2017年无人驾驶还处于积极研发和普及期，民用的测试和技术探索也主要在小型汽车方面，各大巨头都将2020年作为一个重要节点，预计2020年会进入实用期。眼下无论是互联网巨头（谷歌、百度、苹果等）还是汽车厂商（特斯拉、宝马、奥迪、沃尔沃等）均在加速布局无人驾驶，多家公司已计划在2018年实现商业化。腾讯收购特斯拉5%的股权跻身特斯拉第五大股东，前面四大股东分别是：Elon Musk，持股大约21%；富达投资，持股14%；Baillie Gifford，持股8.2%；T. Rowe Price，持股7.3%。

目前业内公认的无人驾谷歌、奥迪，丰田无人驾驶实验车已能通过无人驾驶实现并线、车道保持、变道和分流等操作，并计划于2020年实现无人驾驶实验车的商品化。

沃尔沃早在去年在北京六环高速公路上就完成了累计行程达1200公里无人驾驶测试，而搭载沃尔沃无人驾驶系统的量产车将在2017年正式上市销售。

奥迪已经将无人驾驶搬到现实生活中，行驶超过900公里的路程。其针对中国本土化研发的奥迪A7无人驾驶车型甚至已经完成了在中国进行低速拥堵路况下的无人驾驶测试，成功挑战中国复杂路况。而奥迪将商业化量产的时间定在了2018年。

按照一个产业的发展趋势应该是至上而下的，上游产业的发展让下游产业更加繁荣，反过来刺激上游产业的发展。

无人驾驶的产业发展应该分为三个阶段：

第一阶段，感知系统的发展，主要包括各类传感器的融合使用及感知决策系统的准确度提升，实现辅助信息的交互及部分自动驾驶功能。

第二阶段，支持算法以及决策的芯片成熟，包括算法及芯片设计的发展，实现协同决策及自动驾驶。

第三阶段，车联网的发展，实现高精度地图及实时路况信息的更新及通过深度学习实现协同感知。

无人驾目前有两条发展道路，其一是互联网企业使用激光雷达+高精地图+人工智能实现无人驾驶，其二则是传统汽车企业从辅助驾驶逐步进入自动驾驶。

百度的无人驾驶技术、长安集团无人驾驶技术实力、保千里基于“光学成像+夜视技术+仿生智能算法”为核心技术的汽车夜视、主动安全、智能驾驶系统等。长安汽车宣称的无人驾驶车辆安装的高精度GPS系统、单目摄像头、激光雷达、毫米波雷达等用于检测道路状况的装备早就不是什么新鲜玩意了。

根据美国高速公路安全管理局（NHTSA）颁布的自动驾驶分级制度，将自动驾驶分为了由低到高的四级：辅助驾驶、半自动驾驶、高度自动驾驶和完全自动驾驶，即全工况无人驾驶。

目前公认的无人驾驶技术被分为五级，如果一辆车在行驶中只有纵向或侧向某一方面控制，为自动一级。如果同时具有纵向和侧向的自动控制，为自动二级。在此基础上，如果汽车对所有环境的感知，是由汽车视觉来完成，则是三级。在前三级的基础上，如果整个驾驶能够形成一个“闭环”，则是四级。而四级和五级的区别就在于，四级是局部路况 (高速公路，城郊或城区)，五级是全工况全天候。

根据目前无人驾驶产业链的发展，显然有点下游过热了，大量的风投涌入下游，特别是L4／L5整车的无人驾驶初创公司，而许多上游部件以及核心模块却没有引起太多的注意。资本突然的涌入也造成了L4/L5整车的无人驾驶公司估值的暴涨，也直接导致了无人驾驶从业者人心浮动，大量人才从行业领先地位的无人驾驶公司（包括Google、百度等）流失。

目前做无人车做得好也可能只是一个好的Demo，而且做无人驾驶创业需要很强的技术以及资本掌控能力，但是亿级资金玩的土豪游戏。市场上有几家无人驾驶初创公司有很强的技术把控能力，包括NURO.AI、PONY.AI、以及AutoX.AI，NURO.AI与PONY.AI应该属于传统的LiDAR流派，而AutoX应该是视觉流派的佼佼者。无人驾驶需要整合了40～50个技术点，即使做好了其中90%的技术点，无人车还是上不了路。

因为无人驾驶只是整个智能交通系统的一部分，或者说是位于头部的一个应用模式。但是，从整个产业的角度来看，无人驾驶的商业化，需要的是整个交通系统的智能升级，否则无人车即使车再贵、算法再精准，也不会比概念车走得更远。并且，如果配套成熟的智能交通系统的话，无人驾驶车的各项成本也可以降低。

智能交通系统的发展，已不限于解决交通拥堵、交通事故、交通污染等问题。经30余年发展，它们基本上完成了智能交通体系的框架。比如，传感器技术、通信技术、GIS技术(地理信息系统)、3S技术(遥感技术、地理信息系统、全球定位系统三种技术)和计算机技术的不断发展，交通信息的采集经历了从人工采集到单一的磁性检测器交通信息采集到多源的多种采集方式组合的交通信息采集的历史发展过程，同时国内外对交通信息处理研究的逐步深入，统计分析技术、人工智能技术、数据融合技术、并行计算技术等逐步被应用于交通信息的处理中。

无人驾驶将沿着消费者接受度、技术整合度、生态体系、立法、基础设施投资五个维度前进。无人驾驶有两条技术路径，一条是依靠“触觉”的，这条路径依靠雷达探别周围环境的障碍物，由于技术成熟，准确性较高，谷歌的无人驾驶车辆就是这个路径的典型代表，但劣势十分明显，激光雷达的成本为商业化设置了围墙也是从无人驾驶解除机制中迭代学习成长。

特斯拉在其智能汽车中，完全没有使用激光雷达，而采用毫米波雷达+摄像头的方案。而特斯拉为代表的厂商更推崇于依靠图像识别技术的“视觉”路径，但一直以来也苦于识别精度的提高有困难。从产业整体上来看比较看好激光雷达制造商、高精度地图上、无人驾驶解决方案/算法提供商、无人驾驶+共享经济时代的交通运营商等。Mobileye––>NVIDIA––>AMD，ADAS系统——>车载计算设备——>联合研发芯片

Tesla的自主可控之路

无人驾驶是一个复杂的系统，系统主要由三部分组成：算法端、Client端和云端。其中算法端包括面向传感、感知和决策等关键步骤的算法；Client端包括机器人操作系统以及硬件平台；云端则包括数据存储、模拟、高精度地图绘制以及深度学习模型训练。

Client系统

Client系统整合之前提到的避障、路径规划等算法以满足可靠性及实时性等要求。Client系统需要克服三个方面的问题：其一，系统必须确保捕捉到的大量传感器数据可以及时快速地得到处理；其二，如果系统的某部分失效，系统需要有足够的健壮性能从错误中恢复；其三，系统必须在设计的能耗和资源限定下有效地完成所有的计算操作。

算法子系统从传感器原始数据中提取有意义的信息以了解周遭环境情况，并根据环境变化做出决策。Client子系统融合多种算法以满足实时性与可靠性的要求。举例来说，传感器以60HZ的速度产生原始数据，Client子系统需要保证最长的流水线处理周期也能在16ms内完成。云平台为无人车提供离线计算以及存储功能。通过云平台，我们能够测试新的算法、更新高精度地图并训练更加有效的识别、追踪、决策模型。

算法系统由几部分组成：

第一，传感并从传感器原始数据中提取有意义信息；在获得传感信息之后，数据将被推送至感知子系统以充分了解无人车所处的周遭环境。

第二，感知，以定位无人车所在位置以及感知现在所处的环境；感知子系统主要做的是三件事：定位、物体识别以及物体追踪。

在传感器信息采集后，就进入了感知阶段，主要是定位与物体识别。在这个阶段，可以用数学的方法，比如Kalman Filter与 Particle Filter等算法，对各种传感器信息进行融合，得出当前最大几率的位置。如果使用LiDAR为主要的定位传感器，可以通过LiDAR扫描回来的信息跟已知的高精地图做对比，得出当前的车辆位置。如果没有地图，可以把当前的LiDAR扫描信息与之前的扫描信息用ICP算法做对比，推算出当前的车辆位置。在得出基于LiDAR的位置预测后，可以用数学方法与其它传感器信息进行融合，推算出更精准的位置信息。

所以无人驾驶汽车涉及的技术=环境感知+定位导航+路径规划+决策控制；

环境感知层面=局部数据的感知+全局数据的辅助；

车辆的感知功能主要是通过传感器来获取数据。传感器相当于无人驾驶汽车的眼睛，用来观察行驶时的动态变化，它是无人驾驶汽车中不可或缺的重要组成部分，常用的传感器包括有摄像头、激光雷达、超声波雷达、GPS、陀螺仪等，摄像头和激光雷达是最主要的两种传感器。

物体识别与跟踪

激光雷达可提供精准的深度信息，因此常被用于在无人驾驶中执行物体识别和追踪的任务。近年来，深度学习技术得到了快速的发展，通过深度学习可达到较显著的物体识别和追踪精度卷积神经网络（CNN）是一类在物体识别中被广泛应用的深度神经网络。

卷积神经网络由三个阶段组成：

1. 卷积层使用不同的滤波器从输入图像中提取不同的特征，并且每个过滤器在完成训练阶段后都将抽取出一套“可供学习”的参数；

2. 激活层决定是否启动目标神经元；

3. 汇聚层压缩特征映射图所占用的空间以减少参数的数目，并由此降低所需的计算量；

4. 对物体进行分类。一旦某物体被CNN识别出来，下一步将自动预测它的运行轨迹或进行物体追踪。

物体追踪可以被用来追踪邻近行驶的车辆或者路上的行人，以保证无人车在驾驶的过程中不会与其他移动的物体发生碰撞。近年来，相比传统的计算机视觉技术，深度学习技术已经展露出极大的优势，通过使用辅助的自然图像，离线训练好的模型直接应用在在线的物体追踪中。

第三，决策，以可靠安全抵达目的地。在决策阶段，行为预测、路径规划以及避障机制三者结合起来实时完成无人驾驶动作规划。

行为预测

车辆驾驶中的一个主要考验是司机如何应对其他行驶车辆的可能行为，这种预判断直接影响司机本人的驾驶决策，特别是在多车道环境或者交通灯变灯的情况下，司机的预测决定了下一秒行车的安全。因此，过渡到无人驾驶系统中，决策模块如何根据周围车辆的行驶状况决策下一秒的行驶行为显得至关重要。

为了预测其他车辆的行驶行为，可以使用随机模型产生这些车辆的可达位置集合，并采用概率分布的方法预测每一个可达位置集的相关概率。

路径规划

为无人驾驶在动态环境中进行路径规划是一件非常复杂的事情，尤其如果车辆是在全速行驶的过程中，不当的路径规划有可能造成致命的伤害。路径规划中采取的一个方法是使用完全确定模型，它搜索所有可能的路径并利用代价函数的方式确定最佳路径。然后，完全确定模型对计算性能有着非常高的要求，因此很难在导航过程中达到实时的效果。为了避免计算复杂性并提供实时的路径规划，使用概率性模型成为了主要的优化方向。

避障

安全性是无人驾驶中最为重要的考量，我们将使用至少两层级的避障机制来保证车辆不会在行驶过程中与障碍物发生碰撞。第一层级是基于交通情况预测的前瞻层级。交通情况预测机制根据现有的交通状况如拥堵、车速等，估计出碰撞发生时间与最短预测距离等参数。基于这些估计，避障机制将被启动以执行本地路径重规划。如果前瞻层级预测失效，第二级实时反应层将使用雷达数据再次进行本地路径重规划。一旦雷达侦测到路径前方出现障碍物，则立即执行避障操作。

最后进入了计划与控制阶段，根据位置信息以及识别出的图像信息（如红绿灯）实时调节车辆的行车计划，并把行车计划转化成控制信号操控车辆。全局的路径规划可以用类似A-Star的算法实现，本地的路径规划可以用DWA等算法实现。

Client端机器人操作系统

机器人操作系统ROS是现如今广泛被使用、专为机器人应用裁剪、强大的分布式计算框架。每一个机器人任务，比如避障，作为ROS中的一个节点存在。这些任务节点使用话题与服务的方式相互通信。

ROS非常适用于无人驾驶的场景，但是仍有一些问题需要解决。尽管ROS 2.0 承诺将解决以下问题，但是现有的ROS版本中仍然没有相关的解决方案。因此为了在无人驾驶中使用ROS，我们需要自行克服这些难题。

可靠性：ROS使用单主节点结构，并且没有监控机制以恢复失效的节点。

现有的ROS实现只有一个主节点，因此当主节点失效时，整个系统也随之奔溃。这对行驶中的汽车而言是致命的缺陷。为了解决此问题，我们在ROS中使用类似于ZooKeeper的方法。改进后的ROS结构包括有一个关键主节点以及一个备用主节点。如果关键主节点失效，备用主节点将被自动启用以确保系统能够无缝地继续运行。此外，ZooKeeper机制将监控并自动重启失效节点，以确保整个ROS系统在任何时刻都是双备份模式。

性能：当节点之间使用广播消息的方式通信时，将产生多次信息复制导致性能下降。

性能是现有ROS版本中有欠考虑的部分，ROS节点之间的通信非常频繁，因此设计高效的通信机制对保证ROS的性能势在必行。首先，本地节点在与其他节点通信时使用回环机制，并且每一次回环通信的执行都将完整地通过TCP/IP全协议栈，从而引入高达20微秒的时延。为了消除本地节点通信的代价，我们不再使用TCP/IP的通信模式，取而代之采用共享内存的方法完成节点通信。其次，当ROS节点广播通信消息时，消息被多次拷贝与传输，消耗了大量的系统带宽。如果改成目的地更明确的多路径传输机制则将极大地该改善系统的带宽与吞吐量。

安全：ROS中没有授权和加密机制，因此安全性受到很大的威胁。

主要原因是通信的信息并没有被加密，以至于攻击者可以轻易得知通信内容。目前业界有不少对ROS节点间通信的加密尝试，比如使用DES加密算法。在通信的信息量十分小的时候，加密与否对性能影响不大。但随着信息量变大，加密时间相对信息量成几何级增长。另外，由于ROS通信系统的设计缺陷，加密时间也与接收信息的节点数量有直接关系。当接受信息的节点数量增长时，加密时间也随之增长。

安全是ROS系统中最重要的需求。如果一个ROS节点被挟制后，不停地在进行内存分配，整个系统最终将因内存耗尽而导致剩余节点失效继而全线奔溃。在另一个场景中，因为ROS节点本身没有加密机制，黑客可以很容易地在节点之间窃听消息并完成系统入侵。

为了解决安全问题，可以使用Linux containers （LXC）的方法来限制每一个节点可供使用的资源数，并采用沙盒的方式以确保节点的运行独立，这样以来可最大限度防止资源泄露。同时我们为通信消息进行了加密操作，以防止其被黑客窃听。

车辆的CAN总线连接着车内的所有机械以及电子控制部件，是车辆的中枢神经。CAN总线具有布线简单、典型总线型结构、可最大限度节约布线与维护成本、稳定可靠、实时、抗干扰能力强、传输距离远等特点。由于CAN总线本身只定义ISO/OSI模型中的第一层（物理层）和第二层（数据链路层），通常情况下，CAN总线网络都是独立网络，所以没有网络层。在实际使用中，用户还需要自己定义应用层的协议，因此在CAN总线的发展过程中出现了各种版本的CAN应用层协议。

CAN总线采用差分信号传输，通常情况下只需要两根信号线（CAN-H和CAN-L）就可以进行正常的通信。在干扰比较强的场合，还需要用到屏蔽地即CAN-G（主要功能是屏蔽干扰信号）。CAN总线上任意节点均可在任意时刻主动的向其它节点发起通信，节点没有主从之分，但在同一时刻优先级高的节点能获得总线的使用权。

Client端硬件平台

此平台由两个计算盒组成，每一个装备有Intel Xeon E5处理器以及4到8个Nvidia Tesla K80 GPU加速器。两个计算盒执行完全一样的工作，第二个计算盒作为计算备份以提高整个系统的可靠性，一旦第一个计算盒发生故障，计算盒二可以无缝接手所有的计算工作。

在最极端的情况下，如果两个计算盒都在峰值下运行，及时功耗将高达5000W，同时也将遭遇非常严重的发热问题。因此，计算盒必须配备有额外的散热装置，可采用多风扇或者水冷的方案。同时，每一个计算盒的造价非常昂贵，高达2万-3万美元，致使现有无人车方案对普通消费者而言无法承受。

现有无人车设计方案中存在的功耗问题、散热问题以及造价问题使得无人驾驶进入普罗大众显得遥不可及。为了探索无人驾驶系统在资源受限以及能耗受限时运行的可行性，可以在ARM面向移动市场的SoC实现了一个简化的无人驾驶系统，实验显示在峰值情况下能耗仅为15W。在移动类SoC上无人驾驶系统的性能是：定位算法可以达到每秒25帧的处理速度，同时能维持图像生成的速度在30帧每秒。深度学习则能在一秒内完成2-3个物体的识别工作。路径规划和控制则可以在6毫秒之内完成规划工作。在这样性能的驱动之下，完全可以在不损失任何位置信息的情况下达到每小时5英里的行驶速度。

云平台

无人车是移动系统，因此需要云平台的支持。云平台主要从分布式计算以及分布式存储两方面对无人驾驶系统提供支持。无人驾驶系统中很多的应用，包括用于验证新算法的仿真应用，高精度地图产生和深度学习模型训练都需要云平台的支持。可以使用Spark构建了分布式计算平台，使用OpenCL构建了异构计算平台，使用了Alluxio作为内存存储平台。通过这三个平台的整合，可以为无人驾驶提供高可靠、低延迟以及高吞吐的云端支持。

仿真

比如为无人驾驶开发出新算法时，需要先通过仿真对此算法进行全面的测试，测试通过之后才进入真车测试环节。真车测试的成本非常高昂并且迭代周期异常之漫长，因此仿真测试的全面性和正确性对降低生产成本和生产周期尤为重要。在仿真测试环节，通过在ROS节点回放真实采集的道路交通情况，模拟真实的驾驶场景，完成对算法的测试。如果没有云平台的帮助，单机系统耗费数小时才能完成一个场景下的模拟测试，既耗时同事测试覆盖面有限。

在云平台中，Spark管理着分布式的多个计算节点，在每一个计算节点中，都可以部署一个场景下的ROS回访模拟。在无人驾驶物体识别测试中，单服务器需耗时3小时完成算法测试，如果使用8机Spark机群，时间可以缩短至25分钟。

其实无人驾驶技术是多个技术的集成，包括了传感器、定位与深度学习、高精地图、路径规划、障碍物检测与规避、机械控制、系统集成与优化、能耗与散热管理等等。虽然现有的多种无人车在实现上有许多不同，但是在系统架构上都大同小异。

深度学习模型训练

在无人驾驶中我们使用了不同的深度学习模型，为了保证模型的有效性及效率，有必要对模型进行持续的更新。然而，原始数据量异常巨大，仅使用单机系统远不能完成快速的模型训练。

为了解决这一问题，我们使用Spark以及Paddle开发了一个高可扩展性分布式深度学习平台。Paddle是百度开发的一个深度学习开源平台。在Spark driver上我们同时管理Spark运行上下文以及Paddle运行上下文，在每个节点上，Spark执行进程运行一个Paddle训练实例。在此基础上，我们使用Alluxio作为参数服务器。实验证明，当计算节点规模增长时，我们可以获得线性的性能提升，这说明Spark+Paddle+Alluxio这套深度学习模型训练系统有着高可扩展性。

高精度地图

1.高精度地图在地图层、实时道路层、驾驶层三个层次实现无人驾驶。地图更新频率越来越快：从天、小时到分钟级，最终到实时地图；地图端到端的动态生产是趋势。看好地图巨头的“高精度地图+云”业务，与车厂、互联网公司、手机厂商深度合作车联网、无人驾驶。

2.高精度地图产生过程非常复杂，涉及到：原始数据处理、点云生成、点云对其、2D反射地图生成、高精地图标注、地图生成等阶段。使用Spark，我们可以将所有这些阶段整合成为一个Spark作业。由于Spark天然的内存计算的特性，作业运行过程中产生的中间数据都存储在内存中。当整个地图生产作业提交之后，不同阶段之间产生的大量数据不需要使用磁盘存储，数据访问速度加快，从而极大提高了高精地图产生的性能。

高清地图是由众多的点云拼接而成，主要用于无人车的精准定位。高清地图的绘制也是通过LiDAR完成的。安装LiDAR的地图数据采集车在想要绘制高清地图的路线上多次反复行驶并收集点云数据。后经过人工标注，过滤一些点云图中的错误信息，例如由路上行驶的汽车和行人反射所形成的点，然后再对多次收集到的点云进行对齐拼接形成最终的高清地图。

什么是点云？

无人车所使用的LiDAR并不是静止不动的。在无人车行驶的过程中，LiDAR同时以一定的角速度匀速转动，在这个过程中不断地发出激光并收集反射点的信息，以便得到全方位的环境信息。LiDAR在收集反射点距离的过程中也会同时记录下该点发生的时间和水平角度（Azimuth），并且每个激光发射器都有编号和固定的垂直角度，根据这些数据我们就可以计算出所有反射点的坐标。LiDAR每旋转一周收集到的所有反射点坐标的集合就形成了点云（point cloud）。

LiDAR通过激光反射可以测出和物体的距离distance，因为激光的垂直角度是固定的，记做a，这里我们可以直接求出z轴坐标为sin(a)distance。由cos(a)distance我们可以得到distance在xy平面的投影，记做xy_dist。LiDAR在记录反射点距离的同时也会记录下当前LiDAR转动的水平角度b，根据简单的集合转换，可以得到该点的x轴坐标和y轴坐标分别为cos(b)xy_dist和sin(b)xy_dist。

3.高精度地图参与者主要有图商（国内高精度地图，以百度地图、高德地图、四维图新等公司为主力；而国外方面，Here、TomTom等公司一直备受称赞）、无人驾驶科技公司（如Google、特斯拉等）、ADAS方案提供商（如Mobileye、前向启创）和传统车企（如通用、大众）等四类。其中除了图商的高精度地图是为地图的标准化准备外，其他参与者绘制的高精度地图都是为了各自环节中的特定需求定制的，标准化程度较低。

地图行业的进入壁垒较高，主要由于地图绘制的牌照数量少，数据库建设周期长，投入资金大，而且需要大量依赖长期积累起来的实施技术。另一方面，该行业的规模经济效应明显，一旦建立起市场份额则利润非常可观。以四维图新为例，2016年该公司的综合毛利率约为80%，近50%的营业收入来自车载导航领域。在离线地图的时代，图商主要以销售地图使用许可证（License）为主，但在高精度地图时代下，图商将为用户提供持续的服务。届时一次性收费的模式将被按时间或按产品类型收费的模式取代。

现在做无人驾驶主要两种解决方案：

一种是采用激光雷达解决方案，车顶的元器件称之为LiDAR，采用这种方案的有Google、百度、Uber，不过这种方案较贵，例如Google在其无人车原型中使用的Velodyne雷达售价就为7万美金；因此，另有其他厂商采用了低成本解决方案，例如在车前车后各部署毫米波雷达和用于ADAS功能的摄像头。

这两种解决方案各有优势：

LiDAR，类似于鲸鱼声呐、或是蝙蝠的发声器官，其原理是通过获取“光脉冲打在物体上并反射回到接收器的传播时间”，再根据光速已知的原理，将传播时间转换称LiDAR据测量物的距离。也就是说，LiDAR在测距的精确性上很有优势。而采用“毫米波+ADAS”的视觉解决方案，对于物体的精确识别、色彩等等，可以更直接地捕捉。其实视觉解决方案对近处的距离识别也颇为精准，例如我们的眼睛可以轻易的辨认出 近处物体的景深。但总的来说，在较远情况下，搭配LiDAR可以产生更好的效果。

LiDAR能够检测的距离一般可达100m以上。与传统雷达使用无线电波相比较，LiDAR使用激光射线，商用LiDAR使用的激光射线波长一般在600nm到1000nm之间，远远低于传统雷达所使用的波长。因此LiDAR在测量物体距离和表面形状上可达到更高的精准度，一般可以达到厘米级。

由于激光的传播受外界影响小，LiDAR系统一般分为三个部分：第一是激光发射器，发射出波长为600nm到1000nm之间的激光射线；第二部分是扫描与光学部件，主要用于收集反射点距离与该点发生的时间和水平角度（Azimuth）；第三个部分是感光部件，主要检测返回光的强度。因此我们检测到的每一个点都包括了空间坐标信息（x, y, z）以及光强度信息（i）。光强度与物体的光反射度（reflectivity）直接相关，所以根据检测到的光强度也可以对检测到的物体有初步判断。

激光雷达也有其固有的缺点：如果空气中有悬浮的颗粒比如雨滴或者灰尘，测量结果将受到极大的扰动。因此，为了完成可靠并精准的定位，需要传感器融合。

毫米波雷达受制于波长，探测效果欠佳，目前百度和谷歌无人驾驶汽车车身上的64位激光雷达，售价高达70万元人民币。激光发射器线束的越多，每秒采集的云点就越多，探测性能也就更强。然而线束越多也就代表着激光雷达的造价就更加昂贵，64线束的激光雷达价格是16线束的10倍。

毫米波雷达：车载毫米波雷达市场主要供应商为传统的汽车电子企业，如博世、大陆、 海拉等，市场占有率头三位的企业占领了50%以上的市场份额。中国市场中高端汽车装配的毫米波雷达传感器依赖进口为主，国内自主品牌的研发生产能力尚需提高。毫米波雷达的核心组成部分为前端单片微波集成电路MMIC和雷达天线高频PCB板，此两项核心技术仅掌握在国外厂商手中。国内企业总体尚处于研发阶段，24GHz的产品已经取得部分研发成果，华域汽车、湖南纳雷、芜湖森思泰克、智波科技等企业在此方面有部分技术积累。

作为ADAS不可或缺的核心传感器类型，毫米波雷达从上世纪起就已在高档汽车中使用，技术相对成熟。毫米波的波长介于厘米波和光波之间，因此毫米波兼有微波制导和光电制导的优点，且其引导头具有体积小、质量轻和空间分辨率高的特点。此外，毫米波导引头穿透雾、烟、灰尘的能力强，相比于激光雷达是一大优势。

而毫米波雷达的缺点也十分直观，探测距离受到频段损耗的直接制约（想要探测的远，就必须使用高频段雷达），也无法感知行人，并且对周边所有障碍物无法进行精准的建模。

固态激光雷达有优势与传统机械扫描技术的雷达相比，利用光学相控阵扫描技术的固态激光雷达有很多优势：

1.结构简单、尺寸小：由于不需要旋转部件，可以大大压缩雷达的结构和尺寸，提高使用寿命，并降低成本。

2.标定简单：机械式激光雷达由于光学结构固定，适配不同车辆往往需要精密调节其位置和角度，固态激光雷达可以通过软件进行调节，大大降低了标定的难度。

3.扫描速度快：不用受制于机械旋转的速度和精度，光学相控阵的扫描速度取决于所用材料的电子学特性，一般都可以达到MHz量级。

4.扫描精度高：光学相控阵的扫描精度取决于控制电信号的精度，可以达到千分之一度量级以上。

5.可控性好：光学相控阵的光束指向完全由电信号控制，在允许的角度范围内可以做到任意指向，可以在重点区域进行高密度的扫描。

6.多目标监控：一个相控阵面可以分割为多个小模块，每个模块分开控制即可同时锁定监控多个目标。

但固态激光雷达也有它相应的缺点：

①扫描角度有限：根据上面推倒的公式，调节相位最多只能让中央明纹改变±60°左右，因此要实现全方位扫描，需在不同方向布置多个（至少前后两个）固态激光雷达。

②旁瓣问题：光栅衍射除了中央明纹外还会形成其他明纹，这一问题会让激光在最大功率方向以外形成旁瓣，分散激光的能量。

③加工难度高：光学相控阵要求阵列单元尺寸必须不大于半个波长，一般目前激光雷达的工作波长均在1微米左右，故阵列单元的尺寸必须不大于500nm。而且阵列密度越高，能量也越集中，这都提高了对加工精度的要求，需要一定的技术突破。

④接收面大、信噪比差：传统机械雷达只需要很小的接收窗口，但固态激光雷达却需要一整个接收面，因此会引入较多的环境光噪声，增加了扫描解析的难度。

纵使还有很多不足，现在也还没有量产，但固态激光雷达低成本、小尺寸的巨大优势无疑规避了传统的机械式激光雷达的很多不足，而这些优势也让Quanergy备受投资者的青睐。固态激光雷达就将以一个颠覆者的身份出现在自动驾驶领域，为自动驾驶、无人驾驶的普及带来福音，那时候无人驾驶汽车或许也不用再顶个球了。

一辆无人驾驶汽车装备有许多不同类型的主传感器，每一种类型的传感器都各有优劣，因此，来自不同传感器的传感数据应该有效地进行融合。

现在无人驾驶中普遍使用的传感器包括以下几种:

GPS/IMU：通过高达200Hz频率的全球定位和惯性更新数据以帮助无人车完成自我定位。GPS是一个相对准确的定位用传感器，但是它的更新频率过低，仅仅有10HZ，不足以提供足够实时的位置更新。IMU的准确度随着时间降低，在长时间内并不能保证位置更新的准确性，但是，它有着GPS所欠缺的实时性，IMU的更新频率可以达到200HZ或者更高。通过整合GPS与IMU，我们可以为车辆定位提供既准确又足够实时的位置更新。

GPS以较低的更新频率提供相对准确的位置信息；IMU则以较高的更新频率提供准确性偏低的位置信息。我们可使用卡尔曼滤波来整合两类数据各自的优势，合并提供准确且实时的位置信息更新。IMU每5ms更新一次，但是期间误差不断累积精度不断降低。所幸的是，每100ms可以得到一次GPS数据更新，以帮助我们校正IMU积累的误差。最终可以获得实时并准确的位置信息。不能仅仅依靠这样的数据组合以完成定位工作。原因有三：其一，这样的定位精度仅在一米之内；其二，GPS信号有着天然的多路径问题将引入噪声干扰；其三，GPS必须在非封闭的环境下工作，因此在诸如隧道等场景中GPS都不适用。

LiDAR：激光雷达可被用来绘制地图、定位以及避障。雷达的准确率非常高，因此在无人车设计中雷达通常被作为主传感器使用。激光雷达是以激光为光源，通过探测激光与被探测无相互作用的光波信号来完成遥感测量。激光雷达可以用来产生高精度地图，并针对高精地图完成移动车辆的定位；以及满足避障的要求。以Velodyne 64-束激光雷达为例，它可完成10HZ旋转并每秒可达到130万次读数。

激光雷达：激光雷达是无人驾驶汽车硬件端的核心能力，受益于无人驾驶汽车市场规模的爆发，预计2030年全球激光雷达市场可达到360亿美元的规模。相比于国外的Velodyne、Quanergy等厂商已经具有相对成熟的产品，国内公司在激光雷达生产研发尚处于初步成型阶段。目前国内研发生产激光雷达的初创公司数量很多，但是大多数缺乏完整的产业链及相应的配套设备，受制于硬件成本及技术门槛较高等因素，能够做出成型产品的公司往往很少。

目前有产品落地的激光雷达公司包括欧镭激光、镭神智能、思岚科技和速腾聚创等。此类公司竞争的着力点包括四个方面：1. 建立与各车厂的合作关系：发展新客户，抢占新市场并积累市场需求方面的经验；2. 硬件的量产及成本的控制：实现大规模生产的同时降低成本，通过量产实现更大的利润（目前激光雷达的毛利率约为27%）；3. 提高产品性能的稳定性，通过快速迭代提高产品工艺，建立技术门槛；4. 综合提供数据存储分析的服务，实现数据格式的统一。

摄像头：被广泛使用在物体识别以及物体追踪等场景中，像是车道线检测、交通灯侦测、人行道检测中都以摄像头为主要解决方案。为了加强安全性，现有的无人车实现通常在车身周围使用至少八个摄像头，分别从前、后、左、右四个维度完成物体发现、识别、追踪等任务。这些摄像头通常以60HZ的频率工作，当多个摄像头同时工作时，将产生高达1.8GB每秒的巨数据。

目前，通过摄像头进行拍摄，在进行图像和视频识别，确定车辆前方环境，是无人驾驶汽车的主要感知途径，这也是很多无人驾驶公司的主要研发内容之一。摄像头作为一种已普遍应用的传感器，具有成本低廉、信息采集量大等特点。目前，车载摄像头主要分为单目和双目两种。

单目摄像头，主要基于机器学习原理，利用大量数据进行训练，可以获取道路图像，提取车道线，对环境进行识别。尽管需要大量数据支持，且在恶劣光线条件下的表现不如双目摄像头，但其相对便宜的价格以及成熟的技术也获得了一部分公司的青睐。

而双目摄像头则基于视差原理，可以在数据量不足的情况下，测定车辆前方环境（树木、行人、车辆、坑洞等），并且获得准确的距离数据，再辅以算法增强的调节来获取周围环境的景深，用以提供给无人驾驶系统进行车辆控制。

基于视觉的定位由三个基本步骤组成：

1. 通过对立体图像的三角剖分，将首先获得视差图用以计算每个点的深度信息；

2. 通过匹配连续立体图像帧之间的显著特征，可通过不同帧之间的特征建立相关性，并由此估计这两帧之间的运动情况；

3. 通过比较捕捉到的显著特征和已知地图上的点来计算车辆的当前位置。然而，基于视觉的定位方法对照明条件非常敏感，因此其使用受限并可靠性有限。

预计2020年全球车载摄像头的市场规模约为200亿人民币，模组组装及CMOS供应商共占据超过60%的产业价值，该产业链的其他环节还包括镜头供应商及其他部件的供应商。该模块的行业技术壁垒较高，只有少数厂商具有垂直整合的能力。大部分厂商将业务集中在产业链中的少数环节，行业的集中度很高，大多数环节的前三厂商市场份额合计占总体一半以上：光学镜头主要是台湾的大立光学、大陆的舜宇光学主导，CMOS传感器及图像处理器以欧美和日本韩国的厂商为主，大陆厂商在红外滤光片和模组封装有一定的优势（如欧菲光、水晶光电等）。

通常摄像头硬件设备和配套的算法及系统难以分割，硬件设备商将摄像头提供给自动驾驶算法公司或者汽车一级供应商，由这些下游的公司进行硬件、芯片及算法的合成。由于车载摄像头对安全性及稳定性的要求比普通的工业用摄像头高，产品壁垒较高，所以摄像头大厂相对有竞争优势。台湾的同致电子2016年的营业收入预计比2015年增长超过40%，毛利率达到30%。未来的车载摄像头厂商的竞争将主要体现在：1. 与芯片及算法的适配性，提供整体解决方案的能力；2. 产品稳定性安全性等工艺的领先。

雷达和声呐：雷达通过把电磁波能量射向空间某一方向，处在此方向上的物体反射碰到的电磁波；雷达再接收此反射波，提取有关该物体的某些信息（目标物体至雷达的距离，距离变化率或径向速度、方位、高度等）。雷达和声呐系统是避障的最后一道保障。雷达和声呐产生的数据用来表示在车的前进方向上最近障碍物的距离。一旦系统检测到前方不远有障碍物出现，则有极大的相撞危险，无人车会启动紧急刹车以完成避障。因此，雷达和声呐系统产生的数据不需要过多的处理，通常可直接被控制处理器采用，并不需要主计算流水线的介入，因为可实现转向，刹车、或预张紧安全带等紧急功能。

总体上说，传感器与配套的算法及芯片相辅相成，未来的趋势是提供完整的一套解决方案，而不是单个零星的硬件。另外，各种类型的传感器的功能各有优势，互相补充，汽车整车厂将融合使用各类传感器，并通过量产及新技术推动传感器的成本下降。

因为无人驾驶汽车最终拼的是整合能力，谁能够将各种各样新技术更好地整合到自己的产品之中，谁就能够在竞争中获胜。传统汽车行业巨头主要依托自身在汽车制造领域的优势同互联网无人驾驶创业公司合作。

目前ADAS技术的发展已经较为成熟，部分功能早已在整车中实现运用。但从整车制造视角看，除运动控制系统、辅助驾驶系统ADAS和GPS等可以延用传统车辆制造已有的较为成熟的技术以外，其他大部分无人驾驶技术处于起步阶段，需要整车厂、零部件供应商、技术提供商等联合研发、生产，涉及的产业链较长，但目前大部分关键技术在我国市场均没有成熟产品。

互联网公司主要分为两种，一种是自身制造新能源汽车然后与ADAS厂商合作推出智能驾驶、无人驾驶，代表如特斯拉。特斯拉发布的7.0固件更新即Autopilot自动驾驶功能，反而表示Autopilot是半自动驾驶（Semi-autonomous），同时反复多次强调“你的手仍然不能离开方向盘”——这个系统能够带来更好的驾驶体验，而并不是取代驾驶功能，特斯拉官方的宣传口径也用的辅助驾驶而非无人驾驶。

另一种是专注无人驾驶、人工智能、ADAS、基础资源领域研究，同时与传统汽车制造厂商合作开发，比如谷歌、连Nvidia推出无人驾驶平台基于高精度定位与人工智能中的深度学习据说可以实现五级自动驾驶，等待未来产品上市来验证。互联网公司强于算法，但是其在车辆控制、机械机构等领域则并没有积累，而这些领域对于对于无人驾驶汽车来说也是至关重要的部分。

作为ADAS（高级驾驶辅助系统）行业的标杆企业，Mobileye的客户有20多家大牌汽车制造商，包括宝马、奥迪、福特、日产、特斯拉、沃尔沃、比亚迪、大众、以及通用等，覆盖车型数量达到200多款，占据全球ADAS市场70%以上的份额。

目前无人驾驶细分领域：

一、智能驾驶（ADAS）：让汽车在特定条件下自动驾驶，解放驾驶员，目前上路进行的测试的汽车厂商大多处于这一阶段。

ADAS算法及芯片技术门槛高，需要对传感系统采集的数据进行处理，完成对周围环境及自身车况的识别及探知，市场集中度较高。国内的ADAS算法公司主要有深圳佑驾、前向启创、苏州智华等。

此类公司根据自身特点及战略目标的不同，围绕算法为中心，有三种商业模式：

1. 向汽车一级供应商直接提供算法（或者外购芯片及传感器，提供完整的ADAS模组）；

2. 建立生产线，提供自产的完整ADAS模组给一级供应商或后装市场；

3. 将自身研发的芯片与算法绑定出售。 由于可以通过算法升级实现更多功能，且企业内部的自身成本与建立传感器生产线相比非常低（主要是人工的成本），所以产业链中的算法环节可以带来30%以上的产品溢价。

二、车联网：随着汽车普及，以及下一步的无人驾驶汽车普及，出现车联网具备条件。

车联网市场的参与方可大致分为四种: 车联网服务提供商、设备供应商、增值服务提供商以及电信运营商。

1. 车联网服务提供商居于产业链核心，地位类似于智能手机的操作平台，是传统整车厂和高科技行业巨头竞争的主战场。传统整车厂利用捆绑销售的方式，通过在旗下产品搭载自家品牌的车联网系统，完成用户的原始积累。科技公司则通过与车企在地图、车联网方案、自动驾驶等领域的合作进入车联网生态系统。

2. 设备供应商是整个车联网产业链实现的硬件基础。目前该领域尚未形成巨头竞争的格局，留给创业公司发展的空间较大。纵向一体化或者专攻高利润市场将有助于尽快确立竞争地位。

3. 增值服务提供商与智能手机App应用的价值类似，市场空间十分巨大，但目前尚处于初级的服务模式当中，参与者鱼龙混杂，竞争的关键点在于精准理解用户需求，提高用户体验。

4. 电信运营商主要将用户请求及处理结果在车联网中传递并收取通信费用。国内三大电信运营在通信市场处于绝对的寡头地位。

三、基础资源：无人驾驶需要大量基础技术和资源支撑，卫星定位、路况、障碍物特征标记、能源补充、安全防护等基础设施领域需要投入大量资源，这个领域也是一大机会。

四、人工智能：目前的智能驾驶需要依托大量基础设施和资源，而另一种思路，结合人工智能的深度学习以及大数据可以极大的节省这些资源的投入，也是实现真正的自动驾驶所必需。

五、汽车制造：无人驾驶需要对传统汽车制造发起变革，包括从技术研发、生产制造、标准制定等领域作大量的研发工作。

各细分行业之间的关系如何：无人驾驶产业链中，基础资源和基础技术属于产业链上游，是实现和提升无人驾驶体验的条件。ADAS、人工智能、车联网、汽车制造依托自身的优势和定位，在产业链下游做自己的品牌和探索。

如果无人驾驶得到商用民用的普及程度会影响以下行业：

1、汽车保险行业

2、汽车金融行业  汽车信贷和消费信贷、抵押贷款

3、汽车IT行业、车联网、防盗器、倒车雷达、中央门锁、车载电话、GPS

4、汽车养护行业（汽车微修），即汽车精品、用品、美容、快修及改装行业汽车维修及配件行业   车身、底盘、发动机等维修

5、汽车文化及汽车运动行业   车模型、汽车体育、汽车知识、汽车报刊、汽车书籍、汽车影视、车友会、汽车与社会等

6、二手车及汽车租赁行业

2016年无人驾驶领域初创公司的融资情况：

无人驾驶未来的三种商业模式：

从商业模式看，无人驾驶汽车在未来技术成熟后、推出市场面向最终C端商业化可以以“卖产品”或“提供服务”两种形式出现。以产品形式售卖给高净值收入人群作为私人自动驾驶车辆，而提供服务形式可以分为B2B2C（中间的B端作为共享模式的车辆运营商，提供无人驾驶车辆给C端）、以及B2B2B（相对封闭、路况不复杂的场景，诸如货车、卡车在中间高速路段就交由驾驶系统来掌控）。

智能交通系统及无人驾驶在发展遇到哪些问题？

1，标准缺失

一方面，智能汽车标准尚未形成;另一方面，高度自动驾驶汽车上路也没有相关的法律规定，一旦无人驾驶汽车出现交通事故，责任如何认定，对现行的道路安全法规也是挑战。

2、道路基础设计需调整

智能驾驶需要车与车、车与路、等的信息交互，目前国内领先的汽车厂商都已经有了自己的智能网联发展规划，并已经开始实施。但是缺少道路基础设计建设和统筹规划，智能驾驶始终难以实现。

3、智能地图技术尚在起步阶段

地图行业沉寂已久，可见的变化都是在原有大框架的延续和发展。一旦进入智能交通时代，智能地图将是不可或缺的配套软件，也是帮助无人驾驶颠覆出行领域的利器。国内目前还是百度在这个方面暂时领先。

4，核心技术缺失

传统汽车行业就已经存在了这个问题，除了整车的一些关键零部件，车载智能终端的操作系统、元器件、芯片、雷达、摄像等传感系统，很多也都是被被国外垄断的问题。从整个智能交通系统产业链来看，关键的技术仍然掌握在美、日、欧等国家手中，国内的交通信息收集、共享以及后端的分析应用都还不能满足需求。

5，安全问题

这是无人驾驶首先要解决的一个普遍性问题。人是不是可以真的高枕无忧的在车里干别的事，这就需要100%的安全保障。什么时间需要人为介入汽车的操作，机器和人如何及时的切换，才能最大程度的保证路面交通安全?

无人驾驶汽车技术一旦成熟并且投入使用，那么相关法律法规的完善势在必行。毕竟人工智能固然强大，出现问题的概率虽小但绝不会没有，举个例子：一旦发生事故，责任人是谁？车主or汽车制造商？在必须做出选择的紧急情况下，驾驶系统该如何判定保护行人或是车内乘客的安全？这些问题必须界定清晰，做到有章可循！

目前市场上主流的汽车销售仍然是传统汽车为主，新能源汽车为辅。新能源汽车有国家政策的支持再加上锂电池技术的突破，商用化相比无人驾驶汽车显然容易的多，假设无人驾驶汽车真的能够从幕后走到台前，就必须同时面临传统汽车和新能源汽车的双重竞争，而且无人驾驶汽车上路还有许多不确定因素，相信大部分人还是持有观望的态度。

无人驾驶汽车行业整体处于内部测试阶段，由于现有法律法规的限制，还没有真正意义上的无人驾驶汽车投入商用，但商用化的核心还是在于量产。无人驾驶技术是否适用于所有的车型？汽车品牌不同，相应的零部件规格一定会有所差别，无人驾驶技术应用汽车领域最大的阻碍在于没有一个量化的通用技术标准。因此，针对无人驾驶，整车生产企业更有话语权。

未来无人驾驶技术已经非常成熟，广泛应用到汽车领域还有一个致命伤，那就是价格的问题。据官方统计，目前一辆无人驾驶汽车整车制造完成的价格是普通汽车的10-20倍，汽车生产商生产的成本如此高昂，售价显然不是一个小数目。要知道无人驾驶技术商用的最终目的是消费，作为一个普通的消费者如何能购买这么昂贵的汽车？

目前研究来看，从辅助驾驶过渡到无人驾驶的过程，是一个不断提高对非结构化环境适应的过程，在这中间存在着隐患以及错误背后引发的隐患：

1、受黑客入侵内部网或不当干扰车辆传感器；

2、对环境状况理解不完整从而导致的安全事故。

在车联网等数据开放共享的趋势下第1类的安全隐患系数也在提高，而第2类错误可以具体细分为：

（1）诸如车辆主动式制动系统无缘由地突然启动等安全隐患；

（2）系统技术水平没达到导致系统进行了错误的“分类”和“理解”而导致的安全隐患；

（3）无人驾驶系统利用机器学习存在未可知性，可能导致最后的行为脱离汽车制造商的预期。这些隐患随时都可能促使或直接导致交通意外事故。

除却在辅助驾驶人类和机器共同控制的模式之下，存在共同过失判断难的问题。其实从辅助驾驶向部分无人驾驶、完全无人驾驶过渡过程中，交通事故责任出现一种由人类转向汽车制造商的趋势，那么出于对庞大法律责任的考虑，无人驾驶汽车制造商可能因为安全隐患而考虑限制汽车能力，最后导致高新科技无法充分地投入社会中。

归根结底无人驾驶汽车最后能否顺利进入社会与否，并非取决于技术成熟度，而是同时社会里由下而上的社会接受度与由上而下的政策、立法管制考虑。