无人驾驶是近两年最引人注目的创业领域之一，各类AI大牛、行业大咖争相涌入，每家公司的切入点各有不同。
面对未来每个人都有着自己的思考，本文将为你解析7位大咖眼中的无人驾驶。
Pony.ai 楼天城
无人驾驶发展三要素：传感器+算法+算力
2008年：分布式Chip+控制算法PID
汽车电子领域产生了基本的控制算法，针对固定路线，包括转弯减速等，不包括感知和预测
2008~2012年：高配置CPU+传统2D图像算法
基于传统的规则算法，执行简单决策规则，可在高速路上实现跟车、车道线识别等
2012~2015年：CPU+GPU+深度学习算法DL
由规则算法向深度学习算法过渡，实现复杂决策规则，如高精度的红绿灯识别和物体识别
2016~2017年：多个高配GPU+网络结构更加复杂的深度学习算法DL
能处理复杂场景，能识别上百个目标，无人驾驶浪潮来临，对车的要求由感知环境到理解环境
2018年~未来：GPU+DL，迈向完全自动驾驶，面临的挑战：
（1）DATA：选择哪些数据在端上处理，哪些数据传输到云上处理
（2）SYSTEM：在算法性能与系统能耗之间寻找平衡点
（3）INTENTION：算法的可解释性
（4）COVERAGE：长尾corner case的解决
未来的自动驾驶计算平台：中心化 vs 分布式
中心化现有方案：PX2或IPC，优势：算力强，挑战：稳定性没有通过车规验证
分布式现有方案：车载汽车电子芯片，优势：高稳定性，挑战：增加灵活性，算法能否用分布式方案达到效果
图森 候晓迪
无人驾驶系统组成部分：感知、定位、路径规划、高精地图、控制
无人车对世界的表达
无人驾驶为什么这么难？
感知：即使99.9%的识别率，也相当于无人车一年之内有3个小时是盲开！
定位：除了定位精度外，更重要的是定位稳定性，行驶状态中有百分之多少的时间可以保证定位精度在10cm以内？
规划：如何预测车辆和人的意图？涉及社会学的问题。
无人驾驶能实现吗？答案是肯定的，无人驾驶是工程问题，不是科学问题。
针对无人驾驶不同来源的误差，寻找解决之道：
1. 被放大的误差：对车辆的速度、位置等，采用直接测量法，且多种来源的数据相互验证，而不是推理演算出结果
2. 条件概率误差：我们无法设计出一个模型对所有条件都适用，但我们可以设计一些工程子模块，在特定场景中提升识别率，然后把它们组合起来保证整体系统的可靠性
3. 不确定性误差：预测遥远的未来是很难的，我们可以做的是预测短期的未来，因为物理世界是连续的；在安全性和效率之间，总有相对保守的解决方案的存在。
无人车创业需要避免的问题：
1.过分痴迷于单一问题的解决，把单一的benchmark刷得足够高而损害系统的利益。
2.减少冗余度并不性感。无人车还在发展早期，为安全性考虑，无论高精地图还是激光雷达，系统的冗余度不应被盲目减少。
3.没有任何一种算法可以解决所有问题，没有任何一个model可以吊打一切。无人车是一个工程问题，用一堆工程上的小模块组合来解决整体问题。
4.无人驾驶不能用“黑箱”解决。要把先验知识导入，和深度学习结合起来。
Momanta 曹旭东
Momenta的定位是打造无人驾驶大脑，在产业链中属于Tier 1或Tier 2，为OEM或车厂提供解决方案。Momenta 提供大脑，OEM提供身体，通过一个清晰的接口共同打造无人车，公司的核心技术是基于深度学习的环境感知、高精度地图和驾驶决策。
为什么做无人驾驶？
第一，这件事情足够大，它会彻底改变整车制造业、汽车后市场，以及出行和物流行业；
第二，这件事情足够难，感知、地图、决策等人工智能问题、软硬件工程落地问题、车规级量产稳定性和安全性的问题，都需要我们去探索。
谷歌为什么要做无人驾驶？对Google来说，做整车、做Tier1都不是它的目标，做无人驾驶的运营商才是真正有吸引力的事情。
无人驾驶要做到什么水平才能被接受呢？
人类水平是每1亿公里出1次事故，要达到统计意义上的驾驶安全性测试，至少需要100亿公里的数据验证，如果无人驾驶的安全性要超过人类驾驶一个数量级，那么至少需要1000亿公里的数据验证。商用车每年的里程约10万公里，1000亿公里需要100万辆车跑一年的时间，这对创业公司来说是难以企及的。
可行的技术路径是什么？
数据众包，Tesla、Mobileye已经在这么做了，硬件成本和运营成本由消费承担，消费者在完成出行目的的同时帮助进行了路测。但必须要在保证安全的前提下收集数据和测试，所以Momanta目前采用的是影子测试，不接控制。
滴滴、Uber、行车记录仪每天收集的数据达10亿公里，这些数据能给无人驾驶来用吗？无人驾驶需要什么样的数据？
答案是不能直接使用。无人驾驶需要两方面的数据，第一方面是X，实时动态的环境感知和静态的高精度地图，第二方面是Y，驾驶行为数据，无人驾驶真正要学习的是X到Y的映射。
激光雷达vs视觉感知，两条不同的技术路线的本质分歧在哪里？
采用激光雷达的路径，直接跳跃式发展到L4，商业模式是无人出租、无人货车的运营，通过Simulation模拟仿真获得数据积累。采用视觉感知的路径，是从L2到L3、再到L4的渐进式发展，商业模式是以乘用车供应商为主，通过众包方式获得真实数据的测试。两条路径的根本分歧并不在于两种传感器的不同物理特性，而在于激光雷达太贵了，如果激光雷达的成本降到200美金以下，这两条路径就可以相互融合了。
景驰科技 韩旭
汽车行业三大趋势：电动化、共享化、智能化
率先实现产业融合者将最终胜出：科技企业（AI）+汽车企业+出行企业
法律法规：中美两国法律法规走在最前列
民众接受度：中国民众对自动驾驶的接受程度更高
无人驾驶的巨大意义：
安全——无人驾驶安全性远高于人类驾驶
高效——无人驾驶将使城市效率更高
经济——2021年量产候价格平均1.6元/公里
AutoX 肖健雄
据保守估计，2035年自动驾驶产业规模达420亿美元。
自动驾驶生态圈：车厂、传感器厂商、处理器厂商、出行服务商、互联网公司、物流公司。
AutoX的定位是提供基于视觉感知的自动驾驶软件解决方案，平民化自动驾驶。
猎户星空 蒋超
室内机器人面对的三类环境：
结构化的场景——AGV小车，部署于工厂、仓库中，地面有标识
半结构化场景——自主移动机器人，部署于酒店、购物中心、医院、银行中，无标识但相对规则不变的环境，机器人自主理解环境
非结构化场景——家庭机器人，部署于家庭环境中，环境可能发生的变化比较大，对机器人理解环境的能力要求比较高
针对半结构化场景，室内机器人所用的传感器种类和用途：
室内机器人系统组成：
感知部分：
计算机视觉——包含语义地图的vSLAM；物体识别；基于DNN的路径导航。
激光雷达——激光SLAM；基于相对点匹配增加系统鲁棒性；GPU加速点云计算 ICP算法（迭代最近点，Iterative Closest Point）。
SLAM最终要将VIO(视觉惯性里程计)和ICP（激光雷达点云）相融合，地图用于重定位。
PerceptIn 刘少山
算法（橙色）部分：感知、理解、决策
计算（蓝色）部分：操作系统、硬件平台
云端（绿色）部分：高精地图、模型训练、模拟仿真、数据存储
1.定位技术：
GPS、激光雷达（LiDAR）和高精地图（HD Map）、视觉（Visual Odometry）、轮速计、传感器融合
现有地图是1米*1米的网格地图，高精地图最底层是5cm*5cm的网格，有很多层叠加起来：第一层网格地图，第二层会做道路的标示，第三层层会精确到车道的标示，第四层会做路牌等标志物的语义标签，第五层是一些商业信息的标签。高精地图要求实时更新，且和车载系统能够匹配起来。
2.感知：
物体检测（Object Detection）、场景分割（Segmentation）、物体追踪（Object Tracking）
3.决策和控制：
4.端系统
ROS机器人操作系统+硬件平台
5.云平台
模拟计算+模型训练+高精度地图制作
小研聊科技，帮助投资者理解科技。欢迎关注公众号，联系小研，加入私享群，和大牛们共同探讨科技创投最新趋势。
