微信号:YunTouTiao

介绍:云计算领域科技媒体:传播观点,传播价值;Web:www.yuntoutiao.com ,欢迎互动~~~

自动驾驶汽车(AV)技术生态圈

2018-11-05 23:37 ​CB Insights

自动驾驶汽车(Autonomous vehicles;Self-piloting automobile )又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史,21世纪初呈现出接近实用化的趋势。


自动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,让电脑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。


自动驾驶汽车依赖几种先进技术进行自我导航。我们将拆解自动驾驶汽车,看看这些技术如何协同工作哪些公司推动这个行业发展。

 

自动驾驶汽车依靠一系列互为补充的技术来感知周围环境,并作出反应。


一些自动驾驶公司专注于这些特定的部件,并与汽车制造商和一级供应商合作,以帮助它们的产品扩展,而Zoox和Nuro等另一些公司在从头开始设计车辆。


CB Insights仔细分析了实现自动驾驶的诸多技术,并介绍了有望让自动驾驶汽车更先进、更便宜、更容易扩展的几家初创公司。


这份市场地图只包括很活跃的私营公司,无意列举这个行业的所有厂商。类别也并非互相排斥,每家公司按各自的主业来介绍。


感知


除了识别其他汽车、自行车和行人外,自动驾驶车辆还要能够识别交通信号和标志。它们还要感知前方物体的距离和速度,以便知道如何作出反应。



自动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),它们各自有一系列的优点和局限性。


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,以便尽可能精确地表示汽车周围的环境。


摄像头和计算机视觉


摄像头普遍用于自动驾驶车辆和配备先进驾驶辅助系统(ADAS)的车辆。不像雷达和激光雷达,摄像头可以识别颜色和字体,这有助于检测道路标志、交通信号灯和街道标记。


然而说到检测深度和距离,摄像头与激光雷达没法比。


许多初创公司致力于为汽车领域生产可提取最生动的图像的摄像头。


今年7月Light在D轮融资中筹资1.21亿美元,它开发了一款旨在与激光雷达的精准度相媲美的摄像头。该摄像头可以整合来自所有16个镜头的图像,提取出高度精确的3D图像。


Light的L 16摄像头,它有16个镜头(图片来源:Light)


为了处理从摄像头提取的数据,自动驾驶汽车系统使用经过训练的计算机视觉软件来检测物体和信号。软件应该能够识别车道边界的具体细节(比如线条颜色和图案),评估适当的交通规则。



许多初创公司致力于开发更高级、更高效的计算机视觉技术。


DeepScale等公司正在部署深度神经网络,以便逐渐提高识别能力,并降低错误率。


总部位于巴黎的Prophesee已开发出了基于事件的机器视觉,为物体识别提供便利,并尽量减少数据过载现象。该公司的深度学习技术模仿人类大脑如何处理来自视网膜的图像。


标准摄像头中基于帧的传感器依赖同时捕获图像的众多像素,逐帧处理图像;基于事件的传感器依赖彼此独立工作的像素,因而可以捕获动态的持续信息流。


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希望将其机器视觉功能运用于从自动驾驶汽车、工业自动化到医疗保健的多个行业。2月份,该初创公司在B轮后续轮融资中筹资1900万美元。


雷达、激光雷达和V2X


自动驾驶汽车的开发商正结合雷达和激光雷达传感器,以增强摄像头的视觉功能。

自动驾驶汽车使用传感器融合(该软件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),处理来自众多传感器的数据。


除了视距传感器外,许多初创公司和老牌车企致力于研发车辆到一切(V2X)技术,该技术让车辆可与其他联网设备进行无线通信。


该技术仍处于早期阶段,不过有望为车辆提供附近车辆、自行车和行人的实时馈送画面,即使它们在车辆的视线之外。


雷达


汽车使用雷达通过往外发送无线电波,检测前方物体的距离、范围和速度。


雷达技术之所以被认为比激光雷达更可靠,是由于它有更广的检测范围,不依赖更容易出错的旋转部件。成本也大大降低。因此,雷达广泛用于自动驾驶汽车和ADAS。


Lunewave在9月份从宝马和百度融到了500万美元的种子资金,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。该公司的技术基于上世纪40年代开发的伦伯透镜天线。


Metawave也致力于提升雷达的能力。该公司开发出了一款模拟天线,使用超材料加快传输速度、扩大探测范围。


Metawave的雷达技术(图片来源:Metawave)


5月份Metawave的1000万美元后续种子轮包括来自电装(DENSO)、现代和丰田等知名汽车公司的投资,以及精明的投资者Khosla Ventures的投资。该公司宣布一级供应商英飞凌参与了8月份的后续轮投资。


激光雷达(lidar)


激光雷达被认为是最先进的传感器。其高精度能够形成车辆周围环境的3D画面,便于物体检测。


激光雷达技术形成车辆周围环境的3D画面(图片来源:Velodyne)


激光雷达技术使用红外传感器来确定物体的距离。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。


传统的激光雷达装置包含许多旋转部件,可捕捉汽车周围环境的360度视图。这些部件的开发成本更高,往往不如静止部件来得可靠。多家初创公司在竭力降低激光雷达传感器的成本,同时保持高精度。


一种解决方案是固态激光雷达装置,它没有活动部件,实施起来成本较低。


以色列初创公司Innoviz所开发的固态激光雷达技术成本将只有“数百美元”,只是Velodyne配备128个激光、售价75000美元的激光雷达装置的零头而已。


4月份,Innoviz宣布与汽车制造商宝马和一级供应商麦格纳合作,在宝马的自动驾驶汽车中部署激光雷达激光扫描装置。


Innoviz的激光雷达装置Innoviz Pro(图片来源:Innoviz)


Aeva也在开发固态激光雷达。它在10月份的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。不像传统的激光雷达,Aeva的技术发出连续的光波,而不是单个脉冲。


总部位于中国的速腾聚创(Robosense)在开发固态激光雷达。它在10月份的C轮融资中筹资4330万美元,这是对中国的激光雷达公司而言金额最大的一轮融资。这轮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。


车辆到一切(V2X)传感器


V2X技术让车辆与其他联网设备之间能够无线传输信息。虽然V2X技术仍处于早期阶段,但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。



V2X传感器可以检测道路危险、交通拥堵以及车辆视野之外的前方盲点。


总部位于以色列的初创公司Autotalks正与现代公司合作,为大众市场扩展其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自动驾驶技术至关重要,因为它们可以用来训练指引车辆的算法。


据兰德公司声称,自动驾驶汽车需要行驶数亿、甚至数十亿英里的路程来验证安全性。这么远的路程需要自动驾驶汽车的开发商花好多年从测试车队收集数据。


因此,自动驾驶汽车的开发商通过模拟来累积额外的路程。


模拟初创公司和自动驾驶汽车的开发商利用AI生成或丰富简单的数据集,训练自动驾驶汽车。该技术特别有助于在危险的、不太频繁的情况下训练自动驾驶汽车,比如眩目的太阳光或行人从停泊的汽车后面蹿出来。


总部位于以色列的初创公司Cognata开发了一个3D模拟平台,为客户提供各种自动驾驶测试场景。


Cognata的3D模拟平台(图片来源:Cognata)


该公司在10月份的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。


MightyAI的元数据归因和分类技术(图片来源:MightyAI)


英伟达是处于模拟前沿的大公司之一。 5月份,它推出了一个名为DRIVE Constellation的基于云的模拟平台。该平台在英伟达的GPU上运行,生成传感器数据流,供自动驾驶汽车系统处理。 英伟达可以在数十亿英里的定制场景中训练算法。


9月份,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图像注释即标记数据,以便自动驾驶汽车可识别物体,并进行分类。


训练数据初创公司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。MightyAI提供了用于数据管理、注释和验证的工具。


该公司用于解读收集而来的数据的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。



中国科技巨头百度也开发了自己的语义分割软件ApolloScape,用于其面向自动驾驶的开源数据集。


百度的技术可实现多达26种分类的图像注释,包括汽车、行人、自行车、建筑物和路灯,帮助自动驾驶汽车识别道路上的可行驶区域和前方的危险。


定位


自动驾驶汽车还需要知道其准确位置,以便做出决策和规划路径。


许多车依靠GPS信号,但这种测量方法的误差可能有一二米, 考虑到整条自行车车道平均才大约1.2米,这个误差太大了。


因此,自动驾驶汽车的开发商依赖一系列技术(包括预构建地图),有助于将误差减少到1米内。


预构建地图


汽车自行导航时,将周围环境与存储在内存中的数字地图进行比较。


这种地图名为HD地图,比用于个人导航软件的数字地图来得精确。它们含有基于道路的信息,例如车道尺寸、人行横道和道路标志,并辅以从外部车辆传感器收集而来的数据。



许多初创公司设计了所需的硬件(即传感器)和软件,可收集路面数据,然后转换成数字地图。


DeepMap开发了地图构建软件,计划授权其他汽车制造商和关注自动驾驶汽车的科技公司使用。一级供应商罗伯特博世在8月份投资该初创公司,另两家是之前的投资者:安德森霍洛维茨基金会和Accel Partners。



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意义的地图信息。


一些公司在自行构建HD地图,目的是授权感兴趣的有关方使用其数据。


地图领域的两大玩家是HERE Maps和TomTom。HERE Maps于2015年12月份被德国汽车制造商联盟(奥迪、宝马和戴姆勒)收购。TomTom在1月份与百度合作,将其美国和西欧的地图与百度广泛的中国地图整合在一起。


谷歌在地图领域也在取得显著进展。沃尔沃在10月份宣布,将其地图平台由TomTom改为谷歌地图。谷歌的自动驾驶部门Waymo也使用自家车辆在道路上收集的数据,构建自己的高清地图。


百度在为其自动驾驶汽车软件平台“阿波罗”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将费用纳入车辆成本中。


百度认为,其HD地图业务最终有望超过目前领跑中国市场的搜索业务。


整套系统


许多公司致力于开发整套的自动驾驶系统,而不是特定的部件。


虽然这些初创公司大多完全专注于自动驾驶、与汽车制造商合作以部署其技术,但有几家在从头开始重新制造车辆。


自动驾驶系统


构建整套自动驾驶架构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,以及自动驾驶所必需的硬件。这些系统可谓是自动驾驶汽车的“大脑”。


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。在一些情况下,它们可以用这项技术来改造现有车辆。


比如说,Drive.ai利用其自动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自动驾驶汽车服务后,于10月份将服务扩大到了得克萨斯州阿灵顿。


2017年9月份,Drive.ai与Lyft合作,将配备其系统的自动驾驶汽车引入到了Lyft的开源软件平台上。



中国还有几家公司致力于自动驾驶系统。


总部位于北京的Momenta于10月份跻身独角兽行列,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。


Pony.ai也跻身独角兽行列。该公司已与中国第二大汽车制造商广汽集团合作,部署其整套自动驾驶汽车系统。9月份它在广州启动了自动驾驶车队,离A轮融资中筹资1.02亿美元仅过去三个月。


整车


Zoox和Nuro等公司正从头开始建造车辆。


Zoox的原型车与传统汽车大不相同,它们不包括方向盘或仪表板,内部有两把相面对的长座椅。



法律还不允许它的车在公共道路上行驶,因此Zoox正与丰田汉兰达部门一起临时测试其技术。


该公司独特的方法引起了投资者的极大关注,联合创始人兼首席执行官被撤职后的近几个月已引起媒体竞相报道。


迄今为止,Zoox已筹资8亿美元,包括7月份B轮融资的5亿美元,估值达32亿美元。 该公司计划2020年之前将其自动驾驶汽车部署在打车服务中。



Nuro的自动驾驶汽车旨在载货而非载人,以打破困扰众多零售商的最后一英里送货瓶颈。


AI 行业交流群欢迎加入,群主微信:aclood(备注任职单位+职位,否则不予通过)


相关阅读:

重大数据泄漏事件:汽车制造产业上下游 100 多家公司数据暴露在互联网上

无人驾驶汽车是一场「科学试验」

自动驾驶汽车如何学会驾驶?下载这个自动驾驶汽车数据集(已开放),自个看一下!(附白皮书)

三部委:《智能网联汽车道路测试管理规范(试行)》

重新发明轮子:颠覆汽车行业的41家汽车科技初创公司

“全自动驾驶”前景凉凉 ?特斯拉已停止宣传


 
云头条 更多文章 年营收上亿美元的商业开源公司:38 家 编译器的「五个十年」发展史 Red Hat 杀死 KDE ! 企业云:寒冬来临! GitHub 网络链路中断 43 秒,导致瘫痪了 24 个小时 !
猜您喜欢 Apache Spark在大规模分布式自然语言处理的应用 双11看清陷阱,电商这样把假货发给你.... Google ARcore 1.0 发布了,你还不来搞一个 AR 视频应用? 初识Frida--Android逆向之Java层hook (二) API 调用次数限制实现