二、产品：先做一部分技术
从宏观上来说，可以粗略地将自动驾驶系统分为地图定位、感知、规划、控制等部分。
其工作原理即先确定自己的位置并通过高精地图来规划一个行驶路线，在行驶中通过感知系统来探测周边的环境，随后计算模块则根据本车与其他交通参与者的运动信息，计算出车辆应该采取的动作，随后再通过控制系统，让汽车实现加减速和转向等具体动作。
按照这个分类，DeepMotion锁定的是地图定位与感知部分，其设计了一套基于摄像头与GPS、IMU等传感器融合的低成本方案，可以为无人车提供环境感知、高精地图绘制以及高精定位三大能力。
车东西在DeepMotion的办公室看到了其自主设计的硬件模块，并观看了整套系统的Demo视频。从实物来看，其硬件系统的体积还比较大，上面安装有三个摄像头、一套GPS和IMU模块，以及一块自研的FPGA计算板卡。
（DeepMotion的硬件模块）
DeepMotion CTO李志伟告诉车东西，这摄像头阵列、GPS、IMU等传感器是严格同步的。FPGA提供了低成本的深度学习计算能力，实现了实时、智能的传感器控制算法。
DeepMotion方面认为，其系统在感知部分有两大优势，一是能够实现像素级的感知能力，二是能够对世界进行3D重构。
（DeepMotion的像素级感知能力）
在其演示的Demo中，除了精准的像素级语义分割外，车东西还观察到DeepMotion的感知画面上显示的是一3D的城市场景，场景中的汽车是一个个立方体，而非一个个绿框。而最为重要的是，这个场景还能左右进行旋转，以及切换到俯视图视角。
（3D重建）
那么这种像素级的感知能力，以及3D场景重建技术对自动驾驶技术来说有什么用呢?
在DeepMotion研发总监张弛看来，自动驾驶汽车对外部信息掌握的越详细，其就越能够做出最佳的驾驶决策。像素级感知系统可以识别出树木、栅栏以及路牙 等更多的物体，而3D场景重构则意味着能让无人车以20cm的精度准确知道自己与道路上其他交通参与者的运动关系，从而做出更好的驾驶决策。
不过需要指出的是，感知系统的识别精细度越高、识别的内容越丰富，其对于计算能力的需求自然也越高。
DeepMotion研发总监张弛也向车东西坦言，上述Demo演示的部分算法确实需要较大的计算量，因此是在英伟达TX2上进行运算的，目前还没有完全放到FPGA计算模块里。
“我们也在着手对这部分算法进行简化，未来会逐步搬到FPGA上面去。”张弛补充道。
感知能力之外，DeepMotion这套系统的另一个功能以及优势，则是其能够采集高精地图并帮助无人车实现高精定位。
硬件上，采集高精地图依靠的是三个摄像头、GPS与IMU模块。摄像头拍摄到道路画面后，设计好的软件会从画面中提取出车道线、路牌、道路边界等关键信息。而融合了视觉、GPS信号和IMU惯导输出的SLAM算法，则负责提供构建地图必须的精确的位置信息。
（DeepMotion的高精地图Demo）
当有了高精地图后，无人车在行驶时可以将采集到的图像与高精地图中的辅助定位信息进行比对，再结合着GPS与IMU惯导模块，来确定车辆的的精确位置，例如在道路的哪条车道里面，从而实现高精定位。
参考：
https://baijiahao.baidu.com/s?id=1586043874220438415&wfr=spider&for=pc