作者：溫利武? ? 班級：1402019? ? ? 學(xué)號：14020199041

【嵌牛導(dǎo)讀】：本文梳理總結(jié)了前面11篇涉及到的技術(shù)點(diǎn)，嘗試呈現(xiàn)一個(gè)宏觀的無人駕駛系統(tǒng)架構(gòu)。另外，簡單分析了無人駕駛的產(chǎn)業(yè)鏈現(xiàn)狀以及根據(jù)筆者自己的經(jīng)驗(yàn)提出了一些給開發(fā)者、創(chuàng)業(yè)者，以及投資者的建議。

【嵌牛鼻子】：無人駕駛

【嵌牛提問】：無人駕駛未來如何發(fā)展

【嵌牛正文】：無人駕駛是一個(gè)復(fù)雜的系統(tǒng)，如圖1所示，系統(tǒng)主要由三部分組成：算法端、Client端和云端。其中算法端包括面向傳感、感知和決策等關(guān)鍵步驟的算法；Client端包括機(jī)器人操作系統(tǒng)以及硬件平臺(tái)；云端則包括數(shù)據(jù)存儲(chǔ)、模擬、高精度地圖繪制以及深度學(xué)習(xí)模型訓(xùn)練。

圖1 無人駕駛系統(tǒng)架構(gòu)圖

算法子系統(tǒng)從傳感器原始數(shù)據(jù)中提取有意義的信息以了解周遭環(huán)境情況，并根據(jù)環(huán)境變化做出決策。Client子系統(tǒng)融合多種算法以滿足實(shí)時(shí)性與可靠性的要求。舉例來說，傳感器以60HZ的速度產(chǎn)生原始數(shù)據(jù)，Client子系統(tǒng)需要保證最長的流水線處理周期也能在16ms內(nèi)完成。云平臺(tái)為無人車提供離線計(jì)算以及存儲(chǔ)功能。通過云平臺(tái)，我們能夠測試新的算法、更新高精度地圖并訓(xùn)練更加有效的識(shí)別、追蹤、決策模型。

無人駕駛算法

算法系統(tǒng)由幾部分組成：第一，傳感并從傳感器原始數(shù)據(jù)中提取有意義信息；第二，感知，以定位無人車所在位置以及感知現(xiàn)在所處的環(huán)境；第三，決策，以可靠安全抵達(dá)目的地。

傳感

通常來說，一輛無人駕駛汽車裝備有許多不同類型的主傳感器。每一種類型的傳感器都各有優(yōu)劣，因此，來自不同傳感器的傳感數(shù)據(jù)應(yīng)該有效地進(jìn)行融合?，F(xiàn)在無人駕駛中普遍使用的傳感器包括以下幾種。

GPS/IMU：通過高達(dá)200Hz頻率的全球定位和慣性更新數(shù)據(jù)以幫助無人車完成自我定位。GPS是一個(gè)相對準(zhǔn)確的定位用傳感器，但是它的更新頻率過低，僅僅有10HZ，不足以提供足夠?qū)崟r(shí)的位置更新。IMU的準(zhǔn)確度隨著時(shí)間降低，在長時(shí)間內(nèi)并不能保證位置更新的準(zhǔn)確性，但是，它有著GPS所欠缺的實(shí)時(shí)性，IMU的更新頻率可以達(dá)到200HZ或者更高。通過整合GPS與IMU，我們可以為車輛定位提供既準(zhǔn)確又足夠?qū)崟r(shí)的位置更新。

LiDAR：激光雷達(dá)可被用來繪制地圖、定位以及避障。雷達(dá)的準(zhǔn)確率非常高，因此在無人車設(shè)計(jì)中雷達(dá)通常被作為主傳感器使用。激光雷達(dá)是以激光為光源，通過探測激光與被探測無相互作用的光波信號來完成遙感測量。激光雷達(dá)可以用來產(chǎn)生高精度地圖，并針對高精地圖完成移動(dòng)車輛的定位；以及滿足避障的要求。以Velodyne 64-束激光雷達(dá)為例，它可完成10HZ旋轉(zhuǎn)并每秒可達(dá)到130萬次讀數(shù)。

攝像頭：被廣泛使用在物體識(shí)別以及物體追蹤等場景中，像是車道線檢測、交通燈偵測、人行道檢測中都以攝像頭為主要解決方案。為了加強(qiáng)安全性，現(xiàn)有的無人車實(shí)現(xiàn)通常在車身周圍使用至少八個(gè)攝像頭，分別從前、后、左、右四個(gè)維度完成物體發(fā)現(xiàn)、識(shí)別、追蹤等任務(wù)。這些攝像頭通常以60HZ的頻率工作，當(dāng)多個(gè)攝像頭同時(shí)工作時(shí)，將產(chǎn)生高達(dá)1.8GB每秒的巨數(shù)據(jù)。

雷達(dá)和聲吶：雷達(dá)通過把電磁波能量射向空間某一方向，處在此方向上的物體反射碰到的電磁波；雷達(dá)再接收此反射波，提取有關(guān)該物體的某些信息（目標(biāo)物體至雷達(dá)的距離，距離變化率或徑向速度、方位、高度等）。雷達(dá)和聲吶系統(tǒng)是避障的最后一道保障。雷達(dá)和聲吶產(chǎn)生的數(shù)據(jù)用來表示在車的前進(jìn)方向上最近障礙物的距離。一旦系統(tǒng)檢測到前方不遠(yuǎn)有障礙物出現(xiàn)，則有極大的相撞危險(xiǎn)，無人車會(huì)啟動(dòng)緊急剎車以完成避障。因此，雷達(dá)和聲吶系統(tǒng)產(chǎn)生的數(shù)據(jù)不需要過多的處理，通?？芍苯颖豢刂铺幚砥鞑捎?，并不需要主計(jì)算流水線的介入，因?yàn)榭蓪?shí)現(xiàn)轉(zhuǎn)向，剎車、或預(yù)張緊安全帶等緊急功能。

感知

在獲得傳感信息之后，數(shù)據(jù)將被推送至感知子系統(tǒng)以充分了解無人車所處的周遭環(huán)境。在這里感知子系統(tǒng)主要做的是三件事：定位、物體識(shí)別以及物體追蹤。

圖2 基于GPS/IMU的定位

定位

GPS以較低的更新頻率提供相對準(zhǔn)確的位置信息；IMU則以較高的更新頻率提供準(zhǔn)確性偏低的位置信息。我們可使用卡爾曼濾波來整合兩類數(shù)據(jù)各自的優(yōu)勢，合并提供準(zhǔn)確且實(shí)時(shí)的位置信息更新。如圖2所示，IMU每5ms更新一次，但是期間誤差不斷累積精度不斷降低。所幸的是，每100ms可以得到一次GPS數(shù)據(jù)更新，以幫助我們校正IMU積累的誤差。因此，我們最終可以獲得實(shí)時(shí)并準(zhǔn)確的位置信息。然而，我們不能僅僅依靠這樣的數(shù)據(jù)組合以完成定位工作。原因有三：其一，這樣的定位精度僅在一米之內(nèi)；其二，GPS信號有著天然的多路徑問題將引入噪聲干擾；其三，GPS必須在非封閉的環(huán)境下工作，因此在諸如隧道等場景中GPS都不適用。

圖3 基于立體視覺的測距

因此作為補(bǔ)充方案，攝像頭也被用為定位。簡化來說，如圖3所示，基于視覺的定位由三個(gè)基本步驟組成：1. 通過對立體圖像的三角剖分，將首先獲得視差圖用以計(jì)算每個(gè)點(diǎn)的深度信息；2. 通過匹配連續(xù)立體圖像幀之間的顯著特征，可通過不同幀之間的特征建立相關(guān)性，并由此估計(jì)這兩幀之間的運(yùn)動(dòng)情況；3. 通過比較捕捉到的顯著特征和已知地圖上的點(diǎn)來計(jì)算車輛的當(dāng)前位置。然而，基于視覺的定位方法對照明條件非常敏感，因此其使用受限并可靠性有限。

因此，借助于大量粒子濾波的激光雷達(dá)通常作為車輛定位的主傳感器。由激光雷達(dá)產(chǎn)生的點(diǎn)云對環(huán)境進(jìn)行了“形狀化描述”，但并不足以區(qū)分各自不同的點(diǎn)。通過粒子濾波，系統(tǒng)可將已知地圖與觀測到的具體形狀進(jìn)行比較以減少位置的不確定性。

為了在地圖中定位運(yùn)動(dòng)的車輛，我們使用粒子濾波的方法來關(guān)聯(lián)已知地圖和激光雷達(dá)測量過程。粒子濾波可以在10厘米的精度內(nèi)達(dá)到實(shí)時(shí)定位的效果，在城市的復(fù)雜環(huán)境中尤為有效。然而，激光雷達(dá)也有其固有的缺點(diǎn)：如果空氣中有懸浮的顆粒比如雨滴或者灰塵，測量結(jié)果將受到極大的擾動(dòng)。因此，為了完成可靠并精準(zhǔn)的定位，需要傳感器融合，如圖4所示，處理來整合所有傳感器的優(yōu)點(diǎn)。

圖4 定位中的傳感器融合

物體識(shí)別與跟蹤

激光雷達(dá)可提供精準(zhǔn)的深度信息，因此常被用于在無人駕駛中執(zhí)行物體識(shí)別和追蹤的任務(wù)。近年來，深度學(xué)習(xí)技術(shù)得到了快速的發(fā)展，通過深度學(xué)習(xí)可達(dá)到較顯著的物體識(shí)別和追蹤精度。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一類在物體識(shí)別中被廣泛應(yīng)用的深度神經(jīng)網(wǎng)絡(luò)。通常，卷積神經(jīng)網(wǎng)絡(luò)由三個(gè)階段組成：1. 卷積層使用不同的濾波器從輸入圖像中提取不同的特征，并且每個(gè)過濾器在完成訓(xùn)練階段后都將抽取出一套“可供學(xué)習(xí)”的參數(shù)；2. 激活層決定是否啟動(dòng)目標(biāo)神經(jīng)元；3. 匯聚層壓縮特征映射圖所占用的空間以減少參數(shù)的數(shù)目，并由此降低所需的計(jì)算量；4. 對物體進(jìn)行分類。一旦某物體被CNN識(shí)別出來，下一步將自動(dòng)預(yù)測它的運(yùn)行軌跡或進(jìn)行物體追蹤。

圖5 面向行為預(yù)測的隨機(jī)模型

物體追蹤可以被用來追蹤?quán)徑旭偟能囕v或者路上的行人，以保證無人車在駕駛的過程中不會(huì)與其他移動(dòng)的物體發(fā)生碰撞。近年來，相比傳統(tǒng)的計(jì)算機(jī)視覺技術(shù)，深度學(xué)習(xí)技術(shù)已經(jīng)展露出極大的優(yōu)勢，通過使用輔助的自然圖像，離線訓(xùn)練好的模型直接應(yīng)用在在線的物體追蹤中。

決策

在決策階段，行為預(yù)測、路徑規(guī)劃以及避障機(jī)制三者結(jié)合起來實(shí)時(shí)完成無人駕駛動(dòng)作規(guī)劃。

行為預(yù)測

車輛駕駛中的一個(gè)主要考驗(yàn)是司機(jī)如何應(yīng)對其他行駛車輛的可能行為，這種預(yù)判斷直接影響司機(jī)本人的駕駛決策，特別是在多車道環(huán)境或者交通燈變燈的情況下，司機(jī)的預(yù)測決定了下一秒行車的安全。因此，過渡到無人駕駛系統(tǒng)中，決策模塊如何根據(jù)周圍車輛的行駛狀況決策下一秒的行駛行為顯得至關(guān)重要。

為了預(yù)測其他車輛的行駛行為，可以使用隨機(jī)模型產(chǎn)生這些車輛的可達(dá)位置集合，并采用概率分布的方法預(yù)測每一個(gè)可達(dá)位置集的相關(guān)概率。

路徑規(guī)劃

為無人駕駛在動(dòng)態(tài)環(huán)境中進(jìn)行路徑規(guī)劃是一件非常復(fù)雜的事情，尤其如果車輛是在全速行駛的過程中，不當(dāng)?shù)穆窂揭?guī)劃有可能造成致命的傷害。路徑規(guī)劃中采取的一個(gè)方法是使用完全確定模型，它搜索所有可能的路徑并利用代價(jià)函數(shù)的方式確定最佳路徑。然后，完全確定模型對計(jì)算性能有著非常高的要求，因此很難在導(dǎo)航過程中達(dá)到實(shí)時(shí)的效果。為了避免計(jì)算復(fù)雜性并提供實(shí)時(shí)的路徑規(guī)劃，使用概率性模型成為了主要的優(yōu)化方向。

避障

安全性是無人駕駛中最為重要的考量，我們將使用至少兩層級的避障機(jī)制來保證車輛不會(huì)在行駛過程中與障礙物發(fā)生碰撞。第一層級是基于交通情況預(yù)測的前瞻層級。交通情況預(yù)測機(jī)制根據(jù)現(xiàn)有的交通狀況如擁堵、車速等，估計(jì)出碰撞發(fā)生時(shí)間與最短預(yù)測距離等參數(shù)?；谶@些估計(jì)，避障機(jī)制將被啟動(dòng)以執(zhí)行本地路徑重規(guī)劃。如果前瞻層級預(yù)測失效，第二級實(shí)時(shí)反應(yīng)層將使用雷達(dá)數(shù)據(jù)再次進(jìn)行本地路徑重規(guī)劃。一旦雷達(dá)偵測到路徑前方出現(xiàn)障礙物，則立即執(zhí)行避障操作。

Client系統(tǒng)

Client系統(tǒng)整合之前提到的避障、路徑規(guī)劃等算法以滿足可靠性及實(shí)時(shí)性等要求。Client系統(tǒng)需要克服三個(gè)方面的問題：其一，系統(tǒng)必須確保捕捉到的大量傳感器數(shù)據(jù)可以及時(shí)快速地得到處理；其二，如果系統(tǒng)的某部分失效，系統(tǒng)需要有足夠的健壯性能從錯(cuò)誤中恢復(fù)；其三，系統(tǒng)必須在設(shè)計(jì)的能耗和資源限定下有效地完成所有的計(jì)算操作。

機(jī)器人操作系統(tǒng)

機(jī)器人操作系統(tǒng)ROS是現(xiàn)如今廣泛被使用、專為機(jī)器人應(yīng)用裁剪、強(qiáng)大的分布式計(jì)算框架。每一個(gè)機(jī)器人任務(wù)，比如避障，作為ROS中的一個(gè)節(jié)點(diǎn)存在。這些任務(wù)節(jié)點(diǎn)使用話題與服務(wù)的方式相互通信。

ROS非常適用于無人駕駛的場景，但是仍有一些問題需要解決。

可靠性：ROS使用單主節(jié)點(diǎn)結(jié)構(gòu)，并且沒有監(jiān)控機(jī)制以恢復(fù)失效的節(jié)點(diǎn)。

性能：當(dāng)節(jié)點(diǎn)之間使用廣播消息的方式通信時(shí)，將產(chǎn)生多次信息復(fù)制導(dǎo)致性能下降。

安全：ROS中沒有授權(quán)和加密機(jī)制，因此安全性受到很大的威脅。

盡管ROS 2.0 承諾將解決上述問題，但是現(xiàn)有的ROS版本中仍然沒有相關(guān)的解決方案。因此為了在無人駕駛中使用ROS，我們需要自行克服這些難題。

可靠性

現(xiàn)有的ROS實(shí)現(xiàn)只有一個(gè)主節(jié)點(diǎn)，因此當(dāng)主節(jié)點(diǎn)失效時(shí)，整個(gè)系統(tǒng)也隨之奔潰。這對行駛中的汽車而言是致命的缺陷。為了解決此問題，我們在ROS中使用類似于ZooKeeper的方法。如圖6所示，改進(jìn)后的ROS結(jié)構(gòu)包括有一個(gè)關(guān)鍵主節(jié)點(diǎn)以及一個(gè)備用主節(jié)點(diǎn)。如果關(guān)鍵主節(jié)點(diǎn)失效，備用主節(jié)點(diǎn)將被自動(dòng)啟用以確保系統(tǒng)能夠無縫地繼續(xù)運(yùn)行。此外，ZooKeeper機(jī)制將監(jiān)控并自動(dòng)重啟失效節(jié)點(diǎn)，以確保整個(gè)ROS系統(tǒng)在任何時(shí)刻都是雙備份模式。

圖6 面向ROS的Zoo-Keeper結(jié)構(gòu)

性能

性能是現(xiàn)有ROS版本中有欠考慮的部分，ROS節(jié)點(diǎn)之間的通信非常頻繁，因此設(shè)計(jì)高效的通信機(jī)制對保證ROS的性能勢在必行。首先，本地節(jié)點(diǎn)在與其他節(jié)點(diǎn)通信時(shí)使用回環(huán)機(jī)制，并且每一次回環(huán)通信的執(zhí)行都將完整地通過TCP/IP全協(xié)議棧，從而引入高達(dá)20微秒的時(shí)延。為了消除本地節(jié)點(diǎn)通信的代價(jià)，我們不再使用TCP/IP的通信模式，取而代之采用共享內(nèi)存的方法完成節(jié)點(diǎn)通信。其次，當(dāng)ROS節(jié)點(diǎn)廣播通信消息時(shí)，消息被多次拷貝與傳輸，消耗了大量的系統(tǒng)帶寬。如果改成目的地更明確的多路徑傳輸機(jī)制則將極大地該改善系統(tǒng)的帶寬與吞吐量。

安全

安全是ROS系統(tǒng)中最重要的需求。如果一個(gè)ROS節(jié)點(diǎn)被挾制后，不停地在進(jìn)行內(nèi)存分配，整個(gè)系統(tǒng)最終將因內(nèi)存耗盡而導(dǎo)致剩余節(jié)點(diǎn)失效繼而全線奔潰。在另一個(gè)場景中，因?yàn)镽OS節(jié)點(diǎn)本身沒有加密機(jī)制，黑客可以很容易地在節(jié)點(diǎn)之間竊聽消息并完成系統(tǒng)入侵。

為了解決安全問題，我們使用Linux containers （LXC）的方法來限制每一個(gè)節(jié)點(diǎn)可供使用的資源數(shù)，并采用沙盒的方式以確保節(jié)點(diǎn)的運(yùn)行獨(dú)立，這樣以來可最大限度防止資源泄露。同時(shí)我們?yōu)橥ㄐ畔⑦M(jìn)行了加密操作，以防止其被黑客竊聽。

圖7 基于Spark和ROS的模擬平臺(tái)

硬件平臺(tái)

為了深入理解設(shè)計(jì)無人駕駛硬件平臺(tái)中可能遇到的挑戰(zhàn)，讓我們來看看現(xiàn)有的領(lǐng)先無人車駕駛產(chǎn)品的計(jì)算平臺(tái)構(gòu)成。此平臺(tái)由兩個(gè)計(jì)算盒組成，每一個(gè)裝備有Intel Xeon E5處理器以及4到8個(gè)Nvidia Tesla K80 GPU加速器。兩個(gè)計(jì)算盒執(zhí)行完全一樣的工作，第二個(gè)計(jì)算盒作為計(jì)算備份以提高整個(gè)系統(tǒng)的可靠性，一旦第一個(gè)計(jì)算盒發(fā)生故障，計(jì)算盒二可以無縫接手所有的計(jì)算工作。

在最極端的情況下，如果兩個(gè)計(jì)算盒都在峰值下運(yùn)行，及時(shí)功耗將高達(dá)5000W，同時(shí)也將遭遇非常嚴(yán)重的發(fā)熱問題。因此，計(jì)算盒必須配備有額外的散熱裝置，可采用多風(fēng)扇或者水冷的方案。同時(shí)，每一個(gè)計(jì)算盒的造價(jià)非常昂貴，高達(dá)2萬-3萬美元，致使現(xiàn)有無人車方案對普通消費(fèi)者而言無法承受。

現(xiàn)有無人車設(shè)計(jì)方案中存在的功耗問題、散熱問題以及造價(jià)問題使得無人駕駛進(jìn)入普羅大眾顯得遙不可及。為了探索無人駕駛系統(tǒng)在資源受限以及能耗受限時(shí)運(yùn)行的可行性，我們在ARM面向移動(dòng)市場的SoC實(shí)現(xiàn)了一個(gè)簡化的無人駕駛系統(tǒng)，實(shí)驗(yàn)顯示在峰值情況下能耗僅為15W。

非常驚人地，在移動(dòng)類SoC上無人駕駛系統(tǒng)的性能反而帶給了我們一些驚喜：定位算法可以達(dá)到每秒25幀的處理速度，同時(shí)能維持圖像生成的速度在30幀每秒。深度學(xué)習(xí)則能在一秒內(nèi)完成2-3個(gè)物體的識(shí)別工作。路徑規(guī)劃和控制則可以在6毫秒之內(nèi)完成規(guī)劃工作。在這樣性能的驅(qū)動(dòng)之下，我們可以在不損失任何位置信息的情況下達(dá)到每小時(shí)5英里的行駛速度。

云平臺(tái)

無人車是移動(dòng)系統(tǒng)，因此需要云平臺(tái)的支持。云平臺(tái)主要從分布式計(jì)算以及分布式存儲(chǔ)兩方面對無人駕駛系統(tǒng)提供支持。無人駕駛系統(tǒng)中很多的應(yīng)用，包括用于驗(yàn)證新算法的仿真應(yīng)用，高精度地圖產(chǎn)生和深度學(xué)習(xí)模型訓(xùn)練都需要云平臺(tái)的支持。我們使用Spark構(gòu)建了分布式計(jì)算平臺(tái)，使用OpenCL構(gòu)建了異構(gòu)計(jì)算平臺(tái)，使用了Alluxio作為內(nèi)存存儲(chǔ)平臺(tái)。通過這三個(gè)平臺(tái)的整合，我們可以為無人駕駛提供高可靠、低延遲以及高吞吐的云端支持。

仿真

當(dāng)我們?yōu)闊o人駕駛開發(fā)出新算法時(shí)，我們需要先通過仿真對此算法進(jìn)行全面的測試，測試通過之后才進(jìn)入真車測試環(huán)節(jié)。真車測試的成本非常高昂并且迭代周期異常之漫長，因此仿真測試的全面性和正確性對降低生產(chǎn)成本和生產(chǎn)周期尤為重要。在仿真測試環(huán)節(jié)，我們通過在ROS節(jié)點(diǎn)回放真實(shí)采集的道路交通情況，模擬真實(shí)的駕駛場景，完成對算法的測試。如果沒有云平臺(tái)的幫助，單機(jī)系統(tǒng)耗費(fèi)數(shù)小時(shí)才能完成一個(gè)場景下的模擬測試，既耗時(shí)同事測試覆蓋面有限。

在云平臺(tái)中，Spark管理著分布式的多個(gè)計(jì)算節(jié)點(diǎn)，在每一個(gè)計(jì)算節(jié)點(diǎn)中，都可以部署一個(gè)場景下的ROS回訪模擬。在無人駕駛物體識(shí)別測試中，單服務(wù)器需耗時(shí)3小時(shí)完成算法測試，如果使用8機(jī)Spark機(jī)群，時(shí)間可以縮短至25分鐘。

高精度地圖生成

如圖8所示，高精度地圖產(chǎn)生過程非常復(fù)雜，涉及到：原始數(shù)據(jù)處理、點(diǎn)云生成、點(diǎn)云對其、2D反射地圖生成、高精地圖標(biāo)注、地圖生成等階段。使用Spark，我們可以將所有這些階段整合成為一個(gè)Spark作業(yè)。由于Spark天然的內(nèi)存計(jì)算的特性，作業(yè)運(yùn)行過程中產(chǎn)生的中間數(shù)據(jù)都存儲(chǔ)在內(nèi)存中。當(dāng)整個(gè)地圖生產(chǎn)作業(yè)提交之后，不同階段之間產(chǎn)生的大量數(shù)據(jù)不需要使用磁盤存儲(chǔ)，數(shù)據(jù)訪問速度加快，從而極大提高了高精地圖產(chǎn)生的性能。

圖8 基于云平臺(tái)的高精地圖生成

深度學(xué)習(xí)模型訓(xùn)練

在無人駕駛中我們使用了不同的深度學(xué)習(xí)模型，為了保證模型的有效性及效率，有必要對模型進(jìn)行持續(xù)的更新。然而，原始數(shù)據(jù)量異常巨大，僅使用單機(jī)系統(tǒng)遠(yuǎn)不能完成快速的模型訓(xùn)練。

為了解決這一問題，我們使用Spark以及Paddle開發(fā)了一個(gè)高可擴(kuò)展性分布式深度學(xué)習(xí)平臺(tái)。Paddle是百度開發(fā)的一個(gè)深度學(xué)習(xí)開源平臺(tái)。在Spark driver上我們同時(shí)管理Spark運(yùn)行上下文以及Paddle運(yùn)行上下文，在每個(gè)節(jié)點(diǎn)上，Spark執(zhí)行進(jìn)程運(yùn)行一個(gè)Paddle訓(xùn)練實(shí)例。在此基礎(chǔ)上，我們使用Alluxio作為參數(shù)服務(wù)器。實(shí)驗(yàn)證明，當(dāng)計(jì)算節(jié)點(diǎn)規(guī)模增長時(shí)，我們可以獲得線性的性能提升，這說明Spark+Paddle+Alluxio這套深度學(xué)習(xí)模型訓(xùn)練系統(tǒng)有著高可擴(kuò)展性。

無人駕駛的產(chǎn)業(yè)發(fā)展

為了深入了解無人駕駛的產(chǎn)業(yè)發(fā)展，我們邀請了牛津大學(xué)商學(xué)院的同學(xué)一起做了個(gè)產(chǎn)業(yè)鏈分析。宏觀來說，一個(gè)產(chǎn)業(yè)的發(fā)展應(yīng)該是至上而下的，上游產(chǎn)業(yè)的發(fā)展讓下游產(chǎn)業(yè)更加繁榮，反過來刺激上游產(chǎn)業(yè)的發(fā)展。理想來說，無人駕駛的產(chǎn)業(yè)發(fā)展應(yīng)該分為三個(gè)階段：第一階段，感知系統(tǒng)的發(fā)展，主要包括各類傳感器的融合使用及感知決策系統(tǒng)的準(zhǔn)確度提升，實(shí)現(xiàn)輔助信息的交互及部分自動(dòng)駕駛功能。第二階段，支持算法以及決策的芯片成熟，包括算法及芯片設(shè)計(jì)的發(fā)展，實(shí)現(xiàn)協(xié)同決策及自動(dòng)駕駛。第三階段，車聯(lián)網(wǎng)的發(fā)展，實(shí)現(xiàn)高精度地圖及實(shí)時(shí)路況信息的更新及通過深度學(xué)習(xí)實(shí)現(xiàn)協(xié)同感知。

傳感器的融合使用

毫米波雷達(dá)：車載毫米波雷達(dá)市場主要供應(yīng)商為傳統(tǒng)的汽車電子企業(yè)，如博世、大陸、 海拉等，市場占有率頭三位的企業(yè)占領(lǐng)了50%以上的市場份額。中國市場中高端汽車裝配的毫米波雷達(dá)傳感器依賴進(jìn)口為主，國內(nèi)自主品牌的研發(fā)生產(chǎn)能力尚需提高。毫米波雷達(dá)的核心組成部分為前端單片微波集成電路MMIC和雷達(dá)天線高頻PCB板，此兩項(xiàng)核心技術(shù)僅掌握在國外廠商手中。國內(nèi)企業(yè)總體尚處于研發(fā)階段，24GHz的產(chǎn)品已經(jīng)取得部分研發(fā)成果，華域汽車、湖南納雷、蕪湖森思泰克、智波科技等企業(yè)在此方面有部分技術(shù)積累。

激光雷達(dá)：激光雷達(dá)是無人駕駛汽車硬件端的核心能力，受益于無人駕駛汽車市場規(guī)模的爆發(fā)，預(yù)計(jì)2030年全球激光雷達(dá)市場可達(dá)到360億美元的規(guī)模。相比于國外的Velodyne、Quanergy等廠商已經(jīng)具有相對成熟的產(chǎn)品，國內(nèi)公司在激光雷達(dá)生產(chǎn)研發(fā)尚處于初步成型階段。目前國內(nèi)研發(fā)生產(chǎn)激光雷達(dá)的初創(chuàng)公司數(shù)量很多，但是大多數(shù)缺乏完整的產(chǎn)業(yè)鏈及相應(yīng)的配套設(shè)備，受制于硬件成本及技術(shù)門檻較高等因素，能夠做出成型產(chǎn)品的公司往往很少。目前有產(chǎn)品落地的激光雷達(dá)公司包括歐鐳激光、鐳神智能、思嵐科技和速騰聚創(chuàng)等。此類公司競爭的著力點(diǎn)包括四個(gè)方面：1. 建立與各車廠的合作關(guān)系：發(fā)展新客戶，搶占新市場并積累市場需求方面的經(jīng)驗(yàn)；2. 硬件的量產(chǎn)及成本的控制：實(shí)現(xiàn)大規(guī)模生產(chǎn)的同時(shí)降低成本，通過量產(chǎn)實(shí)現(xiàn)更大的利潤（目前激光雷達(dá)的毛利率約為27%）；3. 提高產(chǎn)品性能的穩(wěn)定性，通過快速迭代提高產(chǎn)品工藝，建立技術(shù)門檻；4. 綜合提供數(shù)據(jù)存儲(chǔ)分析的服務(wù)，實(shí)現(xiàn)數(shù)據(jù)格式的統(tǒng)一。

攝像頭：預(yù)計(jì)2020年全球車載攝像頭的市場規(guī)模約為200億人民幣，模組組裝及CMOS供應(yīng)商共占據(jù)超過60%的產(chǎn)業(yè)價(jià)值，該產(chǎn)業(yè)鏈的其他環(huán)節(jié)還包括鏡頭供應(yīng)商及其他部件的供應(yīng)商。該模塊的行業(yè)技術(shù)壁壘較高，只有少數(shù)廠商具有垂直整合的能力。大部分廠商將業(yè)務(wù)集中在產(chǎn)業(yè)鏈中的少數(shù)環(huán)節(jié)，行業(yè)的集中度很高，大多數(shù)環(huán)節(jié)的前三廠商市場份額合計(jì)占總體一半以上：光學(xué)鏡頭主要是臺(tái)灣的大立光學(xué)、大陸的舜宇光學(xué)主導(dǎo)，CMOS傳感器及圖像處理器以歐美和日本韓國的廠商為主，大陸廠商在紅外濾光片和模組封裝有一定的優(yōu)勢（如歐菲光、水晶光電等）。通常攝像頭硬件設(shè)備和配套的算法及系統(tǒng)難以分割，硬件設(shè)備商將攝像頭提供給自動(dòng)駕駛算法公司或者汽車一級供應(yīng)商，由這些下游的公司進(jìn)行硬件、芯片及算法的合成。由于車載攝像頭對安全性及穩(wěn)定性的要求比普通的工業(yè)用攝像頭高，產(chǎn)品壁壘較高，所以攝像頭大廠相對有競爭優(yōu)勢。臺(tái)灣的同致電子2016年的營業(yè)收入預(yù)計(jì)比2015年增長超過40%，毛利率達(dá)到30%。未來的車載攝像頭廠商的競爭將主要體現(xiàn)在：1. 與芯片及算法的適配性，提供整體解決方案的能力；2. 產(chǎn)品穩(wěn)定性安全性等工藝的領(lǐng)先。

總體上說，傳感器與配套的算法及芯片相輔相成，未來的趨勢是提供完整的一套解決方案，而不是單個(gè)零星的硬件。另外，各種類型的傳感器的功能各有優(yōu)勢，互相補(bǔ)充，汽車整車廠將融合使用各類傳感器，并通過量產(chǎn)及新技術(shù)推動(dòng)傳感器的成本下降。

算法及芯片協(xié)同發(fā)展

ADAS算法及芯片技術(shù)門檻高，需要對傳感系統(tǒng)采集的數(shù)據(jù)進(jìn)行處理，完成對周圍環(huán)境及自身車況的識(shí)別及探知，市場集中度較高。國內(nèi)的ADAS算法公司主要有深圳佑駕、前向啟創(chuàng)、蘇州智華等。此類公司根據(jù)自身特點(diǎn)及戰(zhàn)略目標(biāo)的不同，圍繞算法為中心，有三種商業(yè)模式：1. 向汽車一級供應(yīng)商直接提供算法（或者外購芯片及傳感器，提供完整的ADAS模組）；2. 建立生產(chǎn)線，提供自產(chǎn)的完整ADAS模組給一級供應(yīng)商或后裝市場；3. 將自身研發(fā)的芯片與算法綁定出售。 由于可以通過算法升級實(shí)現(xiàn)更多功能，且企業(yè)內(nèi)部的自身成本與建立傳感器生產(chǎn)線相比非常低（主要是人工的成本），所以產(chǎn)業(yè)鏈中的算法環(huán)節(jié)可以帶來30%以上的產(chǎn)品溢價(jià)。

高精度地圖及車聯(lián)網(wǎng)的發(fā)展

高精度地圖參與者主要有圖商（如HERE、四維圖新）、無人駕駛科技公司（如Google、特斯拉等）、ADAS方案提供商（如Mobileye、前向啟創(chuàng)）和傳統(tǒng)車企（如通用、大眾）等四類。其中除了圖商的高精度地圖是為地圖的標(biāo)準(zhǔn)化準(zhǔn)備外，其他參與者繪制的高精度地圖都是為了各自環(huán)節(jié)中的特定需求定制的，標(biāo)準(zhǔn)化程度較低。地圖行業(yè)的進(jìn)入壁壘較高，主要由于地圖繪制的牌照數(shù)量少，數(shù)據(jù)庫建設(shè)周期長，投入資金大，而且需要大量依賴長期積累起來的實(shí)施技術(shù)。另一方面，該行業(yè)的規(guī)模經(jīng)濟(jì)效應(yīng)明顯，一旦建立起市場份額則利潤非?？捎^。以四維圖新為例，2016年該公司的綜合毛利率約為80%，近50%的營業(yè)收入來自車載導(dǎo)航領(lǐng)域。在離線地圖的時(shí)代，圖商主要以銷售地圖使用許可證（License）為主，但在高精度地圖時(shí)代下，圖商將為用戶提供持續(xù)的服務(wù)。屆時(shí)一次性收費(fèi)的模式將被按時(shí)間或按產(chǎn)品類型收費(fèi)的模式取代。

車聯(lián)網(wǎng)市場的參與方可大致分為四種: 車聯(lián)網(wǎng)服務(wù)提供商、設(shè)備供應(yīng)商、增值服務(wù)提供商以及電信運(yùn)營商。1. 車聯(lián)網(wǎng)服務(wù)提供商居于產(chǎn)業(yè)鏈核心，地位類似于智能手機(jī)的操作平臺(tái)，是傳統(tǒng)整車廠和高科技行業(yè)巨頭競爭的主戰(zhàn)場。傳統(tǒng)整車廠利用捆綁銷售的方式，通過在旗下產(chǎn)品搭載自家品牌的車聯(lián)網(wǎng)系統(tǒng)，完成用戶的原始積累。科技公司則通過與車企在地圖、車聯(lián)網(wǎng)方案、自動(dòng)駕駛等領(lǐng)域的合作進(jìn)入車聯(lián)網(wǎng)生態(tài)系統(tǒng)。2. 設(shè)備供應(yīng)商是整個(gè)車聯(lián)網(wǎng)產(chǎn)業(yè)鏈實(shí)現(xiàn)的硬件基礎(chǔ)。目前該領(lǐng)域尚未形成巨頭競爭的格局，留給創(chuàng)業(yè)公司發(fā)展的空間較大?？v向一體化或者專攻高利潤市場將有助于盡快確立競爭地位。3. 增值服務(wù)提供商與智能手機(jī)App應(yīng)用的價(jià)值類似，市場空間十分巨大，但目前尚處于初級的服務(wù)模式當(dāng)中，參與者魚龍混雜，競爭的關(guān)鍵點(diǎn)在于精準(zhǔn)理解用戶需求，提高用戶體驗(yàn)。4. 電信運(yùn)營商主要將用戶請求及處理結(jié)果在車聯(lián)網(wǎng)中傳遞并收取通信費(fèi)用。國內(nèi)三大電信運(yùn)營在通信市場處于絕對的寡頭地位。

下游過熱

但是根據(jù)目前無人駕駛產(chǎn)業(yè)鏈的發(fā)展，顯然有點(diǎn)下游過熱了，大量的風(fēng)投涌入下游，特別是L4／L5整車的無人駕駛初創(chuàng)公司，而許多上游部件以及核心模塊卻沒有引起太多的注意。資本突然的涌入也造成了L4/L5整車的無人駕駛公司估值的暴漲，也直接導(dǎo)致了無人駕駛從業(yè)者人心浮動(dòng)，大量人才從行業(yè)領(lǐng)先地位的無人駕駛公司（包括Google、百度等）流失。這個(gè)現(xiàn)象對無人駕駛產(chǎn)業(yè)發(fā)展并非是好事，也讓我們想起了2016年的AR／VR風(fēng)潮以及后來的AR／VR企業(yè)的倒閉潮。個(gè)人認(rèn)為AR／VR的核心問題也是在上游產(chǎn)業(yè)鏈沒準(zhǔn)備好的情況下，下游產(chǎn)品概念被炒作過熱，導(dǎo)致資本的瘋狂。

一點(diǎn)個(gè)人的感想與建議

這是無人駕駛系列最后一期，開始寫這個(gè)系列是因?yàn)樽约簩@個(gè)集大成技術(shù)的熱愛以及追求。寫每一期都是對自己做過技術(shù)的一次總結(jié)以及重新學(xué)習(xí)。在之前的11期我們都聚焦技術(shù)而不談個(gè)人的見解。最后一期想總結(jié)一下個(gè)人的一些觀點(diǎn)，讀者們未必會(huì)認(rèn)同，但是希望可以通過這篇文章多與各位交流學(xué)習(xí)。

我為什么沒有做無人駕駛創(chuàng)業(yè)

許多投資人問過我，為什么沒有選擇無人駕駛創(chuàng)業(yè)，而選擇了機(jī)器人。因?yàn)樵谖铱磥頍o人駕駛整合了40～50個(gè)技術(shù)點(diǎn)，即使做好了其中90%的技術(shù)點(diǎn)，無人車還是上不了路。而機(jī)器人只是整合了4～5個(gè)技術(shù)點(diǎn)，相對容易許多，責(zé)任也小許多。做機(jī)器人解決方案我們很快就可以出產(chǎn)品，很快能得到市場反饋，從中學(xué)習(xí)到許多，也可以得到不斷出貨的滿足感。而做無人車做得好也可能只是一個(gè)好的Demo，而且做無人駕駛創(chuàng)業(yè)需要很強(qiáng)的技術(shù)以及資本掌控能力，我能力還到不了這個(gè)程度。在我看來市場上有幾家無人駕駛初創(chuàng)公司有很強(qiáng)的技術(shù)把控能力，包括NURO.AI、PONY.AI、以及AutoX.AI，NURO.AI與PONY.AI應(yīng)該屬于傳統(tǒng)的LiDAR流派，而AutoX應(yīng)該是視覺流派的佼佼者。

給開發(fā)者的建議

當(dāng)前的人工智能熱潮是一次大的技術(shù)革命，對廣大技術(shù)人員來說是個(gè)特別好的機(jī)會(huì)，但是如果只掌握一個(gè)技術(shù)點(diǎn)是不足夠的。根據(jù)我過去幾年的經(jīng)驗(yàn)，在技術(shù)行業(yè)隔行如隔山，比如做算法的對軟件設(shè)計(jì)未必熟悉，專注做軟件的很少懂系統(tǒng)，而懂系統(tǒng)的了解硬件也不多。反過來也一樣，讓一個(gè)硬件工程師去寫軟件，他可能會(huì)覺得很難而不敢觸碰。但是如果能靜下心來花點(diǎn)時(shí)間去學(xué)一下，其實(shí)并沒有想象中那么難。我在工作以及創(chuàng)業(yè)的過程中，發(fā)現(xiàn)能跨躍幾個(gè)細(xì)分行業(yè)（比如軟件、系統(tǒng)、硬件）的工程師非常難得也非常有價(jià)值。通?？梢钥畿S幾個(gè)細(xì)分行業(yè)的人都比較有好奇心，也有勇氣去嘗試新的東西。我以前是學(xué)系統(tǒng)的，覺得算法不是我的本行，一直拒絕接觸。但是當(dāng)自己深入接觸后，覺得并沒有想象中那么困難，只要保持著好奇心，不斷學(xué)習(xí)，可以很快成才。

給投資人的建議

下游現(xiàn)在過熱了，多關(guān)注上游。我個(gè)人信奉的是更細(xì)的分工達(dá)至更高的效率。只有上游發(fā)展好后，下游才會(huì)真正的繁榮。如果每個(gè)公司都說可以全棧把每個(gè)點(diǎn)都做好那是不成熟以及低效的。比如無人駕駛安全，基本沒人關(guān)注也沒人在這個(gè)行業(yè)創(chuàng)業(yè)。很多投資人說，無人駕駛本身都沒做好，哪有功夫看這種方向。但是當(dāng)車做好后，如果安全沒做好，車是不可能上路的。無人駕駛安全必須隨著無人駕駛其他技術(shù)點(diǎn)一起發(fā)展。另外為無人駕駛服務(wù)的云計(jì)算，也是鮮有人投入，但是這在我看來是個(gè)極大的市場。

序幕剛啟

無人駕駛作為人工智能的集大成應(yīng)用， 從來就不是某單一的技術(shù)，而是眾多技術(shù)點(diǎn)的整合。技術(shù)上它需要有算法上的創(chuàng)新、系統(tǒng)上的融合，以及來自云平臺(tái)的支持。除了技術(shù)之外，無人駕駛的整條產(chǎn)業(yè)鏈也是剛剛開始，需要時(shí)間去發(fā)展。目前在市場上許多創(chuàng)業(yè)公司都是做全棧，做整車。但是如果產(chǎn)業(yè)鏈沒發(fā)展成熟，做全棧與做整車公司的意義更多是Demo這項(xiàng)技術(shù)，而很難產(chǎn)品化。個(gè)人認(rèn)為一個(gè)成熟的產(chǎn)業(yè)是應(yīng)該有層次感的，上下游清晰，分工細(xì)致以達(dá)到更高的效率。但是今天無人駕駛行業(yè)還是混沌的，上下游不清晰，而且資本的熱捧也導(dǎo)致了市場過熱。但是相信通過幾年的發(fā)展，當(dāng)上下游發(fā)展清晰后，無人駕駛就可以真正產(chǎn)業(yè)化了。無人駕駛序幕剛啟，其中有著千千萬萬的機(jī)會(huì)亟待發(fā)掘。預(yù)計(jì)在2020年，將有真正意義上的無人車開始面市，很可能是在園區(qū)以及高速公路等可控場景，然后到2040年，我們應(yīng)該可以看到無人駕駛?cè)嫫占?，讓我們拭目以待?/p>