自动驾驶数据融合（自动驾驶 融合）
今天给各位分享自动驾驶数据融合的知识，其中也会对自动驾驶 融合进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
本文目录一览：
- 1、吕晓峰：5G加入V2X自动驾驶相关应用更好融合
- 2、年末中国自动驾驶压轴之作：毫末数据智能体系MANA重磅发布
- 3、传感器融合才是自动驾驶的正道之光
- 4、为什么说只有推动5G+AI深度融合，才能加速自动驾驶落地？
吕晓峰：5G加入V2X自动驾驶相关应用更好融合
1月15日，由寰球汽车和沃尔沃汽车联合主办，主题为“重新定义5G时代车联网基因”的2020中国智能汽车高峰论坛在上海沃尔沃亚太研发中心举办。
2020年，5G时代正式到来，过去有关自动驾驶技术在通讯上的技术瓶颈被打通，这也让未来汽车的发展带来了更多的机遇与思考。其中，以V2X技术为例，5G时代下车路协同的信息将更加通畅，数据传输的延迟更低，车与万物的沟通速度更快。
论坛上，华为V2X产品线总经理吕晓峰认为，随着未来5G网络的应用更加深入，包括V2X网络带宽和延时能力增强，包括和雷达、视觉能力进一步结合，将使自动驾驶相关的应用做更好的融合。
以下是华为V2X产品线总经理吕晓峰发言实录：
在这里跟大家报告一下我们公司最新的情况和数字。2019年整体的业绩应该说最终还没有出来，基本情况是整体完成了8500万亿人民币的销售收入，同比增长是18%。2019年在财富500强的最新排名是61位，相信2020年我们的最新数字会继续前进，我们会在今年这样的整体环境下继续沉着应对内外的压力，在通信、5G这一块去持续投入、奋斗。同时在新的赛道、车、云、AI领域持续加强投入，做强我们自身。
整体来看，随着5G、AI应用、发展，传统的ICT技术和垂直行业有更多的应用，汽车在变，汽车领域新四化大家已经讨论了很多，汽车的演进和不断发展的需求，从传统大家更关注于机械、动力等的能力和ICT结合，对未来出行的信息、娱乐、便捷、安全有更高的要求。用户需求也在不的变化，这里有很多，由于ICT技术，包括芯片，包括终端，包括移动通信网络，和传统的汽车有了更多的结合，使得人们开车、用车，安全，出行的体验上有更多的要求。
未来的车，不会是一个单一的智能体，首先本身车的聪明程度在提高，车，会有更多的通信、计算、信息、娱乐能力，除此之外，让车有更好的安全、高效、便捷能力，路的角色在其中不可或缺。通过车路协同的技术，使车和路做更有机的结合，感知和预判交通态势，未来出行的流量是什么样的情况，从而进一步的引导和调整交通流量，同样能力的道路，同样能力的汽车，有更好的出行效率，更多的承载，有交通行业的朋友在说，我未来从交通领域来说，希望用6车道的桥，6车刀的投资，有8车道能力的承载。
从车来说，用L2这样的投资、车的能力，通过和智能网联的协同，使它在某些特定的场景、功能下具备L4级的能力，这个是未来出行的目标。
对于华为来说，正如看到了传统的ICT技术和汽车行业演进的机会，我们正式成立了智能网联BU这样一个单元，华为自己不造车，利用使能ICT技术，帮助企业造好车，我们会充分利用华为原来在通信网络，云、5G技术的能力，一方面，提供与车密切相关的道路、云基础设施这样一些解决方案，包括我们的智能网联车云，智能V2X，道路基础设施，5G通信网络的部署。
在车方面，结合ICT技术，做一些与芯片、模组能力密切结合的构建，包括车内车外智能网联的网关设备，终端、家庭密切结合，打通用户体验的全场景的智能座舱。
除此之外，电动领域，新能源是未来新能源汽车四化的基础，华为主要是聚焦于三电，电控，电极，电极管理系统，除此之外还有车和路整体的使得车辆做运维、销售、连接管理的车云平台。整体我们会依据在芯片、终端等方面的和优势，推进我们做芯管端云方面的协同。
具体来说，整个在智能网联这样一个方案，也有相应的在车内和车外产品和方案的部署，在车内，华为主要是提供三块核心的部件，连接车内各个未来基于新的电子电气架构的网关，还有车载具备5G连接能力和V2X连接能力的终端。道路基础设施这一块，一方面和传统电信运营商结合，在中国已经逐步启动的5G网络，为车提供更快、更大带宽、更广泛谅解能力的泛5G连接能力。
同时和道路基础设施结合，与道路运营商，与智慧城市运营商，交警结合，使得V2X和5G一起，除了改变人们出行信息娱乐车载体验以外，带来更多交通出行和信息的便捷。
首先，也在讲，5G和V2X为智能网联汽车带来的改变，主要可以体现为以下三个方面，第一是体验增强，通信5G的技术，带来视频、信息、流媒体、娱乐、办公方面的体验提升。交通效率，通过V2X网络和5G有机结合，地图的刷新，下载，OTA升级，还有最后一公里的导航、停车方面的结合，可以使人们出行效率得到提升。除此之外， V2X的网络更进一步和道路基础设施和交通信息化结合，可以使得交通出行的安全，进一步得到保障。在国际上，其实更多的对于V2X网络部署提出的要求，对交通安全的强调比较多，中国这方面，现在还更多在讲怎么提升体验或者是怎么更好的做自动驾驶的应用。我们可以看到，未来自动驾驶和体验方面，安全方面也是V2X可以带来很大的变化，大家也知道，沃尔沃汽车是以安全、稳健而著称，这块也可以有很好的结合。
如果把整个带来的体验的更细一点，首先来讲一下5G。大家知道5G给未来的通信带来三个核心的能力的变化更多更宽的带宽，更快达到毫秒级的用户的体验，这样会使得传统的用户在现有的基础上，4G网络基础上，从视频能力，从VR能力，在线沉浸是游戏的能力，得到进一步提升。5G这么大的带宽，可以形成1：1的占比水平。
5G这样的能力，如果和汽车有很好的结合，大家可以直观的讲到，未来消费者、驾驶人坐在车里面，第一应用场景的不同是用5G在车里面和在自动驾驶场景和一些功能得到应用的时候，一定程度上的，把驾驶员、乘客的脑、手解放出来，这个时候，大家可以想像得到，V2X带来的VR、游戏，AR导航，以及智能交互新的场景、新体验，会在车里面率先落地的应用和场地，利用5G大带宽能力，把人释放出来，带来更多的闲暇时间。
在这一块，华为已经和上汽等合作伙伴有一些讨论和探索，我们希望也在不远的未来，随着5G车的上市这些场景会成为现实。
在5G方面，2019年中国正式向三大运营商发布5G运营牌照，中国5G部署已经在全球率先迈开了步子。据我们了解，在上海几大运营商已经部署了接近上万个5G基站。上海、北京等一线城市，尤其是对新事物、新的汽车应用接受比较好的城市，5G网络已经有了比较好的基础。
2020年随着5G的部署和推进，工信部提出新的要求，希望在中国所有地级市实现5G覆盖，汽车相关节奏会加快，华为也在相关的产品解决方案，包括垂直行业整体推进这个计划。
除了5G之外，另外一个要讲到V2X，主要是和传统的智能交通系统来结合，整体实现人车路云的协同，同时在这样的场景上，由于有了落的连接，有了这些连接的使能，使的新的场景、业态成为可能。
V2X和5G并不是隔离或者是分立概念，5G是依托与电信运营商的能力，提供更多更宽更时延的连接，V2X主要是通过路侧部署应的路边的路边单元做结合，使得道路上发生的情况，使得交通网络的信息，可以被有效和车做一个结合和传递。同时车和车之间也可以做有效的互联，实现最终达到的更聪明的车，更智慧的路。
对于V2X基础应用的场景，大家可以很直观的想到，如果路和车之间可以互相通信，就要有效的交互一些信息。这里和车厂在做协同所感知到的，在现有的能力和场景之下，通过对交通基础设施和我们的通信网络和车做有效的互联，可以把道路上发生的一些危险、特殊的状况，或者是相对用交通管理平台和现在所谓互联网地图无法实时获取的一些动态、低时延所需要的场景可以尽快的传递给车。这一块通过和车载的座舱，车载的屏幕结合，可以有效的辅助驾驶阶段，甚至是一定程度，一些相应自动驾驶功能的阶段的信息做到提示，使得驾驶员及早了解到这样的信息，为我们的出行安全和效率做好保障。
这里有相应的统计数据，如果驾驶员在开车的时候，能够提前2秒获知道路上应急的状况，有可能会避免95%以上的交通事故，大家可以想像，当路上有一些异常的行人，电动车，从视觉的盲区串出来，如果没有及时发现这些往往是事故发生的源头，如果能及时的了解这些信息，以一些合适的告警、声、光、车载震动的方式提示给驾驶员，有效的提升整个交通的安全。
除此之外，随着未来5G网络的应用更加深入，包括V2X网络带宽和延时能力增强，包括和雷达、视觉能力进一步结合，使自动驾驶相关的应用做更好的融合，可以看到，协同自动驾驶的场景，远程的，矿山，在一些比较危险的电站做远程驾驶，把驾驶员从一些繁重，有危险的场景下释放出来。
除了做到安全和效率之外，也希望产生一些新的应用和业态，大家讲平常的应用，或者是非常有希望的应用，AVA，希望和合作伙伴一起做泊车辅助，现在已经开始做了一些POC的验证，2020年这个也是我们要推进的一个场景。
从产业的情况来看，除了中国以外，已经在V2X领域率先实现的产业，也有一些示范在应用，正如5G标准一样，包括美国、欧洲，对V2X释放出了很多良好的政策和标准体系的信息。整体的预期，V2X也会在主流汽车市场，包括欧美、中国，形成全球统一的产业链和相应的标准、体系。
中国的产业界包括V2X试点示范应用，包括车厂发布、部署这样的一些工作在做。2019年的时候，包括华为，联合像吉利、伏特，很多的本土车场，在不同的平台推进V2X产业应用。2020下半年或者是2021年上半年，支持V2X的量产车规模上市。
在相关投入方面，2012年开始投入相关的标准技术的研究，我们也是关键标准技术的组织成员，提供端到端的V2X的解决方案，在国内依托遍布全球各地的研发基地，做V2X相关领域标准和技术的研究。
到现在，已经可以提供从芯片、模组到车载网关，路侧等圈套的解决方案，华为愿意携手，包括通信运营商，车厂所有的业界合作伙伴一起，共同推推进5G和V2X技术在整个汽车领域的应用和发展。
本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。
年末中国自动驾驶压轴之作：毫末数据智能体系MANA重磅发布
12月23日，毫末智行品牌日升级后的首场“HAOMO AI DAY”正式上演。因为此前特斯拉AI DAY的知名度，这场属于中国从业者的AI自动驾驶技术盛筵引发关注。
此次HAOMO AI DAY上毫末CEO顾维灏重磅发布中国首个自动驾驶数据智能体系MANA（雪湖）。“雪湖”这一名称，出自于科幻巨作《三体》第二部《黑暗森林》，主人公罗辑在星空、雪山、森林、草地和湖畔之间徜徉思考，最终寻找到了破解“三体危机”、拯救地球的方法。MANA（雪湖）承载了毫末以AI通向自动驾驶梦想的思考。
在自动驾驶领域，数据智能是AI自动驾驶技术的“明珠”，是最终成为胜利者的成功要素。完善的数据智能体系是AI自动驾驶科技公司成功的基石。在业内，谁能高效低成本的挖掘数据价值，谁就能成为竞争的王者。
针对此，毫末拿出了基于毫末AI实践的MANA。顾维灏讲述了背后思考过程：“数据是人工智能最大的驱动力，也是人工智能进步过程中最大的成本。自动驾驶产品的完善是个漫长的进化过程，就像是人在漫长的历史过程中，找到用最低能量消耗维持生命的方法，开发智力和积累经验进化人类文明。所以毫末数据智能的核心，就是降低成本、提高迭代速度。“顾维灏将其比喻为毫末数据智能的“思想钢印”，毫末将用更低的成本和更快的迭代速度，提供更安全、更好用的产品提供给用户。
毫末通过对400万公里用户行驶里程数的沉淀与思考，总结出了自动驾驶能力发展曲线：F=Z+M（X）。F代表产品力，Z代表毫末第一代产品，M是一个把数据转化为知识的函数，包括数据获取、表达、存储、传输、计算、验证，以及对成本和速度的影响。MANA就是这个最核心的M。MANA由TARS（数据原型系统）、LUCAS（数据泛化系统）、VENUS（数据可视化平台）、BASE（底层系统）四个子系统组成。
顾维灏进一步从感知、认知、标注、仿真、计算五大能力方面，对MANA进行了介绍。
在感知能力方面，针对目前毫末核心的感知设备车载摄像和激光雷达，核心问题是如何让1+1实现大于等于4的效果。相较于过往标准的结果融合方法，毫末采用了更高效的过程融合方法，并加入时序的特征进行时空融合，进而快速拉升感知能力。
认知能力层面，顾维灏认为需要具备安全、舒适、高效三大要素。安全上，毫末拥有全栈自研安全认知模型CSS，其核心是自动驾驶系统不只局限在从纯机械的角度保证自己不主动犯错，而是充分考虑从数据中学习到的对其他交通参与者行为的理解和超时空的历史经验；在安全底线之上，从数据中学习舒适和更高效的量化标准，让自动驾驶算法可以更好的处理纷繁复杂的驾驶场景，制定更符合用户喜好的驾驶策略。并且通过自动化场景挖掘、强化学习、仿真引擎构建认知智能闭环系统，持续不断从海量人驾数据中提取知识，快速迭代车端认知算法能力。
毫末正在研究一种端到端的模拟学习，就是以过往的事例为指导，从数字化的场景中得到具体的本车动作。这一过程中，所有的动作都已经在人们自己开车的过程中自己被标注。而毫末则挑选更符合要求司机的驾驶行为，在不同场景下持续的训练。同时，毫末实践了很多深度强化学习的方法，并构建了闭环自动标注系统，运用了无监督自动标注算法，大大提升了数据标注的效率，以适应大规模量产的需求。
仿真能力层面，毫末把仿真系统比作“自动驾驶元宇宙”，通过在这个“元宇宙”中进行感知和认知的效果验证，效率被大大提高。
最后，在计算能力层面，顾维灏判断未来在智能汽车的推动下，人类记录的数据正在从文本向图像转变，图像的存储和计算规模将占据主导，由此对存储和计算将带来新的革命。顾维灏在现场宣布，毫末MANA超算中心正在筹备中，主要用于自动驾驶的数据处理、训练、推理和验证等需求，中国自动驾驶进入超算中心时代。
提到超算中心可能有人会联想到特斯拉之前发布的Dojo，此次毫末推出MANA也是同样的目的，要知道目前在自动驾驶领域只有毫末和特斯拉在使用一个叫Transformer的深度学习大模型，这个模型的特点是训练速度快、训练样本兼容性高、训练规模巨大，非常适用于自动驾驶领域。所以毫末自建超算中心也是十分必要的，目的是形成更强大的数据处理能力，以此来推动算法的快速迭代。此次毫末还把特斯拉的数据智能体系和自家的做了比较，我们欣喜的看到我们自研的数据智能“大厦”终于可以和国外的领先车企掰掰手腕了。
One more thing：毫末城市NOH 2022年上市
MANA是所有毫末能力进化的核心动力。通过MANA打造的超级能力，毫末的自动驾驶产品正在变得更加强大和领先。顾维灏表示，2022年年中，毫末辅助驾驶系统HPilot即将推出“城市NOH”这一全新功能，使用届时全球最大算力的辅助驾驶域控制器小魔盒3.0，并针对城市多样、复杂的路况进行专项优化，具备更快、更及时的感知能力和响应能力。
HAOMO AI DAY现场还展示了目前毫末城市NOH车辆路测视频，其中展示了如红绿灯识别、避让路口加塞车辆、避让调头车辆、自动通过待转区、导航变道、避让横穿行人、驶入驶出环岛、路口无保护左转等诸多面对市区复杂交通环境的便捷功能。
顾维灏宣布了毫末乘用车智能驾驶路线图：2022年下半年，毫末将计划交付全场景NOH，并在2023年推出拥有HSD（HAOMO Self-Driving）的车队。MANA的技术力量正在显现。
未来，搭载毫末智行全场景 NOH 乘用车、拥有毫末智行HSD的车队，以及更多“毫末制造”的物流无人车驶上街头，社会的出行及物流方式会迎来崭新的篇章。这家公司有着传统车企的底蕴，也包含科技公司的锐利，一群三体迷们在做着有关未来美好愿景的梦，并且一点点的在为之努力着，借用三体中的一句名言，给时光以生命，给岁月以文明。时间会见证这场科技文明的诞生，让我们拭目以待。
传感器融合才是自动驾驶的正道之光
10月21日，特斯拉CEO埃隆 · 马斯克（Elon Musk）发推特表示，特斯拉的全自动驾驶（Full Self-Driving，以下简称 FSD）beta 版软件已向小部分客户推送。而在早些时候的10月11日，百度也宣布旗下的无人驾驶出租车服务百度Apollo在北京正式开放运营。
10月以来，连续两波关于自动驾驶技术的落地将人们对自动驾驶的热情推向了一个高潮。而且今年对自动驾驶来说其实是一个比较重要的年份，因为如果从2010年谷歌自动驾驶项目上线开始算，今年刚好就是自动驾驶技术商业化的第十年。
十年走来，作为人工智能最接近生活的应用场景，自动驾驶一直被人们寄予厚望。而到今天，随着大数据、AI、5G等技术的突破和应用，百度、Uber、滴滴、文远知行，越来越多的自动驾驶技术从实验室走向了道路。
对于辅助驾驶系统（ADAS）和自动驾驶汽车（AV），可能永远不会有一种单一、最有效的方法来实现传感技术。这个神奇的数字可能是六个，因为每个汽车制造商都会以六个基本考虑因素来决定如何以自己的方式实现，这将导致每个人创建自己的独特方法来将传感器集成到未来的车辆中。
国内外部分综合实力较强的汽车零部件公司在自动驾驶汽车传感器上进行多产品布局，可以为下游客户提供综合性的自动驾驶解决方案，形成较强的竞争力。这些公司包括国外的博世、大陆集团、法雷奥、海拉、德尔福、富士通天、奥托立夫等公司和国内的德赛西威、华域汽车和保隆科技等公司。
越来越多的传感器被部署在整车中，以主动解决安全问题。今天，我们的汽车中到底有多少个传感器？要进一步提高自主性，还需要多少个传感器？这个问题的答案是如果考虑到ADAS的传感器-超声波、雷达、用于感应的摄像头、用于观察的摄像头和LiDAR，估计车辆具有10至20个传感器，具体取决于车辆的类型 。
传感器将是解决高度自动化水平的关键，并且传感器的数量和类型预计将增加。
自动驾驶的环境监测传感器主要包括摄像头和雷达两类：首先，摄像头通过图像识别技 术实现距离测量、目标识别等功能；其次，雷达利用发射波和反射波之间的时间差、相位差 获得目标物体的位置和速度等数据，按所使用的不同类型的波，雷达可以分为毫米波雷达、激光雷达、超声波雷达三类。
摄像头：自动驾驶的眼睛
摄像头方面，按视野覆盖位置可分为前视、环视（侧视+后视）及内视摄像头，其 中前视摄像头最为关键，可以实现车道偏离警示系统（LDW）、前向碰撞预警系统（FCW）、 行人识别警示（PCW）等功能。前视摄像头又有单目摄像头、双目摄像头，乃至多目摄像 头等不同的解决方案。虽然双目或多目摄像头具有更高的测距精度和更广的视角，但由于 其成本较高以及对精度和计算芯片的高要求，使得其仍未能大规模量产，目前以 Mobileye的单目摄像头解决方案是市场的主流。
车载摄像头产业链主要涉及上游材料、中游元件和下游产品三个主要环节。上游材料中光学镜片、滤光片和保护膜等用于制造镜头组，晶圆用于制造 CMOS 芯片和 DSP 信号处理器;在中游镜头组、CMOS 芯片和胶合材料等组装成模组，并和 DSP 信号处理器封装成摄像头产品。在产业链的这一层，上游供应商已经可以向下游整车或一级供应商客户供应完整的摄像头产品。
在车载摄像头产业链中，摄像头和软件算法一起，构成车载摄像头解决方案，应用于自动驾驶汽车中。车载摄像头产业链较长，上下游拥有众多环节，每个环节都涉及国内外众多厂商和公司。
相较于消费电子等所用的摄像头，车规级的摄像头对防震、稳定性、持续聚焦特性、热补偿性、杂光强光抗干扰性等都有较高的要求，因此其模组组装工艺复杂，技术堡垒较高。从全球摄像头供应市场来看，目前国外公司松下、法雷奥、富士通天、大陆、麦格纳等厂商占据较大份额，前五大产商市场份额合计在 59%左右，集中度相对较高。
雷达：自动驾驶的大脑
在雷达方面，主要分为三类：1、毫米波雷达：介于微波和红外线之间，频率范围 10GHz —200GHz，波长为毫米级；2、激光雷达：介于红外线和可见光之间，频率大致为 100000GHz，波长为纳米级；3、超声波雷达：频率高于 20000Hz。根据公式：光速=波 长*频率，频率越高，波长越短。波长越短，意味着分辨率越高；而分辨率越高，意味着在 距离、速度、角度上的测量精度更高。
我们平时用的倒车雷达是超声波雷达，发出的是声波，只能达到声速。超声波雷达体积小、价格低，但探测精度差、范围小，并且在高速运动时影响很大，在自动驾驶中的应用并不多。
应用多的是毫米波雷达，发出的是电磁波，以光速传播。主要的毫米波雷达有24GHz和77GHz两种。24GHz频率低、带宽窄，精度相对较低，主要用于盲点监测、自动泊车等。而77GHz精度高很多，可以更准确的探测距离，并且天气等对他的影响很小。和摄像头融合就能够很好的完成对环境的感知。
但毫米波雷达可以感知距离，可无精准法感知物体的具体形状，或者前方两个人的间距等，探测的噪点也很多。比如空无一物的道路上，因为一些起伏或者路面的颗粒等，也会形成反射干扰毫米波雷达的判断。
激光雷达可以很好的解决这些问题，他的精度可以达到厘米级。激光雷达上每一个激光发生器代表一线，常用机械旋转式激光雷达有10线、64线、128线等。激光雷达实际上是一种工作在光学波段（特殊波段）的雷达，它的优点非常明显。
第一，是具有极高的分辨率：激光雷达工作于光学波段，频率比微波高2～3个数量级以上，因此，与微波雷达相比，激光雷达具有极高的距离分辨率、角分辨率和速度分辨率。
第二，抗干扰能力强：激光波长短，可发射发散角非常小（μrad量级）的激光束，多路径效应小（不会形成定向发射，与微波或者毫米波产生多路径效应），可探测低空/超低空目标。
第三，获取的信息量丰富：可直接获取目标的距离、角度、反射强度、速度等信息，生成目标多维度图像。第四，可全天时工作：激光主动探测，不依赖于外界光照条件或目标本身的辐射特性。它只需发射自己的激光束，通过探测发射激光束的回波信号来获取目标信息。
但是，因受价格跟体积的限制，目前来看激光雷达还非常少地装配在量产车上，马斯克在多个场合中抨击激光雷达“笨重”，“丑陋”，“完全没有必要”。这个也是激光雷达的一大缺点，现阶段大家很难把其体积缩小，在车顶上的位置比较突兀，这直接影响了量产化的进行，所以现在我们还没有看到激光雷达系统安装在量产车上。
最后一种超声波雷达目前已经成为稀松平常的汽车部件，支撑起自动泊车等驾驶辅助功能，未来还将为完全自动驾驶“出力”。它的工作原理主要是以1-3厘米精度测算0.2-5m范围内障碍物，充当“汽车之眼”。超声波雷达可以分为模拟式、四线式数位、二线式数位、三线式主动数位，它们的信号抗干扰能力依次提升，技术难度与价格总体递进。
特斯拉的Autopilot推出以来，对超声波雷达的依赖性一直非常高，始终坚持使用4+4+4的超声波雷达布局。早期版本中，特斯拉在泊车辅助中使用前后8颗雷达，在辅助驾驶中使用全部12颗雷达。特斯拉表示，与摄像头监控车道标记不同，超声波雷达可以监控周围区域，并扫清车辆或其他物体等盲点。
特斯拉“偏爱”超声波雷达其实是有原因的，上文讲到激光雷达虽好，但是成本太高，暂时无法大规模在走量的车型上装配，这也导致了高级别自动驾驶技术的推广受到限制。
而超声波雷达价格低廉。目前，单个超声波雷达售价大约为数十元，一套倒车雷达系统的雷达硬件成本不到200元，一套自动泊车系统的雷达硬件成本在500元左右。相比之下，毫米波雷达的售价仍然在千元级别，激光雷达的售价高达数十万元。较为低廉的价格，将车企与超声波雷达紧紧捆绑，并促进了车载超声波雷达市场的繁荣。
据PS Intelligence数据，2019年，全球车载超声波雷达市场规模为34.6亿美元（约合243.9亿元）；该机构预测，2020年至2030年，全球车载超声波雷达市场规模将保持5.1%复合年增长率，并于2030年达到61亿美元（约合429.8亿元）。
不过，超声波雷达并非自动驾驶技术的突破口，其受到物理特性限制，车载超声波雷达的探测范围局限在数米内，也无法精准描述障碍物位置；此外，处于相同频段的多个雷达，为避免回波“打架”大多采取时分复用，信息采集速度被拖慢；其探测精度易受到车速、振动、温湿度等影响，在抗干扰、标定等方面充满挑战。总之，超声波雷达是“辅料”而非“主食”，其与毫米波雷达、摄像头乃至激光雷达相配合，方能支撑起更高级别辅助驾驶功能。
集成才是传感器未来之路
显然，传感器将是解决高度自动化水平的关键，并且传感器的数量和类型预计将增加。越来越多的传感器只是冰山一角。传感器会生成大量数据，而系统则受到处理能力的严重限制。
那么传感器是不是越多越好呢？有些人可能会这样想，但是出于成本或集成方面的原因，汽车中的传感器数量不会无限增加。预计自动化传感器的数量将在某个时候达到平稳，主要区别在于软件级别和企业有效处理大量数据的能力。特斯拉等一些OEM仍未使用LiDAR，而是押注传感器和AI计算的结合以实现高自动化水平。
就像人类的感觉一样，传感器必须在战略上定位，以连续反馈汽车周围的信息。但是传感器的放置位置存在技术限制。例如，前照灯中的冷凝水可能会阻止激光雷达工作。在下雪或寒冷的天气中，霜冻可能导致传感器故障。红外传感器无法穿透玻璃，也不能放在挡风玻璃后面。
目前来看，自动驾驶有三种主流解决方案，一是基于视觉主导，采用GPS地图和AI人工智能进行自动驾驶。基于视觉主导的当前主要是特斯拉模式，特斯拉通过所有特斯拉汽车的摄像头采集环境数据，将图像处理和机器学习结合起来通过从而不依靠预先记录的地图。特斯拉汽车在行驶中采集数据学习并与所有特斯拉汽车分享学习到的东西，从而实现类似于人眼睛的方式查看地形然后通过人工智能进行分析指导自动驾驶汽车做出决策。
二是基于激光雷达主导，视觉辅导，采用高精地图和人工智能进行自动驾驶。这是当前主流传统主机厂通用，奔驰，福特以及众多自动驾驶公司包括Waymo，谷歌等采用的自动驾驶方式。这些车辆取决于预先记录的周围环境的3D高分辨率地图，该地图是使用配备激光雷达的车辆预先捕获绘制的。然后，车辆可以使用地图，使用自己的激光雷达设备定位确定环境是否已发生变化，然后在地图区域中巡航时进行控制。
三是基于车联网主导，多种传感器融合的人工智能自动驾驶。车联网，需要庞大的基础设施投资以及需要所有运行的自动驾驶都处于同一平台内。与前两种策略相比，这是一个更为广阔的生态系统，通过投资建设更智能的道路，可以降低车辆自主性的复杂性和不确定性。这就要求汽车制造商，V2X供应商和市政当局共同协作，并创建车辆的基础设施和标准，以使车辆能够顺利导航并降低错误门槛。
显然前两种解决方案是基于目前传统道路情况、汽车情况、法律法规情况之下的现实方案。虽然说特斯拉的方案只要它一家采用，但是特斯拉在电动车市场的体量也是非常大的，很难说基于视觉主导的自动驾驶方案就一定比基于激光雷达的方案更差。
不过有一点肯定的是，第三种基于车联网的方案是未来自动驾驶发展的必经之路。在车联网主导之下，必然会需要大量的传感器，这些传感器将互相配合，与汽车本体组成一个完整的自动驾驶系统。因此，传感器的发展前景几乎可以用一片坦途来形容。
百姓评车
2019年全球自动驾驶车产量约为几千辆，预计在2032年以前将增加到40万辆的年产量，累计总产量达到10亿辆。与自动驾驶车生产相关的总收益届时也将达到600亿美元，其中的40%将来自于车辆本身，28%来自于感测硬件，28%来自于运算硬件，剩余的4%则来自于整合。这意味着在接下来的15年内将围绕着自动驾驶车辆技术建构起完整的产业生态。
对此，Yole Développement的分析师预期2024年传感器营收分别是：光达将达到4亿美元，雷达为6千万美元，摄影机为1.6亿美元，IMU为2.3亿美元，GNSS装置为2千亿美元，但不同类型传感器之间的分配情况在未来15年内或许会再发生变化。感测硬件的总营收将在2032年达到170亿美元，相较之下，运算硬件营收应该会落在相同数量级范围内。无论如何这都是一个体量巨大的市场，没有人愿意自动放弃这块蛋糕。
本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。
为什么说只有推动5G+AI深度融合，才能加速自动驾驶落地？
5G+AI是实现无人驾驶的必经之路。在自动驾驶状态下，无论是低至零点几秒的延迟还是几厘米的定位失误，都有可能造成无可挽回的严重后果。因此，在驾驶环境中汽车或驾驶员必须有能力实时处理数据。 5G在实现无人驾驶上作用具体体现在高精度地图的实时传导，高速状态下反馈信息的及时送达等。4G网络下，时速100公里的汽车，从发现障碍到启动制动系统仍需要移动1.4米；而在5G时代，该距离缩短到2.8厘米。
同时，AI也能促进车辆做出拟人化决策：除计算机视觉之外，多传感器的信息融合、决策规划也需要深度学习等算法的深度参与，AI与5G的成熟将会加速无人驾驶落地。
放眼全球，目前中国在5G领域排第一、AI领域排第二，借助产业共融，即通过“5G第一+AI第二+中国速度”应可更快、更安全的让区别于单车智能的“新一代5G+AI中国式无人驾驶”在中国大范围落地。而中国无人驾驶的落地将构建庞大的无人驾驶产业链和无人驾驶共享出行的生态圈，进而推动中国各城市、区域经济的飞速发展。
5G+AI新一代无人驾驶通过更安全的交通出行，降低交通事故的发生,让民众更有安全感；更加惠民、便民的无人驾驶共享出行方式将可增加人民的幸福感；由无人驾驶赋能的更加智慧、智能的生活方式也将提升大众的获得感。
关于自动驾驶数据融合和自动驾驶 融合的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。
与本文内容相关的文章：
