自动驾驶是人工智能最有前途的应用之一，也是目前复杂度最高的应用。自动驾驶的分享分三个部分：应用情况、技术简介、由无人驾驶溢出的机会。
这部分谈谈：自动驾驶的发展在其他行业推动的变化。
自动驾驶就像星际旅行，现阶段重要的不是什么时候达到L4、L5，而是向这个目标努力的过程中，驱动了产业各个环节的技术创新，而这些技术创新将溢出到各行各业，产生丰富的价值。
自动驾驶的整车已经在工矿、港口、农业、长途货运、公交等运输场景中开始商用的探索。
产业园区、商区、景区也在寻找低速无人驾驶的低成本解决方案，除了提供接驳服务，也为行动不便人士提供单人驾驶服务。
自动驾驶整车的功能，很多也可以作为ADAS功能单独使用。
ADAS有些功能已经比较成熟，如：自适应巡航（ACC）、主动紧急制动（AEB）、自动泊车（APS）、车道保持（LKS），很多车型上已经应用。有一些装配率还不高，如：
下坡辅助DAC，在连续下坡中启用发动机制动，防止刹车系统负荷过大。
夜视辅助系统，在光线微弱的时候，用红外线图像帮助驾驶员提高能见距离。
前/后方十字路口交通警示FCTA/RCTA，检测前、后方两侧的来车，在倒车出库、通过视线被遮挡的十字路口时，防止侧方来车的碰撞。
交通标志识别和智能车速控制，根据道路要求限速，防止车辆超速行驶。
……
这些功能会提升驾驶的安全性、乘坐的舒适性和操控的效率，是消费者愿意为之付费的技术，相关的技术方案企业，也就有动力把这些功能做成模块，实现成熟的量产。其中的不少模块会产生溢出效应，在其他领域也得到应用。例如：
无人物流中心的AGV（自动导引运输车），使用车距/车速检测和碰撞预警、智能车速控制、车辆之间的通信V2V等技术，加上科学的储位和路径规划，就可以进一步提高单车速度，提升整体的可靠性和效率。
室内的服务机器人、楼宇内或楼宇间的短距离无人递送、安防巡检机器人、道路清扫机器人，使用行人检测、路标识别、360度障碍物检测、车道保持等技术，就可以更安全、可靠性的完成工作，同时还能实现更灵活的部署。
如果以人为着眼点，ADAS的一些检测和预警功能，应该也可以帮助行动障碍、视觉障碍的人，更安全、自如的出行。
自动驾驶使用了摄像头、激光雷达、毫米波雷达、超声波雷达、惯性传感器等传感器。
这些传感器在车辆上使用，需要创新性的解决一些问题：满足车规。传感器需要能够在-40℃ ~80℃温度范围内正常工作，在震动和冲击时保持稳定工作，需要在8年的设计寿命内保持正常、稳定工作。
全时、全域、全天候。汽车的设计，需要考虑一年365天，一天24小时，在所有陆地道路（一般可以排除极地），在雨、雪、风、寒、暑等各种天气条件条件下工作。
高精度。为了能够识别100米甚至更远的物体“是什么”，传感器对100米以内所有物体的感知精度需要达到厘米级别。
低时延。为了安全驾驶，从异常出现到采取制动或转向动作，时延不超过0.2秒。
小型化。为了美观和整体结构安全，所有传感器硬件都需要足够小，以便“隐藏”在保险杠内、左/右/中央后视镜内、前/后挡风玻璃旁等位置。
低成本。成本方面没有绝对的标准，但7万美金一个的传感器，显然是无法大规模商用的。
很多行业，时延仅仅意味着体验：做了一个操作之后，多久会得到反馈。快当然体验很好，做不到也没啥大影响，用户通常会选择再操作一次。
汽车行业，时延是安全性的要求——100米范围出现异常，到传感器感知到图像，到程序分析图像识别出异常，到程序决策需要采取制动动作，到指令发到制动系统——整个过程需要在0.2秒之内完成，超过了就是事故。（太过灵敏导致频繁制动，这倒是体验问题了）
很多行业，公布的时延指标是一个平均值，时延0.2秒，意味所有操作的时延是一个正态分布，分布最密集的区间在0.2秒附近。
但汽车行业，时延0.2秒，意味着几乎不允许有超过0.2秒的例外，每次处理都要在0.2秒内完成。
所以，在网联优先的拥趸为5G网络5ms的延时兴奋时，单车智能的支持者只关心：究竟在99.99999%的情况下，时延被控制在什么范围内？
车用传感器在可靠性、性能、精度方面的要求远超一般民用产品，对尺寸、成本则要求是民用级别的，而车载市场又是公认的巨量市场，这有力的推动了相关传感器寻求颠覆性的解决方案。最典型的是激光雷达和毫米波雷达。
激光雷达最大的问题是成本，目前是寻求用固态激光雷达替代机械激光雷达，把成本降到2000美金以下，最新的车规级产品已经可以做到数百美金。
毫米波雷达最大的问题是远距离的探测精度，目前主要是从算法和更高频段两个方面，最新的探测精度已经可以做到5厘米甚至1厘米以内。
低成本、高精度的传感器在其他领域也有发挥空间，例如：
在卧室、病房、卫生间等不适合部署摄像头的区域，使用毫米波雷达探测生命体，当精度足够时，通过体态和体征可以实现识别身份，起到监护、安防的作用。
服务、递送、物流等机器人，有不少已经使用了激光雷达的SLEM特性，让机器人的部署更快捷、灵活。
测绘、遥感、大气监测这些原本非民用的领域，使用激光雷达后数据获取成本降低，有机会出现针对农林渔业、旅游和其他民用领域的服务。
无人机植保、交通行为监测等领域，毫米波雷达的应用已经十分普遍。
目前自动驾驶涉及的传感器、深度学习、执行机构、通讯、模拟和路测等技术。
深度学习是最大的短板，涉及的芯片、算法架构、训练框架等方面，国内缺失的比较多。这个方面主要是技术型公司的机会。
其他方面，美国虽然有比较强的先发优势，但并未垄断，国内技术并不落后，部分细分赛道有和头部公司同等级的量产能力。技术型、产品型公司都有机会。
自动驾驶有几个专属的细分技术领域：
训练库和仿真驾驶平台。自动驾驶产品的测试不是只依赖路测，头部企业在实验室仿真测试的里程，数百倍于路测里程。这个领域还没有专业玩家，但是一个商用的训练库和仿真驾驶平台，对自动驾驶的成熟很有帮助。
高精地图。自动驾驶的定位、导航依赖高精地图。这个领域已有先行者，但是构建高精地图的工作量非常大，可以容纳更多的、不同地域、完成不同工作的参与者。
V2X。自动驾驶最终会更安全、更高效，原因之一就是因为V2X让车辆有了“上帝视角”。国内倾向于采用3GPP的V2X规范，这个规范目前还在制定阶段，相应的商用产品大约会在2022年发布。规范主要由各国电信标准化委员会、汽车工程学会、通信设备制造商、整车制造商参与制定。其他企业目前保持跟进即可。
图片来源：2019中国人工智能产业白皮书（德勤）
虽然完全自动驾驶还没有那么快颠覆我们的出行，但是在追求自动驾驶的过程中实现的功能，比如主动紧急制动、自适应巡航、车道保持、AR导航、自动泊车等，还是实实在在让驾驶更轻松了。
未来自动驾驶将以“润物细无声”的姿态，从看得见、看不见的地方，逐渐渗透进人们的工作和生活。
人们可能很快会在交通枢纽、景区、园区等场所体验到自动驾驶，在工作中用到自动驾驶的技术减轻工作强度、提高安全性。
在这个过程中，消费者对自动驾驶的技术会从最早的好奇，最终走向信任。
在自动驾驶的发展过程中，政府将起到非常关键的作用。试验场的建设是自动驾驶商用的必要条件，法规的建立和完善是自动驾驶应用的基础保障。这些方面中国都比较有优势。
粤公网安备 44030502007885号