自动驾驶系统历史最全解析及行业最新资讯分析
Posted 深度学习与NLP
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了自动驾驶系统历史最全解析及行业最新资讯分析相关的知识，希望对你有一定的参考价值。
序言：本文内容整理自网络，本文详细讲解了自动驾驶系统的所有组成部分，以及每一个组成部分都有那些行业最知名的公司在从事那些最新自动驾驶系统的研究，可以说最全的自动驾驶技术图鉴和行业最新技术动态前瞻。
自动驾驶车辆（Autonomous Vehicles，下文简称自动驾驶）依靠几种先进的技术进行自主导航。我们把自动驾驶系统拆解开来，看看这些技术是如何协同工作的，以及哪些公司在推动自动驾驶技术向前发展。
自动驾驶车辆依靠一套互补技术来感知和应对周围环境。
一些自动驾驶公司专注于这些特定组件，并与汽车制造商和一级供应商合作，帮助他们将产品规模化，而其他公司，如Zoox和Nuro，则从头开始设计他们的自动驾驶汽车。
我们仔细研究了许多使自主驾驶成为可能的技术，并列出了一些可能推动自动驾驶技术前进，降低自动驾驶成本的初创公司。
下面这张图仅由根据个人了解的公司组成，并不意味着详尽无遗。类别并不是相互排斥的，公司是根据主要用例（primary use）来映射的。
感知（Perception）
自动驾驶车辆必须能够识别交通信号和标志，以及其他汽车、自行车和行人。他们还必须感测迎面而来的物体的距离和速度，以便知道如何反应。
自动驾驶车辆通常依赖于摄像机和其他传感器，如雷达和光探测与测距( lidar )，每个传感器都有自己的优势和局限性。
这些传感器收集的数据通过一种叫做“传感器融合”的技术混合在一起，以尽可能准确地描述汽车周围的环境。
照相机和计算机视觉（CAMERAS & COMPUSTER VISION）
摄像机普遍用于自动驾驶车辆和配备先进驾驶员辅助系统( Advanced Driver Assistance Systems，ADAS )的车辆中。与雷达和激光雷达不同，摄像机可以识别颜色和字体，这有助于检测路标、交通灯和街道标记。
然而，在探测深度和距离方面，相机与激光雷达相比就显得苍白无力。
许多初创公司正在寻找为汽车设备制造摄像机，以提取尽可能生动的图像。
Light公司在7月份在其D系列产产品中筹集了1.21亿美元，开发了一款相机，旨在与激光雷达的精度竞争。该相机可以整合所有16个镜头的图像，以提取高精度的3D图像。
Light的L16相机，配有16个镜头
为了处理从摄像机中提取的数据，自动驾驶系统使用经过训练的计算机视觉软件来检测物体和信号。软件应该能够识别车道边界的具体细节(例如，线条颜色和图案)，并评估合适的交通规则。
许多初创公司正寻求开发更先进、更高效的计算机视觉技术。
比如DeepScale公司正在部署深度神经网络来增强识别能力，并随着时间的推移保持不断提高准确率。
总部设在巴黎的Prophesee公司开发了一个基于事件（event-based）的机器视觉系统，这有助于物体识别并最大限度地减少数据过载。该公司的深度学习技术模仿人脑处理视网膜图像的方式。
标准相机中基于帧的传感器依赖于同时捕获图像并逐帧处理图像的像素；基于事件的传感器依赖于彼此独立工作的像素，允许它们捕捉作为连续信息流的movement。
这项技术减少了传统相机在处理一系列帧图像时的数据负载问题。
资料来源:Prophesee
Prophesee希望在多个行业部署其机器视觉技术，从自动驾驶车辆到工业自动化，再到医疗保健。今年2月，这家初创公司在B轮的后续回合中筹集了1900万美元。
雷达、激光雷达和V2X
（RADAR，LIDAR & V2X）
自动驾驶开发者正在整合雷达和激光雷达传感器来增强相机的视觉能力。
自动驾驶系统使用传感器融合—集成所有传感器数据的软件，创建一个汽车周围环境的连贯视图—来处理来自多个传感器的数据。
除了视线传感器之外，许多初创公司和汽车制造商正在研发成为“Vehicle-to-Everything”( V2X )的技术，这种技术允许车辆与其他连接的设备进行无线通信。
这项技术仍处于早期阶段，但它有潜力为车辆提供附近车辆、自行车和行人的实时数据—即使它们在车辆视线之外。
雷达
汽车通过发射无线电波，利用雷达探测迎面而来的物体的距离、范围和速度。
雷达技术被认为比激光雷达更可靠，因为它具有更长的探测范围，并且不依赖旋转部件，旋转部件更容易出错。这也大大降低了成本。因此，雷达被广泛用于自动驾驶车辆和ADAS。
Lunewave在9月份从宝马和百度公司筹集了500万美元的种子资金，它正在使用3D打印技术来制造具有更大探测范围且更精确的天线。该公司的技术基于20世纪40年代开发的Luneburg天线。
Metawave公司同样也致力于增强雷达的能力。该公司已经开发了一种模拟天线，它使用超材料来实现更快的速度和更长的探测范围。
Metawave的雷达技术(来源:Metawave)
Metawave 今年5月份的1000万美元后续种子投资来自于DENSO、现代和丰田等大型汽车公司的，以及聪明的风投Khosla Ventures。该公司宣布一级供应商Infineon在8月份对后续回合的贡献。
光探测和测距(激光雷达)
(Light Detection and Ranging)
激光雷达被视为最先进的传感器。它的高精度能够创建车辆周围环境的3D渲染，便于物体检测。
激光雷达技术创建车辆周围环境的3D渲染(来源: Velodyne )
激光雷达技术使用红外传感器来确定物体的距离。传感器快速发出激光脉冲，并测量光束返回其表面所需的时间。
传统的激光雷达装置包含许多旋转部件，这些部件可以捕捉汽车周围360度的视野。这些零件的开发成本更高，而且往往不如固定零件可靠。初创公司正在努力降低激光雷达传感器的成本，同时保持高精度。
一种解决方案是固态激光雷达装置，它没有移动部件，制作成本较低。
以色列初创公司Innoviz已经开发了固态激光雷达技术，该技术仅花费“数百美元”，是Velodyne 75000美元激光雷达设备的一小部分，该设备包含128台激光器。
今年4月，Innoviz宣布与汽车制造商宝马和一级供应商Magna合作，在宝马的自动驾驶车辆上部署激光雷达扫描仪。
Innoviz的激光雷达装置，Innoviz Pro (来源: Innoviz )
Aeva还在开发固态激光雷达。它在10月份筹集了4500万美元的A轮融资。该公司声称其技术探测范围为200米，成本仅为几百美元。与传统的激光雷达不同，Aeva的技术发射出连续的光波，而不是单个脉冲。
中国的自动驾驶公司Robosense也正在开发固态激光雷达。10月，该公司在C轮融资中筹集了4330万美元，这是中国激光雷达公司最大的一轮融资。投资者包括阿里巴巴的物流部门菜鸟智能物流网络以及汽车制造商上汽和北汽。
Vehicle-to-Everything传感器( V2X )
Vehicle-to-Everything( V2X )技术支持车辆和其他连接设备之间的无线信息交换。尽管V2X技术仍处于非常早期的阶段，但它可以帮助解决激光雷达、雷达和照相机等视线传感器的局限性。
V2X传感器可以检测道路危险、交通堵塞和车辆视野之外的迎面而来的盲点。
https://www.cbinsights.com/research/startups-drive-auto-industry-disruption/
总部位于以色列的初创公司AutoTiks正与现代公司合作，为大众市场扩展其V2X传感器技术。这家初创公司得到了现代公司以及三星二级供应商的资助。
驾驶员数据与模拟
来自道路测试和模拟的驾驶员数据对于发展自动驾驶技术至关重要，因为它训练指导车辆的算法。
根据兰德公司的数据，自动驾驶汽车需要行驶数亿英里，甚至数十亿英里来验证其安全性。这段距离需要几年时间，自动驾驶开发者才能从测试车队中收集数据。
结果，自动驾驶开发者通过模拟积累了更多里程。
模拟初创公司和自动驾驶开发者使用人工智能来生成或扩充简单的数据集来训练自动驾驶车辆。这项技术对于训练自动驾驶S在危险的、不太频繁的情况下尤其有用，比如眩目的阳光或者从停放的汽车后面跳出来的行人。
总部位于以色列的初创公司科涅塔开发了一个3D模拟平台，为客户提供各种自主驾驶测试场景。
科涅塔的3D模拟平台(来源:科涅塔)
该公司在10月份从包括空客和Maniv Mobility在内的投资者那里筹集了1850万美元的B系列资金。
MightYai的元数据属性和分类技术(来源: MightYai )
NVIDIA是模拟前沿的主要公司之一。今年5月，它推出了一个基于云的仿真平台，名为DRIVE星座。该平台运行在公司的通用处理器上，并生成一个传感器数据流，供自动驾驶系统处理。NVIDIA可以在数十亿英里的定制场景中训练其算法。
9月，该公司向合作伙伴网络开放了其模拟平台，包括初创公司科涅塔和并行域，以及主要的科技公司西门子。
与收集驾驶员数据相关的另一个挑战是图像注释，或者标记数据，以便自动驾驶能够识别和分类物体。
培训数据初创公司MightYai正在与建立计算机视觉模型的公司合作，帮助标注他们用来培训系统的数据。MightYai提供了用于数据管理、注释和验证的工具。
该公司利用语义分割技术来理解收集到的数据，这种技术按像素对视频图像进行分解，以便进行更精细的处理。
资料来源:Medium
中国科技巨头百度也开发了自己的语义切分软件ApollosCape，用于自主驾驶的开源数据集。
百度的技术支持多达26种分类的图像标注，包括汽车、行人、自行车、建筑物和路灯，以帮助自动驾驶汽车识别道路上的可行驶区域和即将到来的危险。
定位（Localization）
自动驾驶车辆也需要知道它们的精确位置，以便于决策和路径规划。
许多人依赖GPS信号，但是这些测量值可能会偏离1 - 2米——考虑到整个自行车道平均约1.2米，误差率太大。
因此，自动驾驶开发者依赖于一套技术，包括预构建的地图，这有助于将误差减少到1米以内。
预构建地图
当车辆导航时，他们将周围环境与存储在记忆中的数字地图进行比较。
这些地图被称为高清地图，比个人导航软件使用的数字地图更精确。它们包含基于道路的信息，如车道尺寸、人行横道和路标，并通过从外部车辆传感器收集的数据得到增强。
资料来源: Ars Technica
许多初创公司已经设计了所需的硬件(即传感器)和软件，可以在路上收集数据，然后将其转换成数字地图。
DeepMap已经开发了地图制作软件，计划向汽车制造商和以自动驾驶为重点的科技公司发放许可。一级供应商罗伯特·博世在8月份投资了这家初创公司，加入了之前的投资者安德森·霍洛维茨和Accel Partners。
资料来源:DeepMap
民用地图也在为全自动驾驶车辆开发3D地图技术。使用人工智能，该公司将原始传感器数据转换成有意义的地图信息。
一些公司正在自行制作高清地图，目的是将数据发放给感兴趣的方。
地图领域的两个主要角色是这里的地图和TomTom。这里的地图是由德国汽车制造商财团(奥迪、宝马和戴姆勒)于2015年12月收购的。TomTom在一月份与百度合作，将美国和西欧的地图与百度对中国的广泛地图整合在一起。
谷歌在地图领域也取得了显著进展。沃尔沃在10月份宣布将地图平台从TomTom转到谷歌。谷歌的自动驾驶部门Waymo也在利用自己的车辆在路上收集的数据制作自己的高清地图。
百度正在为其自动驾驶汽车软件平台阿波罗制作高清地图。该公司认为有机会通过向汽车制造商出售地图来赚钱，或者收取服务费，或者将这些费用整合到汽车成本中。
百度相信，其高清地图业务最终将超过其搜索业务，而搜索业务目前是中国最大的。
完整系统（Full System）
许多公司正在研发全自动驾驶系统，而不是特定的部件。
虽然这些初创公司大多只专注于自主驾驶，并与汽车制造商合作部署他们的技术，但也有少数公司正在从头开始重建他们的汽车。
自主驾驶系统
大多数公司构建了完整的自主驾驶栈，提供了一个包含计算机视觉和传感器融合软件的包，以及自主驾驶所需的硬件。这些系统是自动驾驶车辆的“大脑”。
这个领域的初创公司通常会与汽车制造商合作来部署他们的技术。在某些情况下，他们使得用这项技术改造现有车辆成为可能。
例如，drive . ai正在使用其自主系统来创建改装套件。在得克萨斯州弗里斯科试行了几个月的自动驾驶汽车服务后，该公司于10月份将其服务扩展到得克萨斯州阿灵顿。
Drive . AI于2017年9月与Lyft合作，将装有该系统的自动驾驶汽车带到Lyft的开源软件平台上。
资料来源:Drive.Ai
中国也有几家公司致力于自主驾驶系统。
总部位于北京的Momenta在10月份获得独角兽地位，在电动汽车制造商NIO和中国科技巨头腾讯的贡献下，发起了一轮C系列赛。momenta已经与苏州政府合作，部署了一个大规模的测试车队，并在该市建立了智能交通系统。
小马艾也已经进入独角兽状态。该公司已经与中国第二大汽车制造商广州汽车集团合作，部署其全部自动驾驶系统。在A系列筹资1.02亿美元仅三个月后，该公司于9月在广州推出了一个自主车队。
全车(Full Vehicles)
像Zoox和Nuro这样的公司正在从头开始制造汽车。
Zoox的原型车与传统汽车有很大不同——它们不包括方向盘或仪表板，内部包含两个相互面对的长凳座位。
资料来源: Zoox
其车辆还没有被合法允许在公共道路上行驶，因此Zoox正在与丰田高地人一起暂时测试其技术。
该公司独特的方法已经引起了投资者的关注，并且在联合创始人和首席执行官被解职后，最近几个月吸引了大量媒体的关注。
迄今为止，Zoox已经筹集了8亿美元，包括7月份以32亿美元估值的5亿美元B系列。该公司计划在2020年前将其自动车辆部署到叫车服务中。
Nuro的自动驾驶旨在运送货物，而不是运送人员，以满足困扰众多零售商的最后一英里运输瓶颈。
至此，就是我们全文的所有内容，相信自动驾驶系统将会发展越来越好。
往期精品内容推荐
DeepLearning_NLP
深度学习与NLP
以上是关于自动驾驶系统历史最全解析及行业最新资讯分析的主要内容，如果未能解决你的问题，请参考以下文章