关于“春晚智能驾驶”的一点思考

  • A+
所属分类:无人驾驶

关于“春晚智能驾驶”的一点思考

今年春晚,科技又一次把大家惊艳到了。在春晚珠海分会场的港珠澳大桥,不仅让全球看到了中国建筑的超级大国技术水准,同时更加见证了在新一波的科技浪潮中,中国所取得的全球领先成果,其中最抢眼的莫过于无人驾驶车队。百度(与比亚迪等合作伙伴)的无人车狂奔于港珠澳大桥,走出动感、喜气的“8字”曲线。从视频画面上可以看出,此次亮相春晚的百度Apollo无人车覆盖了多种车型,包括:百度与比亚迪合作打造的18辆自动驾驶新能源乘用车、与金龙客车合作打造的5辆自动驾驶微循环巴士,以及与智行者合作打造的5辆自动驾驶扫路机和自动驾驶物流车等。

值得关注的信息还包括:1、自动驾驶乘用车车速并不慢,而且车速、车距、路径保持了完美协调统一,整个驾驶过程非常流畅。可以看出,底层芯片和算法的支撑还是比较强的。2、自动驾驶乘用车配有一名司机,双手解放,应该是在紧急情况下进行接管。从自动驾驶级别来看已达到L3级别。3、车身顶部配有高速旋转的激光雷达,通过外形判断,应该是Velodyne的64线激光雷达产品。顺便提一下,2016年8月百度与福特公司出资1.5亿美元,共同投资Velodyne LiDAR(Velodyne将核心业务激光雷达部门剥离成立的新公司)。4、多传感器融合,这18辆自动驾驶车应该是激光雷达、摄像头等多传感器融合达到的效果。通过车顶设备模糊看到,好像是64线和16线激光雷达产品共同组成(由于画面切换比较快,有待进一步确认)。

下面把我们对智能驾驶的一些思考跟大家交流一下。

1、L3量产进程加快,L4逐步试运营

对于2018年,我们认为智能驾驶产业发展进程将继续加快推进。2017年L3车型已开始量产,2018年L3量产进程有望进一步加快,会有越来越多的车企、科技巨头将它们的L3量产排上日程。对于L4,谷歌的Waymo在2017年已经在一定场景下实现了试运营。在硅谷,Waymo 和FCA合作的自动驾驶汽车在做试营的准备;通用收购的Cruise Automation也在道路上进行试运营,还包括了Drive.ai这样的技术型公司。我们认为,2018年L4的试运营的场景会更加丰富,参与的厂商也会逐步增加。其实对于L3和L4之间的差别,如果简单来讲,核心在于L4的场景更加多样。但这背后实际体现是L4所需要的数据模型更多,也就是在某一特定的交通场景下,L3不能做出判断,而L4能够像人一样做出及时、合理的决策。这背后就是数据模型大量积累所带来的结果,我们也可以称之为Know-How。

2、以传感器为代表的IT部件成本下降

传感器是智能驾驶感知层的核心部件。由于成本价格问题,目前混搭、融合、不计数量的多传感器方案还比较难实现大规模量产。在2017年,我们看到传感器逐步开始出现成本下降的迹象(从产业发展来看,成本下降是大势所趋),这其中包括芯片价格、摄像头价格、激光雷达价格等。2018年1月初,Velodyne宣布,其无人驾驶用16线激光雷达面向全球客户成本将降低高达50%,价格从7999美元将至3999美元。我们认为,传感器价格的下降,有助于突破环境感知技术的产品转化和量产瓶颈。

3、传感器深度融合,小型化甚至隐藏化

解决环境感知的多传感器融合方案基本已经形成产业共识。在2018年CES展上,我们看到,国内激光雷达企业速腾聚创所展示的激光雷达和摄像头的底层融合技术,它的创新性在于:把固态激光雷达与摄像头进行硬件底层融合,从而让自动驾驶车辆能全方位感知真实世界的三维空间色彩信息。在小型化方面,车企正在逐步将原来外现凸起的传感器集成到车内,使智能驾驶汽车看起来与普通车没什么区别。 这就是车企对量产化做的一些准备。同时,也包括计算中心服务器的隐藏,目前有些车企已经做到:打开后备箱,整个计算中心非常小,可以和后备箱高度持平;比较激进的车企,甚至做到了把计算机中心隐藏到车内。我们认为,2018年传感器继续深度融合,小型化/隐藏化程度会进一步提升。以上这些只有一个目标:量产

4、底层计算能力继续快速提升

智能驾驶之所以发展如此迅速,其中必不可少的是计算能力的提升,即车载芯片的快速发展。我们认为,2018年支持更高自动驾驶级别的芯片有望逐步量产,智能驾驶底层计算能力会继续加速提升。在2018 CES,英伟达宣布了Drive Xavier开始进行入小批量出货。英伟达最新的 Xavier SoC 包含:定制化的 8 核CPU,全新的 512 核Volta GPU,新款深度学习和计算视觉加速器,同时还有新的8K HDR视频处理器。

另外,英伟达正在开发搭载Xavier的计算平台DRIVE Pegasus AI。Pegasus 是全球首款致力推进 Level 5级别的自动驾驶出租车车载计算机,它专为推进高阶自动驾驶的出租车而设计。内置两个DRIVE Xavier 系统级芯片和英伟达下一代 GPU 图形处理器,可实现每秒320万亿次深度学习计算,并能够同时运行多个深度学习网络。我们认为,2018年不只英伟达,包括英特尔,甚至特斯拉都有可能推出全新的车载芯片产品。在国内,我们已经看到,2017年12月,地平线发布智能驾驶芯片“征程”,该芯片基于地平线此前推出的高斯架构,支持高性能的L2 ADAS系统;能够同时对行人、机动车、车道线、交通标示牌、红绿灯等8类目标进行准备的实时检测与识别。

除此之外,我们也看到了两个比较有趣的现象。

1、“硬件与软件”边界的模糊

在IT出现的早期,IT产品一般由一个大型厂商统一提供,比如当时的IBM同时提供硬件设备和应用软件。后来随着个人电脑的出现,硬件和软件产品分别由不同的厂商提供(主要是因为后来不同IT厂商提供的产品兼容性大幅提升),就是后来我们所看到的HP、Dell、SAP、Oracle、Adobe等公司。而IT发展到今天,我们看到一些硬件公司的软件产品做的也非常出色,比如苹果(当然也很难定义苹果到底是一家硬件公司还是软件公司);软件公司的硬件产品设计的也很好,比如微软

在汽车电子领域,类似的情况同样存在。对于传统的燃油汽车,由于其中的软件占比较小,硬件设备(指的是传统汽车的零部件)和软件模块分别是由不同的厂商来提供。但是随着电动车的出现,IT软硬件在汽车中的占比快速提升。我们看到的一个现象是:硬件公司在做软件,软件公司也逐步参与做硬件。典型的例子包括:海外的博世、大陆、德尔福等Tier1巨头,在软件领域的积累也相当了得。国内原来专注于汽车软件模块的企业,近两年也逐步开始提供软硬件一体化的产品。还包括前段时间大家比较关注的德赛西威,作为国内车机领先厂商,其在智能驾驶的感知、决策、控制等软件算法层面也在投入研发。因此,我们看到的一个现象就是,硬件和软件的边界似乎在变得模糊。至于具体原因,我们将会在后续文章中作进一步详细分析。

2、“芯片与算法”边界的模糊

在传统的IT架构(包括PC架构和移动架构)下,芯片和算法是属于分离的、相关度并不大的两个核心基础要素,计算机系统跑什么样的算法与底层芯片的关系并不大。当然这主要是因为传统的计算架构下,我们面对更多的是结构化数据,依靠通用的CPU就可以进行很好的处理。在人工智能技术应用场景下(包括智能驾驶),并行计算成为一种基本需求。同时在不同应用场景下,比如车载芯片、摄像头芯片、智能音箱芯片对功耗、时延、定制化程度可能会有不同的要求,这就带来针对特定场景下的特定芯片。而为了让芯片发挥最大效果,芯片会根据系统上跑什么样的算法而不断进行完善、优化。因此,在人工智能时代,芯片和算法的关系变得更加紧密,关联度越来越大。

我们认为,在智能化时代,芯片和算法会更加适配、更加相互定制,来最大程度发挥“算法+算力”组合带来的计算效能提升。这一趋势有望在2018年越来越明显。我们或将能看到的一个现象是,芯片公司开发自己的算法,算法公司也开始设计自己的芯片。已经存在的实例包括:Mobileye最初主要开发智能驾驶的软件算法,后来开发集成软件算法的EyeQ系列芯片。前两天媒体报道Amazon开始研发AI芯片,将应用在自己的Echo产品中。在这之前,包括谷歌这样的软件算法公司也在研发自己的芯片。可以看出,芯片和算法的边界似乎也在变得模糊

以上是两个比较有趣的IT现象:“硬件与软件”边界的模糊&“芯片与算法”边界的模糊。总结的不一定准确,如有不当的地方,还请大家谅解!

最后,送上昨天春晚勾起大家20年前回忆的歌曲:

王菲 & 那英 《岁月》

岁月静好,女神常在!

  • 我的微信
  • 这是我的微信扫一扫
  • weinxin
  • 我的微信公众号
  • 我的微信公众号扫一扫
  • weinxin

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: