二、產品：先做一部分技術
從宏觀上來說，可以粗略地將自動駕駛系統分爲地圖定位、感知、規劃、控制等部分。
其工作原理即先確定自己的位置並通過高精地圖來規劃一個行駛路線，在行駛中通過感知系統來探測周邊的環境，隨後計算模塊則根據本車與其他交通參與者的運動信息，計算出車輛應該採取的動作，隨後再通過控制系統，讓汽車實現加減速和轉向等具體動作。
按照這個分類，DeepMotion鎖定的是地圖定位與感知部分，其設計了一套基於攝像頭與GPS、IMU等傳感器融合的低成本方案，可以爲無人車提供環境感知、高精地圖繪製以及高精定位三大能力。
車東西在DeepMotion的辦公室看到了其自主設計的硬件模塊，並觀看了整套系統的Demo視頻。從實物來看，其硬件系統的體積還比較大，上面安裝有三個攝像頭、一套GPS和IMU模塊，以及一塊自研的FPGA計算板卡。
（DeepMotion的硬件模塊）
DeepMotion CTO李志偉告訴車東西，這攝像頭陣列、GPS、IMU等傳感器是嚴格同步的。FPGA提供了低成本的深度學習計算能力，實現了實時、智能的傳感器控制算法。
DeepMotion方面認爲，其系統在感知部分有兩大優勢，一是能夠實現像素級的感知能力，二是能夠對世界進行3D重構。
（DeepMotion的像素級感知能力）
在其演示的Demo中，除了精準的像素級語義分割外，車東西還觀察到DeepMotion的感知畫面上顯示的是一3D的城市場景，場景中的汽車是一個個立方體，而非一個個綠框。而最爲重要的是，這個場景還能左右進行旋轉，以及切換到俯視圖視角。
（3D重建）
那麼這種像素級的感知能力，以及3D場景重建技術對自動駕駛技術來說有什麼用呢?
在DeepMotion研發總監張弛看來，自動駕駛汽車對外部信息掌握的越詳細，其就越能夠做出最佳的駕駛決策。像素級感知系統可以識別出樹木、柵欄以及路牙 等更多的物體，而3D場景重構則意味着能讓無人車以20cm的精度準確知道自己與道路上其他交通參與者的運動關係，從而做出更好的駕駛決策。
不過需要指出的是，感知系統的識別精細度越高、識別的內容越豐富，其對於計算能力的需求自然也越高。
DeepMotion研發總監張弛也向車東西坦言，上述Demo演示的部分算法確實需要較大的計算量，因此是在英偉達TX2上進行運算的，目前還沒有完全放到FPGA計算模塊裏。
“我們也在着手對這部分算法進行簡化，未來會逐步搬到FPGA上面去。”張弛補充道。
感知能力之外，DeepMotion這套系統的另一個功能以及優勢，則是其能夠採集高精地圖並幫助無人車實現高精定位。
硬件上，採集高精地圖依靠的是三個攝像頭、GPS與IMU模塊。攝像頭拍攝到道路畫面後，設計好的軟件會從畫面中提取出車道線、路牌、道路邊界等關鍵信息。而融合了視覺、GPS信號和IMU慣導輸出的SLAM算法，則負責提供構建地圖必須的精確的位置信息。
（DeepMotion的高精地圖Demo）
當有了高精地圖後，無人車在行駛時可以將採集到的圖像與高精地圖中的輔助定位信息進行比對，再結合着GPS與IMU慣導模塊，來確定車輛的的精確位置，例如在道路的哪條車道里面，從而實現高精定位。
參考：
https://baijiahao.baidu.com/s?id=1586043874220438415&wfr=spider&for=pc