炼数成金 门户 商业智能 人工智能 查看内容

2017 年无人驾驶发展趋势:投资走向上游,行业发展走向细分

2018-1-2 11:20| 发布者: 炼数成金_小数| 查看: 12846| 评论: 0|原作者: 刘少山|来自: AI_Thinker
摘要: 2017 年国家对无人驾驶支持力度很大,比如工信部印发人工智能行动计划,智能网联汽车成培育重点,6 月份,工业和信息化部形成了《国家车联网产业标准体系建设指南(智能网联汽车)(2017 年)》(征求意见稿);12 ...
工具 模型 安全 开源 人工智能
2017 年无人驾驶大事回顾

政府支持
2017 年国家对无人驾驶支持力度很大,比如工信部印发人工智能行动计划,智能网联汽车成培育重点,6 月份,工业和信息化部形成了《国家车联网产业标准体系建设指南(智能网联汽车)(2017 年)》(征求意见稿);12 月份,工信部又印发了《促进新一代人工智能产业发展三年行动计划 (2018-2020 年)》,将智能网联汽车列为头等培育目标。

图1 工信部印发《促进新一代人工智能产业发展三年行动计划 (2018-2020 年)》

近期,国务院也发布了《关于深化“互联网+先进制造业”发展工业互联网的指导意见》,强调要“推动互联网、大数据、人工智能和实体经济深度融合,发展先进制造业,支持传统产业优化升级”。这些国家级政策对无人驾驶在我国的落地十分利好,各地政府应该也会在政策上跟进去扶持无人驾驶的发展。

共享无人驾驶发展
笔者一直相信无人驾驶的较好的盈利方式是运营城市级别的无人驾驶交通系统,而不是单纯的卖车。在笔者看来,Tesla 的终极目标是做运营,而不是卖车,只是在卖车的同时以众包的方式收集大量数据为运营做准备,这样可以去除数据收集车队的运营成本。

图2 Waymo在美国菲尼克斯运营的无人驾驶车

今年,谷歌旗下的 Waymo 也开始在美国菲尼克斯大都市区运营无人驾驶叫车服务。这种商业模式直接伤害的是以 Uber、Lyft 以及滴滴为主的运营商。因此,Uber 则向沃尔沃订购了 2.4 万辆 XC90 型号 SUV 作为无人驾驶车队尝试运营,而 Lyft 在硅谷也开始大举投入无人驾驶研发,而在这方面,滴滴虽然在硅谷组建了无人驾驶团队,但是投入的力度似乎还不大。

也可能滴滴内部数据觉得无人驾驶普及还需要很久,通过观望与收购可以快速补全技术上的不足。但是滴滴、UBER、Lyft 为主的运营商有一个巨大优势,就是云端的多车调度平台已经很成熟,只要把无人驾驶端的技术完善,是很容易切入并占领共享无人驾驶市场的。

互联网驱动的造车企业井喷
中国近两年冒起的新的造车企业已经突破了 60 家,而且还在继续增多。有趣的是,互联网公司在这轮造车扮演了非常重要的角色。

比如蔚来汽车由李斌、刘强东、李想、腾讯、高瓴资本、顺为资本等互联网企业与企业家联合发起创立,并获得淡马锡、百度资本、红杉、厚朴、联想集团、华平、TPG、GIC、IDG、愉悦资本等机构投资。而 UC 创始人何小鹏、58 同城 CEO 姚劲波、猎豹移动 CEO 傅盛等人成立了小鹏汽车。威马汽车也完成了百度领投的新一轮融资,并亮相了首款产品 EX-5。

另外由车企外籍高管成立的 FMC,也推出了电动车品牌拜腾。值得一提的是,BAT 布局车体企业基本定型,百度主导了威马汽车,阿里巴巴主导了小鹏汽车,而腾讯主导了蔚来汽车。所以基本上车的载体定型后,投资与收购方面会向单点技术,而不是整车企业推进。

值得一提的是法拉第未来以及乐视汽车,试图从整车角度切入无人驾驶,但是从目前的布局看来,应该是个失败的项目了。

收购与投融资
今年是无人驾驶投融资大年,投资主题都是大平台投资或者吞并单点技术或者方案提供商。今年初,福特宣布斥资 10 亿美元给Argo AI。Argo AI 由谷歌和优步的“退伍老兵”创办,Argo AI 为无人驾驶提供软件系统以及 AI 平台解决方案,与福特形成很好的互补,可以加速福特的无人驾驶进程。

图3 intel & Mobileye

今年 3 月,英特尔收购自动驾驶领域公司 Mobileye,出价 150 亿美元,约合 1036 亿人民币。随后,英特尔和 Mobileye 发布联合申明,确定双方已签署最终收购协议,并将在 9 个月内完成收购工作。英特尔估计,到 2030 年,自动驾驶相关市场容量将达 700 亿美元。收购完成后,Mobileye 将与英特尔的自动驾驶事业部合并,组成新的自动驾驶事业部。

Mobileye 主要提供视觉无人驾驶技术以及大量自动驾驶视觉数据,收购 Mobileye 后英特尔很快补全了自身在视觉无人驾驶上的技术缺陷,也让英特尔有能力在无人驾驶计算平台市场上叫板英伟达。

另外,今年 10 月份,汽车行业 TIER 1 方案商德尔福汽车(Delphi Automotive)以 4.5 亿美元收购自动驾驶软件开发商 NuTonomy 去补全自身在无人驾驶软件上的不足,从而可以提供完整的无人驾驶解决方案。

而另一家汽车行业 TIER 1 方案商大陆集团(Continental AG)最近也刚以 4 亿美元收购以色列汽车网络安全公司 Argus Cyber Security 去提高自身车联网方向的安全性。

生态切入
今年一个特别有趣的事情是百度开源了 APOLLO 项目,把无人驾驶技术开源,期待以平台的角度快速切入无人驾驶市场。虽然一些比较主流的无人驾驶企业对这个做法有顾忌,担心被打平台绑架,但是这个切入点可以帮助许多无人驾驶长尾企业快速补足技术差距。

图5 Apollo仿真平台

APOLLO 初步的比较著名的合作方有 Lyft,因为之前 Lyft 在无人驾驶基本零投入,使用 APOLLO 可以让 Lyft 的技术团队快速的了解无人驾驶技术,但是对百度来说存在的风险在于当 Lyft 对无人驾驶技术有比较好的理解后,可能会直接做集成,去采购不同的单点技术企业来整合,形成自身的技术壁垒。

我们也拭目以待谷歌是否也会开源自身的无人驾驶技术平台。笔者感觉可能未必会,因为有别于安卓,无人驾驶涉及的技术点太多,即使是开源,有能力整合的基本都是大平台,留给长尾小企业,特别是缺乏技术能力的小企业机会并不多。

上游百花齐放
今年另一个特色是无人驾驶创业上游化,越来越多的初创公司主打的是一个单点技术,而 2016 年很多无人驾驶初创公司是以整车无人驾驶技术为切入点,比如 PONY.AI,而今年很多互联网公司定型无人车平台后,估计会更多地寻求单点技术提供商。


图6 敏捷型激光雷达(AEye’s iDAR)

特别接近年底,有许多家单点技术提供商出现,光是激光雷达领域,就出现了 AEye 发布的 iDAR 传感器,这是一种新型的用于自动驾驶车辆上的智能传感器,可以收集数据,还可以进行快速动态感知,为车辆系统提供决策依据。

百度系出身的 Innovusion 也宣布提供分辨率达 300 线的可以实现激光雷达点云与相机视频数据在硬件层次的融合的新型激光雷达产品。

另外,硅谷初创公司 Ouster 也宣布他们的 64 线产品 OS1,OusterA 轮融资额达到 2700 万美元,将投入到 OS1 的量产。从行业整体的发展来看,2017 年整个无人驾驶行业平台化初现雏形,上游化明显,单点技术机会会越来越多并且越来越细化。回想 2016 年跟投资人聊的时候,大家都比较关心整车技术方案,而且当时也大都不太看好单点技术提供商。

仅过去了一年,整个市场发生了很大的变化。无人驾驶的发展在政府政策与市场资金的扶植下极速发展,远超之前的估计。除此之外,由于无人驾驶涉及国家安全,外企并不可以切入,从而也保护了国内的无人驾驶公司。笔者深信在无人驾驶行业,中国有很大的机会超越美国,成为世界领先者。

单点技术的机遇
前面我们提到了无人驾驶产业发展的上游化,那么无人驾驶有涉及了哪些技术点呢?我们通过 IEEE 智能汽车学术会议 IEEE Intelligent Vehicle 2017(IV 2017)去详细了解一下。首先从传感器来看,今年的 IV 大会涉及激光雷达技术的文章有 17 篇,涉及计算机视觉的文章 26 篇,涉及毫米波雷达的文章 3 篇,涉及 GNSS 定位系统的 1 篇。然后我们通过 IV 大会的各个 session 去了解一下细分方向:

1. 感知(Perception):主要涉及的技术点包括场景理解、交通状况分析、路面检测、空间检测、障碍物检测、行人检测、路沿检测、车道检测。还有一个比较新颖有趣的是通过胎压去检测道路质量。

2. 运动规划(Motion Planning):主要涉及的技术点包括运动规划、轨迹规划、速度规划、运动模型。比较有趣的一些进展包括通过赛车游戏去学习基于网格的运动规划,重量级货车的避障规划,普世的适用于无人驾驶的双轮模型等等。

3. 防碰撞(CollisionAvoidance):主要涉及如何通过车内的感知系统以及V2X 系统去辅助防碰撞。比较有趣的一些进展包括如何实时地去评估当前驾驶行为的危险性,如何通过当前道路的拓扑去增强自行车骑士的安全性等等。

4. 地图与定位(Mapping andLocalization):主要涉及如何通过不同的传感器,包括激光雷达、视觉、GNSS,以及 V2X 去建图与定位。比较有趣的一些进展包括如何在一些特殊的场景去定位,比如在长隧道里面,既没有 GNSS 信号,也没有太好的激光或者视觉特征的时候如何定位。

5. 合作系统(CooperativeSystems):主要涉及如何协同多个无人车去完成一些任务,比如在多个无人车同时在一个十字路口出现时如何调度,还有就是当有多个无人车同时在停车场试如何有序的停车。

6. 控制策略(Control Strategy):主要研究在不同的细分场景下的控制策略,比如在十字路口如何控制,转线如何控制,在感知数据不可靠时如何尽量安全的控制等等。

7. 车辆检测与跟踪(VehicleDetection and Tracking):主要关注如何通过激光雷达、视觉,以及毫米波雷达进行车辆检测与跟踪。比较有趣的工作包括通过深度学习与深度视觉的结合进行车辆跟踪,通过单目视觉深度学习去尽量估计车体大小,通过传统视觉边缘检测方法去判断是否车体等等。

8. 静态物体检测(Static ObjectDetection):主要涉及通过视觉以及激光雷达去检测一些静态的物体,包括交通灯、交通指示牌、路沿、路面等等,每个物体品类的检测都是一个细分方向。

9. 动态物体检测(Moving ObjectDetection):主要涉及通过视觉、激光雷达、毫米波雷达,以及传感器融合的方法去检测一些动态的物体,包括行人、车辆、自行车骑士等等,并根据这些动态物体的动作去预测行为。

10. 道路与路口检测(Road andIntersection Detection):道路与路口检测由于其特殊性以及对安全的影响,被单独列出作为一个细分的小方向。研究的前沿一般涉及一些细分场景,比如建筑工地的检测、停车位的检测等等。

11. 决策系统(Planning andDecision):主要涉及每个无人车的动作的决策,比如加速、刹车、换线、超车、调头等等。研究的前沿一般涉及在高速行驶中如何安全的换线,在通过视觉理解了场景后如何决策,在感知信息缺失的时候(比如在隧道里面)如何决策等等。

12. 主动与被动安全(Active andPassive Safety):主要涉及如何通过不同传感器的感知去确保无人驾驶以及行人安全,比较有趣的一些研究包括通过对 CAN 总线的异常检测去评估车辆的安全性,通过对停车场的视频监控去训练自动泊车模型等等。

13. 无人车与交通的交互(AutonomousVehicles: Interaction with Traffic):主要研究无人车如何与现有的交通生态共存,特别是传统车与无人车的共存。比较有趣的一些研究包括 V2X 虚拟交通标志,通过视觉去评估旁边车道司机的驾驶行为等等。

14. 视觉定位(SLAM and VisualOdometry):主要研究如何用视觉与激光雷达进行实时定位与建图。比较有趣的一些研究包括视觉的线上校准,使用车道线进行实时定位与导航等等。

15. 环境学习与建图(Mapping andLearning the Environment):主要研究如何建立精准的环境信息图。比较有趣的一些研究包括使用低空无人机去创建给无人驾驶使用的地图,以及通过停车场监控摄像头建立辅助自动泊车的地图等等。

展望 2018
2017 年无人驾驶平台初现雏形,特别是 BAT 每家都押注在一到两家公司并提供大量资本,另外传统车企也慢慢意识到传统造车的周期过长,笔者预测 2018 传统车企会蠢蠢欲动,很可能大举出手收购整合。

所以做整车的企业需要发力找到自己的核心竞争力,在 BAT 之外杀出一片天或者与传统车企整合。另外,平台化公司由于竞争压力与资本雄厚,会继续推进单点技术的收购,笔者估计 2018 年的收购与投资会比 2017 年更进一步。

2017 年的收购与投资大多聚集在感知层面,而 2018 年,收购与投资很可能会发生在定位、地图、安全、云平台、车联网等方向。比如在高精地图方向,虽然慢慢有不少初创公司出现,但是还是供不应求,笔者比较看好 DeepMap 在 2018 年会被大厂收购或者拿到比较大规模的融资。

在无人驾驶安全方向,很奇怪在国内还没有这方面的初创公司,但是如上文提到。大陆集团已经在这方面布局以 4 亿美元收购车联网安全公司 Argus Cyber Security。

在无人驾驶云平台方向,暂时也没有太多初创公司在发展,很可能大家一致认为云平台是大厂才有机会切入,但是笔者认为垂直切入一个行业是很有商业价值的,也很容易被非互联网的传统车企收购。

作者简介:刘少山,PerceptIn联合创始人。加州大学欧文分校计算机博士,研究方向:智能感知计算、系统软件、体系结构与异构计算。现在PerceptIn主要专注于SLAM技术及其在智能硬件上的实现与优化。

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754
1

鲜花

握手

雷人

路过

鸡蛋

刚表态过的朋友 (1 人)

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

  GMT+8, 2018-1-19 04:39 , Processed in 0.116256 second(s), 26 queries .