"传统车企在电气化和智能化方面投入的高昂研发成本, 几乎耗尽了燃油车时代积蓄的市场红利, 而新兴业务想要实现盈利, 并非一朝一夕之事."
Case 1: 单车智能到车道协同
现在各大城市都流行做智能驾驶示范区(上海临港, 苏州相城, 长沙智能网联示范区, 京冀国家智能汽车与智慧交通示范区), 模拟各种场景(隧道, 雨淋, 高速公路), 各种交通状况(红绿灯路口, 十字路口, 交叉路口), 以及各种假人, 假车的实验, 打造这样的模拟环境对于验证及完善自动驾驶车的感知, 规划, 决策等算法都是极其有帮助的.
然而现有单车智能技术似乎已经到达一个瓶颈点, 虽然未解决的问题可能仅剩百分之几, 但却需要开发者花费百倍精力去解决. 以红绿灯识别为例, 红绿灯在一副图像中占据的像素比极低, 激光雷达发射出的点云很难打到, 常规思路是通过长短焦相机等多个相机融合, 结合深度学习算法, 组合尝试小目标特征提取模型, 花费大量人力去采集图像, 打标签, 设计算法模型, 实车验证调试, 再反复修改, 最后即使能达到 95% 以上的识别准确率, 一旦遇到雨天或雾天, 准确率也会大打折扣, 投入与产出比极低. 而端到端的 V2X 通信就可以解决此类难题, 红绿灯的状态信息及时更新到车载端硬件, 自车可以根据收到的红绿灯信号来决定前行或停止, 这个例子说明车道协同是单车智能极好的补充, 能以更少的代价解决更为复杂场景问题.
百度 Apollp 车路协同
红绿灯交互通信只是车道协同系统环节中的一环, 一直走在无人驾驶技术前列的百度, 升级组织架构, 将单车智能向智能车联, 智能交通扩张, 在其 Apollo 平台开源了车路协同方案, 主要包括车载系统 -- 云端平台 -- 路网系统:
车载系统: 车辆自身的运行信息, 行驶引导信息;(信息解析处理)
云端平台: 车端交互, 路侧端交互;(处理融合车辆信息和路侧感知预测信息)
路网系统: 红绿灯信号, 交通提示信息, 交通检测信息.(自动驾驶车辆与路侧信号的信息传输与解析)
对交通基础设施的升级完善 (车路协同, 区域信号优化) 比仅聚焦于提升自车软件算法更有落地前景, 能够发挥自动驾驶的最大性能. 当越来越多车辆具备移动终端和 OBU 联网设施时, 就可以扩大智能网联车辆的部署范围, 车辆不仅可以被引导调控, 还能将实时状态反馈给路侧, 增加出行安全性. 通过云平台实现更优的实时双向互动, 出行效率和安全性能得到最大提升.
强如 Tesla,Waymo, 他们所推崇的单车智能距离全自动驾驶仍有不小的距离, 单车智能的车辆安全性依然存在缺陷, 而行业对自动驾驶车的商业落地与量产也越来越急切. 在单车智能仍处于瓶颈期, 推进缓慢, 还不能完全落地的情况下, 车路协同是单车智能很好的补充和发展方向.
结论:
单车智能目前行不通, 落地仍有一段距离, 车道协同, 路网通信是极好的补充.
更深层次, 更长远的, 一旦打通单车智能与车道协同的方式, 可以迅速复制这样的区域.
车路协同和自动驾驶带来的可能性是 1+1>2.
Case 2: 激光雷达的成本骤降
激光雷达在自动驾驶中的三维重建和定位具有显著优势, 相比其它传感器, 激光雷达的辐射范围, 覆盖角度更广, 测距精度更准确, 是自动驾驶感知中不可或缺的传感器. 曾经一家独大, 在自动驾驶刚兴起时占据市场 80% 份额的 Velodyne 销量逐步冷却下来, 一方面国内的初创公司 (速腾聚创, 禾赛科技) 的技术路线, 产品性价比和支持力度更大, 另一方面 Velodyne 居高不下的价格让其逐渐失去竞争力.
激光雷达分两种路线, 以 Velodyne 为代表的机械旋转式激光雷达和以国内初创企业重点研发, 能较早量产落地的固态激光雷达. 前者 360° 范围扫描, 精度高, 但工序复杂, 调试难度大, 价格成本高, 难以大规模自动化量产, 现有的机械式传感器平均失效时间为 1000h~3000h, 而主机厂的要求是至少 13000h; 后者成本较低, 机械结构更稳定, 更易达到车规级要求. 为降低车载激光雷达的生产成本, 同时保证其较好的探测性能, 激光雷达正从机械旋转式, 到混合式车载激光雷达, 再到纯固态方向演进.
Velodyne 64 线激光雷达, 最高时价格达到 80 万一台, 16 线雷达产品也在 5 万 6 左右, 高额的硬件成本对于追求量产的主机厂是绝不会考虑的, 仅仅对于做 RobotTaxi 的企业 (文远知行, Pony.ai http://pony.ai/ ,AutoX) 有吸引力. 与之对应的, 国内初创公司速腾聚创的 16 线产品, 售价仅为 2 万 8 左右.
在自动驾驶车上, 激光雷达的感知距离至少应为 100m, 测量精度在厘米级, 扫描频率至少在 5Hz~20Hz, 才能满足智能驾驶汽车高速行驶的要求; 而且 LiDAR 点云数据的传输速率, 点云处理算法的运行速度, 精度以及处理效果也必须满足汽车高速行驶的需求; 同时激光雷达的体积, 重量, 成本, 驱动电压均应当符合车载系统的安装水准, 所以打造一款能够量产使用的车规级激光雷达难度巨大.
在刚刚结束的 2020 年拉斯维加斯 CES 展, 就充分体现了激光雷达未来的发展趋势, 低成本, 小型化, 车规级.
2020 CES 激光雷达展区
激光雷达新星大疆 Livox 推出的 Horizon 和 Tele-15, 价格分别为 6499 元和 9000 元, 支持 L3/L4 级别自动驾驶.
国产激光雷达代表速腾聚创推出的固态激光雷达 Lidar-M1 体积减半, 价格 1898 美元.
同样国产领先的禾赛科技推出 PandarQT, 超广角短距离激光雷达, 4999 美元.
逐步失去中国市场老大地位的 Velodyne 推出微小版激光雷达 VelaBit,100 美元.
上述几款价格便宜, 体积缩小的激光雷达, 说明了激光雷达厂商朝着低成本, 可量产的路线进发, 低成本的激光雷达固然价格便宜, 但其可适应性, 功能性与价格昂贵的激光雷达相比, 性能上可能会有所折扣, 对于自动驾驶企业需要有所取舍, 一提高感知算法能力, 降低对激光雷达硬件的依赖; 二不以量产为目标, 做共享出行或限定场景下的自动驾驶是可以考虑价格昂贵的激光雷达.
结论:
对于国内的主机厂来讲, 无论是机械旋转式激光雷达还是固态激光雷达, 他们更看重的是成本低, 性能稳定, 车规级, 支持力度大, 可以在传感器的感知性能上有所降低要求, 低线束激光雷达作为冗余备份, 不承担主传感器角色, L2 + 级别的自动驾驶是主机厂追求的目标.
对于做 L4 级别的 RobotTaxi 公司(文远知行, Pony.ai http://pony.ai/ ,AutoX, 滴滴), 高精度, 高识别率是他们最核心的要求, 无需大规模量产的自动驾驶出租车, 因此价格昂贵, 作为主传感器的多线激光雷达是可选择方案之一.
Case 3: 成本可控, 量产落地先行
持续投入大量财力, 物力到自动驾驶领域, 无论对于主机厂还是靠融资生存的初创企业, 没有盈利点是难以赢得这场持久战的. 目前的趋势是急于落地的初创企业和急于量产的主机厂均开始发力自主泊车, 该技术既可以节省停车入库的时间, 也能降低停车场的剐蹭事故, 虽然自主泊车这两年已经提出很久了, 但真正完全无人的自主泊车量产车型仍然不多.
自主泊车是自动驾驶环节中是最有可能率先落地的, 背后的技术原因在于: 一, 低速环境下 (小于 5km/h) 的自动驾驶, 自车有足够的时间做感知, 决策; 二, 场景较为固定和具体, 一般在停车场区域, 没有复杂的人流. 挑战是地下停车场通行区域较为狭窄, 光照效果不佳, 对传感器要求较高, 对算法在感知, 定位精度提出更大的挑战; 另外库位的形式类别不一致, 包括平行库位, 垂直库位以及斜库位, 覆盖不同类型的库位识别也是目前各家厂商需要攻克的难题. 就目前自主泊车行业来说, 主机厂 (上汽, 吉利, 小鹏), 零部件厂(博世, 法雷奥), 新兴初创企业(Momenta, 纵目) 均在做, 可以预见, 低成本, 车规级, 可量产的自主泊车将是未来车型的标配.
各家也使出十八般武艺, 对自主泊车中包含的车端, 云端, 场端做改造.
初创企业更倾向于车端的改造, 算法是他们的核心, 在不增加额外的硬件成本基础上, 通过改造车上的传感器布置 (环视相机, GPS,IMU) 方案, 基于深度学习的图像算法对周围环境进行感知, 包括高精度地图技术的方案和最核心的库位识别来实现自主泊车功能. 采取该方案路线的代表企业有 Momenta, 纵目科技以及魔视智能等.
主机厂一方面会借助初创企业纯传感器的方案, 一方面也会和零部件厂商做更丰富, 更安全的自主泊车场景, 即对停车场端做智能化改造, 利用场端智能设备来配合和引导车辆, 为车辆指派空闲车位, 并且规划最优的路径. 这种方式无需对车辆自车传感器和计算单元做较大改动, 仅需在车上配备一套与场端通信的互联装置即可. 采取该方案路线的代表企业博世和戴姆勒 (应对德国场景), 以及博世和广汽研究院(应对中国场景) 等.
结论:
主机厂拥有更强更庞大的用户群体, 对于自主泊车有更好的客户需求和场景理解能力; 初创公司有更强的算法能力, 算法开发迭代速度效率更高; 零部件供应商有完整的供应链体系, 对于主机厂的需求理解也更为深刻, 对于车规级产品的把控和量产上有较大的优势.
自主泊车近两年已有相应的量产车型上线, 实用性和泊车准确率还有待继续提升, 不过能够量产已经是走出自动驾驶环节中很大的一步, 完全可靠的无人自主泊车需多方联合携同开发, 期待自动泊车正式上道的那一天.
Case 4: 资本理性, 投资冷却
2018 年是自动驾驶领域融资的高峰期, 许多新兴初创自动驾驶企业拿到了漂亮的融资成绩单, 自动驾驶行业也百家争鸣, 推动了包括软件算法 (Momenta / 魔视智能), 芯片硬件(地平线 / 黑芝麻智能科技), 系统框架(AutoX/Pony.ai), 研究精力(CVPR,ICCV,ECCV 投稿人数暴增), 风险投资初创企业(图森, 地平线, Momenta,Roadstar.ai http://roadstar.ai/ ) 等多个领域的疯狂扩张, 诞生了多家融资过亿美元的独角兽企业, 融资趋势也体现了自动驾驶要在汽车市场刮起一阵风潮.
自动驾驶相关产业
然而到了 2019 年, 融资热度迅速冷却下来, 仍然有融资进展的国内独角兽企业已经不多(图森 2.15 亿美元, 地平线 6 亿美元, AutoX2 亿美元), 这几家企业的融资很大程度上与他们有成熟的落地产品有关. 图森目前服务于 18 位客户, 并和 UPS 一起在美国亚利桑那州的凤凰城和图森市之间进行日常无人驾驶试运营; 地平线已向世界各大自动驾驶厂商批量供货, 2018 年营收已达亿元级; AutoX 在加州推出自动驾驶生鲜递送服务, 以及宣布与中通快递, 美团达成合作, 分别提供自动驾驶物流服务与送餐服务. 2019 年同样也出现了倒闭的无人驾驶公司 Roadster.ai 和 Drive.ai, 前者融资 1.28 亿美元, 后者融资 7700 万美元, 分别因创始人的内讧和内部管理问题, 成为 2019 年倒下的无人车公司.
除了初创独角兽企业的融资, 还有主推智能驾驶新造车势力小鹏, 蔚来, 威马的融资. 这几家在 19 年的新造车势力中新能源汽车销量占据前三甲, 尤其是小鹏汽车, 新推出的小鹏 P7 不仅含有整车 OTA 升级功能, 在自主泊车和高级辅助驾驶上更进一步, 完整的产品路线, 市场策略, 合理的定价以及良好的品质, 使其在 19 年年末获得了小米等 4 亿美元的投资; 威马汽车 2019 年初有百度 30 亿元的领投, 有百度 Apollo 的加持, 相信威马在智能驾驶上会有更大突破和进展; 2019 融资进展不顺的莫过于走高端路线的蔚来, 虽然蔚来的汽车销量还不错, 但 2019 年传出的几笔融资闹剧均已无后续进展而告终. 与此同时, 19 年年末特斯拉 Model 3 的国产化势必会对这些新造车势力更大的冲击, 融资, 销量, 降本, 新造车势力 2020 需要拿出更好的成绩单.
自动驾驶的落地没有想象中容易, 无论是做 RobotTaxi, 还是限定场景下的港口或高速公路下的自动驾驶, 或是难度更大的量产自动驾驶, 每一个环节都充满了挑战和难度. 现有最可能率先落地的 RobotTaxi 或智能集卡, 但还不能完全取消安全员, 接管次数或接管里程仍然在尽可能地降低. 一边在继续烧钱, 大量的人员研发费用, 硬件成本, 整车改造的费用, 甚至申请自动驾驶路测牌照的费用(广州地区一辆自动驾驶车申请的牌照费用为 20 万), 一边又未完全真正取消安全员司机以及还达不到规模化量产, 盈利时间和空间尚未显现, 资本观望的时间有限.
结论:
时间步入 2020 年, 若干家的自动驾驶企业, 无论是走芯片端, 软件端, 还是系统端, 都需要加紧步伐开发了, 商业化, 产品落地将会继续是自动驾驶行业的主旋律, 谁能率先吃到自动驾驶行业的螃蟹, 谁就是赢家.
最后,
在这个开头不是那么顺利的 2020(武汉疫情), 自动驾驶行业的发展或多或少会受到影响, 但量产, 落地仍是各家追求的目标, 更低价的激光雷达, 更好的落地方案, 更谨慎的资本融资, 末尾淘汰竞争加速.
您的支持是我原创的最大动力
欢迎大家关注 201 - 机动队, 一群汽车公司在职人员的邪恶组织
201 - 机动队
zhuanlan.zhihu.com
来源: http://www.tuicool.com/articles/go/m63eQfi