前言：自動駕駛將在很大程度上改變近百年來人類的出行模式，再加上已經在高速發展中的汽車電動化和共享化，全球銷售規模近20萬億的汽車產業將面臨前所未有的變革，產生巨大的商業機會。我國市場對於汽車電動化、共享化以及自動化的接受高，產業投入大，預計2030年自動駕駛的汽車會佔據整體出行里程的40%以上，由此帶來的千億美元規模的新興市場有待開發。
1. 自動駕駛與電動化、共享化改變汽車產業格局和出行方式
相比與傳統的汽車行業，電動車在系統控制與執行層面更適合自動駕駛，而自動駕駛與車聯網的結合、汽車共享化的趨勢，能夠有效的預防交通事故、同時減少擁堵、提高道路的通行效率，使其容納不斷上升的通流量。
未來的出行方式以及汽車本身都將會有很大的變化，由此帶來巨大的新興市場。
2. 自動駕駛分級:L1人類駕駛逐級步入L5車輛自動駕駛
自動駕駛定義:即讓汽車自己擁有環境感知、路徑規劃並自主實現車輛控制的技術，也就是用電子技術控制汽車進行的仿人駕駛或是自動駕駛。
根據人與車輛控制的程度不同，美國汽車工程師協會SAE界定了五級自動駕駛方案。
L0 代表沒有自動駕駛介入的傳統人類駕駛。
L1級能夠對方向盤和加減速中的單項操作給與支持。
比如已經廣泛應用的自適應巡航(ACC)功能，即能夠通過雷達探測與前車的實時距離自動控制加減速，從而保持與前車的安全距離。
L2級能夠同時對方向盤和加減速中的多項操作給與支持。
如果汽車除了具備上面L1級描述中的自適應巡航外，同時還具備車道保持(LKA)功能，或者自動變道功能，那則屬於L2級自動駕駛。
L3級之前環境的觀察者都是人，進入L3則意味著道路環境的觀察和駕駛操作都由系統來完成，人只需要對所有的系統請求進行應答。
系統已經完全能夠識別出直線、彎道、紅綠燈、限速路牌，路上行走奔跑的人貓狗等等各種環境變量。
環境觀察和駕駛操作都由系統來完成，人只需要對所有的系統請求進行應答。比如突然下雨了，檢測到地面溼滑是否需要減速;比如檢測到前方車輛行駛過慢是否需要超車;檢測到前方有人在車道較近處走動是否需要鳴笛提醒等等，這些請求系統會反饋給駕駛員，由人來做決定。
L4級駕駛操作和環境觀察仍然都由系統完成，人只需要在某些複雜情況進行應答。
比如只需要在某些複雜地形或者天氣惡劣的情況時，才需要人對系統請求做出決策，而其他情況下系統能獨自應付自動駕駛。
L5級就是完全的自動駕駛狀態，車上沒有方向盤，沒有剎車，沒有油門，完全不需要人的介入。關注“樂晴智庫”，閱讀更多行業報告。
3. 實現:通過決策層、感知層、執行層
自動駕駛系統通常可分為決策層、感知層、執行層，以及高精地圖和車聯網的支持。
感知層:
環境信息和車內信息的採集與處理。這方面涉及到道路邊界檢測、車輛檢測、行人檢測等技術，即傳感器技術，所用到的傳感器一般都會有激光雷達、攝像頭、毫米波雷達、超聲波雷達、速度和加速度傳感器等等。
由於各個傳感器在設計的時候有各自的侷限性，單個傳感器滿足不了各種工況下的精確感知，想要車輛在各種環境下平穩運行，就需要運用到多傳感器融合技術，該技術也是環境感知這一大類技術的關鍵技術所在，目前國內這方面和國外的主要差距也集中在多傳感器融合方面。
決策層:
依據獲取的信息來進行決策判斷，確定適當工作模型,制定相應控制策略，替代人類做出駕駛決策。
這部分的功能類似於給車輛下達相應的任務，例如在車道保持、車道偏離預警、車距保持，障礙物警告等系統中，需要預測本車與其他車輛、車道、行人等在未來一段時間內的狀態，先進的決策理論包括模糊推理、強化學習、神經網絡和貝葉斯網絡技術等。
由於人類駕駛過程中所面臨的路況與場景多種多樣，且不同人對不同情況所做出的駕駛策略應對也有所不同。因此駕駛決策算法的優化需要非常完善高效的人工智能模型以及大量的有效數據。這些數據需要儘可能的覆蓋到各種罕見的路況，而這也是駕駛決策發展的最大瓶頸所在。
執行層:
指系統在做出決策後，替代人類對車輛進行控制，反饋到底層模塊執行任務。車輛的各個操控系統都需要能夠通過總線與決策系統相鏈接，並能夠按照決策系統發出的總線指令精確地控制加速程度，制動程度以及轉向幅度等駕駛動作。
高精地圖以及車聯網的支持，系統能夠確定位置並規劃一條可通行的路徑，實現智能車輛的自主導航;更進一步，車聯網的應用一方面能夠是出行更加方便智能，另一方面又能夠擴展汽車交通工具的屬性，成為未來個人的移動平臺。
自動駕駛在部分領域的商業模式逐漸確立。從基礎理論到傳感器、芯片、解決方案，行業發展迅速。目前行業發展的關鍵在於降低成本、優化方案、積累數據;
4. 自動駕駛解決方案:整車廠和科技巨頭蓄勢待發
OEM廠商:投入巨大、成果顯著
傳統整車廠如奧迪、特斯拉、通用、Uber、豐田、福特等公司均有自己的自動駕駛研發團隊，在自動駕駛領域投入巨大，成果顯著，如奧迪A8L3級自動駕駛系統已經量產上市。
量產車型自動駕駛方案:特斯拉AutopilotVs.奧迪A8AI
特斯拉的Autopilot功能:相當於L2級別的自動駕駛，能夠根據交通狀況調整車速;保持在車道內行駛;自動變換車道而無需駕駛員介入;從一條高速公路切換至另一條;在接近目的地時駛出高速;在接近停車場時自動泊車。
奧迪A8:是市場上第一款具備L3級別自動駕駛能力的量產車，在某些特定情況下，如在停車和駛離、時速60公里以下行駛或交通擁堵時，該系統將接管奧迪A8的駕駛操控，而駕駛員則無需持續監控車輛的駕駛與運行。
5. 芯片:自動駕駛的大腦
進入門檻高、性能要求高、成本高
高級駕駛輔助系統(ADAS)、自動駕駛、車聯網(V2V/V2X)與車載娛樂服務系統等，均需要高效能處理芯片。
例如自動駕駛未來包括4-5臺激光雷達，5臺毫米波雷達，若干個攝像頭和紅外探測器等傳感器，在車輛高速運行時每秒都會產生大量點雲(三維位置數據)和視頻(多幀圖像數據)，自動駕駛芯片必須有能力及時處理獲取的信息，並利用算法做出合理決策。
自動駕駛芯片對性能要求高，但對於部分已商用的產品來說，對成本同樣有較高的要求。自動駕駛芯片的成本主要體現在三方面:
1、耗電每瓦提供的性能;
2、每單位性能的成本;
3、生態系統的構建，如用戶群、易用性等。
自動駕駛芯片領域進入門檻高，主要是Intel(Mobileye)、Nvidia兩大巨頭的“雙雄爭霸”。此外少數創業公司如地平線機器人、寒武紀等，在具體場景應用上有一定優勢。
現狀:平臺化方案搭配標準化芯片
芯片方案技術路線上，自動駕駛遵循了一般人工智能對計算平臺的升級規律，即開始階段使用CPU，而後升級到GPU。
目前各大廠商的技術處於GPU+FPGA階段，由於芯片成本還處於高位，現在平臺化的方案搭配標準化的芯片是一種開源的解決方案，另一方面，芯片集成度不高，系統供應商會將自動駕駛系統分為主模塊和選裝模塊，適配整車柔性較大，給整車廠選擇的空間也較大。
趨勢:自動駕駛專用的定製化、集成度高的芯片
未來隨著處理器設計門檻的降低和對自動駕駛算法協同進化要求的提高，自動駕駛專用的人工智能處理器將成為主流。
TPU(TensorProcessorUnit)是谷歌研發的針對深度學習加速的一款機器學習定製的專用芯片(ASIC)，專為谷歌的深度學習框架TensorFlow而設計。第一代TPU僅能用於推斷(即不可用於訓練模型)，並在著名的AlphaGo人機大戰中提供了巨大的算力支撐。
去年5月谷歌發佈了TPU2.0，不僅能進行推斷，還能高效支持訓練環節的深度網絡加速。谷歌I/O2018開發者大會期間發佈了第三代AI人工智能/機器學習專用處理器TPU3.0，TPU3.0的計算能力最高可達100PFlops(每秒1000萬億次浮點計算)，是去年TPU2.0的8倍多。
BPU(BrainProcessingUnit)是地平線研發的未來會直接應用於自己主要產品中的芯片，包括:智能駕駛、智能生活和智能城市。
相比於國內外其他AI芯片start-up公司，地平線的第一代BPU走的相對保守的TSMC的40nm工藝。
6. 傳感器:環境信息和車內信息的採集與處理
自動駕駛系統目前應用比較主流的環境感知傳感器包括激光雷達、毫米波雷達、超聲波雷達和攝像頭。
超聲波雷達產品已經很成熟，探測距離近、成本低，目前滲透率已很高。激光雷達和毫米波雷達擁有很多優良性能，在自動駕駛領域應用潛力巨大。
激光雷達:實時建立周邊環境的三維模型
激光雷達(LiDAR)能釋放多束激光，接收物體反射信號，計算目標與自身的距離。
應用較多的是利用反射信號的折返時間計算距離(TimeofFlight)，也有連續波調頻(CWFM)方法。與雷達和攝像頭相比，激光雷達可以通過多束激光高頻發射獲取的反射數據形成周邊物體的高清3D的“點雲”圖像。
雖然目前自動駕駛解決方案尚未有明確的固定搭配，但激光雷達會成為最重要的傳感器。而毫米波雷達、攝像頭將是重要的補充。激光雷達成本較高的問題是暫時的，隨著固態激光雷達技術成熟和產量提升，成本將降低到可承擔的範圍內。
毫米波雷達:全天候工作、難以成像
毫米波雷達發出和接收的是電磁波，此外與激光雷達相比毫米波雷達會有很多測量短距離的場景，如側向警示、倒車警示等，因此主要以FMCW調製方法來測距。
主要原理是，通過振盪器形成持續變化的信號，而發出信號和接收信號之間形成頻率差，其差值與發射-接收時間差成線性關係，只要通過頻率差就能計算車輛與物體距離。
優缺點上，毫米波雷達的優勢在全天候工作，即不良天氣、夜晚等環境下可以發揮作用，而激光雷達會受雨雪霧霾的影響。缺點是目前主流的24GHz毫米波雷達較難成像，分辨率不及前兩者。
79GHz毫米波雷達可以形成類似激光雷達的“點雲”成像，分辨率較高。
由於毫米波雷達成本較低，並且在不良天氣下表現良好，因此將成為感知設備中重要的一環。但由於其分辨率較低，因此不能作為激光雷達的替代品，而是激光雷達的重要補充設備。
7. 車聯網:自動駕駛的延伸
趨勢:向用戶體驗化發展
車聯網實現V2X交互。車聯網是以車內網、車際網和車載移動互聯網為基礎，按照約定的通信協議和數據交互標準，在V2X(X:車、路、行人及互聯網等)之間，進行無線通訊和信息交換的大系統網絡，是能夠實現智能化交通管理、智能動態信息服務和車輛智能化控制的一體化網絡，是物聯網技術在交通系統領域的典型應用。
車聯網可分為運營層、應用層和管理層三層架構。 涉及的環節較多，主要包括通信芯片/模塊提供商、外部硬件提供商、RFID及傳感器提供商、系統集成商、應用設備和軟件提供商、電信運營商、服務提供商、汽車製造商等。
服務提供商即TSP在車聯網產業鏈居於核心地位。TSP(TelematicsServiceProvider)上接汽車、車載設備製造商、網絡運營商，下接內容提供商。誰掌控了服務提供商，誰就能掌握車聯網產業的控制權，因此，服務提供商也成為了汽車製造商、電信運營商、GPS運營商及汽車影音導航廠商力爭的角色。
車聯網向用戶體驗化發展。在車聯網發展的早期階段，主要以緊急救援、導航服務為主;現階段以車載自動診斷系統、智能車載終端為入口的TSP服務為主，逐漸側重於用戶服務、車載娛樂等功能;而隨著汽車電動化、智能化、無人駕駛的發展，車聯網將會扮演越來越重要的角色，一方面承擔車車互聯、車物互聯的橋樑，另一方面也不斷參與到用戶應用場景之中，扮演著服務提供商的角色。
閱讀更多 樂晴智庫 的文章
