕駛技術的同時，還擁有HERE全新高精度地圖系統，不僅可以更新行車狀況，實時計算路線，還可以顯示3D模擬街景圖，提供更有效率的導航服務。
據推算，完全自動駕駛階段地圖精度則需要達到\n 10 至 20 \n釐米的精度。自動駕駛技術對於地圖更新速度的需求必須是秒級的，只有這樣車輛才能夠具有等同於人類，甚至是超越人類的判斷時間，因此地圖資源的更新會通過雲技術在線升級（OTA），當然這就會對網絡提出更高的要求。
此外，實際標誌與存儲標誌的信息可能不同；在不同的照明和天氣條件下，各種基礎設施標識也難以識別。這就需要提高車輛的深度學習能力，但相關指標可能不符合傳統的感知算法。
3、 汽車自動駕駛的人工智能技術
AI對汽車的改變已經不用多說，就自動駕駛汽車而言，人工智能技術在語音、手勢識別，眼球追蹤，駕駛員監控和自然語言交互等功能的實現上將扮演主要角色。[圖片搜索和語音識別就屬於基本的AI技術。
自動駕駛汽車要實現在複雜環境或不斷變化的街道中駕駛，需要有很好的感知及決策能力，而這本身就具有不確定性，這種不確定性主要依靠人工智能技術的深度學習來解決。
至於AI技術的難點，這幾年首先被攻克的是算法技術，比如近期在圍棋領域正火的AlphaGo就是得益於此。
但構建自動駕駛的深度學習系統卻是一個複雜的系統性工程，包括算法、軟件、計算架構、處理器、雲端大數據的訓練、仿真系統等等，都需要重新構建。
4、 汽車自動駕駛的網絡化技術
網絡化技術也就是我們常說的車聯網技術，時髦點的說法就是V2V（車聯車）、V2X（車聯“萬物”）技術等。這項技術的好處很多，比如它能夠實時跟蹤每輛車的實時路況，協調統籌每輛車的行駛，合理安排路線，避免擁堵和交通事故的發生，能夠很大程度上提高自動駕駛的可靠性。
但是V2X技術現在還僅處在測試階段，比如此前奔馳首款自動駕駛大巴在阿姆斯特丹完成的20公里自動駕駛測試，這輛自動駕駛公交可自動在公交站、紅燈、障礙等位置進行停止或繞行，在每一個公交站可自動實現開關門，並且隧道也不會影響到自動駕駛的效果。實現這一功能的原因正是因為他們完成了大巴與基站之間的溝通。
至於V2V技術，現在已經有比較初階的應用了，比如不少汽車的多媒體系統具備的朋友圈功能，能夠自動搜索附近的同品牌汽車，並進行類似於微信的交流功能，不過這隻限於娛樂交流，還沒有達到駕駛交流的作用。[比如此前剛發佈的東風AX4，其多媒體系統就有具備類似微信的交流功能。
5、 汽車自動駕駛的基礎設施建設
V2X技術強調的是車與車的互聯、車與基站的互聯、基站和基站的互聯，所以基站的建立就成為了關鍵。例如 GPS 差分基站、LTE-V2X 通訊基站、DSRC和 LTE-V2X 路側單元、智能紅綠燈和各類攝像頭、WiFi 全覆蓋等。
此外，具有反思能力的道路基礎設施對自動駕駛汽車至關重要。智能、互聯的道路基礎設施不再是簡單地將信號燈，路牌或交通指示簡單放置在路面上，而是要對人們現有的交通模式、工作職責等進行修改。
東拉西車
產出一輛可以量產的自動駕駛汽車並上路沒有問題，可是我們無法保證安全。
自動駕駛領域有一個經典的道德難題，當兩輛車相撞時先救誰。算法數據都不能回答這個問題。
剛剛過去的中國互聯網安全大會提出了一個口號：萬物皆變，人是安全的尺度。看到這句話時，我的焦慮消失了。
但是以人作為安全的尺度是否太自私了，要是技術可以給予我們規避風險的機會就能緩解人們對自動駕駛。除了激光雷達傳感器，自動駕駛還需要預判。
來自以色列的開發者提供了實用的方案。
熱成像公司 FLIR 和以色列初創公司 Adasky 正在研發應用於自動駕駛汽車的新型熱傳感器，這種熱傳感器通過識別行人、動物以及周圍環境發出的熱量，形成物體輪廓圖像，進而幫助司機發現行駛過程中的危險。
一些高端汽車製造商，包括保時捷、寶馬和奧迪，已經為汽車安裝了 FLIR 熱成像儀，它利用熱量感應原理為司機提供了像素大小為 320×240 的圖像，幫助夜間開車的司機注意到車燈照不到的動物或行人。
現在，FLIR 和 Adasky 都希望他們正在研發的新傳感器應用於自動駕駛汽車。
Adasky 近日宣佈推出一款名為 Viper 的新型遠紅外傳感器，它的圖像更新速度每秒可達 60 幀，具有更高的分辨率（像素大小為：640×480），此外還可以檢測到 0.05°C 的溫差。Adasky 的設計師 Dror Meiri 告訴麻省理工科技評論，這種分辨率不僅能夠發現像麋鹿一樣的東西，還可以辨別出高速公路上的薄冰。他透露，到 2020 年，這個設備可實現量產。
上面的動圖顯示了 Adasky 研發的熱傳感器在鄉村道路上的對比測試情況。左側是可見光攝像機，右側是熱傳感器。測試目標包括騎車人、行人和動物。結果表明右邊熱傳感器的成像效果更好。成像效果越明顯，汽車越容易提前發現、處理危險。激光雷達只提供測量信息，效果也不如熱成像。
FLIR 還開發了一種專用於自駕車的 VGA 設備。 FLIR 汽車總監 Paul Clayton 表示，這些傳感器已經交給製造商進行生產、測試，投產後的成本只需花費“幾百塊錢”。
成本低，使用便捷，安全性提升顯著，假如這種熱成像傳感器能夠實現量產，我們離自動駕駛普及那一天就要快很多。
鋒潮評測室
\n
{!-- PGC_VIDEO:{"thumb_fingerprint": 442981923721313952, "status": 0, "thumb_height": 360, "thumb_url": "53e700013b355f4fcde0\
