2017年無人駕駛還處于積極研發和普及期，民用的測試和技術探索也主要在小型汽車方面，各大巨頭都將2020年作為一個重要節點，預計2020年會進入實用期。眼下無論是互聯網巨頭（谷歌、百度、蘋果等）還是汽車廠商（特斯拉、寶馬、奧迪、沃爾沃等）均在加速布局無人駕駛，多家公司已計劃在2018年實現商業化。騰訊收購特斯拉5%的股權躋身特斯拉第五大股東，前面四大股東分別是：Elon Musk，持股大約21%；富達投資，持股14%；Baillie Gifford，持股8.2%；T. Rowe Price，持股7.3%。

目前業內公認的無人駕谷歌、奧迪，豐田無人駕駛實驗車已能通過無人駕駛實現并線、車道保持、變道和分流等操作，并計劃于2020年實現無人駕駛實驗車的商品化。

沃爾沃早在去年在北京六環高速公路上就完成了累計行程達1200公里無人駕駛測試，而搭載沃爾沃無人駕駛系統的量產車將在2017年正式上市銷售。

奧迪已經將無人駕駛搬到現實生活中，行駛超過900公里的路程。其針對中國本土化研發的奧迪A7無人駕駛車型甚至已經完成了在中國進行低速擁堵路況下的無人駕駛測試，成功挑戰中國復雜路況。而奧迪將商業化量產的時間定在了2018年。

按照一個產業的發展趨勢應該是至上而下的，上游產業的發展讓下游產業更加繁榮，反過來刺激上游產業的發展。

無人駕駛的產業發展應該分為三個階段：

第一階段，感知系統的發展，主要包括各類傳感器的融合使用及感知決策系統的準確度提升，實現輔助信息的交互及部分自動駕駛功能。

第二階段，支持算法以及決策的芯片成熟，包括算法及芯片設計的發展，實現協同決策及自動駕駛。

第三階段，車聯網的發展，實現高精度地圖及實時路況信息的更新及通過深度學習實現協同感知。

無人駕目前有兩條發展道路，其一是互聯網企業使用激光雷達+高精地圖+人工智能實現無人駕駛，其二則是傳統汽車企業從輔助駕駛逐步進入自動駕駛。

百度的無人駕駛技術、長安集團無人駕駛技術實力、保千里基于“光學成像+夜視技術+仿生智能算法”為核心技術的汽車夜視、主動安全、智能駕駛系統等。長安汽車宣稱的無人駕駛車輛安裝的高精度GPS系統、單目攝像頭、激光雷達、毫米波雷達等用于檢測道路狀況的裝備早就不是什么新鮮玩意了。

根據美國高速公路安全管理局（NHTSA）頒布的自動駕駛分級制度，將自動駕駛分為了由低到高的四級：輔助駕駛、半自動駕駛、高度自動駕駛和完全自動駕駛，即全工況無人駕駛。

目前公認的無人駕駛技術被分為五級，如果一輛車在行駛中只有縱向或側向某一方面控制，為自動一級。如果同時具有縱向和側向的自動控制，為自動二級。在此基礎上，如果汽車對所有環境的感知，是由汽車視覺來完成，則是三級。在前三級的基礎上，如果整個駕駛能夠形成一個“閉環”，則是四級。而四級和五級的區別就在于，四級是局部路況 (高速公路，城郊或城區)，五級是全工況全天候。

根據目前無人駕駛產業鏈的發展，顯然有點下游過熱了，大量的風投涌入下游，特別是L4／L5整車的無人駕駛初創公司，而許多上游部件以及核心模塊卻沒有引起太多的注意。資本突然的涌入也造成了L4/L5整車的無人駕駛公司估值的暴漲，也直接導致了無人駕駛從業者人心浮動，大量人才從行業領先地位的無人駕駛公司（包括Google、百度等）流失。

目前做無人車做得好也可能只是一個好的Demo，而且做無人駕駛創業需要很強的技術以及資本掌控能力，但是億級資金玩的土豪游戲。市場上有幾家無人駕駛初創公司有很強的技術把控能力，包括NURO.AI、PONY.AI、以及AutoX.AI，NURO.AI與PONY.AI應該屬于傳統的LiDAR流派，而AutoX應該是視覺流派的佼佼者。無人駕駛需要整合了40～50個技術點，即使做好了其中90%的技術點，無人車還是上不了路。

因為無人駕駛只是整個智能交通系統的一部分，或者說是位于頭部的一個應用模式。但是，從整個產業的角度來看，無人駕駛的商業化，需要的是整個交通系統的智能升級，否則無人車即使車再貴、算法再精準，也不會比概念車走得更遠。并且，如果配套成熟的智能交通系統的話，無人駕駛車的各項成本也可以降低。

智能交通系統的發展，已不限于解決交通擁堵、交通事故、交通污染等問題。經30余年發展，它們基本上完成了智能交通體系的框架。比如，傳感器技術、通信技術、GIS技術(地理信息系統)、3S技術(遙感技術、地理信息系統、全球定位系統三種技術)和計算機技術的不斷發展，交通信息的采集經歷了從人工采集到單一的磁性檢測器交通信息采集到多源的多種采集方式組合的交通信息采集的歷史發展過程，同時國內外對交通信息處理研究的逐步深入，統計分析技術、人工智能技術、數據融合技術、并行計算技術等逐步被應用于交通信息的處理中。

無人駕駛將沿著消費者接受度、技術整合度、生態體系、立法、基礎設施投資五個維度前進。無人駕駛有兩條技術路徑，一條是依靠“觸覺”的，這條路徑依靠雷達探別周圍環境的障礙物，由于技術成熟，準確性較高，谷歌的無人駕駛車輛就是這個路徑的典型代表，但劣勢十分明顯，激光雷達的成本為商業化設置了圍墻也是從無人駕駛解除機制中迭代學習成長。

特斯拉在其智能汽車中，完全沒有使用激光雷達，而采用毫米波雷達+攝像頭的方案。而特斯拉為代表的廠商更推崇于依靠圖像識別技術的“視覺”路徑，但一直以來也苦于識別精度的提高有困難。從產業整體上來看比較看好激光雷達制造商、高精度地圖上、無人駕駛解決方案/算法提供商、無人駕駛+共享經濟時代的交通運營商等。Mobileye––>NVIDIA––>AMD，ADAS系統——>車載計算設備——>聯合研發芯片

Tesla的自主可控之路

無人駕駛是一個復雜的系統，系統主要由三部分組成：算法端、Client端和云端。其中算法端包括面向傳感、感知和決策等關鍵步驟的算法；Client端包括機器人操作系統以及硬件平臺；云端則包括數據存儲、模擬、高精度地圖繪制以及深度學習模型訓練。

Client系統

Client系統整合之前提到的避障、路徑規劃等算法以滿足可靠性及實時性等要求。Client系統需要克服三個方面的問題：其一，系統必須確保捕捉到的大量傳感器數據可以及時快速地得到處理；其二，如果系統的某部分失效，系統需要有足夠的健壯性能從錯誤中恢復；其三，系統必須在設計的能耗和資源限定下有效地完成所有的計算操作。

算法子系統從傳感器原始數據中提取有意義的信息以了解周遭環境情況，并根據環境變化做出決策。Client子系統融合多種算法以滿足實時性與可靠性的要求。舉例來說，傳感器以60HZ的速度產生原始數據，Client子系統需要保證最長的流水線處理周期也能在16ms內完成。云平臺為無人車提供離線計算以及存儲功能。通過云平臺，我們能夠測試新的算法、更新高精度地圖并訓練更加有效的識別、追蹤、決策模型。

算法系統由幾部分組成：

第一，傳感并從傳感器原始數據中提取有意義信息；在獲得傳感信息之后，數據將被推送至感知子系統以充分了解無人車所處的周遭環境。

第二，感知，以定位無人車所在位置以及感知現在所處的環境；感知子系統主要做的是三件事：定位、物體識別以及物體追蹤。

在傳感器信息采集后，就進入了感知階段，主要是定位與物體識別。在這個階段，可以用數學的方法，比如Kalman Filter與 Particle Filter等算法，對各種傳感器信息進行融合，得出當前最大幾率的位置。如果使用LiDAR為主要的定位傳感器，可以通過LiDAR掃描回來的信息跟已知的高精地圖做對比，得出當前的車輛位置。如果沒有地圖，可以把當前的LiDAR掃描信息與之前的掃描信息用ICP算法做對比，推算出當前的車輛位置。在得出基于LiDAR的位置預測后，可以用數學方法與其它傳感器信息進行融合，推算出更精準的位置信息。

所以無人駕駛汽車涉及的技術=環境感知+定位導航+路徑規劃+決策控制；

環境感知層面=局部數據的感知+全局數據的輔助；

車輛的感知功能主要是通過傳感器來獲取數據。傳感器相當于無人駕駛汽車的眼睛，用來觀察行駛時的動態變化，它是無人駕駛汽車中不可或缺的重要組成部分，常用的傳感器包括有攝像頭、激光雷達、超聲波雷達、GPS、陀螺儀等，攝像頭和激光雷達是最主要的兩種傳感器。

物體識別與跟蹤

激光雷達可提供精準的深度信息，因此常被用于在無人駕駛中執行物體識別和追蹤的任務。近年來，深度學習技術得到了快速的發展，通過深度學習可達到較顯著的物體識別和追蹤精度卷積神經網絡（CNN）是一類在物體識別中被廣泛應用的深度神經網絡。

卷積神經網絡由三個階段組成：

1. 卷積層使用不同的濾波器從輸入圖像中提取不同的特征，并且每個過濾器在完成訓練階段后都將抽取出一套“可供學習”的參數；

2. 激活層決定是否啟動目標神經元；

3. 匯聚層壓縮特征映射圖所占用的空間以減少參數的數目，并由此降低所需的計算量；

4. 對物體進行分類。一旦某物體被CNN識別出來，下一步將自動預測它的運行軌跡或進行物體追蹤。

物體追蹤可以被用來追蹤鄰近行駛的車輛或者路上的行人，以保證無人車在駕駛的過程中不會與其他移動的物體發生碰撞。近年來，相比傳統的計算機視覺技術，深度學習技術已經展露出極大的優勢，通過使用輔助的自然圖像，離線訓練好的模型直接應用在在線的物體追蹤中。

第三，決策，以可靠安全抵達目的地。在決策階段，行為預測、路徑規劃以及避障機制三者結合起來實時完成無人駕駛動作規劃。

行為預測

車輛駕駛中的一個主要考驗是司機如何應對其他行駛車輛的可能行為，這種預判斷直接影響司機本人的駕駛決策，特別是在多車道環境或者交通燈變燈的情況下，司機的預測決定了下一秒行車的安全。因此，過渡到無人駕駛系統中，決策模塊如何根據周圍車輛的行駛狀況決策下一秒的行駛行為顯得至關重要。

為了預測其他車輛的行駛行為，可以使用隨機模型產生這些車輛的可達位置集合，并采用概率分布的方法預測每一個可達位置集的相關概率。

路徑規劃

為無人駕駛在動態環境中進行路徑規劃是一件非常復雜的事情，尤其如果車輛是在全速行駛的過程中，不當的路徑規劃有可能造成致命的傷害。路徑規劃中采取的一個方法是使用完全確定模型，它搜索所有可能的路徑并利用代價函數的方式確定最佳路徑。然后，完全確定模型對計算性能有著非常高的要求，因此很難在導航過程中達到實時的效果。為了避免計算復雜性并提供實時的路徑規劃，使用概率性模型成為了主要的優化方向。

避障

安全性是無人駕駛中最為重要的考量，我們將使用至少兩層級的避障機制來保證車輛不會在行駛過程中與障礙物發生碰撞。第一層級是基于交通情況預測的前瞻層級。交通情況預測機制根據現有的交通狀況如擁堵、車速等，估計出碰撞發生時間與最短預測距離等參數。基于這些估計，避障機制將被啟動以執行本地路徑重規劃。如果前瞻層級預測失效，第二級實時反應層將使用雷達數據再次進行本地路徑重規劃。一旦雷達偵測到路徑前方出現障礙物，則立即執行避障操作。

最后進入了計劃與控制階段，根據位置信息以及識別出的圖像信息（如紅綠燈）實時調節車輛的行車計劃，并把行車計劃轉化成控制信號操控車輛。全局的路徑規劃可以用類似A-Star的算法實現，本地的路徑規劃可以用DWA等算法實現。

Client端機器人操作系統

機器人操作系統ROS是現如今廣泛被使用、專為機器人應用裁剪、強大的分布式計算框架。每一個機器人任務，比如避障，作為ROS中的一個節點存在。這些任務節點使用話題與服務的方式相互通信。

ROS非常適用于無人駕駛的場景，但是仍有一些問題需要解決。盡管ROS 2.0 承諾將解決以下問題，但是現有的ROS版本中仍然沒有相關的解決方案。因此為了在無人駕駛中使用ROS，我們需要自行克服這些難題。

可靠性：ROS使用單主節點結構，并且沒有監控機制以恢復失效的節點。

現有的ROS實現只有一個主節點，因此當主節點失效時，整個系統也隨之奔潰。這對行駛中的汽車而言是致命的缺陷。為了解決此問題，我們在ROS中使用類似于ZooKeeper的方法。改進后的ROS結構包括有一個關鍵主節點以及一個備用主節點。如果關鍵主節點失效，備用主節點將被自動啟用以確保系統能夠無縫地繼續運行。此外，ZooKeeper機制將監控并自動重啟失效節點，以確保整個ROS系統在任何時刻都是雙備份模式。

性能：當節點之間使用廣播消息的方式通信時，將產生多次信息復制導致性能下降。

性能是現有ROS版本中有欠考慮的部分，ROS節點之間的通信非常頻繁，因此設計高效的通信機制對保證ROS的性能勢在必行。首先，本地節點在與其他節點通信時使用回環機制，并且每一次回環通信的執行都將完整地通過TCP/IP全協議棧，從而引入高達20微秒的時延。為了消除本地節點通信的代價，我們不再使用TCP/IP的通信模式，取而代之采用共享內存的方法完成節點通信。其次，當ROS節點廣播通信消息時，消息被多次拷貝與傳輸，消耗了大量的系統帶寬。如果改成目的地更明確的多路徑傳輸機制則將極大地該改善系統的帶寬與吞吐量。

安全：ROS中沒有授權和加密機制，因此安全性受到很大的威脅。

主要原因是通信的信息并沒有被加密，以至于攻擊者可以輕易得知通信內容。目前業界有不少對ROS節點間通信的加密嘗試，比如使用DES加密算法。在通信的信息量十分小的時候，加密與否對性能影響不大。但隨著信息量變大，加密時間相對信息量成幾何級增長。另外，由于ROS通信系統的設計缺陷，加密時間也與接收信息的節點數量有直接關系。當接受信息的節點數量增長時，加密時間也隨之增長。

安全是ROS系統中最重要的需求。如果一個ROS節點被挾制后，不停地在進行內存分配，整個系統最終將因內存耗盡而導致剩余節點失效繼而全線奔潰。在另一個場景中，因為ROS節點本身沒有加密機制，黑客可以很容易地在節點之間竊聽消息并完成系統入侵。

為了解決安全問題，可以使用Linux containers （LXC）的方法來限制每一個節點可供使用的資源數，并采用沙盒的方式以確保節點的運行獨立，這樣以來可最大限度防止資源泄露。同時我們為通信消息進行了加密操作，以防止其被黑客竊聽。

車輛的CAN總線連接著車內的所有機械以及電子控制部件，是車輛的中樞神經。CAN總線具有布線簡單、典型總線型結構、可最大限度節約布線與維護成本、穩定可靠、實時、抗干擾能力強、傳輸距離遠等特點。由于CAN總線本身只定義ISO/OSI模型中的第一層（物理層）和第二層（數據鏈路層），通常情況下，CAN總線網絡都是獨立網絡，所以沒有網絡層。在實際使用中，用戶還需要自己定義應用層的協議，因此在CAN總線的發展過程中出現了各種版本的CAN應用層協議。

CAN總線采用差分信號傳輸，通常情況下只需要兩根信號線（CAN-H和CAN-L）就可以進行正常的通信。在干擾比較強的場合，還需要用到屏蔽地即CAN-G（主要功能是屏蔽干擾信號）。CAN總線上任意節點均可在任意時刻主動的向其它節點發起通信，節點沒有主從之分，但在同一時刻優先級高的節點能獲得總線的使用權。

Client端硬件平臺

此平臺由兩個計算盒組成，每一個裝備有Intel Xeon E5處理器以及4到8個Nvidia Tesla K80 GPU加速器。兩個計算盒執行完全一樣的工作，第二個計算盒作為計算備份以提高整個系統的可靠性，一旦第一個計算盒發生故障，計算盒二可以無縫接手所有的計算工作。

在最極端的情況下，如果兩個計算盒都在峰值下運行，及時功耗將高達5000W，同時也將遭遇非常嚴重的發熱問題。因此，計算盒必須配備有額外的散熱裝置，可采用多風扇或者水冷的方案。同時，每一個計算盒的造價非常昂貴，高達2萬-3萬美元，致使現有無人車方案對普通消費者而言無法承受。

現有無人車設計方案中存在的功耗問題、散熱問題以及造價問題使得無人駕駛進入普羅大眾顯得遙不可及。為了探索無人駕駛系統在資源受限以及能耗受限時運行的可行性，可以在ARM面向移動市場的SoC實現了一個簡化的無人駕駛系統，實驗顯示在峰值情況下能耗僅為15W。在移動類SoC上無人駕駛系統的性能是：定位算法可以達到每秒25幀的處理速度，同時能維持圖像生成的速度在30幀每秒。深度學習則能在一秒內完成2-3個物體的識別工作。路徑規劃和控制則可以在6毫秒之內完成規劃工作。在這樣性能的驅動之下，完全可以在不損失任何位置信息的情況下達到每小時5英里的行駛速度。

云平臺

無人車是移動系統，因此需要云平臺的支持。云平臺主要從分布式計算以及分布式存儲兩方面對無人駕駛系統提供支持。無人駕駛系統中很多的應用，包括用于驗證新算法的仿真應用，高精度地圖產生和深度學習模型訓練都需要云平臺的支持。可以使用Spark構建了分布式計算平臺，使用OpenCL構建了異構計算平臺，使用了Alluxio作為內存存儲平臺。通過這三個平臺的整合，可以為無人駕駛提供高可靠、低延遲以及高吞吐的云端支持。

仿真

比如為無人駕駛開發出新算法時，需要先通過仿真對此算法進行全面的測試，測試通過之后才進入真車測試環節。真車測試的成本非常高昂并且迭代周期異常之漫長，因此仿真測試的全面性和正確性對降低生產成本和生產周期尤為重要。在仿真測試環節，通過在ROS節點回放真實采集的道路交通情況，模擬真實的駕駛場景，完成對算法的測試。如果沒有云平臺的幫助，單機系統耗費數小時才能完成一個場景下的模擬測試，既耗時同事測試覆蓋面有限。

在云平臺中，Spark管理著分布式的多個計算節點，在每一個計算節點中，都可以部署一個場景下的ROS回訪模擬。在無人駕駛物體識別測試中，單服務器需耗時3小時完成算法測試，如果使用8機Spark機群，時間可以縮短至25分鐘。

其實無人駕駛技術是多個技術的集成，包括了傳感器、定位與深度學習、高精地圖、路徑規劃、障礙物檢測與規避、機械控制、系統集成與優化、能耗與散熱管理等等。雖然現有的多種無人車在實現上有許多不同，但是在系統架構上都大同小異。

深度學習模型訓練

在無人駕駛中我們使用了不同的深度學習模型，為了保證模型的有效性及效率，有必要對模型進行持續的更新。然而，原始數據量異常巨大，僅使用單機系統遠不能完成快速的模型訓練。

為了解決這一問題，我們使用Spark以及Paddle開發了一個高可擴展性分布式深度學習平臺。Paddle是百度開發的一個深度學習開源平臺。在Spark driver上我們同時管理Spark運行上下文以及Paddle運行上下文，在每個節點上，Spark執行進程運行一個Paddle訓練實例。在此基礎上，我們使用Alluxio作為參數服務器。實驗證明，當計算節點規模增長時，我們可以獲得線性的性能提升，這說明Spark+Paddle+Alluxio這套深度學習模型訓練系統有著高可擴展性。

高精度地圖

1.高精度地圖在地圖層、實時道路層、駕駛層三個層次實現無人駕駛。地圖更新頻率越來越快：從天、小時到分鐘級，最終到實時地圖；地圖端到端的動態生產是趨勢。看好地圖巨頭的“高精度地圖+云”業務，與車廠、互聯網公司、手機廠商深度合作車聯網、無人駕駛。

2.高精度地圖產生過程非常復雜，涉及到：原始數據處理、點云生成、點云對其、2D反射地圖生成、高精地圖標注、地圖生成等階段。使用Spark，我們可以將所有這些階段整合成為一個Spark作業。由于Spark天然的內存計算的特性，作業運行過程中產生的中間數據都存儲在內存中。當整個地圖生產作業提交之后，不同階段之間產生的大量數據不需要使用磁盤存儲，數據訪問速度加快，從而極大提高了高精地圖產生的性能。

高清地圖是由眾多的點云拼接而成，主要用于無人車的精準定位。高清地圖的繪制也是通過LiDAR完成的。安裝LiDAR的地圖數據采集車在想要繪制高清地圖的路線上多次反復行駛并收集點云數據。后經過人工標注，過濾一些點云圖中的錯誤信息，例如由路上行駛的汽車和行人反射所形成的點，然后再對多次收集到的點云進行對齊拼接形成最終的高清地圖。

什么是點云？

無人車所使用的LiDAR并不是靜止不動的。在無人車行駛的過程中，LiDAR同時以一定的角速度勻速轉動，在這個過程中不斷地發出激光并收集反射點的信息，以便得到全方位的環境信息。LiDAR在收集反射點距離的過程中也會同時記錄下該點發生的時間和水平角度（Azimuth），并且每個激光發射器都有編號和固定的垂直角度，根據這些數據我們就可以計算出所有反射點的坐標。LiDAR每旋轉一周收集到的所有反射點坐標的集合就形成了點云（point cloud）。

LiDAR通過激光反射可以測出和物體的距離distance，因為激光的垂直角度是固定的，記做a，這里我們可以直接求出z軸坐標為sin(a)distance。由cos(a)distance我們可以得到distance在xy平面的投影，記做xy_dist。LiDAR在記錄反射點距離的同時也會記錄下當前LiDAR轉動的水平角度b，根據簡單的集合轉換，可以得到該點的x軸坐標和y軸坐標分別為cos(b)xy_dist和sin(b)xy_dist。

3.高精度地圖參與者主要有圖商（國內高精度地圖，以百度地圖、高德地圖、四維圖新等公司為主力；而國外方面，Here、TomTom等公司一直備受稱贊）、無人駕駛科技公司（如Google、特斯拉等）、ADAS方案提供商（如Mobileye、前向啟創）和傳統車企（如通用、大眾）等四類。其中除了圖商的高精度地圖是為地圖的標準化準備外，其他參與者繪制的高精度地圖都是為了各自環節中的特定需求定制的，標準化程度較低。

地圖行業的進入壁壘較高，主要由于地圖繪制的牌照數量少，數據庫建設周期長，投入資金大，而且需要大量依賴長期積累起來的實施技術。另一方面，該行業的規模經濟效應明顯，一旦建立起市場份額則利潤非常可觀。以四維圖新為例，2016年該公司的綜合毛利率約為80%，近50%的營業收入來自車載導航領域。在離線地圖的時代，圖商主要以銷售地圖使用許可證（License）為主，但在高精度地圖時代下，圖商將為用戶提供持續的服務。屆時一次性收費的模式將被按時間或按產品類型收費的模式取代。

現在做無人駕駛主要兩種解決方案：

一種是采用激光雷達解決方案，車頂的元器件稱之為LiDAR，采用這種方案的有Google、百度、Uber，不過這種方案較貴，例如Google在其無人車原型中使用的Velodyne雷達售價就為7萬美金；因此，另有其他廠商采用了低成本解決方案，例如在車前車后各部署毫米波雷達和用于ADAS功能的攝像頭。

這兩種解決方案各有優勢：

LiDAR，類似于鯨魚聲吶、或是蝙蝠的發聲器官，其原理是通過獲取“光脈沖打在物體上并反射回到接收器的傳播時間”，再根據光速已知的原理，將傳播時間轉換稱LiDAR據測量物的距離。也就是說，LiDAR在測距的精確性上很有優勢。而采用“毫米波+ADAS”的視覺解決方案，對于物體的精確識別、色彩等等，可以更直接地捕捉。其實視覺解決方案對近處的距離識別也頗為精準，例如我們的眼睛可以輕易的辨認出 近處物體的景深。但總的來說，在較遠情況下，搭配LiDAR可以產生更好的效果。

LiDAR能夠檢測的距離一般可達100m以上。與傳統雷達使用無線電波相比較，LiDAR使用激光射線，商用LiDAR使用的激光射線波長一般在600nm到1000nm之間，遠遠低于傳統雷達所使用的波長。因此LiDAR在測量物體距離和表面形狀上可達到更高的精準度，一般可以達到厘米級。

由于激光的傳播受外界影響小，LiDAR系統一般分為三個部分：第一是激光發射器，發射出波長為600nm到1000nm之間的激光射線；第二部分是掃描與光學部件，主要用于收集反射點距離與該點發生的時間和水平角度（Azimuth）；第三個部分是感光部件，主要檢測返回光的強度。因此我們檢測到的每一個點都包括了空間坐標信息（x, y, z）以及光強度信息（i）。光強度與物體的光反射度（reflectivity）直接相關，所以根據檢測到的光強度也可以對檢測到的物體有初步判斷。

激光雷達也有其固有的缺點：如果空氣中有懸浮的顆粒比如雨滴或者灰塵，測量結果將受到極大的擾動。因此，為了完成可靠并精準的定位，需要傳感器融合。

毫米波雷達受制于波長，探測效果欠佳，目前百度和谷歌無人駕駛汽車車身上的64位激光雷達，售價高達70萬元人民幣。激光發射器線束的越多，每秒采集的云點就越多，探測性能也就更強。然而線束越多也就代表著激光雷達的造價就更加昂貴，64線束的激光雷達價格是16線束的10倍。

毫米波雷達：車載毫米波雷達市場主要供應商為傳統的汽車電子企業，如博世、大陸、 海拉等，市場占有率頭三位的企業占領了50%以上的市場份額。中國市場中高端汽車裝配的毫米波雷達傳感器依賴進口為主，國內自主品牌的研發生產能力尚需提高。毫米波雷達的核心組成部分為前端單片微波集成電路MMIC和雷達天線高頻PCB板，此兩項核心技術僅掌握在國外廠商手中。國內企業總體尚處于研發階段，24GHz的產品已經取得部分研發成果，華域汽車、湖南納雷、蕪湖森思泰克、智波科技等企業在此方面有部分技術積累。

作為ADAS不可或缺的核心傳感器類型，毫米波雷達從上世紀起就已在高檔汽車中使用，技術相對成熟。毫米波的波長介于厘米波和光波之間，因此毫米波兼有微波制導和光電制導的優點，且其引導頭具有體積小、質量輕和空間分辨率高的特點。此外，毫米波導引頭穿透霧、煙、灰塵的能力強，相比于激光雷達是一大優勢。

而毫米波雷達的缺點也十分直觀，探測距離受到頻段損耗的直接制約（想要探測的遠，就必須使用高頻段雷達），也無法感知行人，并且對周邊所有障礙物無法進行精準的建模。

固態激光雷達有優勢與傳統機械掃描技術的雷達相比，利用光學相控陣掃描技術的固態激光雷達有很多優勢：

1.結構簡單、尺寸小：由于不需要旋轉部件，可以大大壓縮雷達的結構和尺寸，提高使用壽命，并降低成本。

2.標定簡單：機械式激光雷達由于光學結構固定，適配不同車輛往往需要精密調節其位置和角度，固態激光雷達可以通過軟件進行調節，大大降低了標定的難度。

3.掃描速度快：不用受制于機械旋轉的速度和精度，光學相控陣的掃描速度取決于所用材料的電子學特性，一般都可以達到MHz量級。

4.掃描精度高：光學相控陣的掃描精度取決于控制電信號的精度，可以達到千分之一度量級以上。

5.可控性好：光學相控陣的光束指向完全由電信號控制，在允許的角度范圍內可以做到任意指向，可以在重點區域進行高密度的掃描。

6.多目標監控：一個相控陣面可以分割為多個小模塊，每個模塊分開控制即可同時鎖定監控多個目標。

但固態激光雷達也有它相應的缺點：

①掃描角度有限：根據上面推倒的公式，調節相位最多只能讓中央明紋改變±60°左右，因此要實現全方位掃描，需在不同方向布置多個（至少前后兩個）固態激光雷達。

②旁瓣問題：光柵衍射除了中央明紋外還會形成其他明紋，這一問題會讓激光在最大功率方向以外形成旁瓣，分散激光的能量。

③加工難度高：光學相控陣要求陣列單元尺寸必須不大于半個波長，一般目前激光雷達的工作波長均在1微米左右，故陣列單元的尺寸必須不大于500nm。而且陣列密度越高，能量也越集中，這都提高了對加工精度的要求，需要一定的技術突破。

④接收面大、信噪比差：傳統機械雷達只需要很小的接收窗口，但固態激光雷達卻需要一整個接收面，因此會引入較多的環境光噪聲，增加了掃描解析的難度。

縱使還有很多不足，現在也還沒有量產，但固態激光雷達低成本、小尺寸的巨大優勢無疑規避了傳統的機械式激光雷達的很多不足，而這些優勢也讓Quanergy備受投資者的青睞。固態激光雷達就將以一個顛覆者的身份出現在自動駕駛領域，為自動駕駛、無人駕駛的普及帶來福音，那時候無人駕駛汽車或許也不用再頂個球了。

一輛無人駕駛汽車裝備有許多不同類型的主傳感器，每一種類型的傳感器都各有優劣，因此，來自不同傳感器的傳感數據應該有效地進行融合。

現在無人駕駛中普遍使用的傳感器包括以下幾種:

GPS/IMU：通過高達200Hz頻率的全球定位和慣性更新數據以幫助無人車完成自我定位。GPS是一個相對準確的定位用傳感器，但是它的更新頻率過低，僅僅有10HZ，不足以提供足夠實時的位置更新。IMU的準確度隨著時間降低，在長時間內并不能保證位置更新的準確性，但是，它有著GPS所欠缺的實時性，IMU的更新頻率可以達到200HZ或者更高。通過整合GPS與IMU，我們可以為車輛定位提供既準確又足夠實時的位置更新。

GPS以較低的更新頻率提供相對準確的位置信息；IMU則以較高的更新頻率提供準確性偏低的位置信息。我們可使用卡爾曼濾波來整合兩類數據各自的優勢，合并提供準確且實時的位置信息更新。IMU每5ms更新一次，但是期間誤差不斷累積精度不斷降低。所幸的是，每100ms可以得到一次GPS數據更新，以幫助我們校正IMU積累的誤差。最終可以獲得實時并準確的位置信息。不能僅僅依靠這樣的數據組合以完成定位工作。原因有三：其一，這樣的定位精度僅在一米之內；其二，GPS信號有著天然的多路徑問題將引入噪聲干擾；其三，GPS必須在非封閉的環境下工作，因此在諸如隧道等場景中GPS都不適用。

LiDAR：激光雷達可被用來繪制地圖、定位以及避障。雷達的準確率非常高，因此在無人車設計中雷達通常被作為主傳感器使用。激光雷達是以激光為光源，通過探測激光與被探測無相互作用的光波信號來完成遙感測量。激光雷達可以用來產生高精度地圖，并針對高精地圖完成移動車輛的定位；以及滿足避障的要求。以Velodyne 64-束激光雷達為例，它可完成10HZ旋轉并每秒可達到130萬次讀數。

激光雷達：激光雷達是無人駕駛汽車硬件端的核心能力，受益于無人駕駛汽車市場規模的爆發，預計2030年全球激光雷達市場可達到360億美元的規模。相比于國外的Velodyne、Quanergy等廠商已經具有相對成熟的產品，國內公司在激光雷達生產研發尚處于初步成型階段。目前國內研發生產激光雷達的初創公司數量很多，但是大多數缺乏完整的產業鏈及相應的配套設備，受制于硬件成本及技術門檻較高等因素，能夠做出成型產品的公司往往很少。

目前有產品落地的激光雷達公司包括歐鐳激光、鐳神智能、思嵐科技和速騰聚創等。此類公司競爭的著力點包括四個方面：1. 建立與各車廠的合作關系：發展新客戶，搶占新市場并積累市場需求方面的經驗；2. 硬件的量產及成本的控制：實現大規模生產的同時降低成本，通過量產實現更大的利潤（目前激光雷達的毛利率約為27%）；3. 提高產品性能的穩定性，通過快速迭代提高產品工藝，建立技術門檻；4. 綜合提供數據存儲分析的服務，實現數據格式的統一。

攝像頭：被廣泛使用在物體識別以及物體追蹤等場景中，像是車道線檢測、交通燈偵測、人行道檢測中都以攝像頭為主要解決方案。為了加強安全性，現有的無人車實現通常在車身周圍使用至少八個攝像頭，分別從前、后、左、右四個維度完成物體發現、識別、追蹤等任務。這些攝像頭通常以60HZ的頻率工作，當多個攝像頭同時工作時，將產生高達1.8GB每秒的巨數據。

目前，通過攝像頭進行拍攝，在進行圖像和視頻識別，確定車輛前方環境，是無人駕駛汽車的主要感知途徑，這也是很多無人駕駛公司的主要研發內容之一。攝像頭作為一種已普遍應用的傳感器，具有成本低廉、信息采集量大等特點。目前，車載攝像頭主要分為單目和雙目兩種。

單目攝像頭，主要基于機器學習原理，利用大量數據進行訓練，可以獲取道路圖像，提取車道線，對環境進行識別。盡管需要大量數據支持，且在惡劣光線條件下的表現不如雙目攝像頭，但其相對便宜的價格以及成熟的技術也獲得了一部分公司的青睞。

而雙目攝像頭則基于視差原理，可以在數據量不足的情況下，測定車輛前方環境（樹木、行人、車輛、坑洞等），并且獲得準確的距離數據，再輔以算法增強的調節來獲取周圍環境的景深，用以提供給無人駕駛系統進行車輛控制。

基于視覺的定位由三個基本步驟組成：

1. 通過對立體圖像的三角剖分，將首先獲得視差圖用以計算每個點的深度信息；

2. 通過匹配連續立體圖像幀之間的顯著特征，可通過不同幀之間的特征建立相關性，并由此估計這兩幀之間的運動情況；

3. 通過比較捕捉到的顯著特征和已知地圖上的點來計算車輛的當前位置。然而，基于視覺的定位方法對照明條件非常敏感，因此其使用受限并可靠性有限。

預計2020年全球車載攝像頭的市場規模約為200億人民幣，模組組裝及CMOS供應商共占據超過60%的產業價值，該產業鏈的其他環節還包括鏡頭供應商及其他部件的供應商。該模塊的行業技術壁壘較高，只有少數廠商具有垂直整合的能力。大部分廠商將業務集中在產業鏈中的少數環節，行業的集中度很高，大多數環節的前三廠商市場份額合計占總體一半以上：光學鏡頭主要是臺灣的大立光學、大陸的舜宇光學主導，CMOS傳感器及圖像處理器以歐美和日本韓國的廠商為主，大陸廠商在紅外濾光片和模組封裝有一定的優勢（如歐菲光、水晶光電等）。

通常攝像頭硬件設備和配套的算法及系統難以分割，硬件設備商將攝像頭提供給自動駕駛算法公司或者汽車一級供應商，由這些下游的公司進行硬件、芯片及算法的合成。由于車載攝像頭對安全性及穩定性的要求比普通的工業用攝像頭高，產品壁壘較高，所以攝像頭大廠相對有競爭優勢。臺灣的同致電子2016年的營業收入預計比2015年增長超過40%，毛利率達到30%。未來的車載攝像頭廠商的競爭將主要體現在：1. 與芯片及算法的適配性，提供整體解決方案的能力；2. 產品穩定性安全性等工藝的領先。

雷達和聲吶：雷達通過把電磁波能量射向空間某一方向，處在此方向上的物體反射碰到的電磁波；雷達再接收此反射波，提取有關該物體的某些信息（目標物體至雷達的距離，距離變化率或徑向速度、方位、高度等）。雷達和聲吶系統是避障的最后一道保障。雷達和聲吶產生的數據用來表示在車的前進方向上最近障礙物的距離。一旦系統檢測到前方不遠有障礙物出現，則有極大的相撞危險，無人車會啟動緊急剎車以完成避障。因此，雷達和聲吶系統產生的數據不需要過多的處理，通常可直接被控制處理器采用，并不需要主計算流水線的介入，因為可實現轉向，剎車、或預張緊安全帶等緊急功能。

總體上說，傳感器與配套的算法及芯片相輔相成，未來的趨勢是提供完整的一套解決方案，而不是單個零星的硬件。另外，各種類型的傳感器的功能各有優勢，互相補充，汽車整車廠將融合使用各類傳感器，并通過量產及新技術推動傳感器的成本下降。

因為無人駕駛汽車最終拼的是整合能力，誰能夠將各種各樣新技術更好地整合到自己的產品之中，誰就能夠在競爭中獲勝。傳統汽車行業巨頭主要依托自身在汽車制造領域的優勢同互聯網無人駕駛創業公司合作。

目前ADAS技術的發展已經較為成熟，部分功能早已在整車中實現運用。但從整車制造視角看，除運動控制系統、輔助駕駛系統ADAS和GPS等可以延用傳統車輛制造已有的較為成熟的技術以外，其他大部分無人駕駛技術處于起步階段，需要整車廠、零部件供應商、技術提供商等聯合研發、生產，涉及的產業鏈較長，但目前大部分關鍵技術在我國市場均沒有成熟產品。

互聯網公司主要分為兩種，一種是自身制造新能源汽車然后與ADAS廠商合作推出智能駕駛、無人駕駛，代表如特斯拉。特斯拉發布的7.0固件更新即Autopilot自動駕駛功能，反而表示Autopilot是半自動駕駛（Semi-autonomous），同時反復多次強調“你的手仍然不能離開方向盤”——這個系統能夠帶來更好的駕駛體驗，而并不是取代駕駛功能，特斯拉官方的宣傳口徑也用的輔助駕駛而非無人駕駛。

另一種是專注無人駕駛、人工智能、ADAS、基礎資源領域研究，同時與傳統汽車制造廠商合作開發，比如谷歌、連Nvidia推出無人駕駛平臺基于高精度定位與人工智能中的深度學習據說可以實現五級自動駕駛，等待未來產品上市來驗證。互聯網公司強于算法，但是其在車輛控制、機械機構等領域則并沒有積累，而這些領域對于對于無人駕駛汽車來說也是至關重要的部分。

作為ADAS（高級駕駛輔助系統）行業的標桿企業，Mobileye的客戶有20多家大牌汽車制造商，包括寶馬、奧迪、福特、日產、特斯拉、沃爾沃、比亞迪、大眾、以及通用等，覆蓋車型數量達到200多款，占據全球ADAS市場70%以上的份額。

目前無人駕駛細分領域：

一、智能駕駛（ADAS）：讓汽車在特定條件下自動駕駛，解放駕駛員，目前上路進行的測試的汽車廠商大多處于這一階段。

ADAS算法及芯片技術門檻高，需要對傳感系統采集的數據進行處理，完成對周圍環境及自身車況的識別及探知，市場集中度較高。國內的ADAS算法公司主要有深圳佑駕、前向啟創、蘇州智華等。

此類公司根據自身特點及戰略目標的不同，圍繞算法為中心，有三種商業模式：

1. 向汽車一級供應商直接提供算法（或者外購芯片及傳感器，提供完整的ADAS模組）；

2. 建立生產線，提供自產的完整ADAS模組給一級供應商或后裝市場；

3. 將自身研發的芯片與算法綁定出售。 由于可以通過算法升級實現更多功能，且企業內部的自身成本與建立傳感器生產線相比非常低（主要是人工的成本），所以產業鏈中的算法環節可以帶來30%以上的產品溢價。

二、車聯網：隨著汽車普及，以及下一步的無人駕駛汽車普及，出現車聯網具備條件。

車聯網市場的參與方可大致分為四種: 車聯網服務提供商、設備供應商、增值服務提供商以及電信運營商。

1. 車聯網服務提供商居于產業鏈核心，地位類似于智能手機的操作平臺，是傳統整車廠和高科技行業巨頭競爭的主戰場。傳統整車廠利用捆綁銷售的方式，通過在旗下產品搭載自家品牌的車聯網系統，完成用戶的原始積累。科技公司則通過與車企在地圖、車聯網方案、自動駕駛等領域的合作進入車聯網生態系統。

2. 設備供應商是整個車聯網產業鏈實現的硬件基礎。目前該領域尚未形成巨頭競爭的格局，留給創業公司發展的空間較大。縱向一體化或者專攻高利潤市場將有助于盡快確立競爭地位。

3. 增值服務提供商與智能手機App應用的價值類似，市場空間十分巨大，但目前尚處于初級的服務模式當中，參與者魚龍混雜，競爭的關鍵點在于精準理解用戶需求，提高用戶體驗。

4. 電信運營商主要將用戶請求及處理結果在車聯網中傳遞并收取通信費用。國內三大電信運營在通信市場處于絕對的寡頭地位。

三、基礎資源：無人駕駛需要大量基礎技術和資源支撐，衛星定位、路況、障礙物特征標記、能源補充、安全防護等基礎設施領域需要投入大量資源，這個領域也是一大機會。

四、人工智能：目前的智能駕駛需要依托大量基礎設施和資源，而另一種思路，結合人工智能的深度學習以及大數據可以極大的節省這些資源的投入，也是實現真正的自動駕駛所必需。

五、汽車制造：無人駕駛需要對傳統汽車制造發起變革，包括從技術研發、生產制造、標準制定等領域作大量的研發工作。

各細分行業之間的關系如何：無人駕駛產業鏈中，基礎資源和基礎技術屬于產業鏈上游，是實現和提升無人駕駛體驗的條件。ADAS、人工智能、車聯網、汽車制造依托自身的優勢和定位，在產業鏈下游做自己的品牌和探索。

如果無人駕駛得到商用民用的普及程度會影響以下行業：

1、汽車保險行業

2、汽車金融行業? 汽車信貸和消費信貸、抵押貸款

3、汽車IT行業、車聯網、防盜器、倒車雷達、中央門鎖、車載電話、GPS

4、汽車養護行業（汽車微修），即汽車精品、用品、美容、快修及改裝行業汽車維修及配件行業?? 車身、底盤、發動機等維修

5、汽車文化及汽車運動行業?? 車模型、汽車體育、汽車知識、汽車報刊、汽車書籍、汽車影視、車友會、汽車與社會等

6、二手車及汽車租賃行業

2016年無人駕駛領域初創公司的融資情況：

無人駕駛未來的三種商業模式：

從商業模式看，無人駕駛汽車在未來技術成熟后、推出市場面向最終C端商業化可以以“賣產品”或“提供服務”兩種形式出現。以產品形式售賣給高凈值收入人群作為私人自動駕駛車輛，而提供服務形式可以分為B2B2C（中間的B端作為共享模式的車輛運營商，提供無人駕駛車輛給C端）、以及B2B2B（相對封閉、路況不復雜的場景，諸如貨車、卡車在中間高速路段就交由駕駛系統來掌控）。

智能交通系統及無人駕駛在發展遇到哪些問題？

1，標準缺失

一方面，智能汽車標準尚未形成;另一方面，高度自動駕駛汽車上路也沒有相關的法律規定，一旦無人駕駛汽車出現交通事故，責任如何認定，對現行的道路安全法規也是挑戰。

2、道路基礎設計需調整

智能駕駛需要車與車、車與路、等的信息交互，目前國內領先的汽車廠商都已經有了自己的智能網聯發展規劃，并已經開始實施。但是缺少道路基礎設計建設和統籌規劃，智能駕駛始終難以實現。

3、智能地圖技術尚在起步階段

地圖行業沉寂已久，可見的變化都是在原有大框架的延續和發展。一旦進入智能交通時代，智能地圖將是不可或缺的配套軟件，也是幫助無人駕駛顛覆出行領域的利器。國內目前還是百度在這個方面暫時領先。

4，核心技術缺失

傳統汽車行業就已經存在了這個問題，除了整車的一些關鍵零部件，車載智能終端的操作系統、元器件、芯片、雷達、攝像等傳感系統，很多也都是被被國外壟斷的問題。從整個智能交通系統產業鏈來看，關鍵的技術仍然掌握在美、日、歐等國家手中，國內的交通信息收集、共享以及后端的分析應用都還不能滿足需求。

5，安全問題

這是無人駕駛首先要解決的一個普遍性問題。人是不是可以真的高枕無憂的在車里干別的事，這就需要100%的安全保障。什么時間需要人為介入汽車的操作，機器和人如何及時的切換，才能最大程度的保證路面交通安全?

無人駕駛汽車技術一旦成熟并且投入使用，那么相關法律法規的完善勢在必行。畢竟人工智能固然強大，出現問題的概率雖小但絕不會沒有，舉個例子：一旦發生事故，責任人是誰？車主or汽車制造商？在必須做出選擇的緊急情況下，駕駛系統該如何判定保護行人或是車內乘客的安全？這些問題必須界定清晰，做到有章可循！

目前市場上主流的汽車銷售仍然是傳統汽車為主，新能源汽車為輔。新能源汽車有國家政策的支持再加上鋰電池技術的突破，商用化相比無人駕駛汽車顯然容易的多，假設無人駕駛汽車真的能夠從幕后走到臺前，就必須同時面臨傳統汽車和新能源汽車的雙重競爭，而且無人駕駛汽車上路還有許多不確定因素，相信大部分人還是持有觀望的態度。

無人駕駛汽車行業整體處于內部測試階段，由于現有法律法規的限制，還沒有真正意義上的無人駕駛汽車投入商用，但商用化的核心還是在于量產。無人駕駛技術是否適用于所有的車型？汽車品牌不同，相應的零部件規格一定會有所差別，無人駕駛技術應用汽車領域最大的阻礙在于沒有一個量化的通用技術標準。因此，針對無人駕駛，整車生產企業更有話語權。

未來無人駕駛技術已經非常成熟，廣泛應用到汽車領域還有一個致命傷，那就是價格的問題。據官方統計，目前一輛無人駕駛汽車整車制造完成的價格是普通汽車的10-20倍，汽車生產商生產的成本如此高昂，售價顯然不是一個小數目。要知道無人駕駛技術商用的最終目的是消費，作為一個普通的消費者如何能購買這么昂貴的汽車？

目前研究來看，從輔助駕駛過渡到無人駕駛的過程，是一個不斷提高對非結構化環境適應的過程，在這中間存在著隱患以及錯誤背后引發的隱患：

1、受黑客入侵內部網或不當干擾車輛傳感器；

2、對環境狀況理解不完整從而導致的安全事故。

在車聯網等數據開放共享的趨勢下第1類的安全隱患系數也在提高，而第2類錯誤可以具體細分為：

（1）諸如車輛主動式制動系統無緣由地突然啟動等安全隱患；

（2）系統技術水平沒達到導致系統進行了錯誤的“分類”和“理解”而導致的安全隱患；

（3）無人駕駛系統利用機器學習存在未可知性，可能導致最后的行為脫離汽車制造商的預期。這些隱患隨時都可能促使或直接導致交通意外事故。

除卻在輔助駕駛人類和機器共同控制的模式之下，存在共同過失判斷難的問題。其實從輔助駕駛向部分無人駕駛、完全無人駕駛過渡過程中，交通事故責任出現一種由人類轉向汽車制造商的趨勢，那么出于對龐大法律責任的考慮，無人駕駛汽車制造商可能因為安全隱患而考慮限制汽車能力，最后導致高新科技無法充分地投入社會中。

歸根結底無人駕駛汽車最后能否順利進入社會與否，并非取決于技術成熟度，而是同時社會里由下而上的社會接受度與由上而下的政策、立法管制考慮。