CES 2018 | 固态激光雷达成为 CES「主流」，但还未出现真正的巨头
毫无疑问，自动驾驶依然是 2018 年 CES 的热门话题之一。在 CES 的展馆外，你可以用 Lyft 叫一辆 APTIV 的自动驾驶宝马 5 系，或者体验各种各样的自动驾驶汽车。 看着这些车上动辄几万美金的激光雷达，并且一辆车就装好几个，不禁感叹：激光雷达公司或成最大赢家。这些卖激光雷达的公司，如同淘金时代那些卖牛仔裤的商人。 在 2016 年的 CES 上，固态激光雷达概念火了一把，此后「 几十美金、几百美金」 的口号不绝于耳。那么 2 年过去了，固态激光雷达发展的怎么样了？在这次 CES 上一看便知。 先从产品说起，激光雷达公司中不得不关注的就是 Velodyne。自动驾驶火了之后，这家老牌激光雷达公司非常敏锐的嗅探到了商机，迅速进入自动驾驶领域。 Velodyne 这次带来两个新产品，分别是固态激光雷达 Velarry 和 128 线激光雷达 VLS-128。VLS-128 的探测距离可达 300 米，扫描精度为 3 厘米，性能是 64 线激光雷达产品的 10 倍但体积是其 1/3。 下图为 128 线激光雷达的实时扫描结果： 至于 Velarry，依然处于研发阶段，6 月将会有 demo 出来，下半年可以量产： 下图为 Velarry 的实时扫描结果： 除了产品之外，Velodyne 值得关注的就是 Megafactory 工厂，这座工厂已经有能力量产 VLS-128。Megafactory 位于圣何塞，使用了 Velodyne 最先进的生产技术，大大提高了激光雷达生产的自动化率。「 自动化生产」 对于激光雷达来说，至关重要。Velodyne 的 CEO David Hall 曾透露，Megafactory 可以年产 100 万台激光雷达。 另一家就是去年频上头条的 Quanergy，这家公司在去年和 Fisker 达成合作，所以这次在 Quanergy 展台摆了一辆 Fisker EMotion 概念车： 在 EMotion 这辆车上，一共安装了 5 个 Quanergy S3 固态激光雷达，几乎和车融为一体。EMotion 的续航约为 400 公里，将会在 2020 年量产，有 Level 4 级别的自动驾驶能力。 在 EMotion 的车头位置，有一个屏幕实时显示 S3 的扫描结果，不过结果呈现很「 卡通」： 另一个技术展示，就是使用激光雷达实时计算进入 Quanergy 展台的人数。 关于制造，Quanergy 的 CEO Louay Eldada 告诉 GeekCar，他们新建的生产工厂有高度的自动化生产能力，并且还给我发了一张生产车间的图片。据 Louay 透露，这座工厂的年产能为 100 万台。（和 Velodyne 一致…）另外，Louay 还给我展示了一段产线运作的视频：一台机械臂在 3-5 秒内就能完成一个激光雷达的其中一个加工步骤，全自动化运转。不过遗憾的是，他说这个视频还不能公开… 下图为 S3 固态激光雷达： 另一家很火的激光雷达公司就是速腾聚创，主打的产品也是固态激光雷达。下面这辆图森的自动驾驶汽车，搭载了速腾聚创的产品 RS-LiDAR-M1 Pre： M1 Pre 的最大探测距离为 200 米，探测视角为 … 继续阅读
CES 2018 | 一篇文章读懂英伟达最新自动驾驶进展
「 我做了几十年的芯片，可以负责任的告诉你：自动驾驶汽车所需要的运算芯片是最复杂的」 这是老黄在 CES 2018 英伟达发布会上所说的一句话。 可以感觉到，老黄这两年在汽车行业风生水起的背后，也隐藏了无数研发上的困难。不过，AI 教主的名号不是白叫。即使再难，老黄还是如约拿出了最新的自动驾驶解决方案，并用了发布会近 8 成的时间来向整个汽车行业展示了其实力。 自动驾驶汽车专用芯片：XAVIER & PEGASUS 终于，Drive PX 2 的继承者 XAVIER 要在今年流片了。与 Drive PX 2 那样的计算平台不同，XAVIER 是一个独立完整的 SOC（Drive PX 2 AutoChauffer 上搭载了 2 个 NVIDIA Parker SOC 并单独配备了 2 个 Pascal 架构 GPU）。 老黄称 XAVIER 为人类目前所生产过的最复杂的芯片。因此相较于上一代的 Drive PX 2，XAVIER 在提升算力的同时，紧凑度、安全性以及功耗优化上都有了质的飞跃。而这几点又恰恰是车载计算平台所最为看重的。 XAVIER 的样品芯片将在今年第一季度送到 NVIDIA 的客户手中。其中老黄着重提到了与德国供应商采埃孚以及中国互联网公司百度的合作：采埃孚的 ProAI 将使用 XAVIER 芯片，并应用在百度 Apollo 平台当中，面向中国市场。 根据采埃孚的计划，ProAI 也将有几代产品组成，目前已经量产的为搭载 Drive PX 平台的第一代，而使用 XAVIER 的将是 ProAI 的第二代产品。 除此之外，去年 GTC EUROPE 公布的 PEGASUS 也有了新消息。它将搭载两块 XAVIER 芯片，提供 320 TOPS 算力，400 瓦功耗，重点针对 L5 级别全自动驾驶的出行工具。 而基于这个平台，NVIDIA 又公布了与 UBER 以及 AURORA 公司的合作。他们都将使用 NVIDIA 的硬件来研发 L4/L5 级别的自动驾驶技术。 真正的杀手锏：自动驾驶安全架构 在发布最强车载运算芯片的同时，老黄还祭出了他这两年在汽车行业摸爬滚打所学到的最大成果：自动驾驶安全架构。这个架构相当于一个宣言，意味着英伟达将在硬件，软件，企业文化，研发逻辑等等方面全面拥抱汽车行业「 安全至上」 的准则。 除去计算芯片及算法软件平台（与 QNX 及 TTTech 合作）全面支持 ISO26262 中汽车电子安全标准的最高级别 ASIL-D 级之外，最让人眼前一亮的当属这个架构中的 VR 自动驾驶虚拟机：AutoSIM。 这个模拟器将英伟达的云端计算产品、车载计算产品以及虚拟现实技术结合在了一起。 在云端计算平台 NVIDIA DGX 中，英伟达设计了一套基于虚拟现实技术的驾驶环境模拟器，在模拟器中，开发者可以自由调节环境当中的各种元素，比如光照，道路周围环境，甚至是测试车辆的传感器布局以及覆盖角度等。 而针对模拟机当中的车辆，则支持两种模式： 软件在环植入模式（Software in the Loop）：这里指模拟机当中的车辆已完全虚拟的软件形式存在。因为 AutoSIM 也是基于 CUDA 架构，所以除了可以在模拟机中直接生成测试车辆外，AutoSIM 还能够将自动驾驶车辆终端中所使用的 DRIVE 平台算法直接植入到模拟机中进行验证。 硬件在环植入模式（Hardware in the Loop）：这里指模拟机当中的车辆可以通过外部硬件进行植入及控制。在发布会上，NVIDIA 的工作人员演示了用游戏手柄来直接控制模拟机中的车辆。通过这样的人为控制，模拟机可以实现各种特殊的测试场景，例如控制前车突然并线，紧急刹停等等。也可以直接在模拟器中检验车辆本身控制系统的表现。 AutoSIM 进一步完善了 NVIDIA 从云端到终端的自动驾驶运算能力：DRIVE XAVIER 终端算法及硬件控制系统都可以直接上传至云端的 … 继续阅读
CES 2018 汽车出行板块观展指南
作为一个科技圈的人，一到年底最期待的除了新年放假，就是每年 1 月在美国拉斯维加斯举办的 CES 消费电子展了。最近几年，CES 上和汽车、出行相关的元素越来越多，所以这也成了对 GeekCar 来说每年最重要的一个报道任务。元旦假期之后，我们的同学就会奔赴美国，为大家全程报道今年的 CES。 创新由此开始。想知道车厂老大哥们又要怎么带节奏？供应商又翻腾了哪些黑科技？哪些创业公司推着前浪挤进了这场大秀？如果你等不及想知道 CES 2018 的汽车、出行亮点，那不如看我们今天带来的这篇 CES 汽车出行观展指南，这可能是目前最全面的一次剧透。 我们按汽车厂商、供应商、创业公司及国内公司的脉络为大家梳理。 CES 时间表： 整车厂篇： 从目前掌握的信息来看，2018 年 CES 上亮相的整车厂商将包括丰田、日产、起亚、福特、三菱、本田、奔驰等，而通用、宝马、奥迪等「科技先锋」则会缺席这次 CES。 自动驾驶等智能移动相关技术会是这些参展车企的重要聚焦点。 一些亮点：三菱除了将带来一款叫 EMIRA4 的概念车外，还会展示它的无人驾驶车，以及自动驾驶新技术。 在车内交互体验方面，现代将发布一套智能语音助手；奔驰也会发布它们首款采用触摸屏的车载娱乐信息系统。 而本田依然准备展示自己在机器人技术方面的最新进展，它们会展出 3 种新的机器人——陪伴机器人、移动机器人和自动越野车机器人。 丰田： 在 2017 年 CES 上, 丰田的コンセプト-愛 i（Concept-i）自动驾驶概念车给人留下深刻印象，而 2018 的 CES，丰田将作为唯一一家举办新闻发布会的日本整车厂公布新消息，但发布会内容目前还是保密状态。不过，鉴于丰田正在关注车联网、自动驾驶、平台业务等，这次它选定的主题很可能也是这个方向，仍然有关于上次提出的人工智能下「 人和汽车的对话」。 另外，我们也期待丰田能在 CES 上公布他们在电动化、尤其是固态电池研发方面的最新消息。 展位：LVCC,North Hall#6906 日产: 这次 CES 上，日产仍然会以「 smart mobility」 为主题， 他们很可能将会发布一个与之相关的全新技术。从目前信息来看，它可能是和车辆控制相关的技术。 2017 年是日产第一次参加 CES，想转型成为移动出行服务商的他们，在当时发布了「日产智能出行计划」，其中最亮眼的一个项目就是和美国航天局 NASA 合作的 SAM「Seamless AutonomousMobility、无缝自动出行」技术，强调了人机协助工作，来更好的服务于自动驾驶。 展位：LVCC,North Hall#5431 三菱： 三菱这次参加 CES 的主题是「Make the move to mobility」，他们希望打造「 智能移动时代安心、安全、愉悦的汽车社会」。围绕这个愿景，他们会展出搭载了未来驾驶辅助技术的概念车 EMIRAI4。这辆在 2017 年东京车展首发的概念车，承载了最新的 HMI（人机交互界面）设计理念。 同时，三菱还将展示一款针对北美的自动驾驶车 xAUTO-US。另外，V2X、高精度 3D 地图等和自动驾驶相关的技术也会出现在三菱的展台上。 展位：LVCC,North Hall#5609 起亚： 起亚参加了 2016 年的 CES，发布名为「「Drive Wise」的自动驾驶子品牌，并且展示了一辆基于 SOUL 打造的自动驾驶测试车。 但是他们缺席了 2017 年 CES，这次 2018 CES 属于「重新回归」。他们会在媒体日举办新闻发布会，很可能带来自己在自动驾驶方面的最新进展。 展位：LVCC,North Hall#7029 现代： 2017 年现代汽车在 CES 上展示了自动驾驶测试车、氢燃料概念车等内容，一年后，他们把关注点放在了人工智能上——现代汽车正在与美国公司 SoundHound 联合开发车内语音交互助手，并在 2018 年初搭载在燃料电池车上进行测试，并且应该会在这次 CES 上全球首发。 根据官方信息，这个语音助手能够提前预测出驾驶员的需求，做出对应操作，比如可以改变车内温度、开关锁、控制天窗、调整空调系统；基于实时路况给出出发时间建议，确保驾驶者准时到达目的地，还可以进行会议提醒等。语音助手可以针对一条语音命令做出多任务操作，还可以在车上用它控制家里的智能设备。 展位：LVCC,North Hall#6329 本田： 机器人仍然是本田参展 CES 的重头戏。他们将推出「3E 机器人概念」 系列，分别是陪伴机器人、移动机器人和自动越野车机器人。其中，陪伴机器人主要是居家使用，外形也更呆萌；移动机器人的外形类似一只能自动行走的轮椅，可以帮助行动不便的人；自动越野车机器人可用于灾后重建工作，可以在地形较复杂的山地上行走。不过，目前这些机器人暂时只是概念版本，本田还没有打算上市销售，也就是说，这次 CES 是难得的接触它们的机会。 展位：LVCC,North Hall#7923 福特： 2017 年 CES 上福特的主旋律是自动驾驶，在 2018 CES 上，福特的新任 … 继续阅读
在 CES Asia 上，百度扔下一颗……「自动驾驶计算平台」| CES Asia 2017
CES Asia（亚洲消费电子展）今天开始了，上海新国际博览中心整个 N3 馆都被汽车相关内容所覆盖，但是呢，就像我们在昨天的预告文章里所说，其中很多东西都是炒冷饭，都曾经在今年年初的拉斯维加斯 CES 上面展出过，用一句最近比较流行的话形容就是「这集我看过」。 在这种情况下，我们更关注的是 CES Asia 所展现出的一些本土化内容。而在这其中，一个比较大的亮点就是百度，因为最近他们太过热门。一个「阿波罗计划」，把自动驾驶圈变成了一场核战争。原子弹、氢弹、中子弹的段子大家都懂的~ 这次相当于他们在国内首次公开展示阿波罗计划，所以自然得重点关注一下。 先说说「新闻」。今天下午，在周围展台喧闹音乐的映衬下，百度展台上进行了一个非常简短的签约仪式，百度和四家供应商分别签署了合作协议，未来将共同开发智能驾驶量产方案。 哪四家？德赛西威、联合汽车电子、博泰、航盛。汽车圈里的人，应该对他们不陌生。 签约内容主要围绕两个方向：BCU 以及 MapAuto。 一个自动驾驶打包方案、一个车机版地图导航 先说 BCU。所谓 BCU，指的是「Baidu Computing Unit」，它是一个「自动驾驶专用计算平台」。 从本质上来看，它其实是一个打包的自动驾驶解决方案，按照百度官方的说法，它所包括的内容有高精度定位、环境感知以及决策规划。这三点其实也是完成自动驾驶非常非常重要的元素。除此之外，BCU 还具备信息安全和云端更新两个特点。 按照百度的说法，目前 BCU 已经开发出了三个系列产品：BCU-MLOC（高精定位）、BCU-MLOP（高精定位+环境感知）、BCU-MLOP2（高精定位+环境感知+决策规划）。 至于 MapAuto 呢，简单的说就是百度地图车机版。这个用词熟悉么？没错，高德也有一个「高德地图车机版」。MapAuto 面向的是前装市场，相当于把百度地图进行有针对性的开发，让它更适合于车辆使用场景。 让我犯懒一下，摘录一段新闻稿的内容介绍 MapAuto：「MapAuto 深度融合车载场景，为车主提供安全可靠的离在线地图服务。基于百度人工智能技术及百度大脑 NLP 自然语义解析，MapAuto 能够精准理解需求，实现人机无障碍沟通，同时结合地理位置和车辆数据，给车主推送相关服务，满足车主个性化、场景化的需求。」在这次签约的四家里，除了联合汽车电子，其他三家都和百度在 MapAuto 上面达成了合作。换句话说，以后整车厂找德赛西威、航盛、博泰采购车机时，就可以选择带有百度地图车机版的产品。然后，C 端用户就可以在车载大屏里用到它了。 车机大屏导航体验：更好是肯定的 百度今天发布会的内容挺简短的，但是呢，我们还是更想探究一下它背后的一些逻辑。 我们先说百度地图车机版，也就是 MapAuto。 之前高德地图推出车机版的时候，我们也去试用体验过，得出的结论是，相比于手机版的高德地图，车机版确实更适合车载的使用场景，为车载人机交互做了更多的优化。从功能和体验上来说，我们相信百度地图车机版将来肯定也能提供比车主在车里使用手机 App 导航更好的使用体验。 但是同时问题也存在。说个最简单的，如果整车厂想在以后的新车里使用「XX 地图车机版」，就需要在硬件层面满足一些条件，比如必须要让车机具备联网能力，对于整车厂来说这可能就是需要权衡的东西，毕竟涉及到成本因素。 但是我相信，根据驾驶场景去定制导航产品，肯定是整个行业的一个趋势，高德做了这个事，现在百度也做了，或许也会让整车厂更加下定决心。所以以后在车里使用导航的体验，肯定会比现在更好。 阿波罗计划的实质 接下来我们再来说说 BCU 以及百度的阿波罗计划。 在我们看来，BCU 以及阿波罗计划的实质，就是百度要把所有和自动驾驶相关的技术进行打包，然后再去推销给整车厂。之前和博世、大陆的合作签约，以及这次 CES 上和四家供应商的签约，其实都是百度在整合资源的体现。 对于整车厂来说，如果想让自己的车辆具备一个自动驾驶的能力，那他会怎么做 ？自己整合自动驾驶各个技术的供应商？还是找供应商提供打包方案？ 找到一个打包解决方案（产品），或许对于整车厂来说是更高效的方案，尤其是对自主品牌整车厂来说更是如此。那百度呢，或许就是看准了这个机会，才想把自动驾驶技术打包在一起，去销售给整车厂。当然，它的客户，可能主要还是国内整车厂们。 这里面的原因有两方面。一方面，自动驾驶技术其实是需要一定本土化能力的，就拿高精度地图举例。因为众所周知的一些原因，我国不可能对国外企业开放高精度地图采集权，那就只能找本土厂商做这件事，这其实就是一个「准入门槛」。正好百度有这个能力，在面对国外供应商的时候就有了先天优势。 从另外一个方面来说，目前从全球层面来看，做自动驾驶的厂商其实是越来越多的，在这个大环境里，实话实说，有一些企业研发自动驾驶是比百度更厉害的，比如谷歌的 Waymo。努力服务好国内整车厂，应该是百度更务实的一个选择。 总之记住一句话，就像很多其他行业一样，自动驾驶技术供应也不会呈现出垄断局面的。 不过，还有一个有意思的话题，就是对于供应链的重构。 试想一下：当百度把这些供应商的资源都整合在一起的时候，那未来整车厂去向谁采购这个自动驾驶的打包技术呢？博世这样的一级供应商、百度这样的科技公司，完全是你中有我、我中有你。整车厂找 Tier 1 买？还是找百度买？ 自动驾驶的供应链在现阶段呈现出了比较混乱的局面，我相信百度是想在这里面谋求更大话语权的。当然，未来重要的不是供应商、科技公司之间的竞争，而是大家合作起来，把产品卖给主机厂，毕竟谁都没能力单干。 就拿服务国内车企这事儿来说，即使是博世、德尔福这样的 Tier 1，其实也离不开和本土公司的合作，原因上面我们已经说过了，而一个事实是，在国内自动驾驶研发领域，百度仍然是最有竞争力的那一家。 以上，就是我们对百度这个 BCU 产品以及阿波罗计划的一个简单的分析。接下来，百度还在 CES Asia 安排了自动驾驶车的试乘体验，另外百度智能汽车事业部总经理顾维灏还有一个关于阿波罗计划的演讲，我们那也会在后续再去继续进，带来更深层次的分析解读。 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车 （微信号：GeekCar）& 极市 （微信号：geeket）。
博世联合百度、高德、四维的这个合作，才是中国自动驾驶的大招
最近经常在感叹，自动驾驶的发展节奏实在是太快，而且行业中各种合作可谓是环环相扣。就在前不久，我才写了文章《对于 Intel 来说，收购 Mobileye 只是一切的开始》担忧 Mobileye 的 REM 技术的未来。而就在上海车展的前一天，博世在苏州联合了百度、高德和四维图新，共同发布了针对中国道路环境的「 众包」 高精度地图定位方案：Bosch Road Signature（以下简称 BRS）。 「 众包」 地图的重要性 现在这个年代，在自动驾驶行业内的公司如果不懂得「 开放与共享」 的意义，那无异于是慢性自杀。因为除去底层技术的创新之外，自动驾驶发展的最大瓶颈就来自于数据积累，这些数据中主要包括高精度地图与驾驶决策数据（尤其是罕见路况下的驾驶数据）两部分。而覆盖全产业链的开放平台与共享的模式，是攻克这个数据瓶颈的唯一途径。 诺基亚绝对是个好企业，因为他把自己的 Here 地图变成了大家的 Here 地图。自打 BBA 入主 Here 开始，高精度地图就成了整个行业「 共享与众包」 精神的旗帜。这背后的原因其实很简单：高精度地图定位是自动驾驶车辆在规划可驾驶路径时（Drivable Path）的关键一环，它也是唯一能为摄像头提供冗余的环节。而任何一个地图厂商都无法依靠自己的力量去采集与更新世界各地道路的高精度地图数据。因此，「 众包」 就成了行业内达成的一个共识。 传统的地图采集技术依靠的核心传感器是激光雷达。由于成本昂贵，以及数据尺寸巨大，激光雷达目前根本无法得到普及，各大图商只能依靠少数几辆搭载激光雷达的采集车去收集高精度地图。这样的方法，即使是各大图商合作众包，也很难在短时间内积累足够多的高精度地图，更不要提去实时更新各地的地图变化了。因此发展新的高精度地图定位路线就迫在眉睫。 在 2016 年的 CES 上， Mobileye 发布了基于前置摄像头捕捉道路标识的定位服务 REM（Road Experience Management）。率先提出了利用民用车辆上所搭载的前置摄像头，收集道路标识数据，并辅助高精度地图定位的「 众包」 模式。由于目前大部分市面上的新车都搭载了前置摄像头，且摄像头所捕捉的地图数据为小尺寸的 2D 画面，因此这种方式有着积累速度快，传输数据量小，实现成本低的优势。在过去的一年多时间中，Mobileye 已经陆续和 Here、日本 Zenrin、大众、宝马等公司就 REM 技术达成了合作。 目前，REM 的应用一般是作为定位与地图更新的「 叠加层」，融合在现有的地图数据当中，具体的应用状态请看下面的视频。画面中左边的部分显示的是摄像头捕捉的画面。右边的部分则是 REM 在 Google Earth 中叠加的效果，其中众多的小圆点就是 REM 捕捉并记录的标识。 BRS，一个增强版的 REM 此次博世发布的 BRS 服务，其模式与 REM 殊途同归，都是基于车辆现有传感器进行「 众包」 的精准定位服务。但是与 REM 不同的是，除了使用摄像头之外，博世还在 BRS 中加入了对毫米波雷达传感器的支持。这其中摄像头将负责抓取车道线、路牌、减速标识等，而雷达将去捕捉隔离栏、电线杆、桥梁等道路基础设施。不同车辆捕捉到的信息将被上传到云端进行叠加和计算，从而生成能够定位的高精度地图层。 相较于单一摄像头的方案，引入毫米波雷达提供了更高的鲁棒性，这样的话即使在比较恶略的天气下（例如雨、雪、雾等天气）也能够生成高精度定位层。此外，毫米波雷达的探测距离也更远（长距离雷达 0-250 米），能够帮助更早的探测到车辆提前放定位特征的变化。 此外，BRS 的另一个特点就是开放。博世底盘控制系统中国区总裁陈黎明博士告诉我说，REM 目前还仅仅支持 Mobileye 自己的 EyeQ 芯片以及传感器。而博世则希望将 BRS 开放给全部的供应商以及车厂，让更多的车辆能够参与到「 众包」 当中。BRS 技术本身也可以根据不同车厂的需求进行定制化，例如在传感器画面融合时，BRS 既可以融合为 2D 画面，也可以融合进 3D 画面。这样的可调节解决方案非常符合博世 Tier 1 的定位，毕竟任何供应商的解决方案都要以商业化为目的，而满足客户需求则是供应商获得商业利益的根本。 值得一提的是，与 REM 技术一样，目前 BRS 技术也只支持在新出厂的车辆上植入。并不能通过之前已经上路了的车辆的传感器上收集数据。也就是说 BRS 的「 众包」 流程才刚刚开始。 「 开放」 并不是优势，而是一种必然 在 3 月份德国的 BCW 上，我和陈博士也有交流，当时博士说的一句话让我记忆犹新：「 不管是谁参与进来，只要能把咱们中国的自动驾驶做好就行。」 确实，在前两年自动驾驶的发展浪潮中，技术研发的核心趋势往往出现在海外，而中国的本土市场由于某些特殊的原因被巨头们所「 忽视」。这其中可能有政策的原因，比如中国政府对高精度地图的严格把控。也可能有国际公司常见的文化与本土化壁垒。 可喜的是，在今年，出于某些危机感，行业内的巨头们已经越来越重视中国，并且以飞快的速度采取了行动。这里的重视并不仅仅指的是中国庞大的市场潜力，而更多的是重视中国的技术创新与数据产出能力。这样的改变，让更多的国际化大企业向中国的本土公司，甚至是本土初创敞开了怀抱。「 开放」 已经不再是国际巨头之间的谈判套路，而成为了中国技术走向世界市场的通道。 在 Bosch Road Signature 发布会结束后，我又再次看到了陈博士，他高兴的告诉我说，BRS 在中国的落地会是中国自动驾驶发展的一个里程碑。确实，能将百度，高德，四维这些平常在 C 端市场打得不亦乐乎的图商联合在一起，体现了博世作为最大 Tier 1 在中国汽车行业的地位和号召力。对博世自己而言，这个合作除了是为了顺应高精度地图在中国的政策要求，更体现了其作为一家外企向中国自动驾驶市场开放的决心。 当行业当中的玩家都在拥抱「 开放」 时，它就不会再是一种优势，而是一种适应市场变化的必然选择。在所有玩家都在搭建属于自己的开放平台时，谁能够获得更多合作伙伴的认可和信任就成了脱颖而出的关键。毕竟，底层技术的突破，以及如何积累足够多的「 有效数据」 才是平台的核心竞争力。 最后，关于「 开放」，想起了之前 VICE 给冠希哥拍的纪录片当中的一个经典镜头，分享给大家： 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车（微信号：GeekCar）& 极市（微信号：geeket）。
在德国，我体验了一把博世打造的生态世界
在我专访博世 AI 老大的文章中《先忘记吴恩达，我们和博世 AI 部门老大聊了聊汽车供应商怎么做人工智能》，我们提到了博世要打造的生态。今天我们就来聊聊这个生态世界是什么样。想要说明白这件事，首先你要知道我在德国参加的这个 Bosch Connected World (以下简称 BCW) 是什么。 Bosch Connected World 是什么？ BCW 是博世举办的以物联网为主题的行业大会。自 2014 年开始至今已经举办过多届。在这个大会上，博世会以 IoT（Internet of Things）为主线，将自己的业务集中起来进行展示。 提起博世，或许你会像我哥们儿一样，以为他们是卖冰箱、洗衣机和钻头的，也或许你会像汽车圈的大部分人一样，把他们定义为汽车行业的一级供应商。但是实际上，他们业务所涉及的领域遍布工业圈的各个环节。光在今年柏林 BCW 2017 大会上展示的领域就包括：汽车、出行、云服务、农业、交互、供应链、传感器、芯片以及工业制造等等。 在之前 100 多年的发展历史当中，博世一直是以工业及制造著称。而 BCW 的举办则代表着博世这个善于「 造物」 的公司，向着互联化和服务化的方向去转变。今年大会的开场演讲中，博世的 CEO Dr. Volkmar Denner 发布了博世的互联战略：传感器（Sensors）+ 软件（Software）+ 服务（Services）。 简单来说就是，在博世造的「 物」 上面加上感知设备，能够使其收集到数据。之后数据将会被传到博世的云端（Bosch IoT Cloud），通过软件的运算和优化，最终形成相应的服务。而在这套互联战略的基础之上，Dr. Volkmar 进一步提出了 4 个关键的技术方向： 1. 雾计算和云计算（Fog Computing and Cloud Computing）：云端的计算能力大家应该都理解，但是随着设备的增多，只让云端负担全部设备的数据传输及计算是不现实的。因此在网络边缘的设备中（例如路由器），也需具备数据处理及计算能力，这样云端的压力就将得到分解。 2. 物联网络（IoT Network）：指的是互联基础设施的建设，以及连接速度的优化。 3. 区块链（Blockchain）：这个技术起源于比特币，它的本质作用是一个可以覆盖所有交易者的总帐本，这个总帐本会实时记录任何一笔比特币交易，并且会存储于网络中的所有终端（例如，A 与 B 的交易记录，会自动同步并存储到网络上所有交易终端的账本当中）。这样的话一个去中心化和去监管化的合约信用体系就诞生了。 4. 人工智能（Artificial Intelligence）：AI 的作用就不用多说了，任何现在需要人工操作的工具，在有 AI 的辅助之后都将变得更加智能，也更加好用。和 NVIDIA 联合发布 AI 车载电脑已经足够证明其对 AI 的重视。 万物互联下的出行生态 很多人会有疑惑：车联网产品和服务的最终用户使用场景是什么样？在 BCW 上博世就展示了几个这样的场景： 1. 自动驾驶：出行生态里没自动驾驶还好意思出来见人吗？所以这是必须的。在 AI 的驱动下，用户可以在人工和手动驾驶之间切换。 2. LBS 及用户偏好记录：例如你今天有计划要去超市购物，那么车机就会在你的下班路程中自动推荐附近你所喜欢去的超市，并在用户确认目的地后切入导航模式。 3. Community-Based Parking：到达目的地后，就需要找地方停车。Community-Based Parking 这项技术就是运用所有车辆上的博世传感器去帮助大家找停车位。任何支持这项技术的车辆在行驶过程中都会通过传感器识别周边环境中的停车位，并将位置实时上传到云端。此后云端将把这些目前空着的停车位再指派给附近有需要的车辆。 4. 智能家居互联：到达超市，并停好车后，你需要知道去超市里都要买些什么。此时车机会调动你家中博世冰箱内的摄像头，告诉你冰箱里现在都有什么。由此来帮助你决定购物清单。 光上面这几项，我已经被「 生态」 一脸了，不过这还不是全部，博世把他的售后服务业务以及供应链业务也并入了进来： 5. 车辆故障预警：车辆中的某些故障是可以通过车载的传感器进行提前预判的，比如说蓄电池快要没有电了。这个预判会通过车机提前反馈给用户，确保用户能够做好提前的规划。 6. 维修站互联：在车辆获得故障预警之后，用户将会收到提示，是否搜索常用路线中的维修站（当然演示当中的维修站也是博世的…）。在用户选择维修站之后，维修故障所需要的备件（例如一个新的蓄电池）就会在云端的指令下直接从仓库或工厂通过供应链送到用户选择的维修站，整个运输流程，用户都可以通过互联设备监测到状态以及预计到货时间。系统也会根据到货时间向用户推荐最终去到维修站的时间。 这一系列场景体验下来，我真的以为自己是置身在一个互联网发布会当中了。但是看到周围清一色的西装，又把我拉回到了汽车行业。其实仔细想来，不管是汽车企业，还是互联网公司，大家最终对物联网下中出行场景的规划都是大同小异的。有区别的只不过是先有「 物」 再有「 网」，还是先有」 网」 再有「 物」。 看到上面这张图，你就会发现：搭平台，重布局这样的生态式战略，其实并不是互联网公司的专利。博世这样的以实业发家的公司，讲起生态来也是毫不示弱。 就像电影猜火车里，Diane 和 Mark 说的那句经典台词：The World is Changing. 思维的转变已渗透到任何行业的理念当中。我相信如果博世把上面这套战略包装成一个好的 BP 放到互联网圈，融他个几轮应该也是没有问题的吧。 想起博世作为一个百年老店，居然至今都还没有上市，我不禁陷入了沉思… 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车 （微信号：GeekCar）& 极市 （微信号：geeket）。
先忘记吴恩达，我们和博世 AI 部门老大聊了聊汽车供应商怎么做人工智能
在今年年初，博世成立了自己的「 全球人工智能研究中心」，这个中心包括德国斯图加特，印度班加罗尔以及美国帕罗奥图三个研发据点。上周 BCW 大会上，博世的 CEO Dr. Volkmar Denner 发布了与 NVIDIA 的合作消息，并将 AI 列为了博世未来发展的四个重要方向之一。想看 GeekCar 专访 NVIDIA CEO 老黄的文章， 请戳这里 。 在大会期间，GeekCar 采访了这个「 全球人工智能研究中心」 的负责人 Dr. Hauke Schmidt，同时在场的还有博世的企业公关总监 Dirk Haushalter。Dr. Schmidt 之前是博世数据挖掘部门的负责人，而这个部门很有可能就是 AI 研究中心的前身。 以下为采访的实录（G 代表 GeekCar，H 代表 Dr . Hauke Schmidt，D 代表 Dirk Haushalter）： G：首先请您先介绍一下您所带领的这个部门吧，这个部门主要都是做哪些与 AI 相关的事情？ H：我们把这个部门称之为人工智能中心，因为它包含着全球多个研究据点。我们主要关注的是人工智能当中的深度学习（Deep Learning）以及机器学习（Machine Learning）领域，换句话说就是数据驱动的领域。目前，我们还没有涉足语义以及符号分析等领域，但是未来或许也会有所涉及。 G：在您看来，AI 和自动驾驶的联系是怎样的？ H：自动驾驶当中的很多方面都需要 AI，比如说感知、路径规划、执行以及车辆控制等。这是一套非常复杂的系统，而 AI 可以将这些部分链接在一起。例如目前的传感器和控制系统是相对分离的，我们需要 AI 将他们整合到一套系统中。 G：如果我们把自动驾驶分为感知、地图、决策、控制四个环节的话，AI 是不是主要将负责决策的部分？ H：其实在感知部分，AI 的作用也十分重要。因为感知不简简单单是传感器收集画面，机器还需要分辨出行人， 自行车，机动车等等。这些都需要通过数据分析和 AI 的应用去做具体的识别划分。 G：那么在驾驶决策部分呢？机器如何学习人类一样的驾驶行为？ H：如果从数据驱动的深度学习角度去看，那么模拟人类的驾驶行为主要是依靠案例及数据。这需要将车辆放在各种不同路况和场景中测试，并看机器在这些场景当中做出的决策是否够好。在测试过程中需要有人工的驾驶员在驾驶位置随时待命，以防止问题的发生。一旦机器产生了错误的决策，那么这些错误将被作为反面教材去重新优化算法，这样的话下次机器再遇到类似的场景的时候，就会做出更好的决策。 G：提起人工智能，人们总是会想起在围棋比赛中击败人类职业棋手的 Alpha GO。那么 AI 在围棋上的应用和在驾驶上的应用有什么不同？因为驾驶环境当中包含更多的决策者，且环境很难预测。 H：这两者间有多个区别。首先，驾驶的环境是不可预知的。第二，可选择的行动数量也不同，在下棋当中，每一步的可选择范围一般只有三四种，最多也就是六七种，且这些行动非常的具体化（在不同的位置落子）。但是在驾驶环境中，这个选择范围就大得多了，单说转向的时候，就有多种不同的转向程度，因此在驾驶场景中，机器将会有更多的选择空间。第三，两者在量化程度及可计算程度上也不同。下棋时，机器可以提前计算出不同步骤下所可能产生的结果，对对手的预判也会更加准确。而在驾驶环境中则不同，路面上会有多个认为决策者（行人，人工驾驶的机动车等），他们有他们自己的行为策略，机器无法保证一直对他们的行为做出准确预判。所以驾驶要比下棋有着更多的不可预知性。 G：那么你们将通过什么方式来攻克这种不确定性？ H：就像我之前说的，还是要通过足够多的案例及测试数据积累。只有积累足够多的测试里程，并应对了足够多的驾驶场景，机器的算法才能够不断的优化。 G：所以我可否能理解为目前自动驾驶的瓶颈就在数据的积累上？ H：是这样的。目前自动驾驶发展的关键就是要积累足够多的有效数据，并不是所有数据都可以，有效的数据需要有清晰的标注，你需要告诉机器，这个数据中的行为是正确的还是错误的。积累这种有效数据需要极大的成本，而这正是自动驾驶发展的瓶颈所在。 D：同时是不是还需要把系统和算法做的更加智能化？ H：我认为让系统和算法更智能化是个挑战，但还不会是瓶颈。目前我们已经集结了很多专家来让系统更加智能化，这个目标是可以解决的。但是再好的系统也需要有足够的数据去驱动和优化，这就像驱动发动机的燃料一样。 G：现在行业内有机器学习（Machine Learning）、深度学习（Deep Learning）、CES 期间 Mobileye 又提到了增强学习（Reinforcement Learning）。这几种方式有什么不同？ H：深度学习（Deep Learning）的特点在于神经网络的结构，深度学习在神经网络上有着众多的隐层（Hidden Layers），一般 5 层以上。在神经网络中会有输入层，这个上面的神经元会链接车辆上面的各个传感器，例如一个 1000×1500 像素的摄像头，每个像素是输入层上的一个神经元。然后网络中还会有输出层，它来负责车辆的控制，例如转向，刹车等。而隐层的作用就是链接输入和输出层，隐层的具体决策和工作逻辑目前还不清晰，这也是我们研究的一个重要方向：去解释隐层的决策逻辑。以上就是深度学习的基本原理。 而增强学习（Reinforcement Learning）的重点是如何去训练神经网络中的神经元。增强学习的应用关系到了应用环境，例如车辆在驾驶环境中做出了一个行为，这个行为会对驾驶环境产生影响，此时车辆上将会自行判定这个行为到底是好的还是坏的，比如这个行为是撞上了别的车还是保持了正常的行驶线路。在这个判定之后，系统的算法会收到一个正面或者是负面得反馈，而这个反馈会进一步增强系统得算法。 G：我是否可以理解为增强学习可以让车辆本身自行优化自己的算法和决策？ H：这并不是我们的做法。我们的做法是在车辆上面植入一个固定的神经网络模型（Model），它不会自己做出改变。但是车辆在行驶过程中将会不断收集数据，并把这些数据上传到云端。在云端上，这个神经网络模型会得到训练和优化。在这之后，我们会将优化后的模型再去做测试，其中将包括我们挑选的一些特定的路况与驾驶场景。当我们确定了优化后的新模型能够应对这些场景，并能够确保其实际应用的安全性之后，我们才会将新的模型部署到车辆上。此时，适配新模型的车辆将会有更好的表现。因此，我们的算法学习和优化并不是直接在车辆上面完成的，而是会经过一个系统性的流程来实现。 G：在驾驶场景当中将有多个 AI ，包括语义识别、人脸识别、车辆控制等。如何将这些 AI 整合在一起？ H：其实并不需要把它们都整合在一起，因为我们并不是把一个人工智能直接卖给用户。用户关注的是最终产品的表现，他们希望车辆能识别他们的声音，识别他们的身份，希望车辆能够自己驾驶。而在后台一共有几个 AI 在工作，对于用户来说是不重要的。你刚才提到的这三个 AI 会有一些联系，比如当你开车到某个路段时，希望能够进入自动驾驶模式，然后通过语音向系统发出指令。但这其实只是两个 AI 系统之间的一个简单链接。 G：既然您是负责人工智能相关的业务，那可否透露一下与 NVIDIA 的合作，双方具体是怎样的分工？ H：NVIDIA 将负责硬件部分，而博世将围绕这个硬件构造全套的自动驾驶系统。 D：NVIDIA 将提供硬件芯片，主要是 GPU。 H：是的，我们使用 NVIDIA 的 GPU 芯片驱动博世的算法，这样整套系统才能运转。 G：也就是说 NVIDIA 提供硬件，以及基础的一些驱动程序，而博世则提供算法？ H：我是这么理解的。 G：那么未来的发展中，硬件将如何帮助您的团队优化算法？您认为硬件和算法哪个将更加重要？ H：我认为最重要的其实是成本控制，有了 NVIDIA 的 GPU，我们现在可以将硬件做得更加小巧和紧凑，同时我们也能够帮助降低这套硬件的成本。与 NVIDIA 合作的这套小型系统的性能与几年前我们在卡车上应用的大型计算单元相当，这才是重点所在。 … 继续阅读
CES 2017 | 为了让交通更顺畅，CES 上的整车厂和供应商是这么玩的
在本次 CES 上，本田展示了一个叫做「Safe Swarm」 的概念。这套系统参照了鱼群的游动形态原理，可以全面提高交通效率和安全性。 本田在 Safe Swarm 系统当中使用了 V2V（Vehicle-to-Vehicle）技术，每辆搭载了 Safe Swarm 系统的汽车都将互相传递道路信息，司机也将提前察觉到道路交通状况的变化。一旦道路产生异常交通路况，Safe Swarm 系统将会帮助车辆做出避让、减速等动作。 针对几种不同的可能产生拥堵的情况 ，本田还给出了相应的解决方案。通过下面这个视频可以看到，他们在一个纯白的立体沙盘上 ，投影出道路、山丘、汽车等影像，并且做出了展示。建议你直接看视频，简单直观。 当车辆开始由匝道汇入主道时， Safe Swarm 系统则不会启动，而「merge anxiety」 对策将会介入，控制主道车辆自动减速，避免发生交通事故。 同样是在车辆由匝道汇入主道的情况，一旦主道车辆已经开始减速，而匝道车辆也完全行驶在主道上时。Safe Swarm 系统又会启动「safe merge」 对策，通知主道后续车辆可以正常通过。 而如果有动物横穿公路时，Safe Swarm 系统将会启动「phantom traffic jam」 对策，提醒车辆及时减速避让。 同样是在动物横穿公路的情况下，如果车辆已经减速，而后续车辆与前车保持着安全距离，那么 Safe Swarm 系统将会允许后续车辆正常通过。 当道路上发生车辆碰撞交通事故时，Safe Swarm 系统不会启动，而「unseen hazard ahead」 对策将会介入，自动控制车辆减速并及时避让事故车辆。 同样是在发生车辆碰撞交通事故时，如果事故车辆后方的几台车辆开始减速避让，并且与后续车辆保持着安全距离。那么 Safe Swarm 系统将会启动「hazard prediction」 对策，后续车辆可以正常通过。 天黑后，驾驶员的视线可能会受限。如果在有道路整修，那么 Safe Swarm 系统将会提前预知，并且启动「ane closure merge」 对策，车辆也将减速避让。 同样是在天黑时，遇到道路整修。如果车辆已经减速避让，并且与后续车辆保持着安全距离。那么 Safe Swarm 系统将会启动「cooperative merge」 对策，后续车辆可以正常通过。 其实为了提升交通出行体验，各大公司不仅用上了 V2V 技术，甚至连 V2E（Vehicle-to-Everything）技术也都派上了用场。德尔福的 V2E 技术包括 V2V 技术（车与车互联）、V2P 技术（车与人互联）以及 V2I 技术（车与基础设施互联）等等。 GeekCar 在 CES 上还特意体验了德尔福的 V2E 实验车，这台实验车可以实现的功能包括车车通讯、车和交通信号灯通讯、车和人（手机）通讯等等。比如在拉斯维加斯，德尔福对于一些红绿灯做了改造 ， 在车里就可以看到前方红绿灯的读秒（拉斯维加斯的红绿灯不带读秒显示），这样就可以调节车速来适应红绿灯。 车车通讯还可以提醒司机盲区中快速接近的车辆，提高驾驶安全性。德尔福的工作人员还说，未来，美国相关部门将会把 V2E 技术作为强制装备搭载到整车上。 看到这里，很多人都会想，如果到了自动驾驶汽车时代，德尔福的这套 V2E 技术会不会与自动驾驶汽车上的激光雷达等设备产生功能冲突？德尔福认为，这种情况不会出现，V2E 技术更多的是在与自动驾驶汽车上的硬件完成技术互补，共同提高驾驶安全性。 除了德尔福之外，博世在本次 CES 上也展示了搭载了 V2E 技术的产品。博世的一体式互联仪表可以驾驶者的智能手机相连，并且提醒驾驶者在某条特定路线上是否可以使用自动驾驶功能。博世还打造了一套汽车与自行车互联系统，汽车可以随时掌握路面上自行车的行驶信息，避免因为视觉盲区而发生碰撞事故。 其实，从本田、德尔福以及博世在本次 CES 上的表现就可以看出，V2E 技术将会把交通出行的体验上升到一个全新的层次，万物与车互联或许真的就将在不久之后实现。 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车（微信号：GeekCar）& 极市（微信号：geeket）。
CES 2017 | 详解英伟达 CEO 黄仁勋演讲：「AI 教父」的自动驾驶布局
在每年美国 CES 正式开始的前一天晚上，都会有一位科技领域的大佬在拉斯维加斯最高端的酒店之一「 威尼斯人」 做一场演讲，作为整个展会的开端。今年正值 CES 50 周年，这个「 非官方开场」 就显得更加有意义。而这次站在威尼斯人酒店舞台上的人，正是 NVIDIA（以下称为英伟达）的 CEO 黄仁勋（以下称为老黄）。 2016 年可以说是英伟达大爆发的一年。GPU 驱动下的人工智能与深度学习技术让整个科技行业为之疯狂，这不只让英伟达的股价和利润在 2016 年各种翻倍，更让他们有能力进一步扩展人工智能在汽车行业，尤其是自动驾驶领域内的应用。 在这次演讲当中，老黄用了整整一半的时间来公布英伟达在自动驾驶领域内的最新解决方案与合作进展。这足以看出他有多么重视汽车业务。下面我们就来分析一下老黄公布的全部与汽车相关的信息。 人工智能驱动下的自动驾驶解决方案 ·在老黄看来，通过深度学习的方式让人工智能不断地优化自己的驾驶行为，是目前最有效的自动驾驶解决方案。这个流程就好像是我们人类去学习开车一样，只不过如何让机器能够像人类大脑一样学习才是这其中的难点，而这也是英伟达目前正在用自己的平台所努力解决的问题。其解决方案主要包括两点： 1. 人工智能车载超级电脑（AI CAR SUPERCOMPUTER）在去年的 CES 上，老黄就已经发布了他们的车载超级电脑 Drive PX2，今年他又对这套芯片做了进一步的迭代优化。这套称为 XAVIER 的超级电脑整合了多种芯片，其中包含了 8 核心的 ARM64 CPU，以及具有 512 个核心的 Volta 架构 GPU。Volta 是英伟达下一代的 GPU 核心架构，甚至还没有应用在 PC 端的显卡产品上，这套架构拥有 30 Tops DL ，功耗仅为 30W，且整套系统符合车规级安全标准 ASIL D 级。 将自己最新的 GPU 架构率先应用在自动驾驶平台上，老黄确实非常拼。其实我在之前的文章中就解释过，由于 GPU 的架构原因，其在深度学习方面的应用本就十分拥有优势。而老黄这次的演讲中进一步解释了车载超级电脑在自动驾驶环境中所提供的功能：接收车载传感器所传回的数据信息并加以分析，之后输出能够控制汽车各部分元器件控制单元（例如转向、加速等）的 CAN 总线信息，简单讲就是将车辆感知到的信息加以分析，然后再输出控制车辆行驶的指令，可以说这套电脑就是用来替代人脑在驾驶行为当中的判断与决策能力的。 2. 自动驾驶测试车 BB8 深度学习光有硬件是不够的，还需要有足够的学习「 素材」。为了让自己的深度学习平台能够积累更多的行驶数据，英伟达自己打造了一台自动驾驶测试车辆 BB8，并获得了加州自动驾驶车辆的测试牌照。BB8 搭载了 Drive PX2 电脑，并已经开始在道路上进行行驶测试。后天 GeekCar 将有机会能够在 CES 现场试乘 BB8，届时将会为大家带来具体介绍。 AI CO-PILOT 系统 老黄认为具有云端连接的人工智能汽车应该已经具备能力在世界上的很多地方实现自动驾驶。但是，目前总会有一些路况或条件中，人工智能是无法完全依靠自己来驾驶的，这时就需要驾驶者的介入。由于人工智能事先已经了解到整条行驶路线的规划，它就能够根据路线中不同位置的路况来决定是否需要人类驾驶者介入。因此为了能够更好的实现自动驾驶和人工驾驶之间的切换，英伟达研制了一套人工智能的自动巡航辅助系统（AI CO-PILOT）。 需要注意的是，这套系统被称为 CO-PILOT，我将它翻译成自动巡航辅助系统，而不是自动驾驶辅助系统。原因是这套系统的应用场景更多的是在 SAE 所定义的 LEVEL 2 或 LEVEL 3 级别的半自动驾驶环境当中。在这种级别当中，驾驶者需要随时准备好接管车辆的驾驶控制权，但是很多事实告诉我们，人类驾驶者很难能够长时间维持足够的注意力，这往往会导致事故的发生。AI CO-PILOT 的诞生正是为了解决这样的问题。 这套系统主要包含五个功能： 1. 语音预警提示：在人工驾驶和环境中，车身周围的四个摄像头实时监控周围的路况，并通过自然语音的预警方式向驾驶者提示潜在危险。 这第一个功能与我们常见的 ADAS 类似，但是进一步优化了预警方式。接下去的四个功能，则是让车载人工智能能够更好的了解驾驶者的状态。 2. 人脸识别（Face Recognition）：AI 可以通过摄像头识别驾驶者的身份，即使是驾驶者的发型或者是装扮发生了变化。其精度已经可以达到人类的级别。 3. 头部跟随（Head Tracking）：AI 能够通过摄像头识别驾驶者头部所朝的方向。 4. 目光跟随（Gaze Tracking）：AI 能够通过深度学习网络对人眼进一步识别，来判断出驾驶者的目光所关注的点。 5. 唇语识别（Lips Reading）：这个功能来源于牛津大学的一项唇语研究，他们的成果能够让人工智能对唇语的识别精度达到 95%，比人类的识别精度高出一倍。 上述的几个功能，旨在让车载系统能够持续观察驾驶者的行为，并在适当的时机与驾驶者交互，保证其维持足够的注意力。而正如我们之前文章中所分析的，整套系统的基础仍然是英伟达的人工智能汽车平台（AI CAR PLATFORM）。 基于 AI CAR PLATFORM 的合作伙伴 除了前面提到的超级电脑和 AI CO-PILOT，英伟达的人工智能汽车平台还包含其它部分，比如高精度地图。为了搭建出这套完善的平台，英伟达选择了与行业内的巨头们合作。 在高精度地图方面，英伟达针对不同国家地区的具体情况选择了不同的合作伙伴： 1. 百度：提供中国地区的高精度地图。 2. TomTom：提供欧洲地区的高精度地图，及 RoadDNA 技术。 3. Zenrin：提供日本地区的高精度地图。 4. … 继续阅读