[汽车总站网 www.chianautoms.com欢迎你]

年前，GCP硅谷专家咨询邀请了三星北美研发中心高级经理王凡博士，从自身专业角度解读了在自动驾驶中智能感知技术的三大因素以及车联网V2X技术。

王凡博士，亚利桑那大学硕士和博士毕业，三星北美研发中心高级经理，负责自动驾驶中的人工智能感知、路径规划和决策方向，同时负责战略部门投资收购的咨询建议。

以下为嘉宾观点分享：

无人驾驶的核心技术有五个主要模块：传感器、定位、AI感知、路径规划和决策、车辆控制。传感器包括视觉、雷达、通信、定位等不同类型，将信息传递给智能感知模块，检测车辆所处的环境。根据以上的感知结果，汽车决定最优的路径和决策，最后到达车辆控制和执行，完成整个流程。此外定位是指车辆通过GPS或者是SLAM的方式确认自己在地图的位置。

今天主要讲的是人工智能感知，不过在此之前可以大概提一下行业内发展比较大的方向，比如从传感器角度来说，Velodyne的激光雷达市场占有率和利润率都很高，成本都是在几万美元，接近整车价格，所以硅谷有很多创业者计划把激光雷达的成本降到1000美元以下，实现类似性能。定位方面，我们知道最好的是RTK（载波相位差分技术）这样的实时定位系统，但这个价格是比较贵的，比如市场常用的SBG定位传感器大概有3万美元，相对于整车而言成本很高。硅谷同样有公司以十分之一的价格实现类似的功能。所以在传感器方面有很多公司在做不同的研究。

自动驾驶中的人工智能感知技术

在汽车上应用人工智能感知的目的，就是为了让计算机具备对周围车辆/行人的距离、速度、朝向，交通标识等所有环境信息的获取和认知能力，进而进行合理的规划和决策。之所以自动驾驶在近两年有比较大的突破，感知技术发挥了至关重要的作用，其中深度学习的图片识别能力甚至达到人眼的水平。这些更精确的算法成为自动驾驶商业化的前提。

主要有三个因素促进了人工智能感知技术的发展：有标注的结构化数据、深度学习算法以及计算力/计算平台。

在训练数据方面，目前已经有ImageNet、KitTI、Cityscapes等公开数据集，很多的初创公司都在用公有数据集进行一些初始模型的开发。但这些数据集并不是很适合于自动驾驶的需要，欠缺汽车行进过程中的环境因素。所以很多大的公司都在采集汽车驾驶的视频影像，构建自己的私有训练数据。私有数据标注主要有公司内部标注和外包标注两种做法，根据公司自身的人力资源情况进行选择。目前较大的外包数据标注公司有数据堂，和采取众包形式的CrowdFlower。随着深度学习运用越来越频繁，数据标注公司前景还是比较广阔的。

其次是深度学习算法。业界在做自动驾驶的时候很多是从计算机视觉来入手的，而计算机视觉包括了以CNN（卷积神经网络）为核心的各种模型，比如YoLov2、SDD、Faster R-CNN、Mask R-CNN。这些算法有各自的优势，但是仅能在PC端发挥较佳的效果，在汽车行进并需要高速运算的过程中，这些算法的效率可能会打很大折扣。这就需要对模型进行优化。国内的代表性公司有商汤科技和格灵深瞳，硅谷也有很多类似的公司。

第三个是计算平台。目前有三个比较大的趋势。大部分在用的NVIDIA的GPU，比如DRIVE PX、Xavier等计算力很强的平台，不过它们的功耗也很高。Google则针对人工智能框架TensorFlow发布了TPU计算平台，但目前该平台主要还是对内状态。此外就是其他专用于深度学习的芯片，在车辆的环境中以较小的模块实现更强的感知计算功能。国内在这方面做的最大的两家是地平线和寒武纪。

车联网V2X

以上讲的是比较传统的单车人工智能方式，即传感器——人工智能的感知识别——路径规划和决策——控制的线路。此外常提的就是车联网（Vehicles to Everything，车与一切物体的信息交换）。之所以车联网会比较火热，主要原因是：单车的人工智能感知容易受限制，需要有极高的成功率才能上路驾驶，此前特斯拉的autopilot系统就因识别错误出了两次车祸，而V2X是提高感知成功率的发展方向。比如，单车智能下的汽车无法看到走在前方车辆正前方的行人，通过V2X技术，前车就能够把感知到的信息传递给后车。还有红绿灯检测，在夜晚，自动驾驶有可能会误把前方车辆的刹车灯看作红灯导致行车事故，一旦车与道路设施信号实时通信，则避免了这个麻烦。

[汽车总站网 www.chianautoms.com欢迎你]