一文汇总最全自动驾驶系统解析

，凭借多年积累的工程能力、产品化能力和汽车经验，已有符合车规的产品成熟量产，对国内企业来说确实是不小的压力。创业企业可以通过和国产车厂、国产供应商合作研发，共同抵制国外厂商，也可以和深谙执行器改装的团队合作，介入执行层，总之未来的竞争不会是单个企业实力的比拼，而是生态联盟间的合纵连横。

自动驾驶的基本技术架构

车载部分

感知层各种类型的传感器采集、接收的数据，通过总线进行集成，再通过数据的融合和智能化处理，输出自动驾驶所需的环境感知信息。车载传感器的优化配置，可以在保证精度和安全性的基础上，降低整体成本。

主控系统由硬件部分高性能车载集成计算平台和软件部分智能车载操作系统组成。计算平台融合了传感器、高精度地图、V2X的感知信息进行认知和决策计算，硬件处理器可以有GPU、FPGA、ASIC等多种选择，它们各自的优缺点可以参见小研以前的分析文章《AI时代，我的中国"芯"》。智能车载操作系统融合了车内人机交互、运营服务商、内容服务商的数据，为乘客提供个性化服务，真正把智能车变成下一个"互联网入口"，目前的主流操作系统包括Android、Linux、Windows、QNX、YunOS（阿里云提供）等。

最后，决策的信息进入车辆总线控制系统，完成执行动作。

云端部分

自动驾驶车辆是一个移动系统，需要云平台来提供支持。云端主要完成四个功能：

1. 数据存储：智能车路测中实采的数据量非常大，需要传输到云端进行分布式存储。

2. 仿真测试：开发的新算法在部署到车上之前会在云端的模拟器上进行测试。

3. 高精度地图生成：地图的生成采用众包形式，把每辆在路上行驶的智能车实时采集到的激光点云或视觉数据上传至云端，实现高精度地图的完善和更新。

4. 深度学习模型训练：自动驾驶的决策层使用了多种不同的深度学习模型，在《透析深度学习，其实它没那么神秘》这篇文章中小研提到了深度学习算法存在"长尾"问题，对于没见过的情况它处理不了，因此需要持续不断地通过新数据进行模型训练，来提升算法的处理能力。由于训练的数据量非常大，所以要在云端完成。

自动驾驶领域未来的重大机遇

通过上文的梳理，小研认为自动驾驶领域未来三到五年重要的早期创业和投资机会在以下几个方面：

1. 传感器的选择和优化配置

不同传感器有各自的优缺点，没有一种传感器可以适用于任何使用环境。把各类传感器的数据进行融合，达到宽适用范围、高感知精度的同时，减少冗余配置，降低整体成本，提供传感器集成方案。融合架构的搭建，多种数据类型的处理，融合算法的探索，都是非常有挑战的工作，但是做好会有非常大的价值。

2. 高性能计算平台

自动驾驶汽车产生的海量数据，需要车载人工智能大脑——高性能硬件计算平台来处理，国内余凯博士领导的地平线机器人是这方面探索的先驱，小研在之前的文章《AI时代，我的中国"芯"》中介绍过。

3. 车联网

近几年国内后装车联网发展很快，形成了包含导航、娱乐、金融、交互、服务等功能的生态圈，未来会逐步向以智能车载操作系统为核心的前装业务演变。国内LTE-V车联网专用通信标准将于今年出台，可利用现有蜂窝网络基础设施，成为自动驾驶感知机构的延伸。

4. 运营服务

汽车智能化以后会成为下一个移动终端，未来会有越来越多的运营服务商涌现，也会有更多基于内容资源、平台服务、共享经济的新商业模式衍生出来。

5. 车载集成系统

面向自动驾驶的车载集成系统，需将感知、决策层的技术架构和车辆总线控制系统结合起来重新设计，将卓越的算法落地到安全、鲁棒的执行中。

6. 云端

做支持自动驾驶的云平台的公司同样值得关注，包括数据集成、众包地图、模拟器、模型再训练平台等。

4.自动驾驶的商业化之路

自动驾驶的商业化应用有货运和客运两大块。货运的需求方比较明朗，有矿山和港口运营公司、物流公司、电商、出行服务运营商等，货运的工况主要是高速公路、矿区、港口等相对单一封闭的区域，实现起来更容易一些。客运在开放道路上运营还是非常困难的，目前能够落地的应用场景主要是园区低速自动驾驶，未来可能会探索给滴滴、UBER这样的运营商提供固定区域内的自动驾驶运营服务，等各类驾驶场景都验证成熟以后才会推向开放区域，最后才是卖给个人，这条路还是很漫长的。

前段时间百度无人车开源了阿波罗平台，就有好事之徒写了"百度无人车扔下原子弹，炸掉行业百亿美金投资"的软文，大有误导公众之嫌。其实自动驾驶产业刚刚起步，行业标准和