无人驾驶技术（1）

无人驾驶汽车有望将在未来20年内得到广泛运用，各大科技公司和汽车厂商均在加大对无人驾驶的投入，资本也纷纷抢滩该万亿市场。
无人驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，通过电脑实现无人驾驶，可以在没有任何人类主动的操作下，自动安全地操作机动车辆。
无人驾驶依赖几种先进技术，这些互为补充的技术感知周围环境、进行自我导航。究竟这些技术如何协同工作？除了Waymo等知名的领头羊之外，又有哪些公司在推动这个行业发展？

CB Insights拆解分析了实现无人驾驶的诸多技术，并介绍了有望让无人驾驶汽车更先进、更低成本、更容易扩展的几家初创公司。
感知能力
无人驾驶汽车必须要能够识别交通信号和标志，以及其他汽车、自行车和行人。它们还必须能感知前方物体的距离和速度，以便作出对应反应。
无人驾驶汽车通常依赖摄像头及其他传感器，比如雷达和激光雷达（lidar），它们各自有各自的优点和局限性。
这些传感器收集的数据通过名为“传感器融合”的技术混合在一起，以便尽可能精准地提供汽车车身周围的无物理环境信息。（传感器融合整合来自所有传感器的数据，形成汽车周围环境的统一视图。）
以下是几种不同的感知技术，它们分别有各自的优缺点，且负责不一样的部分：
1）摄像头和计算机视觉
摄像头普遍用于无人驾驶车辆和配备先进驾驶辅助系统（ADAS）的车辆，是无人驾驶环境下一种重要的感知设备。
摄像头可以识别颜色和字体，帮助检测道路标志、交通信号灯和街道标记——这是其相对于雷达和激光雷达的一个优点。不过，在检测深度和距离上，摄像头远远不及激光雷达。
许多初创公司正在致力于为汽车领域研发更优质的摄像头，以提取最生动的图像。比如，今年7月在D轮融资中筹资了1.21亿美元的Light，它开发了一款能与激光雷达的精准度相媲美的摄像头，名为Light L16。Light L16拥有16个摄像头，其可以整合来自所有16个镜头的图像，提取出高度精确的3D图像。
无人驾驶感知系统基于计算机视觉技术来检测物体和信号，以此处理从摄像头提取的数据。计算机视觉软件需要能够识别车道边界的具体细节（比如，线条颜色和图案等），还需要能评估适当的交通规则，在复杂交通场景下实现安全的、与人类驾驶行为类似的自主驾驶。
许多初创公司正致力于为汽车领域开发更高级、更高效的计算机视觉技术。
比如，包括DeepScale等公司正在研发深度神经网络。这种感知技术能够进行高效、深度的自我学习，以此逐渐提高识别能力，并降低错误率。
再如，总部位于巴黎的Prophesee已经开发出了事件导向型的机器视觉技术，这种技术能促进物体识别，并尽量减少数据过载现象。这种深度学习技术模仿人类大脑如何处理来自视网膜的图像的过程——人类的大脑不会基于一连串帧来记录视觉信息，而是捕捉到时空变化里感兴趣的东西，并把这些信息有效地传送到大脑。基于帧的方法会导致冗余的记录数据，从而引发高功耗。
传统标准摄像头中基于帧的传感器同时捕获图像的众多像素，并逐帧处理图像；而这种事件导向型传感器捕获单个像素视场中变化的事件，也就是捕获动态的持续信息流，并避免了传输冗余数据。也就是说，这项技术减小了传统摄像头在处理来自一系列帧的图像时所遇到的数据负载。
Prophesee公司希望将这一机器视觉技术运用到多个行业：从无人驾驶汽车、工业自动化到医疗保健。今年2月，该初创公司在B轮后续轮融资中筹资1900万美元。
2）雷达、激光雷达和V2X
除了摄像头之外，无人驾驶环境感知设备还包括雷达、激光雷达和V2X。它们同样分别有各自的优势和局限性。
1> 雷达
汽车通过雷达发出无线电波，检测前方物体的距离、范围和速度。
雷达技术有更广的检测范围，且不依赖于更容易出错的旋转部件，被认为比激光雷达更可靠。此外，雷达技术的成本也大大低于激光雷达。因此，雷达技术被广泛用于无人驾驶汽车和ADAS。
一些初创公司致力于研发雷达及天线技术。比如，今年9月从宝马和百度筹资到500万美元种子资金的无人驾驶传感器初创企业Lunewave，该公司正在研究使用3D打印技术来生产性能更强、范围更广、精度更高的天线。这一技术基于上世纪40年代开发的伦伯透镜天线。
再如，今年5月在种子后续轮融资中从本田、丰田、电装等知名汽车公司处筹集了1000万美元的毫米波雷达公司Metawave，该公司开发出的模拟雷达技术使用自适应超材料天线，以加快传输速度、扩大探测范围。
2> 激光雷达
激光雷达被认为是无人驾驶汽车中最强大的传感器之一，具有高精度、高分辨率的优势，通过激光扫描能精准创造出汽车周边环境的3D模型，以便探测周围的行人、车辆等。
激光雷达技术使用红外传感器来探测物体距离——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。
不过，其劣势在于技术落地成本高昂。传统的激光雷达装置包含许多旋转部件，以捕捉车身周围环境的360度视图。这些旋转部件的开发成本更高。
开发商在尽力降低激光雷达传感器成本的同时，仍要保持其高精度。目前降低激光雷达成本的基本方向，是让激光雷达从“机械”往“固态”的方向走。固态激光雷达装置没有活动部件，不依赖于内部机械的运转，而是通过电子部件360度发射红外线，从而实现对周围环境360度的扫描——这种固态装置实施起来成本较低。
激光雷达传感器的另一个缺点是，由于它只是使用红外激光束来探测物体，无法探测物体的颜色信息，例如斑马线、红绿灯的状态等，因此无人驾驶汽车都需要配备摄像头等光学探测设备进行交通信号的识别。
在固态激光雷达装置的开发上，已经有一些公司取得了进展。
以色列初创公司Innoviz开发的固态激光雷达技术成本将只有数百美元，这个成本只是配备128个激光器的Velodyne高端激光雷达装置75000美元售价的零头而已。今年4月，Innoviz宣布与汽车制造商宝马和一级供应商麦格纳合作，在宝马的无人驾驶汽车中部署其激光雷达激光扫描装置。
Aeva也在开发固态激光雷达。该公司在今年10月的A轮融资中筹资4500万美元。该公司声称其技术的覆盖范围是200米，成本只要几百美元。与传统的激光雷达不同的是，Aeva的技术发出连续的光波，而不是单个脉冲。
此外，总部位于中国的速腾聚创（Robosense）在开发固态激光雷达。该公司在今年10月的C轮融资中筹资4330万美元，投资者包括阿里巴巴旗下的物流部门菜鸟智能物流网络以及上汽和北汽两大汽车制造商，这是中国的激光雷达公司中金额最大的一轮融资。
此外，无人驾驶汽车的开发人员正尝试结合雷达和激光雷达传感器，以增强摄像头的视觉感知功能。
3> V2X
除了无人驾驶技术中常用的摄像头或激光雷达这一类视距传感器外，许多汽车领域的初创公司和老牌车企正在致力于研发车辆到一切（Vehicle to Everything，V2X）技术。
这种技术可让车辆与周围环境中一切可能与其发生关联的事物进行无线通信，包括与周围车辆通信的V2V技术，与信号灯等道路基础设施通信的V2I技术，还有可以与行人的智能手机间通信的V2P技术等，让汽车能与环境进行前所未有的信息交流。
相比摄像头和激光雷达，V2X通信覆盖范围更大，有助于克服激光雷达、雷达和摄像头等视距传感器的局限性。它具有突破视觉死角和跨越遮挡物的信息获取能力，可以检测道路危险、交通拥堵以及车辆视野之外的前方盲点。
V2X传感器同时可以和其他车辆及设施共享实时驾驶状态信息，还可以通过研判算法产生预测信息。另外，V2X是唯一不受天气状况影响的车用传感技术，即使在雨天、雾天和强光等特殊环境下，也不会影响V2X的传感器正常工作。
不过，该技术仍处于早期阶段。
总部位于以色列的初创公司Autotalks正与现代公司合作以扩展其V2X传感器技术。该初创公司已获得现代和二级供应商三星的资助。
驾驶员数据和模拟
来自道路测试和模拟的驾驶员数据对于开发无人驾驶技术十分重要，因为它们可以用来训练和改进无人驾驶技术的算法。
美国兰德公司研究表明，要测试无人驾驶的安全性是否达到可以接受的程度，需要上万英里甚至数十亿英里的实验里程作证明。
这么远的路程需要无人驾驶汽车的开发商花好多年从测试车队收集数据，正如兰德公司研究报告表示，“即使作最合理的打算，现有的无人驾驶车也需要几十年甚至数百年的时间才能完成预定的里程测试。而如果将测试放在现实道路上，则会是一个不可能完成的任务。”
因此，无人驾驶开发商通过模拟来累积额外的路程。
有一些公司致力于对驾驶环境的仿真模拟，以此为无人驾驶实验和测试其驾驶模式提供可能性。
不过，问题在于在重现现实场景包括各种各样的应用场景，包括交通、司机行为、天气以及道路环境等，这并不容易。
有一种方式是通过AI生成数据集来训练无人驾驶。这种方式令无人驾驶技术在应对危险的、不太频繁的情况时十分有效，比如眩目的太阳光或行人从停泊的汽车后面突然蹿出来。
一些公司便是致力于这一方面。比如，总部位于以色列的初创公司Cognata开发了一个3D模拟平台，提供各种无人驾驶测试场景。该公司在今年10月的B轮融资中从包括空中客车和Maniv Mobility在内的投资者处筹资1850万美元。
另外，在模拟这一领域，英伟达是处于前沿的大公司之一。今年5月，它推出了针对无人驾驶汽车测试的仿真系统DRIVE Constellation。它能够依靠英伟达的图像处理器（GPU）强大的性能创造出一个完全虚拟化的世界，并24小时不间断地对无人驾驶系统的算法进行模拟测试，并生成传感器数据流处理模拟数据。
今年9月，英伟达向合作伙伴网络开放了其模拟平台，合作伙伴包括Cognata和Parallel Domain等初创公司以及知名的科技公司西门子。
与收集驾驶员数据有关的另一个挑战是识别道路物体并标注其图像数据，以便无人驾驶汽车识别和分类物体。
道路物体包括周边的街景数据，比如十字路口、高架桥、隧道、城市道路、行人、车辆、红绿灯、指示标志、禁止标志等。
在这一领域，专注于数据管理、注释和验证工具的初创公司MightyAI在与构建计算机视觉模型的公司合作，帮助标记用于训练系统的数据。
该公司用于解读收集而来的数据的其中一种技术是语义分割（semantic segmentation），它按像素分割视频图像，以实现更细粒度的处理。
中国的科技巨头百度也开发了自己的语义分割软件ApolloScape，这一技术可实现多达26种分类的图像注释，包括汽车、行人、自行车、建筑物和路灯等，帮助无人驾驶汽车识别道路上的可行驶区域和前方的危险。ApolloScape在近日宣布开放了它的大规模无人驾驶数据集。
定位
无人驾驶对于定位的精度要求极高，这也是它执行所有驾驶策略和规划路径的依据。
许多无人驾驶汽车依靠GPS信号，但这种测量方法的误差可能有一二米，考虑到一条自行车车道平均才大约1.2米，这个误差显然太大了。
因此，无人驾驶汽车的开发商依赖一系列技术，将误差减少到1米内。其中一个技术就是预构建地图。
汽车在自行导航时，会将其传感器感知到的周围环境信息与存储在内存中的地图进行比较，得到车辆在地图中的精确位置，帮助汽车预先感知路面复杂信息，如坡度、曲率、航向等，这是路径规划与决策的前提。
这种地图是HD地图，比导航软件上的数字地图要精确得多。HD地图含有基于道路的信息，例如车道尺寸、人行横道和道路标志等，并辅以从外部车辆传感器收集而来的数据。
在这一领域，一些公司通过设计所需的硬件（即传感器）和软件，用来收集路面数据，然后转换成这种HD地图。
比如，DeepMap开发了地图构建软件，计划授权其他汽车制造商和专注于无人驾驶汽车领域的科技公司使用。安德森霍洛维茨基金会和Accel Partners此前就投资了该公司，一级供应商博世在今年8月也成为了该公司的投资方。
Civil Maps也在开发用于全自动驾驶车辆的3D绘图技术。该公司使用AI将原始传感器数据转换成有用的地图信息。
也有一些公司自行构建HD地图，目的是授权感兴趣的有关方使用其数据。
HERE Maps和TomTom是构建HD地图这一领域的两大领军公司。HERE Maps在2015年12月被德国汽车制造商联盟（奥迪、宝马和戴姆勒）收购。TomTom在今年1月与百度合作，中国一直是TomTom地图覆盖范围的薄弱环节，此次合作弥补了TomTom的地图缺口；而百度则利用TomTom的实时地图平台，改善高清地图相关技术在中国的应用。
此外，科技巨头谷歌在地图领域也取得显著进展。沃尔沃在今年10月宣布，将其地图平台由TomTom改为谷歌地图。谷歌的无人驾驶部门Waymo也使用自家车辆在道路上收集的数据，自行构建高清地图。
百度在为其无人驾驶汽车软件平台Apollo扩建HD地图。该公司认为，有机会通过将地图卖给汽车制造商来实现创收，创收途径是收取服务费或者将费用纳入车辆售价中。百度认为，其HD地图业务最终有望超过该公司目前领跑中国市场的搜索业务。
还有哪些“小而精”的行业玩家？
除了上述提到的一些公司致力于开发无人驾驶所需的特定部件，也有一些公司致力于开发整套的无人驾驶系统，甚至开发整车。
1）哪些公司开发无人驾驶系统？
构建整套无人驾驶系统的公司大多提供包括计算机视觉和传感器融合软件的套件，以及无人驾驶所必需的其他硬件。这个领域的初创公司通常与汽车制造商合作以部署其技术。
比如说，Drive.ai利用其无人驾驶系统来开发改装套件。该公司在得克萨斯州弗里斯科试行了几个月的无人驾驶汽车服务后，在10月将服务扩大到了得克萨斯州阿灵顿。2017年9月，Drive.ai与Lyft合作，将配备前者系统的无人驾驶汽车引入到了Lyft的开源软件平台上。
中国也有几家公司致力于无人驾驶系统开发。
比如，总部位于北京的Momenta在10月获得了电动汽车制造商蔚来和中国科技巨头腾讯注资的C轮融资。Momenta与苏州政府合作，部署了大规模测试车队，并在该市扩建智能交通系统。
另有小马智行（Pony.ai）已与中国第二大汽车制造商广汽集团合作，部署其整套无人驾驶汽车系统。9月，该公司在广州启动了无人驾驶车队，在此之前三个月，该公司进行了A轮融资筹资了1.02亿美元。
2）哪些公司开发无人驾驶整车？
除了上述初创公司专注于无人驾驶系统之外，也有几家公司旨在从零开始打造新的无人驾驶汽车，比如，Zoox和Nuro。
Zoox的原型车与传统汽车大不相同——它不包括方向盘或仪表板，内部有两把相面对的长座椅。由于Zoox的原型车目前还不能合法上路，该公司首先用丰田汉兰达SUV来测试其传感器和软件等技术。迄今为止，Zoox已筹资8亿美元，包括7月B轮融资的5亿美元，估值达32亿美元。该公司计划在2020年之前用其自主研发的纯电动无人驾驶汽车提供打车服务。