无人驾驶刚刚开始的将来

时间 2019-11-19

标签无人驾驶刚刚开始将来繁體版

原文原文链接

做者： 刘少山，唐洁，吴惟玥
责编：何永灿，欢迎人工智能领域技术投稿、约稿、给文章纠错，请发送邮件至heyc@csdn.net
本文为《程序员》原创文章，未经容许不得转载，更多精彩文章请订阅《程序员》html

本文是无人驾驶技术系列的第12篇，也是最后一篇（文末汇总了无人驾驶系列文章）。本文梳理总结了前面11篇涉及到的技术点，尝试呈现一个宏观的无人驾驶系统架构。另外，简单分析了无人驾驶的产业链现状以及根据笔者本身的经验提出了一些给开发者、创业者，以及投资者的建议。前端

无人驾驶技术总结

无人驾驶是一个复杂的系统，如图1所示，系统主要由三部分组成：算法端、Client端和云端。其中算法端包括面向传感、感知和决策等关键步骤的算法；Client端包括机器人操做系统以及硬件平台；云端则包括数据存储、模拟、高精度地图绘制以及深度学习模型训练。程序员

图1 无人驾驶系统架构图

算法子系统从传感器原始数据中提取有意义的信息以了解周遭环境状况，并根据环境变化作出决策。Client子系统融合多种算法以知足实时性与可靠性的要求。举例来讲，传感器以60HZ的速度产生原始数据，Client子系统须要保证最长的流水线处理周期也能在16ms内完成。云平台为无人车提供离线计算以及存储功能。经过云平台，咱们可以测试新的算法、更新高精度地图并训练更加有效的识别、追踪、决策模型。算法

无人驾驶算法

算法系统由几部分组成：第一，传感并从传感器原始数据中提取有意义信息；第二，感知，以定位无人车所在位置以及感知如今所处的环境；第三，决策，以可靠安全抵达目的地。数据库

传感

一般来讲，一辆无人驾驶汽车装备有许多不一样类型的主传感器。每一种类型的传感器都各有优劣，所以，来自不一样传感器的传感数据应该有效地进行融合。如今无人驾驶中广泛使用的传感器包括如下几种。安全

GPS/IMU：经过高达200Hz频率的全球定位和惯性更新数据以帮助无人车完成自我定位。GPS是一个相对准确的定位用传感器，可是它的更新频率太低，仅仅有10HZ，不足以提供足够实时的位置更新。IMU的准确度随着时间下降，在长时间内并不能保证位置更新的准确性，可是，它有着GPS所欠缺的实时性，IMU的更新频率能够达到200HZ或者更高。经过整合GPS与IMU，咱们能够为车辆定位提供既准确又足够实时的位置更新。
LiDAR：激光雷达可被用来绘制地图、定位以及避障。雷达的准确率很是高，所以在无人车设计中雷达一般被做为主传感器使用。激光雷达是以激光为光源，经过探测激光与被探测无相互做用的光波信号来完成遥感测量。激光雷达能够用来产生高精度地图，并针对高精地图完成移动车辆的定位；以及知足避障的要求。以Velodyne 64-束激光雷达为例，它可完成10HZ旋转并每秒可达到130万次读数。
摄像头：被普遍使用在物体识别以及物体追踪等场景中，像是车道线检测、交通灯侦测、人行道检测中都以摄像头为主要解决方案。为了增强安全性，现有的无人车实现一般在车身周围使用至少八个摄像头，分别从前、后、左、右四个维度完成物体发现、识别、追踪等任务。这些摄像头一般以60HZ的频率工做，当多个摄像头同时工做时，将产生高达1.8GB每秒的巨数据。
雷达和声呐：雷达经过把电磁波能量射向空间某一方向，处在此方向上的物体反射碰到的电磁波；雷达再接收此反射波，提取有关该物体的某些信息（目标物体至雷达的距离，距离变化率或径向速度、方位、高度等）。雷达和声呐系统是避障的最后一道保障。雷达和声呐产生的数据用来表示在车的前进方向上最近障碍物的距离。一旦系统检测到前方不远有障碍物出现，则有极大的相撞危险，无人车会启动紧急刹车以完成避障。所以，雷达和声呐系统产生的数据不须要过多的处理，一般可直接被控制处理器采用，并不须要主计算流水线的介入，由于可实现转向，刹车、或预张紧安全带等紧急功能。

感知

在得到传感信息以后，数据将被推送至感知子系统以充分了解无人车所处的周遭环境。在这里感知子系统主要作的是三件事：定位、物体识别以及物体追踪。服务器

图2 基于GPS/IMU的定位

定位网络

GPS以较低的更新频率提供相对准确的位置信息；IMU则以较高的更新频率提供准确性偏低的位置信息。咱们可以使用卡尔曼滤波来整合两类数据各自的优点，合并提供准确且实时的位置信息更新。如图2所示，IMU每5ms更新一次，可是期间偏差不断累积精度不断下降。所幸的是，每100ms能够获得一次GPS数据更新，以帮助咱们校订IMU积累的偏差。所以，咱们最终能够得到实时并准确的位置信息。然而，咱们不能仅仅依靠这样的数据组合以完成定位工做。缘由有三：其一，这样的定位精度仅在一米以内；其二，GPS信号有着自然的多路径问题将引入噪声干扰；其三，GPS必须在非封闭的环境下工做，所以在诸如隧道等场景中GPS都不适用。架构

图3 基于立体视觉的测距

所以做为补充方案，摄像头也被用为定位。简化来讲，如图3所示，基于视觉的定位由三个基本步骤组成：1. 经过对立体图像的三角剖分，将首先得到视差图用以计算每一个点的深度信息；2. 经过匹配连续立体图像帧之间的显著特征，可经过不一样帧之间的特征创建相关性，并由此估计这两帧之间的运动状况；3. 经过比较捕捉到的显著特征和已知地图上的点来计算车辆的当前位置。然而，基于视觉的定位方法对照明条件很是敏感，所以其使用受限并可靠性有限。框架

所以，借助于大量粒子滤波的激光雷达一般做为车辆定位的主传感器。由激光雷达产生的点云对环境进行了“形状化描述”，但并不足以区分各自不一样的点。经过粒子滤波，系统可将已知地图与观测到的具体形状进行比较以减小位置的不肯定性。
为了在地图中定位运动的车辆，咱们使用粒子滤波的方法来关联已知地图和激光雷达测量过程。粒子滤波能够在10厘米的精度内达到实时定位的效果，在城市的复杂环境中尤其有效。然而，激光雷达也有其固有的缺点：若是空气中有悬浮的颗粒好比雨滴或者灰尘，测量结果将受到极大的扰动。所以，为了完成可靠并精准的定位，须要传感器融合，如图4所示，处理来整合全部传感器的优势。

图4 定位中的传感器融合

物体识别与跟踪

激光雷达可提供精准的深度信息，所以常被用于在无人驾驶中执行物体识别和追踪的任务。近年来，深度学习技术获得了快速的发展，经过深度学习可达到较显著的物体识别和追踪精度。

卷积神经网络（CNN）是一类在物体识别中被普遍应用的深度神经网络。一般，卷积神经网络由三个阶段组成：1. 卷积层使用不一样的滤波器从输入图像中提取不一样的特征，而且每一个过滤器在完成训练阶段后都将抽取出一套“可供学习”的参数；2. 激活层决定是否启动目标神经元；3. 汇聚层压缩特征映射图所占用的空间以减小参数的数目，并由此下降所需的计算量；4. 对物体进行分类。一旦某物体被CNN识别出来，下一步将自动预测它的运行轨迹或进行物体追踪。

图5 面向行为预测的随机模型

物体追踪能够被用来追踪邻近行驶的车辆或者路上的行人，以保证无人车在驾驶的过程当中不会与其余移动的物体发生碰撞。近年来，相比传统的计算机视觉技术，深度学习技术已经展露出极大的优点，经过使用辅助的天然图像，离线训练好的模型直接应用在在线的物体追踪中。

决策

在决策阶段，行为预测、路径规划以及避障机制三者结合起来实时完成无人驾驶动做规划。

行为预测

车辆驾驶中的一个主要考验是司机如何应对其余行驶车辆的可能行为，这种预判断直接影响司机本人的驾驶决策，特别是在多车道环境或者交通灯变灯的状况下，司机的预测决定了下一秒行车的安全。所以，过渡到无人驾驶系统中，决策模块如何根据周围车辆的行驶情况决策下一秒的行驶行为显得相当重要。

为了预测其余车辆的行驶行为，可使用随机模型产生这些车辆的可达位置集合，并采用几率分布的方法预测每个可达位置集的相关几率。

路径规划

为无人驾驶在动态环境中进行路径规划是一件很是复杂的事情，尤为若是车辆是在全速行驶的过程当中，不当的路径规划有可能形成致命的伤害。路径规划中采起的一个方法是使用彻底肯定模型，它搜索全部可能的路径并利用代价函数的方式肯定最佳路径。而后，彻底肯定模型对计算性能有着很是高的要求，所以很难在导航过程当中达到实时的效果。为了不计算复杂性并提供实时的路径规划，使用几率性模型成为了主要的优化方向。

避障

安全性是无人驾驶中最为重要的考量，咱们将使用至少两层级的避障机制来保证车辆不会在行驶过程当中与障碍物发生碰撞。第一层级是基于交通状况预测的前瞻层级。交通状况预测机制根据现有的交通情况如拥堵、车速等，估计出碰撞发生时间与最短预测距离等参数。基于这些估计，避障机制将被启动以执行本地路径重规划。若是前瞻层级预测失效，第二级实时反应层将使用雷达数据再次进行本地路径重规划。一旦雷达侦测到路径前方出现障碍物，则当即执行避障操做。

Client系统

Client系统整合以前提到的避障、路径规划等算法以知足可靠性及实时性等要求。Client系统须要克服三个方面的问题：其一，系统必须确保捕捉到的大量传感器数据能够及时快速地获得处理；其二，若是系统的某部分失效，系统须要有足够的健壮性能从错误中恢复；其三，系统必须在设计的能耗和资源限定下有效地完成全部的计算操做。

机器人操做系统

机器人操做系统ROS是现现在普遍被使用、专为机器人应用裁剪、强大的分布式计算框架。每个机器人任务，好比避障，做为ROS中的一个节点存在。这些任务节点使用话题与服务的方式相互通讯。

ROS很是适用于无人驾驶的场景，可是仍有一些问题须要解决。

可靠性：ROS使用单主节点结构，而且没有监控机制以恢复失效的节点。
性能：当节点之间使用广播消息的方式通讯时，将产生屡次信息复制致使性能降低。
安全：ROS中没有受权和加密机制，所以安全性受到很大的威胁。

尽管ROS 2.0 承诺将解决上述问题，可是现有的ROS版本中仍然没有相关的解决方案。所以为了在无人驾驶中使用ROS，咱们须要自行克服这些难题。

可靠性

现有的ROS实现只有一个主节点，所以当主节点失效时，整个系统也随之奔溃。这对行驶中的汽车而言是致命的缺陷。为了解决此问题，咱们在ROS中使用相似于ZooKeeper的方法。如图6所示，改进后的ROS结构包括有一个关键主节点以及一个备用主节点。若是关键主节点失效，备用主节点将被自动启用以确保系统可以无缝地继续运行。此外，ZooKeeper机制将监控并自动重启失效节点，以确保整个ROS系统在任什么时候刻都是双备份模式。

图6 面向ROS的Zoo-Keeper结构

性能

性能是现有ROS版本中有欠考虑的部分，ROS节点之间的通讯很是频繁，所以设计高效的通讯机制对保证ROS的性能势在必行。首先，本地节点在与其余节点通讯时使用回环机制，而且每一次回环通讯的执行都将完整地经过TCP/IP全协议栈，从而引入高达20微秒的时延。为了消除本地节点通讯的代价，咱们再也不使用TCP/IP的通讯模式，取而代之采用共享内存的方法完成节点通讯。其次，当ROS节点广播通讯消息时，消息被屡次拷贝与传输，消耗了大量的系统带宽。若是改为目的地更明确的多路径传输机制则将极大地该改善系统的带宽与吞吐量。

安全

安全是ROS系统中最重要的需求。若是一个ROS节点被挟制后，不停地在进行内存分配，整个系统最终将因内存耗尽而致使剩余节点失效继而全线奔溃。在另外一个场景中，由于ROS节点自己没有加密机制，黑客能够很容易地在节点之间窃听消息并完成系统入侵。

为了解决安全问题，咱们使用Linux containers （LXC）的方法来限制每个节点可供使用的资源数，并采用沙盒的方式以确保节点的运行独立，这样以来可最大限度防止资源泄露。同时咱们为通讯消息进行了加密操做，以防止其被黑客窃听。

图7 基于Spark和ROS的模拟平台

硬件平台

为了深刻理解设计无人驾驶硬件平台中可能遇到的挑战，让咱们来看看现有的领先无人车驾驶产品的计算平台构成。此平台由两个计算盒组成，每个装备有Intel Xeon E5处理器以及4到8个Nvidia Tesla K80 GPU加速器。两个计算盒执行彻底同样的工做，第二个计算盒做为计算备份以提升整个系统的可靠性，一旦第一个计算盒发生故障，计算盒二能够无缝接手全部的计算工做。

在最极端的状况下，若是两个计算盒都在峰值下运行，及时功耗将高达5000W，同时也将遭遇很是严重的发热问题。所以，计算盒必须配备有额外的散热装置，可采用多风扇或者水冷的方案。同时，每个计算盒的造价很是昂贵，高达2万-3万美圆，导致现有无人车方案对普通消费者而言没法承受。

现有无人车设计方案中存在的功耗问题、散热问题以及造价问题使得无人驾驶进入普罗大众显得高不可攀。为了探索无人驾驶系统在资源受限以及能耗受限时运行的可行性，咱们在ARM面向移动市场的SoC实现了一个简化的无人驾驶系统，实验显示在峰值状况下能耗仅为15W。

很是惊人地，在移动类SoC上无人驾驶系统的性能反而带给了咱们一些惊喜：定位算法能够达到每秒25帧的处理速度，同时能维持图像生成的速度在30帧每秒。深度学习则能在一秒内完成2-3个物体的识别工做。路径规划和控制则能够在6毫秒以内完成规划工做。在这样性能的驱动之下，咱们能够在不损失任何位置信息的状况下达到每小时5英里的行驶速度。

云平台

无人车是移动系统，所以须要云平台的支持。云平台主要从分布式计算以及分布式存储两方面对无人驾驶系统提供支持。无人驾驶系统中不少的应用，包括用于验证新算法的仿真应用，高精度地图产生和深度学习模型训练都须要云平台的支持。咱们使用Spark构建了分布式计算平台，使用OpenCL构建了异构计算平台，使用了Alluxio做为内存存储平台。经过这三个平台的整合，咱们能够为无人驾驶提供高可靠、低延迟以及高吞吐的云端支持。

仿真

当咱们为无人驾驶开发出新算法时，咱们须要先经过仿真对此算法进行全面的测试，测试经过以后才进入真车测试环节。真车测试的成本很是高昂而且迭代周期异常之漫长，所以仿真测试的全面性和正确性对下降生产成本和生产周期尤其重要。在仿真测试环节，咱们经过在ROS节点回放真实采集的道路交通状况，模拟真实的驾驶场景，完成对算法的测试。若是没有云平台的帮助，单机系统耗费数小时才能完成一个场景下的模拟测试，既耗时同事测试覆盖面有限。

在云平台中，Spark管理着分布式的多个计算节点，在每个计算节点中，均可以部署一个场景下的ROS回访模拟。在无人驾驶物体识别测试中，单服务器需耗时3小时完成算法测试，若是使用8机Spark机群，时间能够缩短至25分钟。

高精度地图生成

如图8所示，高精度地图产生过程很是复杂，涉及到：原始数据处理、点云生成、点云对其、2D反射地图生成、高精地图标注、地图生成等阶段。使用Spark，咱们能够将全部这些阶段整合成为一个Spark做业。因为Spark自然的内存计算的特性，做业运行过程当中产生的中间数据都存储在内存中。当整个地图生产做业提交以后，不一样阶段之间产生的大量数据不须要使用磁盘存储，数据访问速度加快，从而极大提升了高精地图产生的性能。

图8 基于云平台的高精地图生成

深度学习模型训练

在无人驾驶中咱们使用了不一样的深度学习模型，为了保证模型的有效性及效率，有必要对模型进行持续的更新。然而，原始数据量异常巨大，仅使用单机系统远不能完成快速的模型训练。

为了解决这一问题，咱们使用Spark以及Paddle开发了一个高可扩展性分布式深度学习平台。Paddle是百度开发的一个深度学习开源平台。在Spark driver上咱们同时管理Spark运行上下文以及Paddle运行上下文，在每一个节点上，Spark执行进程运行一个Paddle训练实例。在此基础上，咱们使用Alluxio做为参数服务器。实验证实，当计算节点规模增加时，咱们能够得到线性的性能提高，这说明Spark+Paddle+Alluxio这套深度学习模型训练系统有着高可扩展性。

无人驾驶的产业发展

为了深刻了解无人驾驶的产业发展，咱们邀请了牛津大学商学院的同窗一块儿作了个产业链分析。宏观来讲，一个产业的发展应该是至上而下的，上游产业的发展让下游产业更加繁荣，反过来刺激上游产业的发展。理想来讲，无人驾驶的产业发展应该分为三个阶段：第一阶段，感知系统的发展，主要包括各种传感器的融合使用及感知决策系统的准确度提高，实现辅助信息的交互及部分自动驾驶功能。第二阶段，支持算法以及决策的芯片成熟，包括算法及芯片设计的发展，实现协同决策及自动驾驶。第三阶段，车联网的发展，实现高精度地图及实时路况信息的更新及经过深度学习实现协同感知。

传感器的融合使用

毫米波雷达：车载毫米波雷达市场主要供应商为传统的汽车电子企业，如博世、大陆、海拉等，市场占有率头三位的企业占领了50%以上的市场份额。中国市场中高端汽车装配的毫米波雷达传感器依赖进口为主，国内自主品牌的研发生产能力尚需提升。毫米波雷达的核心组成部分为前端单片微波集成电路MMIC和雷达天线高频PCB板，此两项核心技术仅掌握在国外厂商手中。国内企业整体尚处于研发阶段，24GHz的产品已经取得部分研发成果，华域汽车、湖南纳雷、芜湖森思泰克、智波科技等企业在此方面有部分技术积累。

激光雷达：激光雷达是无人驾驶汽车硬件端的核心能力，受益于无人驾驶汽车市场规模的爆发，预计2030年全球激光雷达市场可达到360亿美圆的规模。相比于国外的Velodyne、Quanergy等厂商已经具备相对成熟的产品，国内公司在激光雷达生产研发尚处于初步成型阶段。目前国内研发生产激光雷达的初创公司数量不少，可是大多数缺少完整的产业链及相应的配套设备，受制于硬件成本及技术门槛较高等因素，可以作出成型产品的公司每每不多。目前有产品落地的激光雷达公司包括欧镭激光、镭神智能、思岚科技和速腾聚创等。此类公司竞争的着力点包括四个方面：1. 创建与各车厂的合做关系：发展新客户，抢占新市场并积累市场需求方面的经验；2. 硬件的量产及成本的控制：实现大规模生产的同时下降成本，经过量产实现更大的利润（目前激光雷达的毛利率约为27%）；3. 提升产品性能的稳定性，经过快速迭代提升产品工艺，创建技术门槛；4. 综合提供数据存储分析的服务，实现数据格式的统一。

摄像头：预计2020年全球车载摄像头的市场规模约为200亿人民币，模组组装及CMOS供应商共占据超过60%的产业价值，该产业链的其余环节还包括镜头供应商及其余部件的供应商。该模块的行业技术壁垒较高，只有少数厂商具备垂直整合的能力。大部分厂商将业务集中在产业链中的少数环节，行业的集中度很高，大多数环节的前三厂商市场份额合计占整体一半以上：光学镜头主要是台湾的大立光学、大陆的舜宇光学主导，CMOS传感器及图像处理器以欧美和日本韩国的厂商为主，大陆厂商在红外滤光片和模组封装有必定的优点（如欧菲光、水晶光电等）。一般摄像头硬件设备和配套的算法及系统难以分割，硬件设备商将摄像头提供给自动驾驶算法公司或者汽车一级供应商，由这些下游的公司进行硬件、芯片及算法的合成。因为车载摄像头对安全性及稳定性的要求比普通的工业用摄像头高，产品壁垒较高，因此摄像头大厂相对有竞争优点。台湾的同致电子2016年的营业收入预计比2015年增加超过40%，毛利率达到30%。将来的车载摄像头厂商的竞争将主要体如今：1. 与芯片及算法的适配性，提供总体解决方案的能力；2. 产品稳定性安全性等工艺的领先。

整体上说，传感器与配套的算法及芯片相辅相成，将来的趋势是提供完整的一套解决方案，而不是单个零星的硬件。另外，各类类型的传感器的功能各有优点，互相补充，汽车整车厂将融合使用各种传感器，并经过量产及新技术推进传感器的成本降低。

算法及芯片协同发展

ADAS算法及芯片技术门槛高，须要对传感系统采集的数据进行处理，完成对周围环境及自身车况的识别及探知，市场集中度较高。国内的ADAS算法公司主要有深圳佑驾、前向启创、苏州智华等。此类公司根据自身特色及战略目标的不一样，围绕算法为中心，有三种商业模式：1. 向汽车一级供应商直接提供算法（或者外购芯片及传感器，提供完整的ADAS模组）；2. 创建生产线，提供自产的完整ADAS模组给一级供应商或后装市场；3. 将自身研发的芯片与算法绑定出售。因为能够经过算法升级实现更多功能，且企业内部的自身成本与创建传感器生产线相比很是低（主要是人工的成本），因此产业链中的算法环节能够带来30%以上的产品溢价。

高精度地图及车联网的发展

高精度地图参与者主要有图商（如HERE、四维图新）、无人驾驶科技公司（如Google、特斯拉等）、ADAS方案提供商（如Mobileye、前向启创）和传统车企（如通用、大众）等四类。其中除了图商的高精度地图是为地图的标准化准备外，其余参与者绘制的高精度地图都是为了各自环节中的特定需求定制的，标准化程度较低。地图行业的进入壁垒较高，主要因为地图绘制的牌照数量少，数据库建设周期长，投入资金大，并且须要大量依赖长期积累起来的实施技术。另外一方面，该行业的规模经济效应明显，一旦创建起市场份额则利润很是可观。以四维图新为例，2016年该公司的综合毛利率约为80%，近50%的营业收入来自车载导航领域。在离线地图的时代，图商主要以销售地图使用许可证（License）为主，但在高精度地图时代下，图商将为用户提供持续的服务。届时一次性收费的模式将被按时间或按产品类型收费的模式取代。

车联网市场的参与方可大体分为四种: 车联网服务提供商、设备供应商、增值服务提供商以及电信运营商。1. 车联网服务提供商居于产业链核心，地位相似于智能手机的操做平台，是传统整车厂和高科技行业巨头竞争的主战场。传统整车厂利用捆绑销售的方式，经过在旗下产品搭载自家品牌的车联网系统，完成用户的原始积累。科技公司则经过与车企在地图、车联网方案、自动驾驶等领域的合做进入车联网生态系统。2. 设备供应商是整个车联网产业链实现的硬件基础。目前该领域还没有造成巨头竞争的格局，留给创业公司发展的空间较大。纵向一体化或者专攻高利润市场将有助于尽快确立竞争地位。3. 增值服务提供商与智能手机App应用的价值相似，市场空间十分巨大，但目前尚处于初级的服务模式当中，参与者鱼龙混杂，竞争的关键点在于精准理解用户需求，提升用户体验。4. 电信运营商主要将用户请求及处理结果在车联网中传递并收取通讯费用。国内三大电信运营在通讯市场处于绝对的寡头地位。

下游过热

可是根据目前无人驾驶产业链的发展，显然有点下游过热了，大量的风投涌入下游，特别是L4／L5整车的无人驾驶初创公司，而许多上游部件以及核心模块却没有引发太多的注意。资本忽然的涌入也形成了L4/L5整车的无人驾驶公司估值的暴涨，也直接致使了无人驾驶从业者人心浮动，大量人才从行业领先地位的无人驾驶公司（包括Google、百度等）流失。这个现象对无人驾驶产业发展并不是是好事，也让咱们想起了2016年的AR／VR风潮以及后来的AR／VR企业的倒闭潮。我的认为AR／VR的核心问题也是在上游产业链没准备好的状况下，下游产品概念被炒做过热，致使资本的疯狂。

一点我的的感想与建议

这是无人驾驶系列最后一期，开始写这个系列是由于本身对这个集大成技术的热爱以及追求。写每一期都是对本身作过技术的一次总结以及从新学习。在以前的11期咱们都聚焦技术而不谈我的的看法。最后一期想总结一下我的的一些观点，读者们未必会认同，可是但愿能够经过这篇文章多与各位交流学习。

为何没有作无人驾驶创业

许多投资人问过我（编者注：刘少山，本文做者之一），为何没有选择无人驾驶创业，而选择了机器人。由于在我看来无人驾驶整合了40～50个技术点，即便作好了其中90%的技术点，无人车仍是上不了路。而机器人只是整合了4～5个技术点，相对容易许多，责任也小许多。作机器人解决方案咱们很快就能够出产品，很快能获得市场反馈，从中学习到许多，也能够获得不断出货的知足感。而作无人车作得好也可能只是一个好的Demo，并且作无人驾驶创业须要很强的技术以及资本掌控能力，我能力还到不了这个程度。在我看来市场上有几家无人驾驶初创公司有很强的技术把控能力，包括NURO.AI、PONY.AI、以及AutoX.AI，NURO.AI与PONY.AI应该属于传统的LiDAR流派，而AutoX应该是视觉流派的佼佼者。

给开发者的建议

当前的人工智能热潮是一次大的技术革命，对广大技术人员来讲是个特别好的机会，可是若是只掌握一个技术点是不足够的。根据我过去几年的经验，在技术行业隔行如隔山，好比作算法的对软件设计未必熟悉，专一作软件的不多懂系统，而懂系统的了解硬件也很少。反过来也同样，让一个硬件工程师去写软件，他可能会以为很难而不敢触碰。可是若是能静下心来花点时间去学一下，其实并无想象中那么难。我在工做以及创业的过程当中，发现能跨跃几个细分行业（好比软件、系统、硬件）的工程师很是可贵也很是有价值。一般能够跨跃几个细分行业的人都比较有好奇心，也有勇气去尝试新的东西。我之前是学系统的，以为算法不是个人本行，一直拒绝接触。可是当本身深刻接触后，以为并无想象中那么困难，只要保持着好奇心，不断学习，能够很快成才。

给投资人的建议

下游如今过热了，多关注上游。我我的信奉的是更细的分工达至更高的效率。只有上游发展好后，下游才会真正的繁荣。若是每一个公司都说能够全栈把每一个点都作好那是不成熟以及低效的。好比无人驾驶安全，基本没人关注也没人在这个行业创业。不少投资人说，无人驾驶自己都没作好，哪有功夫看这种方向。可是当车作好后，若是安全没作好，车是不可能上路的。无人驾驶安全必须随着无人驾驶其余技术点一块儿发展。另外为无人驾驶服务的云计算，也是鲜有人投入，可是这在我看来是个极大的市场。

序幕刚启

无人驾驶做为人工智能的集大成应用，历来就不是某单一的技术，而是众多技术点的整合。技术上它须要有算法上的创新、系统上的融合，以及来自云平台的支持。除了技术以外，无人驾驶的整条产业链也是刚刚开始，须要时间去发展。目前在市场上许多创业公司都是作全栈，作整车。可是若是产业链没发展成熟，作全栈与作整车公司的意义更可能是Demo这项技术，而很难产品化。我的认为一个成熟的产业是应该有层次感的，上下游清晰，分工细致以达到更高的效率。可是今天无人驾驶行业仍是混沌的，上下游不清晰，并且资本的热捧也致使了市场过热。可是相信经过几年的发展，当上下游发展清晰后，无人驾驶就能够真正产业化了。无人驾驶序幕刚启，其中有着千千万万的机会亟待发掘。预计在2020年，将有真正意义上的无人车开始面市，极可能是在园区以及高速公路等可控场景，而后到2040年，咱们应该能够看到无人驾驶全面普及，让咱们拭目以待。

点击阅读无人驾驶技术系列文章：

做者简介：

刘少山，PerceptIn联合创始人。加州大学欧文分校计算机博士，研究方向：智能感知计算、系统软件、体系结构与异构计算。如今PerceptIn主要专一于SLAM技术及其在智能硬件上的实现与优化。
唐洁，华南理工大学计算机科学与工程学院副教授。主要从事面向无人驾驶和机器人的大数据计算与存储平台、面向人工智能的计算体系架构、面向机器视觉的嵌入式系统研究。
吴惟玥，牛津大学工商管理硕士。牛津大学种子基金投资经理，曾任德勤咨询汽车行业服务高级顾问，主要专一于销售业绩提高与企业管理流程重组优化，带领团队参与多个汽车品牌及零售业品牌咨询项目。中国注册会计师协会会员。

推荐本文做者的新书《第一本无人驾驶技术书》，无人驾驶是一个复杂的系统，涉及的技术点种类多且跨度大，入门者经常不知从何入手。本书的做者都是无人驾驶行业的从业者与研究人员，有着多年无人驾驶及人工智能技术的实战经验。适合对无人驾驶技术感兴趣的在校学生、工业从业者，以及相关人士阅读。