从20 世纪 80 年代开始，许多国家开始研究无人驾驶汽车，经过长时间的发展，无人驾驶汽车在可行性和实用化方面都取得了突破性的进展，近年来，随着市场对汽车主动安全和智能化需求的不断提高，无人驾驶巨大的社会和经济价值越发凸显，越来越多的企业与科研机构积极参与并推动无人驾驶领域的发展。本文将深度剖析无人驾驶行业发展现状、关键技术及产业链结构，从而洞悉无人驾驶未来的发展趋势，为相关从业者以及投资人提供参考意见。
作者：蒋磊
来源：朴素资本（ID：pusu-capital）
▌1.1 无人驾驶概况：无人驾驶已从“概念化”进入“实用化”阶段
2018年央视春节联欢晚会上，中国向全世界展示了国家实力和科技进展，由无人车、无人船、无人机组成的全球首个“陆海空”无人系统联合在世界最长的跨海大桥——港珠澳大桥上展演开来。其中由百度Apollo无人车编组的百余辆无人车车队成为首批跑上港珠澳大桥的车队，并在无人驾驶模式下完成“8”字交叉跑等高难度动作。此次春晚上亮相的无人驾驶车队涵盖了多种车型，包括无人驾驶新能源汽车，无人驾驶微循环巴士，无人驾驶扫路机和无人驾驶物流车等，几乎满足了人们家用出行、园区接驳、城市清洁、物流运输等全方位的需求。
在大洋彼岸的美国亚利桑那州，无人驾驶公司Waymo计划在今年年底正式在凤凰城落地自家的自动驾驶打车业务，但过去一年多，这项服务已经在“试运行”了。Waymo 的 Early Rider 项目已经有了 400 多名体验乘客，这些人只需通过 Waymo 的叫车应用，就能免费乘坐自动驾驶汽车往返于学校、购物中心、健身房或其它服务范围内的地点。
针对豪华消费市场，Waymo在今年4月与捷豹路虎集团合作，将在未来2年内提供2万辆Jaguar I-PACE用于自动驾驶网约出租车服务。在6月份Waymo同样与菲亚特-克莱斯勒达成了新协议，订购6.2万辆克莱斯勒Pacifica混合动力车，以扩大其自动驾驶车队规模，克莱斯勒表示将于2018年底开始交付新车。
优步（Uber）CEO Dara Khosrowshahi 去年在Recode Code会议受访时也表态，他欢迎Waymo将自动驾驶汽车纳入优步旗下网络。并透露两家公司目前正就此事进行洽谈。
通过上述国内外无人驾驶企业的种种表现，可以发现无人驾驶汽车已逐渐从“概念化”进入“实用化”阶段。2016年3月9日，Google旗下DeepMind公司研发的AlphaGo围棋人工智能程序挑战九段专业棋手李世石，并以4：1的压倒性优势获得了胜利，由此“人工智能”便掀起了一波新的科技浪潮。作为汽车智能化、网联化的终极目标，无人驾驶有望成为人工智能率先规模化落地的应用。随着传感器等周边产业链和人工智能技术的逐渐成熟，2020 年已经成为无人驾驶产品落地的重要时间节点。
无人驾驶技术的研发热潮促使科技巨头、传统车企纷纷入局，领域内巨头攒动，创业公司也随之蜂起，是产业发展的关键驱动力。各国也都在积极制定自动驾驶普及路线图，放宽无人驾驶汽车相关法律法规；我国相继出台《中国制造 2025》、《节能与新能源汽车技术路线图》等政策文件，推动国内智能网联汽车产业快速发展。
产业上传感器融合趋势明显，三大主流传感器将率先受益，摄像头地位随之稳固，将持续快速发展；激光雷达成本将有待进一步降低，国内相关产业趋势代发；毫米波雷达技术成熟，市场增量空间大，但目前还是以国外企业垄断为主。高精度地图、定位，V2X 产业市场起步，具备中长期投资价值。决策领域AI算法融合，不断提升终端计算能力需求，终端AI芯片产业发展进入加速期，核心算法提供商将持续受益，具备中长期投资价值。
从商业模式看，无人驾驶汽车推向市场或将以“卖产品”及“提供服务”两种形式出现。“提供服务”将是主流业务模式。商业化将遵循从低速到高速、封闭到开放的路线走，逐步代替传统车辆。无人驾驶整合汽车共享，将提升汽车共享服务层次，构建交通共享网络， 提升城市交通效率。未来随着无人驾驶的普及，商业开发上的价值将逐步体现，带动泛汽车行业潜在价值转移。
▌1.2 无人驾驶的发展历程
其实无人驾驶的起源要追溯到2005年。当时美国国防部举办的 DARPA Grand Challenge比赛 。2004年的第一届没有选手跑出来，但是2005年在荒野的比赛，有多支队伍成功跑完，斯坦福大学和卡耐基梅隆大学获得了第一、二名。在2007年的比赛中 ，首次把挑战放到了城市路况中，这次是卡耐基梅隆大学，斯坦福大学和弗吉尼亚理工大学分别获得了第一，二，三名。Google通过该项比赛看到了无人驾驶技术的未来，于 2009年将斯坦福 AI Lab 的负责人，也是 DARPA 中斯坦福大学队原型车的负责人Sebastian招到Google，和他的原班人马一起，继续无人驾驶领域的研究。Google X无人驾驶汽车项目于 2010年1月正式成立，无人驾驶汽车这个新鲜东西也开始慢慢的走进人们的视野 。
我国从 20 世纪 80 年代开始进行无人驾驶汽车的研发。1992 年，国防科技大学成功研制出中国第一辆真正意义上的无人驾驶汽车。2005 年，上海交通大学成功研制出首辆城市无人驾驶汽车。随着无人驾驶技术的不断发展，百度、腾讯等互联网企业以及上汽、长安等传统整车厂也纷纷在无人驾驶领域重点发力。从2015年开始国内无人驾驶市场兴起，逐渐有更多的互联网公司和传统车厂参与进来，车厂大多是与技术服务商合作模式，经过3年多的发展，各家逐渐找到了自己的发展方向，完成了早期技术的研发与迭代，自动驾驶技术进入到了量产普及的关键节点。
根据美国机动工程师协会（SAE）的定义，根据驾驶技术的自动化程度共分为 L0-L5 级，L0级表示司机负责控制一切，车辆不具备任何自动驾驶功能；L1级的车辆具有一定的自动化系统可以辅助驾驶员驾驶，例如巡航控制；满足L2级的车辆的自动化系统可以进行一部分驾驶任务，驾驶员只需要监视驾驶环境并执行其余的驾驶任务；当达到L3级时，自动化系统可以实现驾驶任务的某些部分并监控驾驶环境，但驾驶员随时可以接管控制；L4级，自动化系统完全胜任驾驶任务并监控驾驶环境，此时驾驶员不需要控制，但自动化系统只能在某些环境和条件下运行；最后是L5级，自动化系统可以在所有条件下执行任何驾驶任务。目前市面上具备自动驾驶技术的车辆大部分就集中在L2级和L3级的水平上。
无人驾驶技术的背后其实依靠的是高级驾驶员辅助系统（ADAS），各大整车厂和供应商目前都在不停的探索开发高级驾驶员辅助系统（ADAS）的更多功能，随着 ADAS 慢慢被完善，车辆也将会一步一步从的L 0 级过度到L5级实现完全自动化。
ADAS目前已经大规模使用的功能有：自适应巡航控制系统（ACC）、自动紧急制动（AEB）、自适应大灯控制（AFL）、盲点检测（BSM）、注意力检测系统（DMS）、前方碰撞预警系统（FCW）、抬头显示器（HUD）、智能车速控制（ISA）、车道偏离告警（LDW）、红外夜视系统（NVS）、泊车辅助 (PA)、行人检测系统（PDS）、交通信号及标志牌识别（RSR）、全景泊车停车辅助系统（SVC）等等。这些功能均利用分布在车身四周的长范围雷达传感器，激光雷达，摄像头，低范围累伐传感器和超声波传感器，收集周围的数据。然后通过一系列复杂的运算作出反应来操控或者协助操控汽车。
2017年8月奥迪发布全新A8，带来了全球首款拥有L3级别自动驾驶技术的车型，超越了特斯拉的L2级水平（其自动驾驶功能在中国上市的新款奥迪A8中被关闭了）。这款奥迪A8车型可在交通拥堵或时速低于60km/h的缓行路段接管驾驶操作。自2018年起，奥迪将逐渐在量产车型上配备奥迪AI泊车自动驾驶、奥迪AI车库自动驾驶和奥迪AI拥堵自动驾驶等自动驾驶功能。
▌1.3 无人驾驶主要参与者及两大技术阵营
无人驾驶热潮使得 Google、百度、Uber、英伟达等科技公司，特斯拉、通用、福特、奥迪等汽车公司，博世、大陆、福尔德、电装等汽车零部件公司，Cruise、Zoox 、驭势科技、图森未来、景驰科技（后拆分出中智行）等创业公司前赴后继投入其中。总结来看，参与者可以分为三类，首先是整车厂及零部件供应商，优势在于硬件、品牌和市场上占有率;其次是科技公司，优势在于人工智能算法、大数据等技术能力和技术人才的积累;最后是TaaS服务商，如Uber、Lyft、滴滴等，优势在于用户数据的积累。
同时与前几年各自为战不同，如今更多的公司选择了合作开发，希望通过合作构筑价值网络，迅速占领市场。全球范围内，已经形成“百度-英伟达-博世/大陆-中德车企集团”，“Google-FCA- 丰田-Lyft -Avis”、“英特尔-Mobileye-宝马-德尔福”等类似这样的生态圈，还有特斯拉、通用、福特、丰田等准备自行实现整条技术运营线的独立集团。
从技术路线上来看，汽车智能化发展的最终目标都是实现 L5 级全自动无人驾驶，目前有两种技术发展路径，第一种路径是以辅助驾驶系统(ADAS)为核心，从 L0 逐步过渡到 L5，强调以“万无一失”的复杂传感器组合来识别周围环境，低精度导航地图，在任何区域实现无人驾驶，通过每一代车型搭载的辅助驾驶系统不断升级的形式，逐步实现 L5 级全自动无人驾驶，以传统车厂及其供应商为该路径的典型代表；第二种路径比较激进，是从 L0 直接跨度到 L4，他们通过采集某一区域的高精度3D地图信息，同时配合摄像头、激光雷达等融合传感器，在特定的垂直领域或相对封闭的环境中实现无人驾驶，再向全环境全路况的 L5 级无人驾驶普及，前面提到的百度、谷歌和部分无人驾驶技术创业公司就是选择了这条路径。
▌1.4 无人驾驶行业先驱者Google
Google 无人车的发展经历了两个阶段，第一阶段，采用以激光雷达为主要传感技术，配合高精度地图的解决方案，共推出过三代产品，最特别的是第三代产品 Pod Car 原型车中，直接抛弃传统汽车的刹车、方向盘、油门等设备，只用一个启动键实现无人驾驶。
第二阶段，2016 年 12 月无人驾驶业务分拆，成立独立公司Waymo。在技术方面自主研发的整套无人驾驶传感器系统，包括 3 个覆盖短、中、长距离的激光雷达、8 个视觉模块、以及雷达，大幅降低激光雷达的成本，提供硬件和软件并行的完整解决方案;在商业化方面，已在亚利桑那州凤凰城开启无人驾驶出租车的上路测试运营，对部分大众开放服务，不过目前Waymo出租车并没有达到能够改变人们生活的程度，因为它只能在凤凰城指定区域内行驶，所以人们想去服务区外的地方就还是要驾驶自己的车。
Google 无人驾驶技术通过“激光雷达为主+高精度地图+人工智能控制系统”实现。Google 无人车依托 Google Map 多年来积累的各种道路交通数据以及街景数据提供最基本的数据支持； 综合使用多种传感器，包括激光雷达、摄像头、毫米波雷达、超声波雷达、GPS、车轮位置传感器、速度传感器等进行环境感知及车身姿态感知;计算系统方面，配备 Google Chauffeur 人工智能控制系统，综合传感器信息，分析、计算得出决策控制指令。
Google 一方面基于自身在人工智能方面的技术积累；一方面大量收购AI创业公司，比如深度学习公司DeepMind、图片分析公司 Jetpac、机器人公司 Holomni、3D视觉系统公司 Industrial Perception 等，通过技术融合，提升技术能力 。
▌1.5 激进的商业化代表---特斯拉
特斯拉作为新兴车企，自创办以来就一直是汽车电动化、智能化的代表。2014 年，特斯拉开始配置 Autopilot 系统，提供辅助驾驶功能，本质上仍属于 ADAS 辅助驾驶系统，主要功能有自适应巡航、主动车道保持、自动变道、自动泊车四部分，达到了自动驾驶 L2 级别，部分实现了 L3 的功能。
算法+数据是特斯拉无人驾驶核心竞争力。就研发无人驾驶汽车而言，特斯拉认为传统车企那种想保证完全安全之后再发布新车的做法是行不通，因为长尾中的小概率工况只有通过收集大量的数据才能被发现和修复。相比传统汽车厂商，特斯拉的核心竞争力在于其不断升级优化的系统软件算法，并通过 OTA 线上升级的方式迅速修复车辆系统遇到的问题，使汽车可以像智能手机一样更新;人工智能时代的所谓数据为王，拥有的数据越多，算法就能更快的自我学习。
特斯拉提出“影子模式”，为Autopilot 系统在后台运行，不采取实际动作，但是会记录不同路况下驾驶员采取的动作，用于对比机器驾驶与人类驾驶的安全性，为 Autopilot 累积大量的完全自动驾驶数据。Google 经过多年测试，累积了 300 多万英里的数据，而特斯拉通过一代 Autopilot 系统就已收集超过 13 亿英里的全球各种道路、天气条件下行驶数据，其中有 3 亿英里Autopilot 系统是真正处于激活状态下的。
▌1.6 以百度Apollo为首的国内科技公司
国内的 BAT、华为等科技巨头也正积极布局无人驾驶汽车，产业格局不尽相同。百度全力押注人工智能，无人驾驶被视为人工智能技术最重要的落地商用场景之一;腾讯在 2016 年成立自动驾驶实验客，开始研发 L4 自动驾驶技术，原型车已经更新两代;而阿里、华为更多的聚焦在汽车网联层面。百度是国内科技企业中布局无人驾驶较早，技术领先，更是在2017年发布“Apollo 计划”开放平台能力。
2013 年百度启动无人车项目研发，技术路线与Google 相似，也是直接从 L4 级切入自动驾驶车的研发，采用的是“云+端”的技术路线，核心是“百度汽车大脑”，包含高精度地图、定位、感知、智能决策控制四大模块。为加快商业化落地，2016 年 9 月，百度成立智能汽车事业部，涉足 L3 级自动驾驶市场，将百度高精度地图、云计算等能力与传统车厂对接。
2017年 4 月上海车展上，百度发布“Apollo 计划”，宣布开放无人驾驶技术平台，内容包括一套完整的软硬件和服务体系，涵盖车辆平台、硬件平台、软件平台、云端数据服务等四大部分， 提供快速搭建一套完整的自动驾驶系统的能力。
▌1.7 创业公司加速推动无人驾驶产业发展
在无人驾驶领域，不仅有巨头布局，也是创业公司关注的焦点，国内创业公司除了Pony.ai和景驰科技（后拆分出中智行）外，大多集中在封闭场景低速L4级无人驾驶。 Pony.ai和景驰科技于2018年2月初几乎同时在广州的公开道路进行了短期的无人网约车。
各创业公司通过团队掌握的核心算法或芯片等技术在一些关键路径上找到自己的解决方案，没有一味地遵循 Google 的技术方案，展示出各式各样的技术路线，是无人驾驶产业发展的重要推进力量。统计来看，无人驾驶领域的初创企业主要集中在美国和中国。
▌1.8 目前无人驾驶发展水平
纵观无人驾驶系统，我们可以把其分为四个层面：感知层、认知层、决策层和控制层四大块。
感知层，顾名思义，就是感受车辆周边环境信息。利用激光雷达、视觉相机、GPS等多传感器，实时掌握行车状况，相当于给汽车增添了多双眼睛和耳朵。认知层，利用相机识别标志标牌信息、车辆轮廓以及行人状况，通过后台程序自行分析做出准确辨别。三维激光雷达则用于检测周边环境，准确获取车辆位置、移动速度等信息。GPS则用于定位导航，配以地图、路况信息，最优化行车路径，准确达到预定位置。汽车上多传感器相互配合，及时转换、反馈信息，保证了驾驶的实时性和精准性。
决策层的作用类似于人类的大脑，通过接收认知层的信息，路径的规划以及控制层反馈的信息，采用一系列决策算法输出控制指令到控制层，其中决策指令包括跟车，超车，加速，刹车，减速，转向，调头等。控制层则根据决策层下发的指令对车辆实施具体的控制，包括油门、刹车、方向盘以及档位的控制等等。
那么如今无人驾驶技术究竟发展到何种程度了呢？是否达到了人类驾驶员的驾驶水平了呢？早前，无人车领域最重要的一份报告出炉了。美国加州是自动驾驶圣地，几乎全球的无人车公司，都云集于此展开路测。每年加州机动车辆管理局（DMV）都会照例发布年度自动驾驶车辆“脱离报告”，堪称无人车领域最权威的“成绩单”。 所谓“脱离”，就是自动驾驶汽车因为故障、路面突发或者人为原因，脱离自动驾驶模式，改为人类驾驶员接管车辆的情况。
今年上半年发布的2017年度报告显示，谷歌Waymo继续遥遥领先。在截至2017年11月的一年期间，Waymo在加州自动驾驶里程为352,545英里，脱离63次（即平均每5,596英里需要一次人工干预的介入）。百度也首次披露相关数据。报告显示，百度共有4辆无人车上路测试，自动驾驶里程为1,971英里，发生脱离的次数为48次（即平均每41英里需要一次人工干预的介入）。
传统车厂方面，通用Cruise的数据虽然不及谷歌，但仍然算是领先。通用94辆路测无人车，自动驾驶里程达131,676英里，脱离105次, 即平均每隔1,254英里需人工介入操作一次。特斯拉在信中表示，2017年他们没有自动驾驶路测数据。但是特斯拉已经把电动车卖到了全球各地，通过匿名的方式收集车主数据，这是一种“影子测试”方法。这些车辆并没有自动驾驶，但特斯拉声称这种方法可以帮助其测试“全自动驾驶”能力。
至于获得加州路测资格的国内创业公司Pony.ai、景驰科技等公司，因为时间还不够一年，所以这次不在报告范围之列，明年应该就能看到了。
通过上图可以看到更直观的测试结果。X轴表示需要干预或出现事故的平均里程数。以成绩最好的Waymo为例，在2017年的测试水平是每自动驾驶5596英里才有1次人的干预，尽管如此，通过其与人类普通事故的数据横向比对可以发现，Waymo的驾驶水平离人类驾驶员的平均水平差距还非常大。人类驾驶员的平均驾驶水平是每16.5万英里出一次普通事故，每9000万英里才出一次致命事故。这个数据是基于加州城郊公路的30多万英里统计得出的，其交通场景总体不算特别难；再者，从驾驶水平提升速度角度来看，还是拿Waymo举例，Waymo提升速度越来越慢。在2015年的测试中，其驾驶水平是每行驶1300英里需要一次人工干预介入，到2016年的测试结果显示其驾驶水平提升了近3倍，但2017年相较去年只提升了10%出头。其他几家公司除了Cruise提升较为明显外，几乎都和Waymo一样遇到驾驶技术提升瓶颈，梅奔甚至退步了。
要知道，上述测试成绩表现最好的Waymo拥有全世界最大的车队（目前共有600多辆克莱斯勒Pacifica参与路测），经过9年时间的研发和测试，道路测试里程突破了800万英里，且尚未达到人类驾驶水平，那么无人驾驶要遵循怎样的技术晋升路径才能实现L5级的要求呢？是否只有不断地提升新的算法能力，才能让L5级无人驾驶技术得以实现呢？那么即使有了新的算法被研发出来，又怎么能证明新算法是更加安全的呢？似乎最终还是要经过漫长的路测才行。
当前的机器学习算法必须经过大量数据集的训练和测试。但是，真实世界的测试和数据收集需要真实的车辆，实际的驱动程序和实时的交通场景。美国著名的智库兰德公司做了几个数学模型进行了实证研究。
根据兰德公司的研究模型我们可以发现，如果要达到95%的置信度判断无人驾驶优于人类驾驶水平20%的话，需要跑110亿英里，那么假设有一个100辆车的车队同时路测，平均40公里/小时的时速，24小时不间断的跑，需要跑500年。即使是Waymo，去年600多台车，9年时间目前也只跑了800多万英里，按照这样的方式想要达到110亿英里测试里程几乎是Impossible Mission。况且，通常开放性道路L4测试的车在配备必要的融合传感器后，成本在数十万美元一台，除了Waymo有钱这么玩，谁家里还有矿可以这么玩？
因此，目前无人驾驶公司除了采用实车路测的形式刷经验值，并且考虑到购车以及传感器等配套设备的部署成本，很多公司同时也在采用自动驾驶仿真模拟系统进行算法的验证和学习。除此之外，如何能够在尽可能短的时间内达到110亿英里测试里程将是考验各家无人驾驶公司的战略部署能力。也许前面提到的特斯拉所采取的“影子模式”是比较行得通的，但这也要取决于其车辆销售规模。或者未来会有其他新的范式可以更好的解决这个问题。
▌2.1 政策环境
随着主要车企及科技公司不断推出新的自动驾驶技术，世界各国都在积极制定自动驾驶普及路线图，放宽无人驾驶汽车相关法律法规，主要集中在道路测试和规划、驾驶分级、汽车制造等方面。
其中美国在行业内属于领先地位;在亚洲范围内，新加坡的进度较为领先。监管机构的推动和政府立法的支持是无人驾驶产业发展的一大驱动力。2011年，美国内华达州通过“511 法案”。此法案的立法进程事实上成为无人驾驶汽车发展史上具有里程碑意义的事件，不仅对促进这一技术的发展具有重要意义，在国际上也具有重要的示范作用。2016 年3月，《维也纳道路交通公约》有关车辆自动驾驶技术的修正案在当天通过并正式生效。这项修正案明确规定，在全面符合联合国车辆管理条例或者驾驶员可以选择关闭该技术的情况下，将驾驶车辆的职责交给自动驾驶技术可以被允许应用到交通运输当中。2016 年9月19日，美国总统奥巴马发表署名文章《无人驾驶同样安全》，肯定了无人驾驶汽车蕴含着能够改变人类生活方式的巨大潜力。
在我国有关无人驾驶的立法处于已有相关专家提出提议，正在研究尚未出台法案的阶段。 除了摘除无人驾驶汽车“非法”的帽子外，在技术标准、制度冲突、责任认定等方面国内外尚无立法。技术标准方面，目前的法案及法规从对无人驾驶汽车进行了概括性的规定， 缺乏明确量化指标，对于实务中的事件缺乏法律依据。完全智能控制汽车、辅助智能控制汽车和多功能控制汽车的技术标准、区别和相应行为和事件的法律后果需要明确。无人驾驶与目前各个国家采用的驾驶证制度有根本的冲突，《维也纳道路交通公约》明确规定驾驶员必须始终掌握驾驶技能，这表明驾驶员、机动车驾驶证是机动车合法行驶的必备要件， 二者缺一不可。责任认定方面，当无人驾驶汽车系统致使侵害或被侵害事件发生，或者遭遇网络中断、病毒攻击等产生事故，责任主体的确定便存在一定难度。
国内方面，今年4月份工信部、公安部、交通部三部委印发《智能网联汽车道路测试管理规范（试行）》。该《管理规范》于5月1日起实施，地方将制定实施细则，具体组织开展自动驾驶道路测试工作。随后，长沙市政府发布了《长沙市智能网联汽车道路测试管理实施细则（试行）》，成为在三部委联合发布《智能网联汽车道路测试管理规范（试行）》之后，国内第一个响应该规范的城市。
▌2.2 经济环境
目前交通事故中，“人”的因素引发交通事故占 70% 以上， 其中由司机引发的事故占人因事故总数的 90% 以上。无人驾驶汽车将驾驶员剔除出整个行为中，理论上能够极大地减少交通事故，从而能够避免的损失在300亿人民币以上。
同时当所有车辆采用无人驾驶技术时，协调效应将规避汽车之间的摩擦、碰撞问题，谷歌对于无人驾驶技术提出减少99% 交通事故的目标。减少交通事故将给人的生命和财产安全带来保障。
其次，无人驾驶技术将解放人类的双手和思维，节约出原本用于驾驶的可以自由支配的时间，解放社会生产力，创造经济价值。既然驾驶不用费心，也使得城市扩张速度可以得到进一步提高，人们远距离的经济沟通和交流也日益频繁。同时无人驾驶技术的推广将使得出行行为更加数字化和智能化，便于对交通分流和“搭便车”进行合理规划，更好地解决城市交通拥堵以及过度排放问题。
▌2.3 社会价值观念
无人驾驶汽车普及的一大问题就是如何让消费者相信产品是足够安全的。理论上而言，利用计算机和传感器来处理路况的无人驾驶汽车反应速度可以成倍领先于人类驾驶员。但是在实现自动驾驶的道路上，最难捉摸的是种种人为原因造成的复杂情形。在无人驾驶技术尚未成型时只有23%的美国人表示不会乘坐无人驾驶汽车，而在现实技术条件通过测试之后，反而75%的美国人惧怕乘坐无人驾驶汽车。同时一旦无人驾驶汽车造成重大安全事故，很可能会被媒体与公众广泛作为反面教材，打破长期以来无人汽车制造厂商通过艰难宣传与游说建立的信心。
无人驾驶汽车的系统遭到黑客攻击的时候，驾驶的操作会被控制，人们无法在短时间内恢复正常，黑客通过入侵车辆系统，窃取无人驾驶汽车对于使用者信息的记录，也将加大不信任感。从另一个角度看，这也将推动信息安全相关产业的发展，由原来的互联网安全业务延伸到车联网系统安全。
除了技术上的不信任，无人驾驶对于百年来汽车文化的颠覆性改变也会给人带来影响。驾驶乐趣是汽车文化中重要组成部分，操控车辆能够给驾驶员以达到目的地之外的特别精神乐趣。相应的，这一问题的解决可能会通过专业封闭的赛车场运营来满足，未来你想开车，去一个专门的封闭赛车场开车就行了，就像交通工具取代了骑马出行一样，当下如果有人想骑马了，可以去马术训练场骑马就行了。
▌2.4 技术发展
技术发展是无人驾驶汽车的基础。自动驾驶使用激光雷达、超声波雷达、摄像头、GPS、高精度3D地图等来观察路况确定位置，激光雷达和超声波雷达用来测距车辆可以探测到周围所有的障碍物并算出这些障碍物的距离。单目或多目摄像头利用计算机视觉让自动驾驶汽车实时识别交通信号灯、交通标志、车道线、近距离低速障碍物等，同时加上与道路基础设施以及云端数据库的通信，实现诸多功能。控制中心进行数据处理与判断，得出控制策略，下达控制指令，并且这个过程必须实时，所以控制中心必须具备高性能的实时运算能力。 自动驾驶的软件算法必须实现路径规划、躲避障碍物、加速度控制、姿态控制等等多种功能。执行器方面电机的工作技术在无人驾驶技术发展前已经得到了很好的优化。
技术层面的问题目前主要集中在几方面。第一点就是之前提到的如何在尽可能短的时间里完成无人驾驶算法的验证，虽然科技巨头和一些初创公司目前的策略比较激进，但是从整车厂角度来看还是相当保守的，毕竟是人命关天的事，一旦发生无人驾驶人身伤害事故，一家车企有可能就将因此被舆论给击垮，退出市场舞台。
第二点是上游元器件的限制，比如激光雷达的高成本和车规级限制，毫米波雷达仍然较大程度上依赖于进口等。以激光雷达为例，激光雷达从最初不被人了解，到如今成为业界研发无人驾驶汽车的“标配”。激光雷达是一种综合的光探测与测量系统，相比普通雷达，激光雷达可提供高分辨率的辐射强度几何图像、距离图像、速度图像。一开始主要应用于军事领域，而如今在自动驾驶领域，想要实现高可靠性的L3级及以上的自动驾驶，激光雷达是不可或缺的传感器件。L3级以下的辅助驾驶阶段，考虑到成本因素，很多无人驾驶公司采用摄像头视觉传感为主。
激光雷达迟迟没有大规模商业化应用，最大的原因就在于其昂贵的价格。因此业界很多元器件公司都在奋力研发低成本的激光雷达，一种方式是取消传统机械式激光雷达的机械旋转机构、采用固态化技术根本性降低激光雷达成本;另一种方式是降低激光雷达线数，组合使用多个低线数激光雷达，不过针对市面上主流激光雷达厂商的研发方向来看，第一种方式是主要攻克方向。
无人驾驶系统重在解决无人车的“我在哪?”“、我去哪?”、 “如何去?”三大核心问题。其中感知层重在解决“我在哪?”，决策控制层重在解决“我去哪?”以及“如何去?”。
其实无人驾驶与曾经互联网浪潮、PC的普及、移动互联网应用以及人工智能技术应用一样，本质上都是产业升级，从汽车、交通出行方面给全人类社会降本增效，带动更多的产业发展。其产业链包括:1)硬件组件，如激光雷达、摄像头等各类传感器、集成计算处理平台等;2)软件组件，如无人驾驶操作系统(包括感知、规划、控制以及汽车互联、数据平台接口等)，高精度地图数据等;3)整车制造（包括发动机、车身、集成控制总线等）;4)运营服务。
▌3.1 感知层面多传感器融合---我在哪？
无人驾驶的第一步就是环境信息和车身信息的采集与处理，是实现自主行驶的基础和前提。具体涉及行驶环境中的目标检测(车辆、行人等)、交通信号灯及交通标志的检测、道路检测(道路线、路沿)、车辆定位、车内信息等。
由于行车环境的复杂，无人驾驶汽车还要组合使用多种传感器来克服单一传感器测量的不足。 目前车载传感器有摄像头、激光雷达、毫米波雷达、超声波雷达、红外探头、GPS 、高精度地图等。主流的无人驾驶传感平台以激光雷达和车载摄像头为主，并呈现多传感器融合发展的趋势。
Ø 摄像头
摄像头在 ADAS 和无人驾驶技术中都有着举足轻重的地位。相比其他传感器，摄像头成本低廉，且能够为自动驾驶汽车提供非常重要的可视化数据——检测颜色、距离和各种光线条件。结合图像识别技术的环境感知，能快速识别车道、车辆、行人和交通标志等;车内的摄像头传感器还可以检测驾驶员状态，实现人车交于。
在 ADAS 系统中，摄像头是实现众多预警、识别类功能的基础，超过 80%的 ADAS 技术都会运用到摄像头，或者将摄像头作为主要解决方案，如车道偏离预警(LDW)、前撞预警(FCW)、 行人碰撞预警(PCW)、车道保持辅助(LKA)、紧急制动刹车(AEB)、自适应巡航(ACC)、 交通标志识别(TSR)等。
技术解决方案角度，摄像头系统有单目和双目两种方案，两者的共同特点，就是通过摄像头采集图像数据，然后从图像数据上得到距离信息。单目摄像头的测距原理是先通过图像匹配进行目标识别(各种车型、行人、物体等)，再通过目标在图像中的大小去估算目标距离;而双目检测的方式是通过对两幅图像规差的计算，直接对前方景物(图像所拍摄到的范围)进行距离测量，而无需进行识别。可以看到单目的前提是准确识别，还要建立大量的样本数据库并不断维护;双目原理与人眼类似，技术实现难点在于计算数据量大，性能要求高;其次是在于双目的配准效果。
从系统组成角度，摄像头系统由软硬件组成，包括摄像头模组、核心算法芯片以及软件算法。
摄像头模组还可细分为镜头、CMOS、DSP、模组封装等。车载摄像头相比普通摄像头工艺要求高，一般还要满足明暗反差过大的场合(进出隧道)，平衡图像中过亮或太暗部分(宽动态)，对光线比较灵敏(高感光)等，因此还要一定的定制化开发，以适应车辆全天候全天时需求。
实现无人驾驶的全套 ADAS 功能至少需要安装 6 个摄像头，随着 ADAS 渗透率提高，车载摄像头的市场将逐步从面向高端车型向中低端车型延伸。据IHS 报告预计，2020 年车载摄像头出货量将从2014 年的 2800 万颗增长到 8300 万颗，年均复合增长率近 20%，市场前景广阔。
摄像头 ADAS 领域，Mobileye 处于绝对的统治地位。Mobileye的“摄像头+雷达”无人驾驶方案基于机器视觉和神经网络，拥有极高的数据及技术壁垒。其核心技术之一就是采用低成本的单目摄像头实现前碰撞预警(FCW)，行人探测与防撞预警(PCW)，车道保持与危险预警(HMW)和车道偏离预警(LDW)等多项 ADAS 核心技术，算法成熟度高;另一核心技术的软硬件一体化设计，通过与ST(意法半导体)合作自主研发的 EyeQ 处理芯片，并基于芯片来设计优化算法。
Ø 激光雷达
车载激光雷达又称车载三维激光扫描仪，通过发射和接收返回的激光束，分析激光遇到目标后的折返时间，计算出目标与车的距离。通过这种方法，搜集目标表面大量的密集点的三维坐标、反射率等信息，能快速构建出目标的三维模型及各种图像数据，建立三维点云图，绘制出环境地图，以达到环境感知的目的。3D建模、环境感知、SLAM 加强定位几大功能造就了激光雷达的核心地位。激光雷达对车辆周围环境进行3D建模，获得环境的深度信息，识别障碍物，构建可行驶区域。通过目标聚类等算法实现目标跟踪，进一步的，结合几何模型和运动模型假设的方法还可以有效地处理目标几何特征不明显的情况下的多目标检测与跟踪，结合目标位置、速度以及速度方向的最优估计，获得周边车辆和行人的可靠检测 。
SLAM 可以实现高精度地图生成以及实时定位，是激光雷达的另一大核心应用。SLAM(同步定位与地图构建)是一种概念，希望机器人或无人车从未知环境的未知地点出发，在运动过程中通过重复观测到的地图特征(比如，墙角，柱子等)定位自身位置和姿态，再根据自身位置增量式的构建地图，从而达到同时定位和地图构建的目的。通过对多次行驶中激光雷达获取的道路三维点云数据，进行人工标注，对齐拼接可以形成高精地图，以此建立的路面模型可以包含较全的交通标志和交通信号灯，车道线位置、数量和宽度等，道路坡度和斜率等以及车道限高、下水道口、障碍物以及其他道路细节。
目前市场上比较常见的有 8 线、16 线和 32 线激光雷达，最近也有 64 线、128线高分辨率产品陆续推出。激光雷达线束越多，测量精度越高，安全性也越高，但是成本也越高。与超声波雷达和毫米波雷达相比，激光雷达具有极高的距离分辨率、角分辨率和速度分辨率，且探测精度高、探测范围广;抗干扰能力强;能实时获取的信息量比较丰富，可直接获取目标的距离、角度、反射强度、速度等信息，从而生成目标多维度图像。
激光雷达需要大量半导体组件。它是由发射端、接收端、光学天线、光学扫描器构成，其中发射端为各类激光器，NdYAG 固体激光器、CO2 气体激光器和 GaAlAs 半导体二极管激光器、光纤激光器等。接收端为光电探测器，主要有PIN光电二极管、硅雪崩二极管(SiAPD)、硅光电倍增器(SiPM，又叫 MPPC)、光电导型碲镉汞(HgCdTe)探测器和光伏型碲镉汞探测器，均为半导体组件。此外还需要单片机来控制设备的旋转速度角度，计算激光发射和接收的时间差等。
激光雷达的国际龙头主要有 Waymo、Velodyne、Quanergy、LeddarTech、Ibeo 等。Velodyne 作为行业龙头，已先后与百度、福特、丰田等二十多个不同的无人驾驶汽车项目达成了合作协议，在2016 年获得到百度、福特 1.5 亿美元投资，之后开始在美国加州开建 Megafactory 用于量产 HDL-64 激光雷达，计划到 2018 年生产出 100 万个。公司也不断推出更先进的激光雷达， 如 2017 年 11 月推出 128 线激光雷达。此外随着出货量的增加单位成本也开始下降，2018 年 1 月 Velodyne 宣布 16 线激光雷达降价 50%，售价 3999 美金 。而 Waymo 的激光雷达只用于自己的自动驾驶汽车。Google 自动驾驶汽车一开始采购 Velodyne 的 64 线激光雷达，单价 7.5 万美 元。之后自行开发激光雷达，目前 Waymo 的车上搭载了 3 个覆盖短、中、长距离的激光雷达，单价仅为 7500 美元。
国内也陆续成立了很多激光雷达初创企业，如北科天绘、禾赛科技、速腾聚创等。其实通过固态雷达技术降低车载激光雷达成本，对于行业来说，国内外企业大都处于同一起跑线，自进入 2017 年以来，国产激光雷达厂商捷报频传，多家公司在研发上均有突破。
北科天绘是国内目前较早能够实现量产的自主激光雷达生产企业之一。公司成立于 2005 年，最初研发用于测绘的激光雷达，2016 年推出了 R-Fans-16 激光雷达产品和半固态激光雷达样机，2017 年推出了 R-Fans-32。禾赛科技开发了用于自动驾驶的 40 线混合固态激光雷达 Pandar40，拥有150米探测距离、重量 1.05kg，已经与百度、智行者等进行早期测试。2017 年下半年将小批量出货。而本次在春晚亮相的智行者无人物流小车搭载的就是国内速腾聚创的 16 线激光雷达。
近年来激光雷达市场活跃， Grand View Research 预测全球车用激光雷达市场规模到 2024 年将增长至 2.232 亿美元;MarketsandMarkets 更为乐观，预测激光雷达在其他多个领域的应用更推动了其市场价值的暴增，2022 年即可达 52 亿美元，未来的五年内年复合增长率高达25.8%。新思界产业研究中心数据显示 2016 年我国车载激光雷达市场规模为1.93亿元，同比增长 77.06%。预计未来几年，随着无人驾驶汽车的逐渐普及，我国车载激光雷达市场规模将保持高速增长的态势，预计到2021年，我国车载激光雷达市场规模将超6亿元，无人驾驶汽车产业化的到来以及车载激光雷达成本的降低，将共同推动车载激光雷达产业的爆发式增长。
Ø 毫米波雷达
毫米波雷达技术方案成熟，现有车辆普及率高。毫米波实质上就是电磁波。毫米波的频段比较特殊，高于无线电，低于可见光和红外线，频率大致范围是 10GHz—200GHz。毫米波介于微波(Micro waves)和 THz(1000GHz)之间，可以说是微波的一个子集。毫米波雷达就是工作在毫米波波段的雷达，利用电磁波发射后遇到障碍物反射的回波对其不断检测，计算出与周围障碍物的相对速度和距离。其优势在于有极强的穿透率，能够穿过光照、降雨、扬尘、下雪或霜冻 来准确探测物体，可以在全黑的环境工作；但局限性在于无法检测行人，并且对金属识别误差较大，图像精细度不及激光雷达，并且时延也达到100MS 。
各个国家对车载雷达分配的专属频段不同，主要集中在 24GHz 和 77GHz。24GHz 主要应用于汽车后方，实现近距离探测(SRR)，77GHz 主要应用于前方和侧向，实现远距离探测(LRR)。相比 24GHz，77GHz 的毫米波雷达拥有更好的物体分辨准确度，更高的测速和测距精确度优势，部件体积更小，更容易实现单芯片集成结构，有利于性能的提高，未来车载毫米波雷达的频段会趋同于 77GHz;另一方面，2015 年在日内瓦召开的世界无线电通信大会(WRC-15)确定将 77.5GHz~78.0GHz 频段划分给无线电定位业务，以支持短距离高分辨率车载雷达的发展，为未来频率统一到高频段提供了标准保证。
毫米波雷达市场一直都保持着旺盛需求，增长潜力巨大。随着 ADAS 渗透率提高，同时各国都在推进汽车的AEB 功能，“4+1”的毫米波雷达配置模式逐步成为汽车标配。据 Plunkett Research 预测，毫米波雷达出货量到 2020 年预计将达到 7200 万颗， 未来几年的复合增速约为 24%。佐思咨询数据显示，2016 年市场规模达到 24.60 亿美元，到 2020 年可达 51.20 亿美元 。
毫米波雷达较大程度处于外资垄断状态，期待着国产化的突破。从整个毫米波雷达行业来看，无论是系统还是器件， 核心技术目前仍掌握在国外企业手中，关键技术主要被博世、大陆、电装、奥托立夫等零部件巨头垄断，形成了较高的市场进入门槛。博世在车载雷达市场占有率最高，在 LRR 产品技术领域较为领先，其产品 LRR4 最大探测距离可达250m;海拉在 24GHz 市场占有率最高;富士天通和电装主要客户为日系整车，以富士天通技术积累最为深厚，其 MMIC 芯片技术领先。
国内市场中高端汽车装配的毫米波雷达传感器全部依赖进口，自主车载毫米波雷达产品总体仍处于研制阶段。国内厂商研发方向主要集中于 24GHz 雷达产品，目前有湖南纳雷、厦门意行、芜湖森思泰克推出较为成熟的产品;而 77GHz 产品设计难度较大，且受国外厂商芯片的技术限制，完全依靠自主研发，近年来有望取得一定突破。
Ø 超声波雷达
常见的超声波雷达有两种。第一种是安装在汽车前后保险杠上的，也就是用于测量汽车前后障碍物的倒车雷达，这种雷达业内称为UPA;第二种是安装在汽车侧面的，用于测量侧方障碍物距离的超声波雷达，业内称为APA。UPA和APA的探测范围和探测区域都太相同，如下图所示，图中的汽车配备了前后向共8个UPA，左右侧共4个APA。
UPA超声波雷达的探测距离一般在15~250cm之间，主要用于测量汽车前后方的障碍物。
APA超声波雷达的探测距离一般在30~500cm之间。APA的探测范围更远，因此相比于UPA成本更高，功率也更大。
APA的探测距离优势让它不仅能够检测左右侧的障碍物，而且还能根据超声波雷达返回的数据判断停车库位是否存在。
上述简单介绍了超声波雷达的功能，作为无人车上成本最低的传感器，超声波雷达的应用潜力有待进一步被发掘。
▌3.2 导航与精准定位是不可或缺的基础能力
Ø 卫星导航
全球卫星导航系统(GNSS)是目前行车定位不可或缺的技术，在无人驾驶定位中也担负着相当重要的职责。卫星定位系统是利用卫星基本三角定位原理，通过接收装置计算无线电信号的传输时间来量测距离。由每颗卫星的所在位置，测量每颗卫星至接收器间距离，便可以算出接收器所在位置的三维空间坐标值。使用者只要利用接收装置接收到 3 个卫星信号，就可以定位。实际应用中，由于接收机的时钟不可能百分百精确，钟差也要列入方程，所以接收装置都是利用 4 个以上卫星信号，来定位出使用者所在的位置及高度。
差分技术降低 GNSS 测量误差提高精度。卫星距离测量存在着卫星钟与播延迟导致的误差等问题。利用差分技术可以消除或降低这些误差，让卫星定位达到更高的精度。其运作原理是， 如果两个接收机都相当接近对方，那么两者的信号将具有几乎相同的误差，如果能精确地计算出第一个接收机的误差，我们就可以对第二个接收机的结果进行纠正。
GNSS 定位是相对精准的，但是更新频率低，在 10Hz 左右。在无人驾驶汽车应用中，需要实时精准定位以确保车辆的安全。因此必须借助其他的传感器来辅助定位，增强定位的精度。
IMU(惯性传感器)可以检测加速度和旋转运动，是常用的组合传感器之一。基础的 IMU 包括加速度计与角速度计。无人驾驶汽车使用的一般是中低级的惯性传感器，售价在几百到上千美元，其特点是更新频率高(1KHz)，可以提供实时位置信息，但是误差会随着时间的推进而增加，所以只能在很短的时间内依赖 IMU 进行定位。组合使用 GNSS+IMU 原理是在上一次位置估算的基础上使用惯性传感器对当前的位置进行实时预测。在得到新 GNSS 数据前，只能通过惯 性传感器的数据来预测当前位置。但惯性传感器的定位误差会随着运行时间增长，所以当接收到新的比较精准的GNSS 数据时，使用新 GNSS 数据对当前的位置预测进行更新。通过不断地执行这两个步骤，对无人车进行准确实时定位。 在无法接收 GNSS 信号的场所，位置计量器、激光雷达SLAM、摄像头SLAM 也通常作为补充方案，用于车辆定位。
我国的北斗导航也将助力无人驾驶，相关产业有望受益。对于全球卫星定位系统，目前经联合国卫星导航委员会认定的成熟系统有美国全球定位系统 GPS、俄罗斯 GLONASS、欧盟 GALILEO 以及 我国的北斗卫星导航系统 CNSS。美国 GPS 系统研法早、技术成熟，应用最为广泛，也是全球无人驾驶车辆技术首选。
我国的北斗导航系统与其他三个系统最大的不同在于拥有双向通信功能，可以实现有源定位以及短报文通信，一开始应用于军事领域，逐步向民用领域渗透。经过多年的发展，北斗产业链逐渐成熟。产业链上游的芯片、天线、GIS、板卡、地图、模拟源等已实现全面配套，国内自主研发的北斗芯片等基础产品，已进入规模应用阶段。中游的手持型、车载型、船载型、指挥型等各类应用终端已经广泛使用在各个行业，品类已初具规模。下游的运营服务和系统集成也在不断探索各领域的应用。未来北斗有望凭借地域优势提供高精度定位服务，成为我国无人驾驶技术的首选方案。
Ø 高精度地图
相较于传统的电子地图，高精度地图的优势主要体现在两个方面，1)精度更高，传统的电子地图一般仅为十米级精度，而高精度地图需达到米级以下精度;2)信息更丰富，传统电子地图仅能提供二维路网信息，而高精度地图需包含坡度、车道线、交通标志等多种道路交通信息。高精度地图的面向对象主要为 ADAS 或自动驾驶系统，而非人类驾驶员。根据《国家卫星导航产业中长期发展规划》，未来我国高精度全球卫星导航系统(GNSS) 行业将保持高速发展，2020 年市场规模有望达 215.3 亿元。
根据定义可以将高精度地图按更新时间尺度划分为 4 个层面：最底层是基本的地图库，包含了高精度道路级别的数据;第二层是可预测的和计划的信息，如交通规则、道路工程信息;第三层是以小时或者分钟为单位来更新的动态信息，如交通、天气信息;最高层就是我们常说的直接服务于汽车无人驾驶的“V2X ”的各种信息。
目前高精度地图主要处于 ADAS 级，服务于 L2/L3 级自动驾驶，未来随着 5G 带来的车联网的数据处理便利和计算机视觉、3D 建模技术的成熟，基于深度学习的环境感知技术以及端闭环实时更新云技术的发展，高精度地图会逐步向 HAD 级发展。
高精度地图的采集和处理有多种的技术方案，目前主流的方案有专业化采集、众包以及UGC (用户产生内容)三种。HERE、TOMTOM 等主流图商以及 Google、百度等高科技公司采用的是专业化采集的方式，使用激光雷达和摄像头进行高精度的数据和城区全区域覆盖的采集，成本较高; 传统车企、Mobileye 等 ADAS 解决方案商、Uber 等运营服务商倾向于采用众包模式以及 UGC 实时更新方式来采集数据。
高精地图是在数据中具有网络效应，将会是“赢者通吃”的格局。任意一辆无人车开上一条预先绘制了地图的道路上时，既是在将地图和道路进行比对，也是在对地图进行更新，那么每辆无人车都可以是一辆数据搜集车。占据地图主导权，部署上路的车辆越多，地图数据会被更新得越频繁，也会更为精确，将在市场竞争中把握主动。
全球电子地图市场总体呈现全球性与地区性竞争的格局。汽车领域的全球最大电子地图企业分别是 HERE、TomTom、高德、四维图新以及 Mapmyindia，竞争呈现出区域性的特点。形成原因是一方面政府对测绘和地图制作相关法规会对外来企业形成约束;一方面制造高精度地图需要高运营成本、高资本支出，外来企业很难与本地企业竞争。目前国内有 14 家企业具有导航地图甲级资质，四维图新、高德、易图通瓜分车载导航的前装市场，一共占据 98% 的市场份额。凯立德以 70% 的市场占有率在后装市场一枝独秀，目前这些公司或已经被互联网巨头所收购，或被其入股。
因此，行业布局竞争激烈，优质图商是争夺目标。欧美日等发达国家已经基本完成本国高速公路的高精度地图构建，国内的高精度地图仍处在采集和研究阶段。相比欧美日等发达国家，我国高速公路里程比较大，道路建设和发展也比较迅速，所以高精度地图的采集过程长、投入成本也会更高。目前国内百度、高德、四维图新、光庭信息都在进行高精度地图的采集和研究。
在自建高精度地图的同时，优质图商已成为争夺的焦点。宝马、戴姆勒、奥迪以 31 亿美元联合收购 HERE 地图;福特投资美国三维地图初创公司 Civil Maps;Uber 收购加州地图公司 deCarta。甲级测绘资质的公司百度在 2014 年全资收购同样具有甲级测绘资质的公司长地万方;腾讯在 2013 年全资收购另一家甲级测绘资质公司科菱航睿，2014 年入股四维图新;阿里在 2014 年收购高德软件。
▌3.3 V2X车外交互,感知的进一步延伸
V2X车联网是以车内网、车际网和车载移动互联网为基础，按照统一协议搭建的无线通讯及信息交换网络。 ADAS 一般仅限于单车智能化，车联网则致力于汽车与整个交通系统间的互联互通(V2X)，具体包括车-车通讯(V2V )、车-基础设施通讯( V2I )、车-行人通讯( V2P )等。车联网是未来智慧交通体系中的重要一环，不仅服务于车辆的智能驾驶，还有望在更高的层面上实现整体交通的智能化管理，同时可为车主提供多样化的增值服务。
V2V 通信是目前 V2X 中发展最为成熟的，通过专设的网络，车辆相互之间传递实时速度、位置、驾驶方向等信息。V2V 通信开启了对四周的 360 度智能感知，有大量的应用场景，主要涉及提高驾驶安全性或者交通效率，如在追尾预警、超车碰撞预警、盲点提醒、车队协同等方面能发挥径大的作用。 V2I 技术通过无线的方式帮助车辆和路侧的交通设施实现数据交换，可以实现交叉路口安全管理、车辆限速控制、电子收费、运输安全管理，以及道路施工和限高警示等应用。V2I 技术的发展会推动交通设施智能化。汽车作为交通网络的一部分，无人驾驶本质就是交通智能化，智能网联汽车作为整个智能交通系统的一部分，需要与交通基础设施的智能化协同发展。
车联网加速渗透，前景可期。目前，国内车联网的终端规模及渗透率仍处于低位，但保持高速增长，未来前景可期。据相关机构预测，到 2020 年我国前装车联网的渗透率将从 2016 年的 19%上升到 49%。“智能手机 +车载系统”的方案有望率先得到推广(如苹果的 CarPlay 车载系统可接入 iPhone 并将相关操作移植至车内的中控显示屏)，而未来独立的车载系统将迎来更快的发展。据埃森哲预测，2025 年新售车辆将全面步入车联网时代，其中大部分都通过车载系统实现联网。
DSRC 以及 LTE是现阶段车辆为所采用的两大技术标准。专用短程通信(DSRC)技术是欧美主导，由 IEEE 802.11p 进行演进扩充的无线局域网标准，可以实现小范围内图像、语音和数据的实时，准确和可靠的双向传输，将车辆和道路有机连接。DSRC 系统包含车载装置(On Board Unit，OBU) 与路侧装置(Road Site Unit，RSU)两项重要组件，透过 OBU 与 RSU 提供车间与车路间信息的双向传输，RSU 再透过光纤或移动网络将交通信息传送至后端平台。
经过 10 多年的发展， DSRC 技术路线相对比较成熟。 LTE-V2X 技术是国内企业(如华为、大唐电信等)推动的，基于 LTER14 技术为基础(4G/5G)， 能重复使用现有的蜂窝式基础建设与频谱。LTE-V2X 主要解决交通实体之间的“共享传感” (Sensor Sharing)问题，主要可以分为两类:LTE-V-Direct(短程直通式通信)，独立于蜂窝网络，实现车辆与周边环境节点低时延、高可靠的直接通信，可以将探测距离扩展到数百米以上; LTE-V-Cell(广域蜂窝式)，以基站为分布中心，支持大带宽、大覆盖通信，满足 Telematics 应用需求。目前 LTE-V2X 正处于标准指定的关键阶段，以大唐、华为、高通(蜂窝式技术供应商) 等通信企业为主导。
C-V2X(基于蜂窝技术的车联网)作为 5G 重要组成，将是国内标准首选。C-V2X 将会是 5G 应用的一个重点。5G 技术的三个典型应用场景:增强型移动互联网（eMBB)、超高可靠性与超低时延通信(uRLLC)以及海量物联网通信(mMTC)均可适用于无人驾驶场景。eMBB 可以实现 10G/秒的吞吐量，高精度地图上传下载可以瞬间完成，还可以满足车内乘客对 AR/VR、 游戏、电影、移动办公等车载信息娱乐;mMTC 可以实现所有的基础设施，包括人、车、道路、 等真正意义的万物互联；uRLLC 可以将我们的延迟降到到毫秒，实现自动超车，协作式避碰，车辆编队等系统需求;此外利用 5G 可以对城市固定路线车辆实现部分智能云控制，对园区、港口无人驾驶车辆实现基于云的运营优化以及特定条件下的进程控制。5G 将带给车联网全新的网络基础设施。
从技术角度，C-V2X 在设计过程中充分借鉴了 802.11P 的经验和不足，可以充分利用 LTE 蜂窝网络优势，保证业务的连续性和可靠性;仅从产业角度，C-V2X 作为拥有自主知识产权的通讯技术，有利于国内企业规避不利风险，而且网络部署维护投入低，对现有的 LTE 网络基站设备和安全机制进行升级就可以实现。
同时，车载通信也带动了相应通讯芯片需求。一般，完整的车联网体系中将涉及三层结构:
1)端系统，即具有通讯功能的车载模块(Telematics Box, T-BOX);
2)管系统，即车与车、车与路、车与网、车与人之间的互联互通;
3)云系统，即基于云架构的车辆运行信息平台。
车载通讯模块的作用主要包括总线信号收集控制以及服务器通信两部分，一般由 GPS 单元、移动通讯单元、微控制器、存储器等部分构成，是汽车实现车联网功能的基础。未来，车载通讯模块的快速渗透将带动相应通信芯片的需求。
政策推动方面，V2X 产业化发展进入快车道。由于 DSRC 技术路线相对比较成熟，国外传统芯片商已接连发布相关基于DSRC 技术的 V2X 芯片产品，主要的厂商有意法半导体、博通、Autotalk等。我国是积极推动以 LTE 为主，融合 DSRC 的 V2X 产业发展。
2017年 9 月中旬，我国智能网联汽车产业创新联盟正式发布《合作式智能交通系统车用通信系统应用层及应用数据交互标准》，是国内第一个针对 V2X 应用层的团体标准，为国内各车企及后装 V2X 产品提供了一个独立于底层通信技术的、面向 V2X 应用的数据交换标准及接口，以便在统一的规范下进行 V2X 应用的开发、测试，对 V2X 大规模路试和产业化具有良好的推动效应。
在测试工作推进方面，工信部先后推动上海、杭州、北京、重庆的“智能汽车与智慧交通产业创新示范区”，基于 LTE-V/5G 的通信环境建设，积极开展智能驾驶、智慧交通相关示范应用。目前国内部分厂商已有基于 LTE-V 架构的原型样机，可进行车路协同实景演示，如大唐电信发布了全球首台 LTE-V 车联网设备，可支持车联网 V2X 自主通信，并具有核心自主知识产权; 作为北京示范区牵头企业的千方科技在2017年 11 月的高交会商发布 V2X 产品，包括车载终端、路侧设备、协同控制机、管理服务平台，并配套搭载多项安全效率应用场景。
▌3.4 决策层AI 算法---我去哪?如何去?
无人驾驶决策控制系统的任务就是根据给定的路网文件、获取的交通环境信息和自身行驶状态，将行为预测、路线规划以及避障机制三者结合起来，自主产生合理驾驶决策，实时完成无人驾驶动作规划。狭义上来讲，包含了无人驾驶车的行为决策、动作规划以及反馈控制模块；广义上来讲，还紧密依赖上游的路由寻径、交通预测模块的计算结果。
Ø 路由寻径，属于全局路径规划，为无人驾驶汽车的自主驾驶提供方向性的引导，确定其依次需要通过的路段和区域序列，输出的结果严格依赖于高精度地图的绘制;
Ø 交通预测，任务是对感知所探测到的物体进行行为预测。不仅要结合物理规律对物体做出预测，还需要结合物体和周边环境，以及积累的历史数据知识，对感知到的物体做出更为宏观的行为预测;
Ø 行为决策，任务是汇聚分析各种信息，做出行驶的决策，确定无人驾驶汽车应该进入什么行驶模式，比如路口左转模式、超车模式等;
Ø 动作规划，任务是将行为决策的宏观指令解释成一条带有时间信息的轨迹曲线，来给最底层的反馈控制来进行实际对车的操作;
Ø 反馈控制，任务是控制车辆尽可能遵循上游动作规划所输出的轨迹，通过控制方向盘转角以及前进速度实现。
决策算法是核心竞争力，也是人工智能应用的重要场景。决策规划是自主驾驶系统智能性的直接体现，无人驾驶系统与ADAS 系统的区别就在于是否具有自主的决策能力。目前各家的传感器配置越来越趋同化，无人驾驶技术上的竞争会更多聚焦在决策环节，国外的Waymo、国内的百度Apollo、创业公司驭势科技、图森未来等公司的核心竞争力就体现在决策算法方面。
常见的决策规划体系结构有分层递阶式（或称为串联式）、反应式（也称并联式）以及二者混合式。分层递阶式体系结构是一个串行系统结构，无人驾驶系统的各个模块之间次序分明，上一个模块的输出即为下一个模块的输入，当给定目标和约束条件后，系统根据即时建立的局部环境模型和已有的全局模型决定出下一步行动;反应式体系结构中的每个控制层都可以直接基于传感器的输入进行决策，突出“感知-动作”的特点，易于适应完全陌生的环境;混合式体系结构则结合上述两种方式的优点，在全局规划层次上，生成面向目标定义的分层递阶式行为，在局部规划层次上，生成面向目标搜索的反应式体系的行为分解。
根据上述体系结构的不同，无人驾驶决策算法技术路线分为多个流派，主要有三大类:基于规则的经典路径，基于深度学习的端对端无人驾驶技术路径以及因果推理路径，不过也有采用混合路径模式的。
单一基于规则的决策难以完全覆盖所有场景。基于规则的决策，是由人工使用 if-then 规则覆盖所有可能的情况，对汽车的决策系统进行编程，告诉车辆在各种场景下应该怎么去做。这类方法难点在于很难创建全面的、能够覆盖到无人驾驶汽车可能遇到的所有场景的规则库，不够灵活;同时规则之间相于组合，能产生无数种可能，很难实现对系统的完整测试。
单一基于深度学习的端对端决策存在“黑箱”难题。端对端决策采用深度学习神经网络，训练 AI 根据具体的场景做出适宜的决策。这类方法有所谓“黑箱”问题，就是深度学习的解决方案中复杂的运算和处理都在端和端之间的通道内完成，决策过程是不透明的，系统一旦做出错误的判断，无法定位问题原因，也无法预测下一次会出现什么问题。
因果推理决策机制是重要发展趋势。我们知道深度学习对感知有非常强的能力，可以理解各种复杂图像的含义，但是并不能把这种感知完美的转化为决策能力。原因在于深度学习，仅仅依赖于概率推理，也就是相关性。为了达到自动驾驶所需要的极高的安全性和可靠性，因果推理将是未来的发展趋势。因果推理使用贝叶斯网络，针对亊件发生的概率以及事件可信度进行分类，具有模块化、透明性的优势。
在开放动态环境下的无人驾驶需要更强壮的 AI算法， 需要多种算法结合，将上述的三类决策机制融合。
一种提升的思路就是基于强化学习的决策框架，将深度学习包含其中。强化学习是强调如何基于环境而行动，以取得最大化的预期利益，是一种基于环境反馈而做决策的通用框架。理解强化学习有两个关键点，一是只看重结果，不关心过程或者动机;二是对于每一次行为，及时奖惩，强化认知。Alpha Go 在围棋人机大战中的里程碑式胜利，背后的强化学习算法功不可没。Waymo、 Mobileye 目前都在使用深度强化学习来研发无人驾驶决策控制。通过深度学习加强化学习的算法可以无限趋近于处理所有场景。在仿真模拟环境中，还可以通过强化学习做虚拟运行，获得最优的决策模型，产生模拟数据，促进决策算法的不断成熟。
而另一种提升思路就是深度学习结合贝叶斯网络的方法。贝叶斯网络的因果推理逻辑可以在一定程度上处理未知的极端情况，在无人驾驶车遇到陌生的驾驶场景时，能够对事实逻辑深入分析得出理性 的决策控制指令。思路是将贝叶斯网络作为整个决策的顶层框架，利用贝叶斯网络的模块化，把深度学习系统作为一个子模块融入其中，专家系统作为另一个模块，这样的多重冗余构成了贝叶斯网络的子节点，将有效强化输出结果的可靠性;同时贝叶斯网络的透明性使得可以对整个决策的过程进行分析，定位问题。
未来更进一步，无人车能实现继承和发展过去学到的知识，关键就是迁移学习。迁移学习是指在不同情况之间把知识进行迁移转化的能力，通过将在一个或多个源任务中学习到的知识进行迁移，用在相关的目标任务中以提高其学习性能。普林斯顿大学科研小组在其无人驾驶项目 Deep Drive 中用到迁移学习算法，通过 GTA5 仿真模拟训练、测试无人驾驶系统。
▌3.5 算力的需求促进AI芯片的高速发展
在算力需求层面，无人驾驶领域的一个趋势是云端计算向边缘计算不断延伸，终端智能化快速发展。无人驾驶汽车是一个移动系统，首先 需要一个云平台来提供支持，应用包括仿真(用于验证新算法)、高精度地图以及深度学习模型的训练。在终端层面，无人驾驶汽车在运行过程中需要处理难以想象的海量数据，为了保证无人驾驶的实时性要求，不能完全依赖云端的计算能力，车辆必须具备高性能计算能力来实时处理海量数据;满足计算能力的同时，还必须兼顾系统功能安全、功耗、散热、硬件体积等问题;同时满足经济性和性能要求的计算平台才能适应无人驾驶汽车未来量产的需求。
算力需求推动异构计算快速发展，芯片是算力基础，软硬件协同设计是发展趋势。新一轮的人工智能爆发主要由 2012 年以来的深度学习带动，深度学习所依赖的是神经系统网络，通常网络越深，需要的训练时间越长。GPU 对并行计算以及浮点计算的强大支持，大幅加速深度学习模型的训练速度，成为深度学习模型训练的标配。目前在无人驾驶主控芯片的选择上有 97%-98% 的企业采用 CPU(决策)+ GPU(加速)的方案。
但是GPU 从技术上讲，存在着一定的局限性：首先，运行能效比不佳。实现同样的性能，GPU 所需功耗远远大于 FPGA、ASIC；其次，在进行深度学习另一项重要任务“推断”时，处理小计算量大批次的实际计算中无法充分发挥并行计算优势;第三，硬件结构固定不具备可编程性，若深度学习算法在发展的过程中出现新的特点，GPU 无法做到灵活配置。如新兴的低精度和稀疏 DNN 算法效率较之传统的密集 FP32 DNN 有巨大改进，但是引入了 GPU 难以处理的不规则并行度和定制数据类型。在 GPU 市场英伟达一家独大的情况下，业界正不断加大对 FPGA 以及 ASIC 的研发。
作为无人驾驶技术领先者 Google 在计算芯片方面，从最开始使用 CPU 这样的通用芯片， 过渡到 GPU 与 FPGA，但是 FPGA 无法提供想象的速度，又再过渡到专用的 ASIC 来面对应用的需求，开发了适用于 AI 计算的高性能专用硬件 TPU，专为 TensorFlow 定制设计。从Google 公布的数据看，TPU 有非常强的深度学习加速能力，平均性能可以达到 CPU 和 GPU 的 15 到 30 倍，能效比则有 30 到 80 倍的提升。
再看看国内情况，AI 专用芯片促进了相关产业的升级，中国“芯”有望弯道超车。异构计算发展趋势已基本明确，在通用计算 CPU 领域，x86 指令集授权和技术优势讥让英特尔已形成垄断优势的情况下，国内企业有望在相对空白的异构计算处理器 IP领域打破垄断，实现弯道超车。国内典型企业如寒武纪是全球第一个成功流片并拥有成熟产品的 AI 芯片公司，拥有终端 AI 处理器 IP 和云端高性能 AI 芯片两条产品线;另外地平线、阅面科技等初创企业也纷纷推出核心 IP 产品。
车载计算平台快速发展，车规级量产化平台呼之欲出。英伟达、高通、英特尔等芯片巨头都针对自动驾驶推出车载计算平台。英伟达发布的 Pegasus 可以实现每秒 320 万亿次计算，几乎相当 100 个服务器的计算能力总和;恩智浦推出的 S32 计算平台，打造“通用功能”，能够为平台上所有的 SoC、汽车不同领域和应用间提供解决方案，同时 S32 使用的 ARM Cortex-A、 Cortex-R 和 Cortex-M 都属于 ASIL-D 级的内核。
未完见下篇
