自动驾驶场景分析方法

⑴ 自动驾驶的五大核心技术

自动驾驶车是一个轮式机器人。自动驾驶可以说是一个涉及了多个学科的综合领域，本文带你探寻自动驾驶的5大主要技术，看看这个轮式机器人的大脑、眼睛等都是如何工作的。

1、识别技术

和人类的眼睛一样，这个轮式机器人也有它自己的眼睛，用来识别周边的车辆、障碍物、行人等路上的情况。

我们眼睛的主要构成部分是眼球，通过调节晶状体的弯曲程度来改变晶状体焦距来获得实像。那自动驾驶的眼睛是由什么构成的呢？答案是传感器。包括摄像头、激光雷达、毫米波雷达，还有红外线、超声波雷达等。

你可能会惊讶，需要这么多眼睛？没错，它是长满了眼睛的小怪兽，通常拥有10+只眼睛。

其中，最常用的是摄像头，几乎是毫无争议地被所有开发者采用。它和人类的眼睛最接近，可以看清有颜色的标识、物体，看得懂字体，分得清红绿灯。但是缺点也不少，比如在夜晚或恶劣的天气下视力就严重下降，也不擅长远距离观察。

其次是颇富争议的LiDAR，即激光雷达。比较常见的是在车顶，像是顶不停旋转的帽子。原理很简单，就是通过计算激光束的反射时间和波长，可以完成绘制周边障碍物的3D图。而短板则是无法识别图像和颜色。

毫米波雷达也不得不提一提，因为它的全能--可以全天候工作，这使得它不可或缺，即便它无法识别高度，分辨率不高，也难以成像。但它凭借其穿透尘雾、雨雪的硬本领，站稳一席之地。

如此多各式各样的眼睛，那她的视力一定很好咯？那也未必。你以为星多天空亮，可它们之间能够互补还好，但也难免会产生矛盾。这么多只眼睛你要优先选择相信谁，这也是一个课题叫Sensor Fusion，传感器融合。根据每种传感器的优缺点来综合评判信息的准确度，得到更可靠的最终结果。传感器融合的另一个优点是，换来一定程度的冗余，即便某只眼睛暂时失明，也不会影响它安全前行。

2、决策技术

通过眼睛识别得到了周边环境，接下来就要充分利用这些信息进行理解分析，决定自己该如何走下一步。要完成这项任务的就是最强大脑。

跟人类的大脑一样，我们不是天生就会开车，也不是拿到驾照就成老司机了。需要一定的知识积累，自动驾驶机器人也同样需要。完成大脑中的知识库有两种方式：专家规则式和AI式。

专家规则式，英文叫rule-based。即提前编写好规则，当需要做决定的时候必须严格遵守这些规则。举个栗子，当准备超车变道时，需要满足以下条件（这是一个假专家，仅供参考）：道路半径大于500R（弯道不变道）；跟目标车道上的前后车的距离都在20m以上；比后车的车速慢不超过5km/h；等等等等...以上N个条件同时满足时，即可超车变道。

l IAI式，就是一直很火的人工智能Artificiantelligence。模仿人类的大脑，通过AI算法对场景进行理解。或提前通过大量的犯错积累经验，或事前听某人指点江山。通过AI式积累知识库，会让她的反应更加灵活。专家也难免有疏忽，更何况交通瞬息万变，没有灵活的大脑如何应对我大中华的路况呢？

3、定位技术

只有知道自己在哪里，才知道自己去哪里。

现今，除了主流的用GPS或GNSS（全球卫星导航系统）来定位的方式之外，也有在公路上铺设电磁诱导线等方式来实现定位。高精度GPS定位目前来说最大难题是，山区和隧道等地理因素对精度的影响，虽然可以依靠IMU（惯性测量单元）来进行推算，但GPS丢失信号时间过长的话，累计的误差就会比较大。

另外，自动驾驶专用的3D动态高清地图带给了自动驾驶更多可能性。因为有了高清地图，就可以将自己的位置轻松定位在车道上。

4、通信安全技术

试想如果被黑客入侵，控制了你的自动驾驶车，不仅可以监听到你的秘密谈话，还很可能成为杀人工具。黑客可以通过影响传感器的数据而影响决策，或直接介入判断机制进而影响行驶轨道。

先了解一个术语，V2X=Vehicle To Everything。即车辆与基础设施之间所有通信的通用简称，包括车辆与车辆之间叫V2V、车辆与行人之间V2P、车辆与交通基础设施之间V2I、车辆与网络之间V2N等。

V2X包含了汽车和我们的个人信息，因此在通信的时候对用户的身份验证和给数据加密，这些都必不可少。

5、人机交互技术

虽说我们对自动驾驶的印象大多是，不需要人们的干涉，它就能把我们送到任何想去的地方。但是很遗憾，目前的自动驾驶系统还做不到这一点。

遇到自动驾驶驾驭不了的场景，便会呼唤你接替它的工作。这时，HMI（人机界面）就发挥作用了。它的目标是，用最直观最便捷的方式通知我们，让驾驶员尽快注意到。

⑵ 自动驾驶系统的定位方法有哪些

【太平洋汽车网】该自动驾驶定位方法包括根据需求分别自动切换以下三种自动驾驶的定位技术：在感应到基站的情况下，采用卫星定位和捷联惯导组合的定位技术；在未感应到基站的情况下，采用激光雷达点云和高精度地图匹配的定位技术；在隧道或夜间外界环境光线稳定的情况下，采用视觉里程算法的定位技术。

目前使用最广泛的自动驾驶定位方法包括融合全球定位系统（GNSS，）和惯性导航系统（INS，InertialNavigationSystem）。其中，GNSS的定位精度由器件成本决定，一般在几十米到几厘米级别之间，精度越高，成本也越贵。融合GNSS和INS的定位方法能够在一定程度上解决GNSS在环境恶劣条件（高楼、树木遮挡，大面积水域、隧道等）下定位精度偏差较大的影响，但对于城市这样大范围定位条件都不好的情况，单纯的GNSS+INS的定位技术还是不够满足自动驾驶的需求。

地图辅助类定位方法是另一种广泛使用的自动驾驶定位技术，代表算法是同步定位与地图构建（SLAm，）。SLAM的目标是构建地图的同时使用该地图进行定位，SLAM通过传感器（摄像头、Lidar等）观测到的环境特征，确定当前车辆的位置以及当前观测目标的位置，这是一个利用以往的先验概率分布和当前的观测值来估计当前位置的过程，这一过程通常使用的方法有：贝叶斯滤波器（BayesianFilter）、卡尔曼滤波器（KalmanFilter）、扩展卡尔曼滤波器（ExtendKalmanFilter）、粒子滤波器（ParticalFilter）等，这些都是基于概率和统计原理的定位技术。

SLAM是机器人定位领域的研究热点，在特定场景下的低速自动驾驶定位的应用过程中也有较多现实的实例，如园区无人摆渡车、无人清洁扫地车、扫地机器人等，都广泛采用了SLAM技术。实际上，在此类特殊场景中，用户并不是在定位的同时实时建图，而是事先使用传感器（如激光雷达、摄像头等）对车辆运行环境区进行SLAM地图的构建，然后在建好的地图SLAM地图的基础上实现定位、路径规划等其他进一步的操作。

（图/文/摄：太平洋汽车网问答叫兽）

⑶ 完全自动驾驶来临前，高效数据闭环是自动驾驶系统的核心竞争力

而基于这些关键因素，希捷认为一个完整的自动驾驶数据流动闭环，必须要一套完整的端点－边缘－核心数据解决方案，这不仅仅是满足系统开发需要，也能够持续为用户带来新价值。

那么，在实际测试的过程中，自动驾驶公司如何能够保障数据收集的完整性？

如何在频繁拆卸、长途运输过程中保证数据存储不会丢失？最后，在核心数据层面如何完成数据训练，推理，冷备？

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

⑷ 竞速商业落地 自动驾驶赛程进入下半场

[汽车之家行业]?自动驾驶竞赛进入下半场，推进商业化应用成为各企业发力的重点。根据美国兰德公司的研究，自动驾驶算法想要达到人类驾驶员水平至少需要累计177亿公里的驾驶数据来完善算法。

如果配置一支100辆自动驾驶测试车的车队，每天24小时不停歇路测，平均时速25英里（40公里）每小时来计算，需要500多年的时间才能完成目标里程，期间所耗费的时间和成本无疑难以承受。

‘腾讯TADSim部分场景展示’

另一方面，自动驾驶仿真测试评价体系缺乏规范。

在自动驾驶仿真测试方面，由于不同仿真软件系统架构及场景库构建方法的不同，导致很难建立统一规范的仿真测试评价体系。目前国内仿真评价体系的研究方向主要是从驾驶安全性、舒适性、交通协调性、标准匹配性等方面评价自动驾驶车辆仿真测试结果，对于仿真软件自身的评价缺乏统一的评价标准，如仿真软件场景真实度、场景覆盖度、仿真效率等。

自动驾驶汽车作为智能化产品，未来需要应用深度学习算法使汽车具备自我学习能力，如道路障碍物的复述重现能力、场景的泛化迁移能力，因此自我学习进化性也是自动驾驶汽车的评价指标，目前自动驾驶汽车的学习进化性还缺乏相应的评价规范。

总结：

自动驾驶技术演化有两条路线，分别是由L2级到L3级和L4级到L5级，前者是多数车企走的路线，后者往往是科技公司的选择，两者的主要代表分别是特斯拉和Waymo。今年以来，多家企业表示，已具备L3级自动驾驶车辆量产能力；科技企业也纷纷展开Robotaxi的商业化运营测试。可以看出，各股竞争势力都在试图抢先落地应用自动驾驶技术。谁能在竞赛中拔得头筹？成本和效率无疑是最关键因素，仿真测试的成熟应用或将成为关键。（文/汽车之家肖莹）

⑸ 汽车自动驾驶面临的场景和测试验证方面是不是有相关的支撑技术

这里就简单的来介绍一下自动驾驶的场景，自动驾驶用三个词来概括，就是感知、决策和执行。这个跟所有的物联网场景是一致的。
感知，现阶段传感器的数据是不是被有效的感知上来？是不是有不可信的、不可靠的、被伪造的和欺骗的数据，这个不完全在SOTIF的考虑范畴内。它重点会围绕着由于各方面的不完善，比如系统是不是能够做出更正确的一个响应的等。此信息来自51fusa功能安全社区

⑹ 如何解决自动驾驶汽车行业的面临的难题呢

目前汽车自动驾驶领域遇到的最大问题应该是标注数据集的质量无法满足AI技术商业化落地的需求。

要让汽车本身的算法做到处理更多、更复杂的场景，背后就需要有海量的真实道路数据做支撑。

数据标注存在的意义是让机器理解并认识世界。在汽车自动驾驶领域，数据标注处理的标注场景通常包括换道超车、通过路口、无红绿灯控制的无保护左转、右转，以及一些复杂的长尾场景诸如闯红灯车辆、横穿马路的行人、路边违章停靠的车辆等等。

作为自动驾驶技术的基础，标注数据质量的高低直接影响最终模型效果的好坏。海量且高质量、精细化的数据可以在很大程度上提升汽车自动驾驶的安全性与实用性，助推自动驾驶落地化进程。

⑺ 蒋京芳：禾多科技如何探索自动驾驶全场景落地| 汽车产经

2021年12月16日，由中国汽车工程学会和中国智能网联汽车产业联盟联合主办的2021第三届国际汽车智能共享出行大会在广州花都开幕。禾多科技合伙人、高级副总裁蒋京芳在会上发表主题演讲，分享了禾多科技在自动驾驶全场景落地方面的探索。

禾多科技由倪凯博士创立于2017年，其使命是通过自动驾驶技术，赋能和升级人们的移动出行，专注于行车、泊车两个方面的自动驾驶解决方案探索。目前，其领航辅助功能以及可以实现高速公路的自动跟车，主动变道，以及实现上下匝道切换，明年将在广汽实现量产。而自动泊车功能则可以自主学习，实现记忆泊车。

在实现自动驾驶功能的路上，如何做到安全好用，蒋京芳也分享了禾多科技的经验，会通过不断的验证，场景与数据的回传，持续对模型加以训练，优化算法，再通过远程刷新的方式反馈给车辆，实现闭环。

以下为演讲实录：

女士们，先生们，大家下午好，首先感谢主办方的邀请，今天有机会跟大家分享禾多在自动驾驶全场景落地方面的探索，首先请允许我简单介绍一下禾多，禾多的名字很好记，就是移动的移，禾多是2017年由倪凯博士创立的，所以是一个年轻的科技公司，从字面上不难解读到禾多的使命，就是通过自动驾驶技术，赋能和升级人们的移动出行。

禾多创立四年以来，先后经历过我们的投资，融资，两轮都发生在今年，今年的4月份第一轮和10月份新一论，特别值得一提的就是10月份有幸得到了广汽资本的战略投资，广汽集团成为禾多的重要股东。

禾多在过去的四年中，最近两年取得飞速发展，我们成立了两个闭环300多人的团队，四大认证体系，以及在五个地区都有相关的办事处，两个闭环怎么说呢，就是在北京，武汉的团队，主要专注于算法，专注于平台的开发以及创新，由倪凯博士亲自负责，位于苏州，广州，以及上海的团队，我们主要打造的是量产、交付。所以我们在苏州、上海以及广州更多的是工程化的人员。

我们除了有地图资质以外，也申请甲级的资质，我们获得了16949等质量体系认证。

介绍了禾多公司，接下来谈谈禾多的产品，因为禾多在整个的四年中还是非常专注的，不忘初心，致力于本地数据的自动驾驶解决方案，专注于两个方案，一个行车，一个泊车，当然了，再细分的话，又分为高速公路的自动驾驶，低速的泊车功能，这里有几个视频，跟大家简单分享一下我们目前的开发状态，这个是我们的智能领航辅助功能，主要结合多个摄像头，前视，侧视，毫米波雷达，前向毫米波雷达，侧向毫米波雷达，同时结合导航的信息，针对这些传感器的信息进行融合，规划以及控制，这里可以看到，可以实现高速公路的自动跟车，主动变道，以及实现上下匝道切换，在弯道，隧道以及施工场景的话，也是基于传感信息和地图信息，可以很好地应对。

这个功能如果再往下延伸的话，就是城区自动驾驶功能，这还需要更多的传感器，比如说激光雷达，通过对红绿灯的识别可以实现无保护左转等等，刚才讲到的高速公路的自动驾驶，在明年在广汽量产，明年把程序功能量产，这是自动驾驶的功能，叫做HOLOMATIC，第一遍车辆需要自主学习，然后就可以泊入应泊的地方，上班的时候可以到你住的地方来接你去上班，这就是记忆泊车，再往上的话，就是代客泊车，人直接下车，这辆车自动找它的车位停下来，等你购物之后，这辆车到你的身边，可以通过手机定位，接你回家。所以这些功能的话，应该对消费者都是非常有用的。

同样，在自动泊车功能方面，记忆泊车会首发在明年10月份左右量产，自动泊车也会投放量产。刚才说到相关的功能，是靠多种传感器的感知，然后通过域控制器，计算平台进行处理，接下来进行规划和控制，当然所有的这些技术的最基础的技术，就是它的感知，就像人的眼睛，看不到做什么都没有用。

禾多一直在提升我们的感知能力，包括我们与清华大学有一个联合的实验室合作，我们分成两大类，就是静态感知和动态感知，静态感知比如说对车道线的感知，对Free Space的感知，灯杆，红绿灯，以及我在停车场的车位的感知，动态感知包括对行人，车辆，两轮车等等的激光雷达，ODD区域的感知，以及相关的融合和预测。

那么我看到很多的Demo，在公共机上做的，我们一直就是稳扎稳打，把项目投放量产，我们都是基于嵌入式的平台，我们在华为的MDC610部署了神经网络，同时经过后处理和融合，就是全栈感知算法，可以从这张图看到，前面是基于前视的输出，这是侧左和侧右的输出，这是我们对障碍物的检测，2D、3D检测的结果，后面的这些激光雷达相比的话，还是非常的稳定的，非常精准的。

同样算法，我们也部署在TI的TDA4上，对车辆，对车道线，对灯杆，对路牌的感知，除了需要有神经网络的模型之外，还要对这个模型裁剪和优化，这方面我们做的效率还是非常不错的。

基于激光雷达我们把量产的激光雷达部署在车上，然后基于公开的数据做了后处理，其实这块的话，主要是可以看到对前面的比如说障碍物，或者是车辆以及行人的一些探测和追踪，也是比较稳定的，激光雷达的算法还是持续优化当中。

同样在低速的泊车环境下，需要用到鱼眼摄像头，这也是基于环视相机的算法，已经开发完成，而且部署在TI的TDA4的嵌入式平台上，进行了相关的训练，所以我刚才讲到的，接下来要量产的行车，泊车的功能都是基于嵌入式的平台，要么是MDC要么是TI的TDA4。刚才说到泊车的功能需要对你的车辆在停车场进行定位，禾多的定位技术也是相当不错的，基于前视摄像头，探测到车辆，探测到行人，在停车场的地图进行实时更新，使得我们刚才讲到的泊车功能有比较好的表现。

大家可能注意到了，应该说从去年开始，之前不会谈到域控制器，都是一个雷达一个摄像头，或者五个雷达一个摄像头，或者超声波雷达和环视摄像头这样的传感器，但是从去年开始就是各种各样的域控制器，我们有大算力的，华为的MDC，有英伟达的，地平线的J5，有高通，中低算力的TDAA，有J4以及等等其它的芯片，所以作为禾多的话，作为软件的Tier1，我们的目标就在不同的域控制器，部署功能的算法，所以我们目前的话也在不停地加强不同平台的适配能力。

有一点可能很多人不知道，现在很多车上都有自动驾驶功能，但是消费者都觉得不好用，我们觉得在主机厂，智能座舱和自动驾驶是两个功能，不知道怎么把这个功能在智能座舱上做很好的演示，做智能座舱的人不懂自动驾驶，我们的目标就是打通自动驾驶，智能座舱，我们的一个叫HOLOHMI，不是你主动激活它，而是卡片式的弹出，也更加的友好。比如说开车的时候，有座椅A座椅B，自动驾驶也可以这样做，通过自动驾驶的模型，可以分为自动驾驶A，B，本人的模型，或者是明星模型，或者是赛车手的模型，所以我们也开发了一个CID1，就是把行车，泊车，城区的自动驾驶的功能把人机交互，做成统一，合一，把做重要的信息高光出来，比如是传感器的信息，什么时候要变道，变道的原因也展示出来，对于超视距的信息，前方的隧道，也通过人机交互的方式，给用户很好的体验，帮助用户对自动驾驶的功能建立更高的信心，这也是禾多提供的技术支持之一。

刚才讲到，自动驾驶功能实现，应该来说，我们需要一点时间就可以实现了，但是怎么做到安全好用的话，就是我们常说的效应，功能比如说经过一段时间的验证，可以释放，但是大批量的验证，需要投放市场之后，通过影子模式，把相关的场景，传回到系统中，同时比如说我有自动驾驶数据，我搭建了场景库，再对现在的模型进行训练，优化我的算法，最后通过远程刷新的方式刷到我们的车上，所以整个闭环的话，需要软件公司与主机场的深度的合作，在右边的话，需要更多的合作伙伴的合作，通过众包的形式对地图进行实时更新，需要更多搭载自动驾驶的车辆，并且打通车与车之间，还有跟云端的交互，时间关系我就不一一赘述了。

我有两个比较简单的案例，自动驾驶的功能做得好与不好，就是对机械场景的节约能力强与不强，比如说在后台发现一辆车总是在压线行驶，后来发现这不是一个车道线，而是一个电线杆的阴影，右边也是的，发现这个车一直是有车道线，但实际上是车在地面上的一个箭头，一个标识，像这样的场景的话，我们都必须要靠后台的监控，发现这些场景之后，优化我们的算法，最终我们就把这种错误减少。

大家都说自动驾驶现在很火，也很卷，所以禾多从建立到现在都秉承着开放合作共赢的心态，因为我们需要传感器平台的支持，需要计算平台的支持，包括芯片的支持，同时在上面部署功能，云端的大数据功能的支持，合作伙伴除了主机厂，有域控制器的公司，芯片的公司，传感器的公司。包括我们在一些项目上，也与我们的友商一起合作，共同推进自动驾驶。

总结一下，禾多的主要专注于行泊一体的全场景的解决方案，我们的目标是适配于多域控制器，除了软件，我们以软件的开发为主，目前也在开发相关的硬件平台，我们更需要做的就是不断提升我们的核心能力，支持主机厂，把更多更好用的功能投放市场，以及与行业的合作伙伴共建生态，我也非常期待与在座的各位大家一起交流，是否有合作的潜力。所以再次感谢主办方的邀请，希望我们共同推动自动驾驶的发展，让中国的自动驾驶领跑全球，谢谢大家！

⑻ LK分享｜自动驾驶的先启之地-物流运输行业

很多时候我们讲自动驾驶，大家都紧紧盯住的是乘用车行业，但其实乘用车行业确是自动驾驶商业落地和成本最高的地方，第一，最复杂多变的应用场景，人，车，城市道路的复杂。第二，复杂多变的客户需求，不希望被车驾驶而是驾驶车辆，需要考虑更多舒适，能耗，安全之间的关系。所以其实这是自动驾驶最难的一块场景-开放式场景自动驾驶场景，场地情况路线复杂不变，突发情况和异常物体非常常见。而封闭式的场景其实在工业和物流领域确又相当的成熟，成熟到没有人叫他自动驾驶而叫机器人。

于是目前有一块资本技术以及人才都火热的场景-半封闭式场景自动驾驶场景，场地情况路线相对单一通常为交通工具，无动物或者人类，无突发情况和异常物体场景非常少，移动驾驶物体有一定规律。他在实际中的场景就是高速道路点对点物流仓储。对于物流仓储他的目的非常明确准时从A送达B。

今天我们通过相关资料了解，为什么是卡车物流自动驾驶会先商业落地，当前国内外有几大自动驾驶玩家团队以及背后资本和自动驾驶技术以及商业落地方案。

1、 为什么是卡车物流自动驾驶

市场巨大-全球4万亿美元的卡车物流，高于电子商务，甚至快超 汽车 制造业总值2倍。中美均为8000亿美元。

根据图森的数据，全球卡车货运市场是4万亿美元的总量，美国市场货运是8000亿，而大家都蜂拥而上的电子商务3.5万亿，其中做的好的亚马逊年收入是3480亿美元，目前各家IT 企业都竞相进入的 汽车 行业是2.8万亿，其中特斯拉新势力年收入是280亿美元。

从智加 科技 Plus的数据也可看出，中美市场的货运总值差不多和图森的数据是一致大概8000亿美元。中美的差异是中国高速货运的总值小于美国 18个百分点。当然这也反应了当前的现状，国内货运最后一公里的场景比北美多。

所以这个市场是巨大的，特别是在中美幅员辽阔，经济活跃的国家。

客户接受度高-降低运营成本38%，降低燃油费用，减少人力成本还更加安全减少90%安全风险。

物流运输行业属于B2B的生意，对于B2B的生意，其实客户重视的重点是成本。成本包括了一次性投资成本和运营成本。显然一次性投资成本会要增加，但是运营成本会减少。

根据图森美国分析，在美国卡车物流的运营成本主要的两大块是司机成本占将近39%，燃油以及保养成本占53%。

显然中国的成本还会包含高速过桥过路费，另外中国人力成本应该是偏少的，之前看过相关新闻美国卡车司机的工资年薪8.5-12万美金，合人人民币50万左右。当然数据仅供参考但也凸显卡车司机费用。但其实目前国内卡车司机费用不低但真的辛苦。

根据智加Plus 的数据，通过采用自动驾驶的卡车物流可以节省燃油10-20%而且这个数据是经过和顺丰物流以及美国一家公司的验证。

所以智加最后通过总体数据算出物流卡车的自动驾驶能给行业带来38%的运营成本的降低。

技术成熟度-自动驾驶场景相对简单，对于技术方案，熟悉我们之前专题文章（#自动驾驶）自动驾驶算法以及产业方案都相对成熟。目前更多的是对于场景复杂度的训练学习。但对于物流运输行业的场景就相对简单，卡车物流运输是从仓储到仓储一般采用高速运输再到工业园区的仓储。特别是高速，典型的半封闭的交通环境，没有行人，动物以及复杂转弯场景。

2、 当前几大自动驾驶玩家

目前，资本市场比较追捧，产品已经上市或者已经测试推广中的有以下公司：

当前卡车物流自动驾驶玩家主要集中在美国市场和中国。美国相对更多，主要原因是美国物流交通基础设施更发达和简单有规律，而且美国人工成本相对于中国市场更高。但在我们开头的文章也讲到，主要是两家市场足够大。

中国创始者以及资本在卡车物流驾驶相当活跃，其中在美国市场的图森和智加 科技 创始人都为中国人或者华人其背后的资本也可以看到中国资本，另外国内市场的赢彻就不用说了。

图森Tusimple主要或者初始资金来自于SUN dream，新浪，复合资本composite。

智加 科技 Plus的主要或者初始资金来自于满帮，国泰君安，金沙创投，HS Investments。

赢彻的主要或者初始资金来自于普洛斯、G7、蔚来资本。

美国的EMBARK,Aurora两家都有来自于红衫资本（红衫资本为国际资本，中国红衫资本为沈南鹏和红衫资本合作）的投资。

3、 卡车物流自动驾驶技术概览

技术方案-激光雷达，摄像头，高精地图一个也不少

自动驾驶技术方案在我们之前文章自动驾驶的三种解决方案提过，三种主要方案，基于视觉主导，基于激光雷达主导，基于车联网主导。目前卡车自动驾驶行业更多的是采用视觉和激光雷达融合方案。所以对于传感器都会采用激光雷达，摄像头以及毫米波雷达，配合高精地图或者视觉地图一个也不少的方案。

通过视觉AI方案进行物体的识别，通过雷达方案在地图中进行边界的确定。

对于卡车自动驾驶目前毫无悬念没有说不采用激光雷达方案的，主要原因有卡车重量大，刹车距离长应用场景主要是高速封闭道路那么必须要有能够长达公里级别的预测，而对于视觉当前很难。而当前乘用车对于激光雷达的采用主要是成本问题，但对于卡车而言本来卡车的价格就相当高，动辄百万人民币，所以即使是当前的激光雷达价格也能接受何况将来的成本下降。

所以当前卡车物流自动驾驶底层技术逻辑是一致的，激光雷达，视觉摄像头，毫米波雷达，高精地图一个也不少，采用视觉AI进行物体识别，激光雷达进行地图定位。采用算法芯片进行感知融合，计划对整车释放控制信号。

其中技术的差异化会体现在激光雷达等感知传感器的选型，算法的差异。来面对复杂的天气情况确保高度的稳健性。例如Aurora宣称其优势可以使用Uber创建的大数据地图，其fistlight激光雷达不畏惧阳光更快更远的距离。其实技术差异性较小。

其自动驾驶配置以及落地路线图，遵循和乘用车自动驾驶一致，先从辅助驾驶的车道保持，类似于NAP的超车，汇入车道，跟停，再到夜间驾驶，到不同天气工况最后到全域自动驾驶。

根据现有资料，当前五家自动驾驶卡车雄心壮志是在2025年前把卡车物流自动驾驶L4落地。

4、 卡车自动驾驶商业模式

但是目前卡车物流自动驾驶商业模式有一定的差异化，

以中国创始人以及资本代表的-车辆改装定制方案，通过和头部主机厂合作进行深度定制和改装。用户购买自动驾驶车队，或者第三方车队购买自动驾驶卡车整车，提供服务给终端用户，其中图森的商业模式也承担第三方车队角色。

以美资创始人以及资本代表的-通用安装接口方案，通过定义通用的传感器以及系统加装在原有 汽车 上。Aurora投资自动驾驶相关设施费用安装到第三方车队上，第三方车队自有车辆，终端用户按公里缴费。

5、 总结

对于卡车物流自动驾驶从客户接受度，技术成熟度都是当前自动驾驶商业落地比较好的落脚点，当然乘用车自动驾驶NAP就是一个先列，也就是基于点到点通过高架或者高速。但是他的客户接受度比不上卡车物流行业，客户当前更多是把他当成玩的方式，但卡车物流是真正从成本和管理上给用户带来利润。所以目前几家都宣称在2025年前实现L4的高速物流自动驾驶。

由于自动驾驶的底层原理一样，视觉AI，AI处理器 等物理零部件支持下的传感器数据处理，行动规划，再到执行。显然卡车物流的自动驾驶会促进乘用车自动驾驶的发展，从产业供应链雷达等成本，到技术方案的优化和大数据的分析，例如Aurora不但发展卡车物理自动驾驶同时也进入乘用车自动驾驶，所以未来不乏这些公司会进入乘用车自动驾驶方案。

主要参考文章

1、图森tusimple投资者报告1和2

2、图森tusimple招股说明书

3、智加 科技 Plus投资者报告

4、EMBARK投资者报告

5、Aurora投资者报告

转载自网络，文中观点仅供分享交流，不代表本号立场，如涉及版权等问题，请您告知，我们将及时处理。

⑼ 中国典型驾驶场景库V3.0发布，新增1000余例自动驾驶事故等场景

场景是自动驾驶系统开发、测试、验证的核心，因此中国典型驾驶场景库的开发对未来自动驾驶车辆的安全行驶至关重要。12月3日，在重庆召开的第五届i-VISTA智能网联汽车国际研讨会上，国家市场监管总局缺陷产品管理中心和中国汽研共同推出的中国典型驾驶场景库V3.0，新增1000余例真实车辆事故场景、自动驾驶事故场景和预期功能安全场景，将为自动驾驶系统的安全性测试提供有力的场景支撑。

"通过数据中心还有行业的相应项目，我们实现在自动驾驶算法开发层面的一些应用以及在仿真这块的测试应用，另有相应工具和仿真系统目前在国家自动驾驶场景与仿真中心进行研究。"李鹏辉称，为了方便测试企业将场景库用于自动驾驶产业开发过程中，3.0版本分为基础、初级、中级、高级的场景包，将有助于进一步助推智能网联行业的发展。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。