在今年的努力 CES 還沒開始之前，「自動駕駛」就被公認為是變身這次的主旋律之一，實際也確實是車展上海外圍預約平臺（外圍上門）外圍預約（微信180-4582-8235）一二線城市外圍預約、空姐、模特、留學生、熟女、白領、老師、優質資源這么回事，對于汽車廠商和供應商來說，預示不拿出和自動駕駛相關的著未自動東西，相當于白來 CES 一趟。駕駛

　　所以，趨勢圍繞自動駕駛他們說了很多，努力也展示了很多，變身于是車展可能你會在很多文章里看見這樣的句子：「自動駕駛是這次 CES 的主角，而且也是預示未來幾年的趨勢。」

　　這話沒錯，著未自動但是駕駛說了等于沒說。GeekCar 更關心的趨勢是，通過這次 CES，努力自動駕駛到底在技術層面展示出了什么樣的趨勢？或者說，實現完全自動駕駛的「方法論」到底是怎樣的？

總體來說有三個方面的變化：

　　1. 硬件方面，傳感器不再「高高在上」。

　　2. 感知方面，上海外圍預約平臺（外圍上門）外圍預約（微信180-4582-8235）一二線城市外圍預約、空姐、模特、留學生、熟女、白領、老師、優質資源對于「定位」、「地圖」的理解更加深入。
　
　　3. 決策方面，車輛處理能力、深度學習能力強化。

　　為了讓大家對于自動駕駛的基本工作原理有一個直觀的了解，在這兒先用一個圖示簡單說明（圖片來自英偉達在 CES 的演講 keynote）。從圖上可以看出，上面提到的幾個方面，基本上包括了自動駕駛的關鍵技術點。



硬件：傳感器不再「高高在上」

　　激光雷達在自動駕駛里起到感知周圍環境的作用，很多人覺得，動輒七八萬美元的激光雷達會是影響自動駕駛普及的一個重要阻礙，但是在這次 CES 上，Quanengy 發布了世界上第一款用于自動駕駛的固態激光雷達，這個雷達不能 360 度掃描，也不是 64 線而是 8 線，但是換來的卻是成本的大幅降低（200 美元左右），而且更加小型化。

　　所以，原來像花盆一樣立在車頂的激光雷達，終于能裝在其它位置了，比如車的四角。更低的成本意味著可以在一輛車上裝更多的激光雷達。



　　另外福特也在這次 CES 上宣布，他們會把 Velodyne 最新推出的車用激光雷達裝在自己的自動駕駛測試車上。

　　激光雷達變得更便宜，也就會被裝到更多的車里，對于自動駕駛的發展，肯定是有好處的一件事。

　　但是也有不依賴雷達的自動駕駛方案，比如供應商麥格納這次就展示了依賴單目攝像頭開發的自動駕駛方案，他們的目的是想讓更多廉價車型也能具備這種功能，雖然是比較初級的自動駕駛（更像是自適應巡航），但是至少證明不依賴測距雷達實現自動駕駛是可行的。

　　所以總體來說，自動駕駛的硬件門檻正在變得越來越低。如果說七八萬美元的激光雷達太高高在上，那么這次 CES 展示出來的東西，顯然是更多考慮到了商業化的因素。不管是廉價激光雷達還是麥格納的方案，都是為自動駕駛量產化、商業化做的準備，從這個角度來說比去年更貼合消費電子展的「消費」二字。

對感知的理解更深入

　　高精度地圖、視覺識別，這二者的作用是讓車子精確的定位和感知環境，人們在這方面的理解和解決方案變得更成熟。

　　首先是自動駕駛所需的地圖，一方面，它的獲取方式正在發生改變，另一方面，它本身也有一些變化。

　　在我們慣常的理解里，高精度地圖來源于圖商的測繪，但是現在「眾包」的模式開始受到重視。在 CES 之前，就傳出豐田要利用這種模式采集高精度地圖，所依靠的硬件是用戶車內的攝像頭+GPS，而在 CES 上，Moblieye 也宣布和通用、大眾合作，做高精度地圖方面的采集，使用的當然也是 Mobileye 的攝像頭。另外，Here 發布的 HD Live 地圖，打的也是「眾包」的概念：把車輛傳感器讀取到的數據上傳到云端，然后再下發給其他車輛。



　　這樣的好處顯而易見：用更低的成本，換取更多的數據。目前高精度地圖主要依賴激光雷達采集，成本很高，「眾包」肯定有節約成本的目的，而且可以在同樣的時間段內獲取更多的數據。

　　但是除此之外，這種方式也有其他的好處。首先是更「輕量化」。以 Mobileye 做的 REM（Road Experience Management，路網采集管理）方案為例，通過采集包括交通信號、指示牌、路燈等「地標」，得到一個簡單的 3D 坐標數據；再通過識別車道線信息，路沿，隔離帶等獲取豐富的 1D 數據，這些數據疊加形成所謂的「RoadBook」（路書），數據量只有 10kb/km，而谷歌的高精度地圖每公里的數據量可能有幾個 G 之多。



　　另外一個好處是更加實時化。比如 HD Live 地圖就可以做到云端的實時更新，并且實時下發最新數據。突發的路況信息、道路的最新變更情況，都可以通過這種方式得以解決。

　　可以看到的是，原來可能我們認為高精度地圖更多的是依賴于雷達，而和視覺識別（攝像頭）關聯度相對要小，但從某種意義上來說，它們其實是一個整體，兩者互相配合、共同作用，才能讓車輛具有更精確的定位和感知能力。

處理能力的強化

　　這部分最明顯的感受是本機處理能力、深度學習能力的提升。

　　英偉達在 CES 上發布性能相當于 150 臺 MacBook Pro 的 Drive PX 2，是最有標志性的事情。Drive PX 2 用了 12 顆 CPU，250 瓦的總功率基本也只有汽車這個級別的硬件才能承受，并且用到了水冷散熱。它可以處理包括攝像頭、雷達、激光雷達在內的 12 路信號，深度學習能力達到每秒 24 萬億次。



　　它兼顧了本機處理和深度學習的要求。一方面，它足夠滿足車輛本身的視覺處理需求，另一方面， Drive PX 2 采集到的數據經過處理之后會上傳云端，進行深度學習網絡的訓練，訓練的成果可以用來提升所有車輛的智能程度。

　　其實這個「深度學習」，和上面段落提到的「眾包」是相輔相成的。特斯拉 Autopilot 的自主學習功能也是這方面的實際體現。

　　不管是本機處理還是深度學習，背后都意味著海量數據的獲取。就像英偉達所說，The more data we collect, the smarter our system becomes. 而為了更加 smarter，就必須提升處理能力。

　　可以很明顯的發覺到，今年大家開始越來越意識到「人工智能」、「深度學習」的重要性，并且把它上升到前所未有的高度。豐田砸下 10 億美元研究人工智能也是特別好的例子，Mobileye 也提到了深度學習對他們的重要性。

　　當然，在這個過程里，數據的采集壓縮能力，數據管理的能力，也是特別重要的。

總結

　　從這次 CES 上各大廠商的表態來看，還是認為 5-10 年內可以實現完全自動駕駛，不能說他們的信心完全來源于以上提到的這幾點變化，但不能否認的是，它們確實是推動完全自動駕駛發展的關鍵因素。

　　可能你會覺得，通過這次 CES，自己對于自動駕駛的認識比之前提升了很多，那么恭喜你，已經慢慢看出門道了。從宏觀的層面來說，這也意味著大家做自動駕駛的方法論越來越清晰。

　　長遠的看，實現完全自動駕駛是必然結果，但是在「結果」之外，選擇什么樣的解決方式，為什么這么選，這些都是挺值得研究的問題。