作者 | 劉少山，PerceptIn聯合創始人
責編 | CSDN何永燦
2017 年又是無人駕駛發展的大年，許多無人駕駛初創公司在 2017 年成立或者拿到鉅額融資，而且行業發展趨勢也越發明顯。在本文中筆者總結了一下 2017 年無人駕駛在商業佈局以及技術上的發展。
2017 年無人駕駛大事回顧
政府支持
2017 年國家對無人駕駛支持力度很大，比如工信部印發人工智能行動計劃，智能網聯汽車成培育重點，6 月份，工業和信息化部形成了《國家車聯網產業標準體系建設指南（智能網聯汽車）（2017 年）》（徵求意見稿）；12 月份，工信部又印發了《促進新一代人工智能產業發展三年行動計劃 (2018-2020 年)》，將智能網聯汽車列爲頭等培育目標。
近期，國務院也發佈了《關於深化“互聯網+先進製造業”發展工業互聯網的指導意見》，強調要“推動互聯網、大數據、人工智能和實體經濟深度融合，發展先進製造業，支持傳統產業優化升級”。這些國家級政策對無人駕駛在我國的落地十分利好，各地政府應該也會在政策上跟進去扶持無人駕駛的發展。
共享無人駕駛發展
筆者一直相信無人駕駛的最好的盈利方式是運營城市級別的無人駕駛交通系統，而不是單純的賣車。在筆者看來，Tesla 的終極目標是做運營，而不是賣車，只是在賣車的同時以衆包的方式收集大量數據爲運營做準備，這樣可以去除數據收集車隊的運營成本。
今年，谷歌旗下的 Waymo 也開始在美國菲尼克斯大都市區運營無人駕駛叫車服務。這種商業模式直接傷害的是以 Uber、Lyft 以及滴滴爲主的運營商。因此，Uber 則向沃爾沃訂購了 2.4 萬輛 XC90 型號 SUV 作爲無人駕駛車隊嘗試運營，而 Lyft 在硅谷也開始大舉投入無人駕駛研發，而在這方面，滴滴雖然在硅谷組建了無人駕駛團隊，但是投入的力度似乎還不大。也可能滴滴內部數據覺得無人駕駛普及還需要很久，通過觀望與收購可以快速補全技術上的不足。但是滴滴、UBER、Lyft 爲主的運營商有一個巨大優勢，就是雲端的多車調度平臺已經很成熟，只要把無人駕駛端的技術完善，是很容易切入並佔領共享無人駕駛市場的。
互聯網驅動的造車企業井噴
中國近兩年冒起的新的造車企業已經突破了 60 家，而且還在繼續增多。有趣的是，互聯網公司在這輪造車扮演了非常重要的角色。比如蔚來汽車由李斌、劉強東、李想、騰訊、高瓴資本、順爲資本等互聯網企業與企業家聯合發起創立，並獲得淡馬錫、百度資本、紅杉、厚朴、聯想集團、華平、TPG、GIC、IDG、愉悅資本等機構投資。而 UC 創始人何小鵬、58 同城 CEO 姚勁波、獵豹移動 CEO 傅盛等人成立了小鵬汽車。威馬汽車也完成了百度領投的新一輪融資，並亮相了首款產品 EX-5。
另外由車企外籍高管成立的 FMC，也推出了電動車品牌拜騰。值得一提的是，BAT 佈局車體企業基本定型，百度主導了威馬汽車，阿里巴巴主導了小鵬汽車，而騰訊主導了蔚來汽車。所以基本上車的載體定型後，投資與收購方面會向單點技術，而不是整車企業推進。值得一提的是法拉第未來以及樂視汽車，試圖從整車角度切入無人駕駛，但是從目前的佈局看來，應該是個失敗的項目了。
收購與投融資
今年是無人駕駛投融資大年，投資主題都是大平臺投資或者吞併單點技術或者方案提供商。今年初，福特宣佈斥資 10 億美元給Argo AI。Argo AI 由谷歌和優步的“退伍老兵”創辦，Argo AI 爲無人駕駛提供軟件系統以及 AI 平臺解決方案，與福特形成很好的互補，可以加速福特的無人駕駛進程。
今年 3 月，英特爾收購自動駕駛領域公司 Mobileye，出價 150 億美元，約合 1036 億人民幣。隨後，英特爾和 Mobileye 發佈聯合申明，確定雙方已簽署最終收購協議，並將在 9 個月內完成收購工作。英特爾估計，到 2030 年，自動駕駛相關市場容量將達 700 億美元。收購完成後，Mobileye 將與英特爾的自動駕駛事業部合併，組成新的自動駕駛事業部。Mobileye 主要提供視覺無人駕駛技術以及大量自動駕駛視覺數據，收購 Mobileye 後英特爾很快補全了自身在視覺無人駕駛上的技術缺陷，也讓英特爾有能力在無人駕駛計算平臺市場上叫板英偉達。
另外，今年 10 月份，汽車行業 TIER 1 方案商德爾福汽車（Delphi Automotive）以 4.5 億美元收購自動駕駛軟件開發商 NuTonomy 去補全自身在無人駕駛軟件上的不足，從而可以提供完整的無人駕駛解決方案。
而另一家汽車行業 TIER 1 方案商大陸集團（Continental AG）最近也剛以 4 億美元收購以色列汽車網絡安全公司 Argus Cyber Security 去提高自身車聯網方向的安全性。
生態切入
今年一個特別有趣的事情是百度開源了 APOLLO 項目，把無人駕駛技術開源，期待以平臺的角度快速切入無人駕駛市場。雖然一些比較主流的無人駕駛企業對這個做法有顧忌，擔心被打平臺綁架，但是這個切入點可以幫助許多無人駕駛長尾企業快速補足技術差距。
APOLLO 初步的比較著名的合作方有 Lyft，因爲之前 Lyft 在無人駕駛基本零投入，使用 APOLLO 可以讓 Lyft 的技術團隊快速的瞭解無人駕駛技術，但是對百度來說存在的風險在於當 Lyft 對無人駕駛技術有比較好的理解後，可能會直接做集成，去採購不同的單點技術企業來整合，形成自身的技術壁壘。
我們也拭目以待谷歌是否也會開源自身的無人駕駛技術平臺。筆者感覺可能未必會，因爲有別於安卓，無人駕駛涉及的技術點太多，即使是開源，有能力整合的基本都是大平臺，留給長尾小企業，特別是缺乏技術能力的小企業機會並不多。
上游百花齊放
今年另一個特色是無人駕駛創業上游化，越來越多的初創公司主打的是一個單點技術，而 2016 年很多無人駕駛初創公司是以整車無人駕駛技術爲切入點，比如 PONY.AI，而今年很多互聯網公司定型無人車平臺後，估計會更多地尋求單點技術提供商。
特別接近年底，有許多家單點技術提供商出現，光是激光雷達領域，就出現了 AEye 發佈的 iDAR 傳感器，這是一種新型的用於自動駕駛車輛上的智能傳感器，可以收集數據，還可以進行快速動態感知，爲車輛系統提供決策依據。
百度系出身的 Innovusion 也宣佈提供分辨率達 300 線的可以實現激光雷達點雲與相機視頻數據在硬件層次的融合的新型激光雷達產品。另外，硅谷初創公司 Ouster 也宣佈他們的 64 線產品 OS1，OusterA 輪融資額達到 2700 萬美元，將投入到 OS1 的量產。從行業整體的發展來看，2017 年整個無人駕駛行業平臺化初現雛形，上游化明顯，單點技術機會會越來越多並且越來越細化。回想 2016 年跟投資人聊的時候，大家都比較關心整車技術方案，而且當時也大都不太看好單點技術提供商。
僅過去了一年，整個市場發生了很大的變化。無人駕駛的發展在政府政策與市場資金的扶植下極速發展，遠超之前的估計。除此之外，由於無人駕駛涉及國家安全，外企並不可以切入，從而也保護了國內的無人駕駛公司。筆者深信在無人駕駛行業，中國有很大的機會超越美國，成爲世界領先者。
單點技術的機遇
前面我們提到了無人駕駛產業發展的上游化，那麼無人駕駛有涉及了哪些技術點呢？我們通過 IEEE 智能汽車學術會議 IEEE Intelligent Vehicle 2017（IV 2017）去詳細瞭解一下。首先從傳感器來看，今年的 IV 大會涉及激光雷達技術的文章有 17 篇，涉及計算機視覺的文章 26 篇，涉及毫米波雷達的文章 3 篇，涉及 GNSS 定位系統的 1 篇。然後我們通過 IV 大會的各個 session 去了解一下細分方向：
1. 感知（Perception）：主要涉及的技術點包括場景理解、交通狀況分析、路面檢測、空間檢測、障礙物檢測、行人檢測、路沿檢測、車道檢測。還有一個比較新穎有趣的是通過胎壓去檢測道路質量。
2. 運動規劃（Motion Planning）：主要涉及的技術點包括運動規劃、軌跡規劃、速度規劃、運動模型。比較有趣的一些進展包括通過賽車遊戲去學習基於網格的運動規劃，重量級貨車的避障規劃，普世的適用於無人駕駛的雙輪模型等等。
3. 防碰撞（CollisionAvoidance）：主要涉及如何通過車內的感知系統以及V2X 系統去輔助防碰撞。比較有趣的一些進展包括如何實時地去評估當前駕駛行爲的危險性，如何通過當前道路的拓撲去增強自行車騎士的安全性等等。
4. 地圖與定位（Mapping andLocalization）：主要涉及如何通過不同的傳感器，包括激光雷達、視覺、GNSS，以及 V2X 去建圖與定位。比較有趣的一些進展包括如何在一些特殊的場景去定位，比如在長隧道里面，既沒有 GNSS 信號，也沒有太好的激光或者視覺特徵的時候如何定位。
5. 合作系統（CooperativeSystems）：主要涉及如何協同多個無人車去完成一些任務，比如在多個無人車同時在一個十字路口出現時如何調度，還有就是當有多個無人車同時在停車場試如何有序的停車。
6. 控制策略（Control Strategy）：主要研究在不同的細分場景下的控制策略，比如在十字路口如何控制，轉線如何控制，在感知數據不可靠時如何儘量安全的控制等等。
7. 車輛檢測與跟蹤（VehicleDetection and Tracking）：主要關注如何通過激光雷達、視覺，以及毫米波雷達進行車輛檢測與跟蹤。比較有趣的工作包括通過深度學習與深度視覺的結合進行車輛跟蹤，通過單目視覺深度學習去儘量估計車體大小，通過傳統視覺邊緣檢測方法去判斷是否車體等等。
8. 靜態物體檢測（Static ObjectDetection）：主要涉及通過視覺以及激光雷達去檢測一些靜態的物體，包括交通燈、交通指示牌、路沿、路面等等，每個物體品類的檢測都是一個細分方向。
9. 動態物體檢測（Moving ObjectDetection）：主要涉及通過視覺、激光雷達、毫米波雷達，以及傳感器融合的方法去檢測一些動態的物體，包括行人、車輛、自行車騎士等等，並根據這些動態物體的動作去預測行爲。
10. 道路與路口檢測（Road andIntersection Detection）：道路與路口檢測由於其特殊性以及對安全的影響，被單獨列出作爲一個細分的小方向。研究的前沿一般涉及一些細分場景，比如建築工地的檢測、停車位的檢測等等。
11. 決策系統（Planning andDecision）：主要涉及每個無人車的動作的決策，比如加速、剎車、換線、超車、調頭等等。研究的前沿一般涉及在高速行駛中如何安全的換線，在通過視覺理解了場景後如何決策，在感知信息缺失的時候（比如在隧道里面）如何決策等等。
12. 主動與被動安全（Active andPassive Safety）：主要涉及如何通過不同傳感器的感知去確保無人駕駛以及行人安全，比較有趣的一些研究包括通過對 CAN 總線的異常檢測去評估車輛的安全性，通過對停車場的視頻監控去訓練自動泊車模型等等。
13. 無人車與交通的交互（AutonomousVehicles: Interaction with Traffic）：主要研究無人車如何與現有的交通生態共存，特別是傳統車與無人車的共存。比較有趣的一些研究包括 V2X 虛擬交通標誌，通過視覺去評估旁邊車道司機的駕駛行爲等等。
14. 視覺定位（SLAM and VisualOdometry）：主要研究如何用視覺與激光雷達進行實時定位與建圖。比較有趣的一些研究包括視覺的線上校準，使用車道線進行實時定位與導航等等。
15. 環境學習與建圖（Mapping andLearning the Environment）：主要研究如何建立精準的環境信息圖。比較有趣的一些研究包括使用低空無人機去創建給無人駕駛使用的地圖，以及通過停車場監控攝像頭建立輔助自動泊車的地圖等等。
展望 2018
2017 年無人駕駛平臺初現雛形，特別是 BAT 每家都押注在一到兩家公司並提供大量資本，另外傳統車企也慢慢意識到傳統造車的週期過長，筆者預測 2018 傳統車企會蠢蠢欲動，很可能大舉出手收購整合。
所以做整車的企業需要發力找到自己的核心競爭力，在 BAT 之外殺出一片天或者與傳統車企整合。另外，平臺化公司由於競爭壓力與資本雄厚，會繼續推進單點技術的收購，筆者估計 2018 年的收購與投資會比 2017 年更進一步。
2017 年的收購與投資大多聚集在感知層面，而 2018 年，收購與投資很可能會發生在定位、地圖、安全、雲平臺、車聯網等方向。比如在高精地圖方向，雖然慢慢有不少初創公司出現，但是還是供不應求，筆者比較看好 DeepMap 在 2018 年會被大廠收購或者拿到比較大規模的融資。在無人駕駛安全方向，很奇怪在國內還沒有這方面的初創公司，但是如上文提到。大陸集團已經在這方面佈局以 4 億美元收購車聯網安全公司 Argus Cyber Security。在無人駕駛雲平臺方向，暫時也沒有太多初創公司在發展，很可能大家一致認爲雲平臺是大廠纔有機會切入，但是筆者認爲垂直切入一個行業是很有商業價值的，也很容易被非互聯網的傳統車企收購。
作者簡介：劉少山，PerceptIn聯合創始人。加州大學歐文分校計算機博士，研究方向：智能感知計算、系統軟件、體系結構與異構計算。現在PerceptIn主要專注於SLAM技術及其在智能硬件上的實現與優化。
