自動駕駛場景分析方法

⑴ 自動駕駛的五大核心技術

自動駕駛車是一個輪式機器人。自動駕駛可以說是一個涉及了多個學科的綜合領域，本文帶你探尋自動駕駛的5大主要技術，看看這個輪式機器人的大腦、眼睛等都是如何工作的。

1、識別技術

和人類的眼睛一樣，這個輪式機器人也有它自己的眼睛，用來識別周邊的車輛、障礙物、行人等路上的情況。

我們眼睛的主要構成部分是眼球，通過調節晶狀體的彎曲程度來改變晶狀體焦距來獲得實像。那自動駕駛的眼睛是由什麼構成的呢？答案是感測器。包括攝像頭、激光雷達、毫米波雷達，還有紅外線、超聲波雷達等。

你可能會驚訝，需要這么多眼睛？沒錯，它是長滿了眼睛的小怪獸，通常擁有10+隻眼睛。

其中，最常用的是攝像頭，幾乎是毫無爭議地被所有開發者採用。它和人類的眼睛最接近，可以看清有顏色的標識、物體，看得懂字體，分得清紅綠燈。但是缺點也不少，比如在夜晚或惡劣的天氣下視力就嚴重下降，也不擅長遠距離觀察。

其次是頗富爭議的LiDAR，即激光雷達。比較常見的是在車頂，像是頂不停旋轉的帽子。原理很簡單，就是通過計算激光束的反射時間和波長，可以完成繪制周邊障礙物的3D圖。而短板則是無法識別圖像和顏色。

毫米波雷達也不得不提一提，因為它的全能--可以全天候工作，這使得它不可或缺，即便它無法識別高度，解析度不高，也難以成像。但它憑借其穿透塵霧、雨雪的硬本領，站穩一席之地。

如此多各式各樣的眼睛，那她的視力一定很好咯？那也未必。你以為星多天空亮，可它們之間能夠互補還好，但也難免會產生矛盾。這么多隻眼睛你要優先選擇相信誰，這也是一個課題叫Sensor Fusion，感測器融合。根據每種感測器的優缺點來綜合評判信息的准確度，得到更可靠的最終結果。感測器融合的另一個優點是，換來一定程度的冗餘，即便某隻眼睛暫時失明，也不會影響它安全前行。

2、決策技術

通過眼睛識別得到了周邊環境，接下來就要充分利用這些信息進行理解分析，決定自己該如何走下一步。要完成這項任務的就是最強大腦。

跟人類的大腦一樣，我們不是天生就會開車，也不是拿到駕照就成老司機了。需要一定的知識積累，自動駕駛機器人也同樣需要。完成大腦中的知識庫有兩種方式：專家規則式和AI式。

專家規則式，英文叫rule-based。即提前編寫好規則，當需要做決定的時候必須嚴格遵守這些規則。舉個栗子，當准備超車變道時，需要滿足以下條件（這是一個假專家，僅供參考）：道路半徑大於500R（彎道不變道）；跟目標車道上的前後車的距離都在20m以上；比後車的車速慢不超過5km/h；等等等等...以上N個條件同時滿足時，即可超車變道。

l IAI式，就是一直很火的人工智慧Artificiantelligence。模仿人類的大腦，通過AI演算法對場景進行理解。或提前通過大量的犯錯積累經驗，或事前聽某人指點江山。通過AI式積累知識庫，會讓她的反應更加靈活。專家也難免有疏忽，更何況交通瞬息萬變，沒有靈活的大腦如何應對我大中華的路況呢？

3、定位技術

只有知道自己在哪裡，才知道自己去哪裡。

現今，除了主流的用GPS或GNSS（全球衛星導航系統）來定位的方式之外，也有在公路上鋪設電磁誘導線等方式來實現定位。高精度GPS定位目前來說最大難題是，山區和隧道等地理因素對精度的影響，雖然可以依靠IMU（慣性測量單元）來進行推算，但GPS丟失信號時間過長的話，累計的誤差就會比較大。

另外，自動駕駛專用的3D動態高清地圖帶給了自動駕駛更多可能性。因為有了高清地圖，就可以將自己的位置輕松定位在車道上。

4、通信安全技術

試想如果被黑客入侵，控制了你的自動駕駛車，不僅可以監聽到你的秘密談話，還很可能成為殺人工具。黑客可以通過影響感測器的數據而影響決策，或直接介入判斷機制進而影響行駛軌道。

先了解一個術語，V2X=Vehicle To Everything。即車輛與基礎設施之間所有通信的通用簡稱，包括車輛與車輛之間叫V2V、車輛與行人之間V2P、車輛與交通基礎設施之間V2I、車輛與網路之間V2N等。

V2X包含了汽車和我們的個人信息，因此在通信的時候對用戶的身份驗證和給數據加密，這些都必不可少。

5、人機交互技術

雖說我們對自動駕駛的印象大多是，不需要人們的干涉，它就能把我們送到任何想去的地方。但是很遺憾，目前的自動駕駛系統還做不到這一點。

遇到自動駕駛駕馭不了的場景，便會呼喚你接替它的工作。這時，HMI（人機界面）就發揮作用了。它的目標是，用最直觀最便捷的方式通知我們，讓駕駛員盡快注意到。

⑵ 自動駕駛系統的定位方法有哪些

【太平洋汽車網】該自動駕駛定位方法包括根據需求分別自動切換以下三種自動駕駛的定位技術：在感應到基站的情況下，採用衛星定位和捷聯慣導組合的定位技術；在未感應到基站的情況下，採用激光雷達點雲和高精度地圖匹配的定位技術；在隧道或夜間外界環境光線穩定的情況下，採用視覺里程演算法的定位技術。

目前使用最廣泛的自動駕駛定位方法包括融合全球定位系統（GNSS，）和慣性導航系統（INS，InertialNavigationSystem）。其中，GNSS的定位精度由器件成本決定，一般在幾十米到幾厘米級別之間，精度越高，成本也越貴。融合GNSS和INS的定位方法能夠在一定程度上解決GNSS在環境惡劣條件（高樓、樹木遮擋，大面積水域、隧道等）下定位精度偏差較大的影響，但對於城市這樣大范圍定位條件都不好的情況，單純的GNSS+INS的定位技術還是不夠滿足自動駕駛的需求。

地圖輔助類定位方法是另一種廣泛使用的自動駕駛定位技術，代表演算法是同步定位與地圖構建（SLAm，）。SLAM的目標是構建地圖的同時使用該地圖進行定位，SLAM通過感測器（攝像頭、Lidar等）觀測到的環境特徵，確定當前車輛的位置以及當前觀測目標的位置，這是一個利用以往的先驗概率分布和當前的觀測值來估計當前位置的過程，這一過程通常使用的方法有：貝葉斯濾波器（BayesianFilter）、卡爾曼濾波器（KalmanFilter）、擴展卡爾曼濾波器（ExtendKalmanFilter）、粒子濾波器（ParticalFilter）等，這些都是基於概率和統計原理的定位技術。

SLAM是機器人定位領域的研究熱點，在特定場景下的低速自動駕駛定位的應用過程中也有較多現實的實例，如園區無人擺渡車、無人清潔掃地車、掃地機器人等，都廣泛採用了SLAM技術。實際上，在此類特殊場景中，用戶並不是在定位的同時實時建圖，而是事先使用感測器（如激光雷達、攝像頭等）對車輛運行環境區進行SLAM地圖的構建，然後在建好的地圖SLAM地圖的基礎上實現定位、路徑規劃等其他進一步的操作。

（圖/文/攝：太平洋汽車網問答叫獸）

⑶ 完全自動駕駛來臨前，高效數據閉環是自動駕駛系統的核心競爭力

而基於這些關鍵因素，希捷認為一個完整的自動駕駛數據流動閉環，必須要一套完整的端點－邊緣－核心數據解決方案，這不僅僅是滿足系統開發需要，也能夠持續為用戶帶來新價值。

那麼，在實際測試的過程中，自動駕駛公司如何能夠保障數據收集的完整性？

如何在頻繁拆卸、長途運輸過程中保證數據存儲不會丟失？最後，在核心數據層面如何完成數據訓練，推理，冷備？

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

⑷ 競速商業落地 自動駕駛賽程進入下半場

[汽車之家行業]?自動駕駛競賽進入下半場，推進商業化應用成為各企業發力的重點。根據美國蘭德公司的研究，自動駕駛演算法想要達到人類駕駛員水平至少需要累計177億公里的駕駛數據來完善演算法。

如果配置一支100輛自動駕駛測試車的車隊，每天24小時不停歇路測，平均時速25英里（40公里）每小時來計算，需要500多年的時間才能完成目標里程，期間所耗費的時間和成本無疑難以承受。

『騰訊TADSim部分場景展示』

另一方面，自動駕駛模擬測試評價體系缺乏規范。

在自動駕駛模擬測試方面，由於不同模擬軟體系統架構及場景庫構建方法的不同，導致很難建立統一規范的模擬測試評價體系。目前國內模擬評價體系的研究方向主要是從駕駛安全性、舒適性、交通協調性、標准匹配性等方面評價自動駕駛車輛模擬測試結果，對於模擬軟體自身的評價缺乏統一的評價標准，如模擬軟體場景真實度、場景覆蓋度、模擬效率等。

自動駕駛汽車作為智能化產品，未來需要應用深度學習演算法使汽車具備自我學習能力，如道路障礙物的復述重現能力、場景的泛化遷移能力，因此自我學習進化性也是自動駕駛汽車的評價指標，目前自動駕駛汽車的學習進化性還缺乏相應的評價規范。

總結：

自動駕駛技術演化有兩條路線，分別是由L2級到L3級和L4級到L5級，前者是多數車企走的路線，後者往往是科技公司的選擇，兩者的主要代表分別是特斯拉和Waymo。今年以來，多家企業表示，已具備L3級自動駕駛車輛量產能力；科技企業也紛紛展開Robotaxi的商業化運營測試。可以看出，各股競爭勢力都在試圖搶先落地應用自動駕駛技術。誰能在競賽中拔得頭籌？成本和效率無疑是最關鍵因素，模擬測試的成熟應用或將成為關鍵。（文/汽車之家肖瑩）

⑸ 汽車自動駕駛面臨的場景和測試驗證方面是不是有相關的支撐技術

這里就簡單的來介紹一下自動駕駛的場景，自動駕駛用三個詞來概括，就是感知、決策和執行。這個跟所有的物聯網場景是一致的。
感知，現階段感測器的數據是不是被有效的感知上來？是不是有不可信的、不可靠的、被偽造的和欺騙的數據，這個不完全在SOTIF的考慮范疇內。它重點會圍繞著由於各方面的不完善，比如系統是不是能夠做出更正確的一個響應的等。此信息來自51fusa功能安全社區

⑹ 如何解決自動駕駛汽車行業的面臨的難題呢

目前汽車自動駕駛領域遇到的最大問題應該是標注數據集的質量無法滿足AI技術商業化落地的需求。

要讓汽車本身的演算法做到處理更多、更復雜的場景，背後就需要有海量的真實道路數據做支撐。

數據標注存在的意義是讓機器理解並認識世界。在汽車自動駕駛領域，數據標注處理的標注場景通常包括換道超車、通過路口、無紅綠燈控制的無保護左轉、右轉，以及一些復雜的長尾場景諸如闖紅燈車輛、橫穿馬路的行人、路邊違章停靠的車輛等等。

作為自動駕駛技術的基礎，標注數據質量的高低直接影響最終模型效果的好壞。海量且高質量、精細化的數據可以在很大程度上提升汽車自動駕駛的安全性與實用性，助推自動駕駛落地化進程。

⑺ 蔣京芳：禾多科技如何探索自動駕駛全場景落地| 汽車產經

2021年12月16日，由中國汽車工程學會和中國智能網聯汽車產業聯盟聯合主辦的2021第三屆國際汽車智能共享出行大會在廣州花都開幕。禾多科技合夥人、高級副總裁蔣京芳在會上發表主題演講，分享了禾多科技在自動駕駛全場景落地方面的探索。

禾多科技由倪凱博士創立於2017年，其使命是通過自動駕駛技術，賦能和升級人們的移動出行，專注於行車、泊車兩個方面的自動駕駛解決方案探索。目前，其領航輔助功能以及可以實現高速公路的自動跟車，主動變道，以及實現上下匝道切換，明年將在廣汽實現量產。而自動泊車功能則可以自主學習，實現記憶泊車。

在實現自動駕駛功能的路上，如何做到安全好用，蔣京芳也分享了禾多科技的經驗，會通過不斷的驗證，場景與數據的回傳，持續對模型加以訓練，優化演算法，再通過遠程刷新的方式反饋給車輛，實現閉環。

以下為演講實錄：

女士們，先生們，大家下午好，首先感謝主辦方的邀請，今天有機會跟大家分享禾多在自動駕駛全場景落地方面的探索，首先請允許我簡單介紹一下禾多，禾多的名字很好記，就是移動的移，禾多是2017年由倪凱博士創立的，所以是一個年輕的科技公司，從字面上不難解讀到禾多的使命，就是通過自動駕駛技術，賦能和升級人們的移動出行。

禾多創立四年以來，先後經歷過我們的投資，融資，兩輪都發生在今年，今年的4月份第一輪和10月份新一論，特別值得一提的就是10月份有幸得到了廣汽資本的戰略投資，廣汽集團成為禾多的重要股東。

禾多在過去的四年中，最近兩年取得飛速發展，我們成立了兩個閉環300多人的團隊，四大認證體系，以及在五個地區都有相關的辦事處，兩個閉環怎麼說呢，就是在北京，武漢的團隊，主要專注於演算法，專注於平台的開發以及創新，由倪凱博士親自負責，位於蘇州，廣州，以及上海的團隊，我們主要打造的是量產、交付。所以我們在蘇州、上海以及廣州更多的是工程化的人員。

我們除了有地圖資質以外，也申請甲級的資質，我們獲得了16949等質量體系認證。

介紹了禾多公司，接下來談談禾多的產品，因為禾多在整個的四年中還是非常專注的，不忘初心，致力於本地數據的自動駕駛解決方案，專注於兩個方案，一個行車，一個泊車，當然了，再細分的話，又分為高速公路的自動駕駛，低速的泊車功能，這里有幾個視頻，跟大家簡單分享一下我們目前的開發狀態，這個是我們的智能領航輔助功能，主要結合多個攝像頭，前視，側視，毫米波雷達，前向毫米波雷達，側向毫米波雷達，同時結合導航的信息，針對這些感測器的信息進行融合，規劃以及控制，這里可以看到，可以實現高速公路的自動跟車，主動變道，以及實現上下匝道切換，在彎道，隧道以及施工場景的話，也是基於感測信息和地圖信息，可以很好地應對。

這個功能如果再往下延伸的話，就是城區自動駕駛功能，這還需要更多的感測器，比如說激光雷達，通過對紅綠燈的識別可以實現無保護左轉等等，剛才講到的高速公路的自動駕駛，在明年在廣汽量產，明年把程序功能量產，這是自動駕駛的功能，叫做HOLOMATIC，第一遍車輛需要自主學習，然後就可以泊入應泊的地方，上班的時候可以到你住的地方來接你去上班，這就是記憶泊車，再往上的話，就是代客泊車，人直接下車，這輛車自動找它的車位停下來，等你購物之後，這輛車到你的身邊，可以通過手機定位，接你回家。所以這些功能的話，應該對消費者都是非常有用的。

同樣，在自動泊車功能方面，記憶泊車會首發在明年10月份左右量產，自動泊車也會投放量產。剛才說到相關的功能，是靠多種感測器的感知，然後通過域控制器，計算平台進行處理，接下來進行規劃和控制，當然所有的這些技術的最基礎的技術，就是它的感知，就像人的眼睛，看不到做什麼都沒有用。

禾多一直在提升我們的感知能力，包括我們與清華大學有一個聯合的實驗室合作，我們分成兩大類，就是靜態感知和動態感知，靜態感知比如說對車道線的感知，對Free Space的感知，燈桿，紅綠燈，以及我在停車場的車位的感知，動態感知包括對行人，車輛，兩輪車等等的激光雷達，ODD區域的感知，以及相關的融合和預測。

那麼我看到很多的Demo，在公共機上做的，我們一直就是穩扎穩打，把項目投放量產，我們都是基於嵌入式的平台，我們在華為的MDC610部署了神經網路，同時經過後處理和融合，就是全棧感知演算法，可以從這張圖看到，前面是基於前視的輸出，這是側左和側右的輸出，這是我們對障礙物的檢測，2D、3D檢測的結果，後面的這些激光雷達相比的話，還是非常的穩定的，非常精準的。

同樣演算法，我們也部署在TI的TDA4上，對車輛，對車道線，對燈桿，對路牌的感知，除了需要有神經網路的模型之外，還要對這個模型裁剪和優化，這方面我們做的效率還是非常不錯的。

基於激光雷達我們把量產的激光雷達部署在車上，然後基於公開的數據做了後處理，其實這塊的話，主要是可以看到對前面的比如說障礙物，或者是車輛以及行人的一些探測和追蹤，也是比較穩定的，激光雷達的演算法還是持續優化當中。

同樣在低速的泊車環境下，需要用到魚眼攝像頭，這也是基於環視相機的演算法，已經開發完成，而且部署在TI的TDA4的嵌入式平台上，進行了相關的訓練，所以我剛才講到的，接下來要量產的行車，泊車的功能都是基於嵌入式的平台，要麼是MDC要麼是TI的TDA4。剛才說到泊車的功能需要對你的車輛在停車場進行定位，禾多的定位技術也是相當不錯的，基於前視攝像頭，探測到車輛，探測到行人，在停車場的地圖進行實時更新，使得我們剛才講到的泊車功能有比較好的表現。

大家可能注意到了，應該說從去年開始，之前不會談到域控制器，都是一個雷達一個攝像頭，或者五個雷達一個攝像頭，或者超聲波雷達和環視攝像頭這樣的感測器，但是從去年開始就是各種各樣的域控制器，我們有大算力的，華為的MDC，有英偉達的，地平線的J5，有高通，中低算力的TDAA，有J4以及等等其它的晶元，所以作為禾多的話，作為軟體的Tier1，我們的目標就在不同的域控制器，部署功能的演算法，所以我們目前的話也在不停地加強不同平台的適配能力。

有一點可能很多人不知道，現在很多車上都有自動駕駛功能，但是消費者都覺得不好用，我們覺得在主機廠，智能座艙和自動駕駛是兩個功能，不知道怎麼把這個功能在智能座艙上做很好的演示，做智能座艙的人不懂自動駕駛，我們的目標就是打通自動駕駛，智能座艙，我們的一個叫HOLOHMI，不是你主動激活它，而是卡片式的彈出，也更加的友好。比如說開車的時候，有座椅A座椅B，自動駕駛也可以這樣做，通過自動駕駛的模型，可以分為自動駕駛A，B，本人的模型，或者是明星模型，或者是賽車手的模型，所以我們也開發了一個CID1，就是把行車，泊車，城區的自動駕駛的功能把人機交互，做成統一，合一，把做重要的信息高光出來，比如是感測器的信息，什麼時候要變道，變道的原因也展示出來，對於超視距的信息，前方的隧道，也通過人機交互的方式，給用戶很好的體驗，幫助用戶對自動駕駛的功能建立更高的信心，這也是禾多提供的技術支持之一。

剛才講到，自動駕駛功能實現，應該來說，我們需要一點時間就可以實現了，但是怎麼做到安全好用的話，就是我們常說的效應，功能比如說經過一段時間的驗證，可以釋放，但是大批量的驗證，需要投放市場之後，通過影子模式，把相關的場景，傳回到系統中，同時比如說我有自動駕駛數據，我搭建了場景庫，再對現在的模型進行訓練，優化我的演算法，最後通過遠程刷新的方式刷到我們的車上，所以整個閉環的話，需要軟體公司與主機場的深度的合作，在右邊的話，需要更多的合作夥伴的合作，通過眾包的形式對地圖進行實時更新，需要更多搭載自動駕駛的車輛，並且打通車與車之間，還有跟雲端的交互，時間關系我就不一一贅述了。

我有兩個比較簡單的案例，自動駕駛的功能做得好與不好，就是對機械場景的節約能力強與不強，比如說在後台發現一輛車總是在壓線行駛，後來發現這不是一個車道線，而是一個電線桿的陰影，右邊也是的，發現這個車一直是有車道線，但實際上是車在地面上的一個箭頭，一個標識，像這樣的場景的話，我們都必須要靠後台的監控，發現這些場景之後，優化我們的演算法，最終我們就把這種錯誤減少。

大家都說自動駕駛現在很火，也很卷，所以禾多從建立到現在都秉承著開放合作共贏的心態，因為我們需要感測器平台的支持，需要計算平台的支持，包括晶元的支持，同時在上面部署功能，雲端的大數據功能的支持，合作夥伴除了主機廠，有域控制器的公司，晶元的公司，感測器的公司。包括我們在一些項目上，也與我們的友商一起合作，共同推進自動駕駛。

總結一下，禾多的主要專注於行泊一體的全場景的解決方案，我們的目標是適配於多域控制器，除了軟體，我們以軟體的開發為主，目前也在開發相關的硬體平台，我們更需要做的就是不斷提升我們的核心能力，支持主機廠，把更多更好用的功能投放市場，以及與行業的合作夥伴共建生態，我也非常期待與在座的各位大家一起交流，是否有合作的潛力。所以再次感謝主辦方的邀請，希望我們共同推動自動駕駛的發展，讓中國的自動駕駛領跑全球，謝謝大家！

⑻ LK分享｜自動駕駛的先啟之地-物流運輸行業

很多時候我們講自動駕駛，大家都緊緊盯住的是乘用車行業，但其實乘用車行業確是自動駕駛商業落地和成本最高的地方，第一，最復雜多變的應用場景，人，車，城市道路的復雜。第二，復雜多變的客戶需求，不希望被車駕駛而是駕駛車輛，需要考慮更多舒適，能耗，安全之間的關系。所以其實這是自動駕駛最難的一塊場景-開放式場景自動駕駛場景，場地情況路線復雜不變，突發情況和異常物體非常常見。而封閉式的場景其實在工業和物流領域確又相當的成熟，成熟到沒有人叫他自動駕駛而叫機器人。

於是目前有一塊資本技術以及人才都火熱的場景-半封閉式場景自動駕駛場景，場地情況路線相對單一通常為交通工具，無動物或者人類，無突發情況和異常物體場景非常少，移動駕駛物體有一定規律。他在實際中的場景就是高速道路點對點物流倉儲。對於物流倉儲他的目的非常明確准時從A送達B。

今天我們通過相關資料了解，為什麼是卡車物流自動駕駛會先商業落地，當前國內外有幾大自動駕駛玩家團隊以及背後資本和自動駕駛技術以及商業落地方案。

1、 為什麼是卡車物流自動駕駛

市場巨大-全球4萬億美元的卡車物流，高於電子商務，甚至快超 汽車 製造業總值2倍。中美均為8000億美元。

根據圖森的數據，全球卡車貨運市場是4萬億美元的總量，美國市場貨運是8000億，而大家都蜂擁而上的電子商務3.5萬億，其中做的好的亞馬遜年收入是3480億美元，目前各家IT 企業都競相進入的 汽車 行業是2.8萬億，其中特斯拉新勢力年收入是280億美元。

從智加 科技 Plus的數據也可看出，中美市場的貨運總值差不多和圖森的數據是一致大概8000億美元。中美的差異是中國高速貨運的總值小於美國 18個百分點。當然這也反應了當前的現狀，國內貨運最後一公里的場景比北美多。

所以這個市場是巨大的，特別是在中美幅員遼闊，經濟活躍的國家。

客戶接受度高-降低運營成本38%，降低燃油費用，減少人力成本還更加安全減少90%安全風險。

物流運輸行業屬於B2B的生意，對於B2B的生意，其實客戶重視的重點是成本。成本包括了一次性投資成本和運營成本。顯然一次性投資成本會要增加，但是運營成本會減少。

根據圖森美國分析，在美國卡車物流的運營成本主要的兩大塊是司機成本占將近39%，燃油以及保養成本佔53%。

顯然中國的成本還會包含高速過橋過路費，另外中國人力成本應該是偏少的，之前看過相關新聞美國卡車司機的工資年薪8.5-12萬美金，合人人民幣50萬左右。當然數據僅供參考但也凸顯卡車司機費用。但其實目前國內卡車司機費用不低但真的辛苦。

根據智加Plus 的數據，通過採用自動駕駛的卡車物流可以節省燃油10-20%而且這個數據是經過和順豐物流以及美國一家公司的驗證。

所以智加最後通過總體數據算出物流卡車的自動駕駛能給行業帶來38%的運營成本的降低。

技術成熟度-自動駕駛場景相對簡單，對於技術方案，熟悉我們之前專題文章（#自動駕駛）自動駕駛演算法以及產業方案都相對成熟。目前更多的是對於場景復雜度的訓練學習。但對於物流運輸行業的場景就相對簡單，卡車物流運輸是從倉儲到倉儲一般採用高速運輸再到工業園區的倉儲。特別是高速，典型的半封閉的交通環境，沒有行人，動物以及復雜轉彎場景。

2、 當前幾大自動駕駛玩家

目前，資本市場比較追捧，產品已經上市或者已經測試推廣中的有以下公司：

當前卡車物流自動駕駛玩家主要集中在美國市場和中國。美國相對更多，主要原因是美國物流交通基礎設施更發達和簡單有規律，而且美國人工成本相對於中國市場更高。但在我們開頭的文章也講到，主要是兩家市場足夠大。

中國創始者以及資本在卡車物流駕駛相當活躍，其中在美國市場的圖森和智加 科技 創始人都為中國人或者華人其背後的資本也可以看到中國資本，另外國內市場的贏徹就不用說了。

圖森Tusimple主要或者初始資金來自於SUN dream，新浪，復合資本composite。

智加 科技 Plus的主要或者初始資金來自於滿幫，國泰君安，金沙創投，HS Investments。

贏徹的主要或者初始資金來自於普洛斯、G7、蔚來資本。

美國的EMBARK,Aurora兩家都有來自於紅衫資本（紅衫資本為國際資本，中國紅衫資本為沈南鵬和紅衫資本合作）的投資。

3、 卡車物流自動駕駛技術概覽

技術方案-激光雷達，攝像頭，高精地圖一個也不少

自動駕駛技術方案在我們之前文章自動駕駛的三種解決方案提過，三種主要方案，基於視覺主導，基於激光雷達主導，基於車聯網主導。目前卡車自動駕駛行業更多的是採用視覺和激光雷達融合方案。所以對於感測器都會採用激光雷達，攝像頭以及毫米波雷達，配合高精地圖或者視覺地圖一個也不少的方案。

通過視覺AI方案進行物體的識別，通過雷達方案在地圖中進行邊界的確定。

對於卡車自動駕駛目前毫無懸念沒有說不採用激光雷達方案的，主要原因有卡車重量大，剎車距離長應用場景主要是高速封閉道路那麼必須要有能夠長達公里級別的預測，而對於視覺當前很難。而當前乘用車對於激光雷達的採用主要是成本問題，但對於卡車而言本來卡車的價格就相當高，動輒百萬人民幣，所以即使是當前的激光雷達價格也能接受何況將來的成本下降。

所以當前卡車物流自動駕駛底層技術邏輯是一致的，激光雷達，視覺攝像頭，毫米波雷達，高精地圖一個也不少，採用視覺AI進行物體識別，激光雷達進行地圖定位。採用演算法晶元進行感知融合，計劃對整車釋放控制信號。

其中技術的差異化會體現在激光雷達等感知感測器的選型，演算法的差異。來面對復雜的天氣情況確保高度的穩健性。例如Aurora宣稱其優勢可以使用Uber創建的大數據地圖，其fistlight激光雷達不畏懼陽光更快更遠的距離。其實技術差異性較小。

其自動駕駛配置以及落地路線圖，遵循和乘用車自動駕駛一致，先從輔助駕駛的車道保持，類似於NAP的超車，匯入車道，跟停，再到夜間駕駛，到不同天氣工況最後到全域自動駕駛。

根據現有資料，當前五家自動駕駛卡車雄心壯志是在2025年前把卡車物流自動駕駛L4落地。

4、 卡車自動駕駛商業模式

但是目前卡車物流自動駕駛商業模式有一定的差異化，

以中國創始人以及資本代表的-車輛改裝定製方案，通過和頭部主機廠合作進行深度定製和改裝。用戶購買自動駕駛車隊，或者第三方車隊購買自動駕駛卡車整車，提供服務給終端用戶，其中圖森的商業模式也承擔第三方車隊角色。

以美資創始人以及資本代表的-通用安裝介面方案，通過定義通用的感測器以及系統加裝在原有 汽車 上。Aurora投資自動駕駛相關設施費用安裝到第三方車隊上，第三方車隊自有車輛，終端用戶按公里繳費。

5、 總結

對於卡車物流自動駕駛從客戶接受度，技術成熟度都是當前自動駕駛商業落地比較好的落腳點，當然乘用車自動駕駛NAP就是一個先列，也就是基於點到點通過高架或者高速。但是他的客戶接受度比不上卡車物流行業，客戶當前更多是把他當成玩的方式，但卡車物流是真正從成本和管理上給用戶帶來利潤。所以目前幾家都宣稱在2025年前實現L4的高速物流自動駕駛。

由於自動駕駛的底層原理一樣，視覺AI，AI處理器 等物理零部件支持下的感測器數據處理，行動規劃，再到執行。顯然卡車物流的自動駕駛會促進乘用車自動駕駛的發展，從產業供應鏈雷達等成本，到技術方案的優化和大數據的分析，例如Aurora不但發展卡車物理自動駕駛同時也進入乘用車自動駕駛，所以未來不乏這些公司會進入乘用車自動駕駛方案。

主要參考文章

1、圖森tusimple投資者報告1和2

2、圖森tusimple招股說明書

3、智加 科技 Plus投資者報告

4、EMBARK投資者報告

5、Aurora投資者報告

轉載自網路，文中觀點僅供分享交流，不代表本號立場，如涉及版權等問題，請您告知，我們將及時處理。

⑼ 中國典型駕駛場景庫V3.0發布，新增1000餘例自動駕駛事故等場景

場景是自動駕駛系統開發、測試、驗證的核心，因此中國典型駕駛場景庫的開發對未來自動駕駛車輛的安全行駛至關重要。12月3日，在重慶召開的第五屆i-VISTA智能網聯汽車國際研討會上，國家市場監管總局缺陷產品管理中心和中國汽研共同推出的中國典型駕駛場景庫V3.0，新增1000餘例真實車輛事故場景、自動駕駛事故場景和預期功能安全場景，將為自動駕駛系統的安全性測試提供有力的場景支撐。

"通過數據中心還有行業的相應項目，我們實現在自動駕駛演算法開發層面的一些應用以及在模擬這塊的測試應用，另有相應工具和模擬系統目前在國家自動駕駛場景與模擬中心進行研究。"李鵬輝稱，為了方便測試企業將場景庫用於自動駕駛產業開發過程中，3.0版本分為基礎、初級、中級、高級的場景包，將有助於進一步助推智能網聯行業的發展。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。