自動駕駛公司調研
1. 自動駕駛公司排名
領導者：通用、福特、Waymo、大眾、戴姆勒-博世、雷諾日產聯盟、安波福、寶馬-英特爾-FCA
- 競爭者：沃爾沃-Autoliv-愛立信-Zenuity、PSA、Navya、百度-北汽、捷豹路虎、豐田、現代
- 挑戰者：Uber、特斯拉、本田和蘋果
2. 自動駕駛公司技術分析
Waymo擁有最好的技術，現在只需要生產大量的汽車。
計算平臺
感知：
鐳射雷達360°、視覺360°、雷達360°和補充感測器。
google自主鐳射雷達，短程高幀率、中距高解析度、長距大範圍。
計算平臺：
計算平臺採用英特爾的Xeon伺服器晶片、Altera的FPGA和英特爾的乙太網關晶片，體積小、效能強、功耗低、靈活性。
高精地圖：
自主地圖採集生成
模擬：
carcraft自主模擬平臺
行為預測和規劃：
基於模擬環境的網路訓練，封閉道路和實際道路測試補充優化
測試：
模擬環境測試、封閉道路測試、實際道路測試
速度可達120kmph
安全：
備用的計算系統、制動系統、轉向系統、電源系統、碰撞檢測和碰撞規避系統，冗餘IMU。
HMI：
良好的使用者體驗
架構總結：
沒有詳細的架構說明，硬體方面認為感知的視覺和鐳射雷達處理是深度學習FPGA處理，行為預測和規劃處理是神經網路、控制晶片infineon；軟體方面是alphabet系統，X86上跑的系統定製化linux可能性較大，加速卡上跑的系統定製化linux可能性較大，控制晶片上跑的系統QNX可能性較大，更細的方面考慮google強大的軟體能力自成體系可能性較大。
已經準備好量產自動駕駛車輛，且全自動駕駛所需要的一切已就緒。
感知：
lidar：5個，檢測靜態和動態目標，收購的strobe公司將提供低成本先進產品
Camera：16個，檢測跟蹤行人、自行車、交通燈、可行駛區域
radar：21個，長距，檢測車輛並測速；短距，檢測車周圍目標；鏈式，檢測遠距離大範圍行駛車輛
計算平臺：
雙計算系統，主備模式
高精地圖：
有高精地圖，美國自採大部分高速公路，定位準確性是GPS的4-8倍，中國與高德合作
lidar和IMU多源定位
測試：
模擬環境測試、封閉道路測試、實際道路測試
目前車速是40kmph
安全：
多源定位、雙電源、多重資料通路、雙轉向剎車和驅動系統、冗餘碰撞檢測。整合監控模組，取消了方向盤和踏板。
架構總結：
沒有詳細的架構說明，硬體方面感知的視覺和鐳射雷達處理是CNN，由於NVIDIA方面沒有相關訊息，FPGA方案可能性較大；軟體方面朝通用化發展，適配各種車型，系統認為是定製化linux可能性較大。
2.3 戴姆勒博世
感知：
有感測器lidar、Camera、radar，無詳細資訊，視覺感知基於nvidia的深度學習方案
博世提供在開發工作中所需的元件，包括：感測器、執行器和控制單元等
計算平臺：
英偉達為博世和戴姆勒提供人工智慧演算法平臺，基於英偉達旗下全新自動駕駛平臺Pegasus
包括：深度學習、感測器融合、影象識別、雲端計算等
高精地圖：
有高精地圖
行為預測和規劃：
博世和戴姆勒為汽車行駛生成的人工智慧(AI)演算法。控制單元網路將來自所有感測器的資料與雷達、視訊、鐳射雷達和超聲波技術(感測器資料融合技術)進行比對評估，規劃車輛的運動方式。
測試：
戴姆勒將驅動系統引入汽車，為測試車隊提供必要的開發車輛和測試設施
架構總結：
硬體方面自動駕駛平臺Pegasus；軟體方面認為是定製化nvidia方案。
|
名稱 |
DRIVE PX Pegasus |
Xavier AI Car SuperComputer |
DRIVE PX 2 （自動私人司機版本） |
DRIVE PX |
Tegra K1 （奧迪zFAS主控單元使用） |
|
浮點計算能力 （TFLOPS） |
- |
- |
8 |
約為2 |
約為0.5 |
|
深度學習計算能力 (DL TOPS) |
320 |
30 |
24 |
- |
- |
|
主晶片名稱 （個） |
Tegra Xavier |
Tegra Xavier |
Tegra Parker |
Tegra X1 |
Tegra K1 |
|
主晶片數量 （個） |
2 |
1 |
2 |
2 |
1 |
|
系統整合 CPU核心數 （個） |
16 |
8 |
12 |
16 |
5 |
|
系統整合 GPU架構代號 |
Volta/Volta下一代產品 |
Volta |
Pascal |
Maxwell |
Kepler |
|
系統整合 GPU數量 |
4（2個Volta架構+2個Volta下一代架構） |
1 |
2 |
1 |
1 |
|
功耗 |
500W |
30W |
250W |
- |
- |
|
製程 |
16nm或更先進工藝 |
16nm |
16nm |
20nm |
28nm |
2.4 福特
將自動駕駛技術作為車聯網技術的一部分
感知：
有感測器lidar、Camera、radar，無詳細資訊，視覺感知基於機器學習方案來自以色列的計算機視覺及機器學習公司 SAIPS。
高精地圖：
有高精地圖，基於鐳射雷達的SLAM
架構總結：
無詳細資料，硬體方面自動駕駛平臺融入V2X
- 感測器 - LiDAR，相機和雷達
- 用於本地化和路徑規劃的演算法
- 計算機視覺和機器學習
- 高度詳細的 3D 地圖
- 計算能力和電力保證正常工作
2.5 寶馬
Intel mobileye的方案
感知：
Mobileye會提供EyeQ5計算機視覺處理器，負責處理和解釋360度環視感測器的輸入以及本地化。
計算平臺：
英特爾提供本地高效能運算單元致強和凌動處理器，EyeQ5與Intel CPU和FPGA技術相結合，形成整合到自動駕駛汽車的中央計算平臺。而且在本地平臺之外，英特爾還會提供雲端計算單元，包括5G互聯平臺及穩定並支援人工智慧的資料中心平臺。
高精地圖：
有高精地圖，與地圖服務商HERE合作
安全：
寶馬將負責駕駛控制和空氣動力學，評估整體功能安全，負責整體整合並量產自動駕駛汽車。
架構總結：
無詳細資料，硬體方面是基於intel和mobileye的方案，相關資訊mobileye目前使用camera結合V2X的方案，軟體方面會結合雲端計算。三家公司希望把平臺開源，寶馬還將負責尋找願意加入平臺的合作伙伴。
感知：
lidar：10個（4個短距VLP16，6個長距ibeo4l）
camera：2個（1個三目，1個單目做交通燈）
radar：10個（4個短距，6個長距）
others：GPS、V2X（DSRC）
計算平臺：
主備計算平臺
架構總結：
無詳細資料，硬體方面認為是X86平臺結合V2X，軟體方面系統認為是定製化linux。
感知：
有camera、毫米波雷達和超聲波雷達，沒有鐳射雷達
計算平臺：
它結合了價格低廉的相機感測器和人工智慧視覺處理，並在汽車後部裝了一個帶有英偉達圖形處理單元的大型計算機。
高精地圖：
模擬：
AIsim（一個虛擬模擬環境的遊戲引擎）
架構總結：
硬體方面是nvidia平臺
軟體方面有三個套件Aldrive（自動駕駛套件）
AIsim（一個虛擬模擬環境的遊戲引擎）
Aiware（自己的神經網路加速器 IP）
其中Aldrive（自動駕駛套件）由四個引擎構成，分別是：識別引擎（Recognition Engine）、定位引擎（Location Engine）、運動引擎（Motive Engine）和控制引擎（Control Engine）。
系統認為是定製化linux
1000美元自動駕駛方案，能夠實現ACC和LKAS
一加手機Eon（699$）
介面卡Panda（99$）
連線在CAN 匯流排向車輛發號施令的Giraffe單元（60$）
3. 百度apollo3.0系統分析
3.1產品系統架構
 |
3.3 各功能模組分層架構
 |
3.4 系統分層架構
 |
3.5 系統邏輯架構
 |
 |
 |
4 總結
感知：
所有的公司都使用camera和毫米波雷達，大多數公司使用鐳射雷達。
Camera必不可少，鐳射雷達也非常重要，它能夠提供目標物的精確深度資訊。Google和GM面向大規模量產和運營的公司很早就已經在佈局鐳射雷達產品線，google已經用上了自主的鐳射雷達，GM也是在等strobe的產品大幅降低成本。鐳射雷達技術、產品成熟度和價格可能成為自動駕駛公司的分水嶺。
環境感知的另一條路，V2X技術的引入是亮點。
雖然有多家自動駕駛公司開源，但是其機器學習網路都尚未開源，考慮屬於核心智慧財產權。
計算平臺：
隨著Camera的廣泛使用，而處理camera資料的機器學習對算力要求巨大，目前只有三種解決方案，GPU、FPGA和ASIC。GPU高功耗給散熱和能量消耗帶來問題，但是其演算法成熟度高，硬體成本低。FPGA功耗比GPU低，配置靈活，但是懂機器學習演算法的FPGA設計人才匱乏，硬體成本比GPU高。ASIC方案尚不成熟，中國有近上百家人工智慧晶片創業公司，研發投入成本很大，演算法成熟度不高，考慮地平線公司。
普通公司都使用GPU方案，可選擇的有X86+GPU方案或者NVIDIA套片方案。
有錢有能力的公司如google使用 FPGA方案和自研ASIC方案。
百度公司使用GPU和FPGA方案。
出於安全考慮，L4級以上都會選擇兩套計算平臺形成主備系統。
另外考慮5G部署完成後雲端方案會開始流行。
高精地圖：
所有自動駕駛公司都會選擇使用高精地圖，配合自主定位使用。高精地圖可選擇自主採集和同地圖供應商合作的方式，中國的地圖供應商有百度、四維、高德、光庭、創業公司momenta。自主定位方案有GPS（RTK）+IMU，鐳射雷達+高精地圖，視覺資訊+高精地圖，出於安全考慮，L4級以上會選擇多套方案進行多源融合。
模擬：
最好的是google的carcraft自主模擬平臺，AImotive也不錯，AImotive已經和上汽合作了。其他公司都應該在搭建自己的模擬平臺，但成熟度是問題。
行為預測和規劃：
前幾名的公司多采用基於機器學習的方式做行為預測和規劃，nvidia和comma.ai的方案是將行為預測和規劃合為一體通過機器學習來解決，形成End2End方案。百度行為預測使用神經網路，規劃使用柵格演算法（A*）。
測試：
常見的三種，模擬環境測試、封閉道路測試、實際道路測試。目前實際道路測試google車最多速度最快，可達120kmph。
控制：
只有少數幾家公開原始碼的可以看到實現，一般採用PID、LQR、MPC演算法控制車輛跟蹤規劃模組輸出軌跡行駛。
執行
線控單元只有車場和幾家大零部件供應商可以提供，普通公司多采用已有線控車輛為基礎研發，國內車廠能夠提供線控車輛的不多，一般需要進行後期線控改裝，集中在改裝線控油門、線控轉向和線控剎車。
安全：
L4級以上採用雙計算系統、制動系統、轉向系統、電源系統。執行單元的ECU選用ASIL D級別晶片。
HMI：
提供良好的使用者體驗，車內駕駛員資訊採集、手機APP、座艙互動等等應用。
工程師需要的是除錯用的顯示、配置工具，百度有提供dreamview模組。