资讯 人工智能
此为临时链接,仅用于文章预览,将在时失效

无人驾驶关键技术拆解

作者:AI研习社-译站
2019/01/29 10:13

无人驾驶关键技术拆解

本文为 AI 研习社编译的技术博客,原标题 :

Unbundling The Autonomous Vehicle

作者 | Emily Veach

翻译 | 刘徽、Ophria、哈帝•霍布森

校对 |  邓普斯•杰弗      审核 | 酱番梨      整理 | 菠萝妹

原文链接:

https://www.cbinsights.com/research/startups-drive-auto-industry-disruption/


自动驾驶汽车依靠几种先进技术来实现自主行驶。我们将自动驾驶汽车拆解,来看一看这些技术是怎样互相协作的,以及有哪些公司在驱动这些技术的革新。

自动驾驶汽车依靠一系列互补的技术来对周围的环境进行理解和响应。

一些自动驾驶公司关注这些特定的部分,并且在汽车制造商和Tier-1供应商的帮助下,让自己的产品迅速规模化。采用这种方法从头开始制造自己的车辆的公司有Zoox和Nuro。

让我们更仔细地观察这些让自动驾驶汽车成为可能的技术,并且详细分析这些让自动驾驶汽车更先进、更低成本和更容易规模化的路线。

这份商业地图包括一些秘密的或者活跃的公司,但是并不完全包括行业内所有的公司。图中种类互相不包含,并且公司是根据初级应用场景进行标记的

点击可放大图片。

无人驾驶关键技术拆解


  感知

自动驾驶汽车需要和其他车辆、自行车和行人一样,能够识别出来交通信号和标志。他们也需要感知到一个迎面而来的物体的距离和速度,以便能够知道该如何做出反应。

无人驾驶关键技术拆解

自动驾驶汽车通常依靠摄像头和其他传感器,如毫米波雷达和激光雷达,其中的每种传感器都有自己的优点和限制。

这些传感器收集的数据被通过一种叫“传感器融合”的技术组合在一起,来尽可能给汽车提供周围环境最准确的情况。


摄像头和计算机视觉

摄像头在自动驾驶汽车和装备ADAS功能的汽车上被普遍使用。不同于毫米波雷达和激光雷达,摄像头能够识别颜色和文字来帮助探测路标、交通信号灯和街道指示。

但是,摄像头在探测深度和距离的时候与激光雷达相比有所不足。

很多初创公司希望开发摄像头供自动驾驶汽车来尽可能提取最生动的图像。

Light在7月公布了D系列的$121M,已经专门开发了与激光雷达的精度相匹配的摄像头。摄像头能够通过它的16个镜头来提取高精度的3D图像进行图像融合。

无人驾驶关键技术拆解

Light的L16摄像头,包含了16个摄像头(来源:Light)

为了处理从摄像头接收到的数据,自动驾驶汽车的系统借助训练好的计算机视觉软件来识别物体和信号。这个软件应该能够识别车道线特定的细节(比如车道边界的颜色和图案)并且评估合适的交通规则。

无人驾驶关键技术拆解

很多初创公司希望能够开发更多精致和有效率的计算机视觉技术。

比如DeepScale正在布置深度神经网络来提高识别能力和保持一个随时间不断优化的错误率。

在巴黎进行研发的Prophesee,已经开发出基于情景的计算机视觉,能够促进物体识别和降低数据过载。公司的深度学习技术模仿人类的大脑处理从视网膜接收来的图像。

在一个标准相机里的基于每帧的传感器依靠从图像里面同时捕捉到的所有像素并且一帧一帧地处理图像;基于情景的传感器依靠互相独立的像素,允许传感器借助一串连续的信息捕捉物体的移动。

这个技术减少了传统摄像头从连续的各帧里面处理图像的数据量。

无人驾驶关键技术拆解

来源:Prophesee

Prophesee希望在几种工业场景中布置自己的机器学习视觉能力,从自动驾驶汽车到工业自动化,再到健康关怀。在二月,这家初创公司将继续发布B系列中的$19M。


毫米波雷达、激光雷达以及V2X

自动驾驶汽车开发者在组合毫米波雷达和激光雷达传感器来增强摄像头获取图像的性能。

自动驾驶汽车借助传感器的融合来处理大量传感器中的数据。特别是借助所有传感器在软件上的数据融合,来开发出一个对于汽车周围环境的一致性的视角。

除了视距传感器,很多初创公司和汽车公司正致力于一种能让汽车与其他相连物体进行无线通讯的技术,也就是V2X技术。

这种技术仍然处在研发阶段,但是它已经拥有让车辆与周围不论是否处于视野内的车辆、非机动车和行人保持不间断通信的潜力。


毫米波雷达

毫米波雷达通过发射一种无线电波来探测物体,汽车可以借助其来探测迎面而来的物体的距离、范围和速度。

毫米波雷达技术被视为比激光雷达更可靠的技术,因为它的远距离探测能力,并且没有易损坏的旋转运动的元件。并且它成本更低。因此毫米波雷达被广泛应用于自动驾驶汽车和ADAS功能中。

Lunewave在2018年9月收到了来自BMW的500万美金的种子轮融资。这家公司正在使用3D打印技术来创造作用距离更远和更准确的天线系统。他们的技术是基于在1940年发明的龙伯透镜天线。

Metawave也在研究如何加强毫米波雷达的性能。这家公司已经开发出一种使用金属材料以达到更告诉和更远探测距离的模拟天线。

无人驾驶关键技术拆解

Metawave的雷达技术(来源:Metawave)

Metawave在5月的的种子轮融资跟投方包括,来自于大型汽车业制造商如电装、现代和丰田,和来自于小型VC的融资如Khosla Ventures。还包括Tier-1供应商英飞凌在8月的跟投。


激光雷达

激光雷达被视为最先进的传感器。激光雷达能创建车辆周围环境3D透视图的能力,能够促进对于物体的识别。

无人驾驶关键技术拆解

利用激光雷达创建车辆周围3D透视图的技术(来源:Velodyne)

激光雷达技术利用激光传感器来确定物体的距离。传感器发射高频脉冲激光并且计算波束往返的时间。

传统的激光雷达系统包含一系列旋转元件来获取车辆周围360°的视角。这些元件的开发成本很高,而且往往并不比固定元件更耐用。许多初创公司正致力于在保持激光雷达的高精度的同时减少其成本。

一种解决方法就是固态激光雷达,也就是一种没有运动元件并且制造成本更低的激光雷达。

以色列初创公司Innoviz已经将固态激光雷达缩减到几百美元以内。它的售价仅为Velodyne$75000的128线激光雷达系统的一小部分。

4月,Innoviz宣布同汽车制造商BMW和Tier-1制造商麦格纳达成合作伙伴关系,来在BMW的自动驾驶汽车上搭载自己的激光雷达。

无人驾驶关键技术拆解

Innoviz的激光雷达系统:Innoviz Pro(来源:Innoviz)

Avea是另一家在研发自己的固态激光雷达的初创公司。它在2018年10月收获了4500万美元的A轮融资。这家公司宣布它的产品拥有200米的探测范围和仅有几百美元的成本。不同于传统的激光雷达,Avea的技术专注于连续的激光波形而非独立的光束。

中国的固态激光雷达初创公司Robosense在10月收获了$4330万美元的C轮融资,成为中国单轮融资金额最大的激光雷达公司。这轮融资的投资人包括阿里的物流子公司菜鸟智慧物流网络和汽车制造商上汽集团以及北汽集团。


车联万物(V2X)

V2X技术使车辆和其他可联网物体的无线信息互联成为可能。在这项技术处于非常早期阶段的时候,V2X技术能够帮助扩展激光雷达、毫米波雷达和摄像头等视野探测类传感器的限制。

无人驾驶关键技术拆解

V2X传感器可以探测道路险况、堵车和视野外的盲区。

以色列初创公司Autotalks正与韩国现代公司合作来为市场量产它的V2X传感器技术。这家初创公司已经收到了现代和Tier-2供应商三星的投资。


驾驶数据和仿真

路测的驾驶数据和仿真对于自动驾驶开发是非常关键的,给算法训练提供了指导方向。

根据兰德公司的报告,自动驾驶需要驾驶数亿甚至数十亿英里来验证其安全性,自动驾驶的开发人员利用车队完成这个距离的数据收集需要花费数年时间。

因此,开发者利用仿真技术来积累虚拟里程。

仿真初创公司和自动驾驶开发者利用人工智能来生成测试数据训练自动驾驶车辆。该项技术特别有利于在危险或不常见场景训练自动驾驶车辆,例如炫目的阳光或突然出现的行人。

总部位于以色列的创业公司Cognata开发了一个3D仿真平台,为客户提供各种自动驾驶测试场景。

无人驾驶关键技术拆解

Cognata的3D模拟平台(来源:Cognata)

10月,该公司从包括空客和Maniv Mobility在内的投资者那里筹集了1850万美元的B轮融资。

无人驾驶关键技术拆解

 MightyAI的元数据归属和分类技术(来源:MightyAI)

NVIDIA是处于仿真技术前沿的主要公司之一。 5月,它推出了一个名为DRIVE Constellation的基于云的仿真平台。 该平台在公司的GPU上运行,并为自动驾驶系统生成传感器数据流以进行处理。 NVIDIA可以在数十亿英里的定制场景中训练其算法。

9月,该公司向合作伙伴网络开放了仿真平台,包括创业公司Cognata和Parallel Domain,以及主要的科技公司西门子。

与收集驾驶员数据相关的另一个挑战是图像注释,或标记数据,以便自动驾驶车辆可以识别和分类对象。

训练数据初创公司MightyAI正在与构建计算机视觉模型的公司合作,以帮助标记他们用于训练的数据。 MightyAI提供数据管理,注释和验证工具。

公司用于理解收集的数据的一种技术是语义分割,通过对视频图像进行像素分解达到更细粒度的处理。

无人驾驶关键技术拆解

 来源:Medium

中国科技巨头百度也开发了自己的语义分割软件ApolloScape,用于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,以帮助自驾车识别道路上的可驾驶区域和迎面而来的危险。


  国产化

自动驾驶车辆还需要知道它们的精确位置,包括决策和路径规划。

许多人依赖GPS信号,但这些测量值可能会偏离1-2米——如果整个自行车道的平均长度约为1.2米,那么误差率就太大了。

因此,AV开发人员依赖于一套技术,包括预构建的地图,这有助于将误差减少到1米以下。


  预建地图

当车辆自我导航时,他们将周围环境与存储在记忆中的数字地图进行比较。

这些被称为高清地图的地图比用于个人导航软件的数字地图更精确。它们包含基于道路的信息,如车道大小、人行横道和道路标志,并通过从车辆外部的传感器收集的数据进行增强。

无人驾驶关键技术拆解

资源来自于: Ars Technica

许多初创企业设计了所需的硬件(即传感器)和软件,可以在路上收集数据,然后将其转换为数字地图。

DeepMap 开发了地图构建软件,计划向汽车制造商和专注于AV技术的公司发放许可证。一级供应商罗伯特•博世(Robert Bosch)在8月份与之前的投资者安德烈森•霍洛维茨(Andreessen Horowitz)和Accel Partners联手投资了这家初创企业。

无人驾驶关键技术拆解

资源来自于:DeepMap

Civil Maps也在为全自动车辆开发3D地图技术。利用人工智能,该公司将原始传感器数据转换为有意义的地图信息。

一些公司正在自己制作高清地图,目的是将数据授权给相关方。

地图领域的两个主要参与者是HERE Maps 和TomTom。2015年12月,德国汽车制造商联盟(奥迪、宝马和戴姆勒)收购了地图。今年1月,TomTom与百度合作,将其美国和西欧地图与百度广泛的中国地图进行整合。

谷歌在地图领域也取得了显著进展。今年10月,沃尔沃宣布将其地图平台从TomTom改为Google。谷歌的自动驾驶臂Waymo也在利用自己的车辆在路上收集的数据构建自己的高清地图。

百度正在为自己的自动驾驶汽车软件平台Apollo开发高清地图。该公司看到了一个向汽车制造商出售地图,并收取服务费或将这些费用整合到汽车成本中的机会。

百度相信,其高清地图业务最终将超过目前中国最大的搜索业务。


  全系统

许多公司正在研究全自动驾驶系统,而不是特定的部件。

虽然这些初创企业大多仅仅致力于自动驾驶,并与汽车制造商合作部署他们的技术,但也有一些正在从头开始重建他们的汽车。


  自动驾驶系统

大多数构建全自动驾驶堆栈的公司都提供了一个软件包,其中包括计算机视觉和传感器融合软件,以及自动驾驶所需的硬件。这些系统是自主车辆的“大脑”。

在这一领域的初创企业通常与汽车制造商合作部署他们的技术。在某些情况下,他们正在利用这项技术对现有车辆进行改装。

例如,Drive.ai正在使用其自主系统来创建改装套件。在得克萨斯州弗里斯科试用了几个月的自动驾驶汽车服务后,该公司于10月将服务扩展到了得克萨斯州阿灵顿市。

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

无人驾驶关键技术拆解

资源来自于: Drive.ai

中国也有几家公司在研究自动驾驶系统。

总部位于北京的Momenta在10月份获得了独角兽的地位,在电动汽车制造商Nio和中国科技巨头腾讯的贡献下发起了一轮C轮融资。蒙门塔已与苏州市政府合作,部署了一支大规模的试验车队,并在该市建立了智能交通系统。

Pony.ai也达到了独角兽的地位。该公司已与中国第二大汽车制造商广州汽车集团(Guangzhou Automobile Group)合作,部署其完整的AV架构。9月,在筹集了1.02亿美元的首轮融资后的三个月,它在广州成立了一支自主车队。


  整车

像Zoox和Nuro这样的公司正在从头开始建造车辆。

Zoox的原型车与传统车有很大的不同——它们不包括方向盘或仪表板,内部有两个面对面的长椅。

无人驾驶关键技术拆解

资源来自于:Zoox

它的车辆还未被法律允许在公路上行驶,所以Zoox正在与丰田高地汽车公司(Toyota Highlanders)暂时测试其技术。

该公司独特的做法引起了投资者的关注,在其联合创始人兼首席执行官被免职后,近几个月来也引起了媒体的广泛关注。

到目前为止,Zoox已经筹集到8亿美元,包括7月份价值32亿美元的5亿美元B轮融资。该公司计划在2020年前将其自动驾驶系统部署成叫车服务。

努罗的AV系统设计用于运输货物而不是人,以应对困扰众多零售商的最后一英里交货瓶颈。

无人驾驶关键技术拆解

资源来自于:Nuro



想要继续查看该篇文章相关链接和参考文献?

长按链接点击打开或点击【无人驾驶关键技术拆解】:

https://ai.yanxishe.com/page/TextTranslation/1278


AI研习社每日更新精彩内容,观看更多精彩内容:雷锋网雷锋网雷锋网

命名实体识别(NER)综述

杰出数据科学家的关键技能是什么?

初学者怎样使用Keras进行迁移学习

如果你想学数据科学,这 7 类资源千万不能错过


等你来译:

如何在神经NLP处理中引用语义结构 

你睡着了吗?不如起来给你的睡眠分个类吧! 

高级DQNs:利用深度强化学习玩吃豆人游戏

深度强化学习新趋势:谷歌如何把好奇心引入强化学习智能体 



长按图片保存图片,分享给好友或朋友圈

无人驾驶关键技术拆解

扫码查看文章

正在生成分享图...

取消
相关文章