无人驾驶的一天终究会来，届时交通的安全性可以得到大幅度提升，汽车行业也会发生颠覆性的变化，也许2022年将实现这一目标。

人工智能概念很早就有了，但之前做的都不是特别好，因为之前都是人去教育机器，然后再让机器为人做判断。直到近几年才有的深度学习功能，人工智能进入了高速发展阶段，深度学习算法已经成为了无人驾驶的基石，用深度学习来做决策和感知将很快的把无人驾驶的能力提升在人类驾驶员之上。

无人驾驶的研发，从深度学习在无人驾驶的应用程度来看，存在着两个不同的流派。一个传统汽车厂商，他们在十几年前就开始研究自动驾驶技术，其主要目的是通过主动驾驶来帮助人们提升汽车的安全性和操控性。二是互联网，以百度、谷歌为代表，利用深度学习研究无人驾驶。

从深度学习在无人驾驶的应用方式来看，也有两种方案：一是以摄像头为基础的方案，比如mobileye,他们是全球最大的高级驾驶辅助系统系统供应商，前不久，英特尔斥资153亿美元收购了这家公司。他们以感应器为基础领域领域进行了非常好的深度学习，但是在决策系统上并没有应用深度学习，目前只能应用于半自动驾驶。另外还有一家值得关注的自动驾驶技术研发公司，Drive ai，他们表现的的比较激进，是直接从传感器出来的信号输出成为自动驾驶的决策，相当于给车辆安上了一个能够让车理解周围环境并安全行驶的大脑。目前，这类方案已经在做验证，只需要通过大量的路测来证明其技术的可靠性。

无人驾驶之所以可能在三到五年内被实现，主要是基于这几个技术的突破。

第一，深度学习的算法成为了无人驾驶的基石。用深度学习来做决策和感知将会很快的把无人驾驶的能力提升在人类驾驶员之上，比如说，去年阿法狗帮着教育了很多高科技行业之外的包涵整车厂的领导，甚至是芯片厂商公司。再比如说，速锐得为中汽研研究氢能源动力汽车的整车控制策略，提供了绝对大部分汽车传感器的数据和报文。

第二，传感器的换代和传感器的融合技术的升级。传感器技术在这两年有突破性的提高，使得无人驾驶在深度学习和新型传感器上，得到一个非常广泛、非常好的突破。

第三、硬件的升级，打造云端汽车大脑。当汽车大脑拥有了这样的计算能力之后，就可以把 学习算法和这个模型放到车上，然后在汽车自己驾驶的过程中，走一些实时的判断和决策。其中非常关键的是基础决策，他是通过摄像头、激光雷达感知，对很多物体作出判断，这个判断要用到速锐得的一些数据做一些评比，综合算法，看一看在大量数据里这个决策的准确性。

第四，无人驾驶技术还需要一个非常重要的能力，就是数据收集。俗称为样本采集。如果一个公司在做无人驾驶，无人驾驶的车队有多大很重要，因为每个车队的规模会影响到他这个车子开得好坏，也就是数据收集的大小，样本足够多，足够大，深度学习的算法越准。就当下，采用4G网络，已经可以将大部分的数据、摄像头照片，发回云端做很大的样本采集，涉及的车型不同，在总线数据上的采集方式也多种多样，那么，无人驾驶的数据采集终端也会得到业内的的很重视，因为数据的采集能力，决定着深度学习。

结合项目背景和区块链技术的发展，引申到汽车智能、大数据、物联网等领域，随着我市开放态度和众多顶级人才进入到智能驾驶、人工智能领域，许多核心技术点上的差异已逐渐被拉平，大家在绝对技术水平上的差距不断缩小，而解决实际问题的能力却会越来越显著，这里面的核心就是数据。

纵观国外，这方面最有优势的还是特斯拉，因为它是让所有装配了Autopilot(世界首个量产的辅助驾驶系统)的车、让用户天天在真实生活场景中，为自己积累数据。目前特斯拉累计销量已超过20万辆，其中大部分车都配备了Autopilot硬件 

7月份，特斯拉高管公布，全球特斯拉电动车行驶里程已经超过了80亿公里。据外媒报道，即便车主没有启动Autopilot，它仍处于“影子模式”，传感器会捕捉数据，自动驾驶的算法会在后台做出自己的判断，但并不会真的去操控汽车。每辆特斯拉电动车都具备联网功能。最近，特斯拉甚至要求车主同意上传车载摄像头捕捉的视频数据。

特斯拉CEO Elon Musk 在其“蓝图计划Part 2”中写道：我们预计，获得世界各地监管部门批准，需要积累大约60亿英里(接近100亿公里)的自动驾驶里程。当下，业内达成的共识是，想要提升算法，就要拿海量的驾驶里程来填充。不跑完足够多的里程，不知道这世界究竟多大。

目前自动驾驶车辆的学习里程才刚刚超过每天300万英里(接近500万公里)。所以才会有谷歌多年来派出普锐斯、雷克萨斯、考拉车、克莱斯勒等各种车队去实路测试，才会有Uber急切地在匹兹堡、旧金山投放自动驾驶测试车队，甚至不惜和美国加州当地车管局撕破脸。

国际大趋势如此，国产厂商自然也不甘落后，2016年4月，长安自动驾驶汽车完成了2000km高速公路路试;而早在2011年7月14日，红旗HQ3无人车就历时3小时22分钟，完成了从长沙到武汉286km的高速全程无人驾驶实验;2016年6月，国内首个无人驾驶示范基地在上海嘉定国际汽车城开园，而国内首个无人驾驶测评基地也将落户同济大学嘉定校区。同时，上汽集团和同济大学也已正式签订合作协议，共建超过1200亩的测评基地，这里有望诞生国内首套无人驾驶的认证体系。

从李彦宏坐着无人驾驶的jeep自由光，自五环一路开到北京国际会议中心事实释放了一个核心信号：做一个在理想状态下运行的demo车对于很多团队来说也许并不难，但是要解决极限工况下自动驾驶车辆如何应对的问题，在没有相关数据可训练的情况下，只怕再强的技术也是纸上谈兵。

2018年5月25日深圳发布《智能网联汽车道路测试管理规范（试行）》实施意见，该《实施意见》是贯彻落实《工业和信息化部、公安部及交通运输部关于印发智能网联汽车道路测试管理规范（试行）的通知》（以下简称《管理规范》）的要求，进一步细化了我市申请道路测试的条件，明确了审核申请的流程及有关部门的职责分工。

2018年3月16日，深圳交委发布《深圳市关于规范智能驾驶车辆道路测试有关工作的指导意见(征求意见稿)》，并公开征求意见。

2017年12月2日，4台“阿尔法巴智能驾驶公交系统”的深圳巴士集团公交车在福田保税区首发试运行。

2017年10月底，在南科大等地实验两条无人驾驶线。

由深圳市政府指导、中国电动汽车百人会主办的“2018GIV全球智能汽车前沿峰会” 将吸引来自政府、院校、知名企业、初创团队以及金融机构的500余名代表参与。中国电动汽车百人会理事长陈清泰、中国工程院院士陈清泉、加州大学戴维斯分校交通研究所创始主任Dan Sperling等顶级专家，以及华为、腾讯、大陆、博世、通用、百度等知名企业代表将分别从技术、应用、示范、通信等角度出发，对视觉感知、智能网联、人工智能、智能驾驶测试与生态、5G与车路协同等话题，进行全方位的深度探讨，传递一个重要信息：

无论是什么样的自动驾驶方案，最终是要用在车上，从当下多数车企的表态看，2020年对于自动驾驶的初步实现是个坎，多家汽车厂商都宣布在这个时间节点要推出自己的完全自动化驾驶车型。但自动驾驶的真正实现依然是一个实践难度极高的系统工程，需要传感器、算法、执行单位的共同配合，更何况当下对AI技术依赖越来越深，目前没有任何一个车企能独立完成。

去年3月，通用宣布斥资近6亿美元投资自动驾驶创业公司Cruise Automation。当时Cruise是一个40余人的小团队，此举当时曾引发了业内争议，特斯拉曾斥责该起收购引发了自动驾驶业界的泡沫化。

今年2月11日，福特宣布向当时成立不足3个月的自动驾驶创业公司Argo.ai投资10亿美元，虽然官方表述中没有出现“收购”的字眼，但Argo.ai与福特达成了排外性合作，双方将共同开发福特虚拟司机系统，目标是帮助福特在2021年前交付自动驾驶汽车。

通用去年的决策费用贵是贵了点，但Cruise对推动通用自动驾驶汽车商业化所做的贡献不言而喻。这也是福特效仿的原因之一。这两个案例有着诸多相似之处，Argo.ai和Cruise在被收购之初都是手握顶ji技术人才、急需资本和资源的创业公司;通用和福特都在整车制造和供应链管理方面拥有丰富的经验，但在开辟新业务时大公司病严重，决策效率低下。

对于自动驾驶技术的研发，丰田可能是目前最低调的厂商之一，但曝光少并不意味着丰田真的无动于衷，2014年，丰田确实说过出于安全考虑暂时不搞无人驾驶。但这话你能信?转个身，丰田就在2015年给自动驾驶项目拨了10亿美元的预算。

7月17日，丰田宣布成立自己的人工智能技术风险投资公司Toyota AI Ventures。这家新成立的风险投资公司将致力于人工智能技术初创领域的投资。目前，该公司已经收到首笔来自丰田研究院(TRI)的1亿美元原始启动资金。

截止到目前，这家风投公司已经对3家初创企业投资。它们分别为来自于硅谷的Nauto公司，其主要为那些监控司机和道路环境的企业设计开发系统，从而阻止事故发生和不良驾驶习惯。另一家是来自英国的SLAMcore公司，其主要为智能技术开发算法，服务对象包括无人机和无人驾驶汽车，比如其开发的算法能够帮助汽车用户形成基于自己周边环境和位置的地图;最后一家是来自以色列的Intuition Robotics公司，这是一家从事机器人生活伴侣技术研发的初创公司。

丰田章男最近的表态鲜明地表达了当下大多数车企下重注AI、算法、机器人初创公司的用意：“丰田要在同一时间内采取进攻和防守兼备的策略”。作为一家有近80年发展历史的汽车制造商，丰田将考虑其他各种可能的发展方向，包括合作、并购和收购等方式。其最终目的，就是要进一步提高丰田汽车公司的竞争力，而回顾通用、福特的做法，又何尝不是用心良苦。

自动驾驶的本源是打造安全的系统，根据美国2015年所做的里程统计数据，全年美国的汽车总行使里程4.8万亿公里，平均每200万公里出现一次受伤事故；平均每1.47亿公里出现一次致死事故。这都足以证明人类的驾驶水平是了不得的。如果以平均每200万公里（出现一次受伤事故）为例，北京到上海的距离约为1200公里，我们需要开800多个往返不出现一个受伤事故，才可能从平均水平上证明自动驾驶比人类驾驶安全。再说“系统”。自动驾驶系统有三部分组成：感知、决策、执行。当然，量产的自动驾驶功能绝不是这三者的简单叠加，在“安全和系统”之外，自动驾驶最重要的是冗余的系统。

自动驾驶所有核心的零部件包涵在感知层面有毫米波雷达、激光雷达、单目摄像头、双目摄像头、超声波传感器、轮速传感器、加速度传感器、陀螺仪惯导、定位传感器等；在中央决策层面，有ADAS驾驶辅助预控制器，自动驾驶预控制器、整车控制器；在执行层面，有转向系统、制动系统、发动机管理系统。

国内最近几年，中国本土自动驾驶领域的创新创业呈现出“群雄并起”的趋势。据不完全统计，从北京到深圳，已有超过十家自动驾驶技术方案提供商陆续获得了多轮融资。自动驾驶的眼睛“双目模组”到自动驾驶的大脑“车载ECU车载电脑，涉及了图形转换矢量，环境监测、场景模型、车况数据，驾驶模型、自动驾驶操作系统算法及决策等关键业务方案。所以自动驾驶决策部分的特点是，龙头多、技术点繁杂，需要大资源、大技术、大资本，才能投入下一个环节，所有的机器学习，大多停留在信息采集阶段，而这个阶段的信息采集，绝大多数基本都是处于摄像头将图线变成矢量，然后存储起来。汽车背后的主机非常巨大，相当于一台高容量存储的服务器。

如果按照单台车以30Hz的频率采集320*320的图像，十分钟生成一个压缩包图片库的速度来算，2小时内的行驶将产生4个GB的图片数据，结合边缘算法在本地实现处理还需要将图片通过蜂窝网络（4G,5G）上传到云服务器做深度分析。车子在路上跑的时候，通过V8这类也在不断的采集数据，而这些数据可以支撑我们做进一步的安全验证。

I.MX6集成了FlexCAN、MLB总线、PCI Express®和SATA-2，具有卓越的连接性，同时集成LVDS、MIPI显示器端口、MIPI摄像机端口和HDMI v1.4，是先进的消费电子、汽车和工业多媒体应用的理想平台。

SK32作为与汽车总线交互的核心处理，采用的Cortex-M4的内核，并带有以太网的接口，将适应未来所有车型。

两个主处理器都满足AEC-Q100,满足车规级的要求，未来可以在所有汽车领域大量应用。

我们利用I.MX6解决了高速视频拍摄及解压，通过高通4G模组将S32K采集的CAN总线数据和外围GPS等SENSOR将数据传给服务器。主要解决从采集端到决策端的数据问题，通过采集到的车速、转向角度、档位信息等汽车CAN总线数据建立驾驶模型，建立样本。

智能驾驶实验平台软件架构示意图

应用服务层：智能驾驶实验平台软件网关自身带视频解析和呈现，主要功能均通过服务的方式对外提供，包括运行在CAN网关上的总线数据、远程升级服务、本地数据处理、应用平台部署、安全服务监测及其他扩展服务。应用框架层：应用框架层主要提供应用服务运行所需的执行环境，包括Java虚拟机(Java运行环境)、Web服务引擎、开发包、MQTT安全模块及其他扩展开发包。组件层：组件层主要提供网关系统运行所需的各核心功能模块，包括：电源模块组，完成与S32K、I.MX6、4G通讯模组等电源供电功能；S32K模块组，完成CAN协议解析、电压转换，数据解析、数据组包等功能；管理模块组，完成4G网络射频信号接收、设备GPS定位、外部蓝牙连接等管理功能。Linux&驱动层：主要包括Linux操作系统和平台驱动，是网关运行的基础，包括主芯片驱动以及各种网络驱动，如WiFi、蓝牙、串口等。人工智能技术是在计算机技术上发展起来的一门学科和技术，是在计算机平台上模拟人的大脑进行图像和数据的智能分析和处理，使用计算机来代替人类的工作，从而有效的减少人力资源的投入，将控制成本控制在最低。人类的大脑本身就是最精密和复杂的系统，人工智能技术是对人类大脑思考的过程进行模拟和模仿，从而实现人工控制的智能化。人工智能化技术在不断发展的同时，在各个领域包括智能汽车中的自动驾驶的控制中也得到了广泛的应用。人工智能的最大优势就是可以对信息进行收集和处理，代替人类进行大量的运算。

人工智能的直接控制

跟踪阶段的算法实现原则是利用连续帧间的时间连续性以及当前帧中检测目标在下一帧中的空间相关性，达到检测的实时性和稳定性。涉及到的方法有：

（1）基于对比度分析的方法

基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取，识别和跟踪目标。这类算法按照跟踪参考点的，不同可以分为边缘跟踪、形心跟踪和质心跟踪等。这类算法不适合复杂背景中的目标跟踪。

（2）基于匹配的方法

 基于匹配的方法包括特征匹配、贝叶斯跟踪和均方漂移（Mean Shift, MS）。贝叶斯跟踪框架根据对运动分布描述能力的大小，依次分为卡尔曼滤波（Kalman Filter, KF）、粒子滤波（Particle Filter, PF）、隐马尔科夫模型(HMMs)和动态贝叶斯模型（DBNs），这些算法的主要区别参考文献。

（3）基于TLD的方法

 TLD（Tracking-Learning-detection）是一种近几年较为流行的框架，集检测、跟踪与在线学习于一体，实现检测器的在线学习和更新，达到对目标长期跟踪的效果。该算法与传统跟踪算法的显著特点在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。同时，通过一种改进的在线学习机制不断更新跟踪模块的“显著特征点”和检测模块的目标模型及相关参数，从而使得跟踪效果更加稳定、可靠。但不足之处是只适应于单目标跟踪。

目前已经取得2项实用新型专利，分别是《控制汽车门锁和车窗的装置》，专利号ZL201621280342.4和《基于汽车挡风玻璃投射显示的新型导航设备》，专利号ZL201320310820.1。目前已经获得5件软件著作权：

速锐得与多家企业、科研院、高等院校汽车相关进行了合作：

8.1 速锐得与中山大学王翔教授为创世纪汽车集团进行相关TSP远程管理服务系统的项目开发。

8.2 速锐得与复旦大学保险研究所赵蕊针对车联网UBI保险进行了深度的合作与开发。

8.3 速锐得与中期大学汽车院苏炎召针对汽车车速、转向角度及相关CAN总线产品的开发，用于ADAS高级驾驶辅助系统领域。

8.4 速锐得与重庆邮电大学杨老师合作，为长安提供分时租赁TBOX终端产品，目前已经在长安新能源车落地实施。

8.5 速锐得与国家计量局、环保局、中国汽车研究中心共同制订了《远程排放管理车载终端的技术要求及通讯格式》，针对重型卡车远程排放做了严格的要求，出台了DB11/1475-2017 《重型汽车排气污染物排放限值及测量方法》。

8.6 速锐得与武汉大学祝勇共同开发了车联网管理系统，针对视频采集图片转变矢量图进行了相关开发，主要应用于车道偏移预警。

8.7 速锐得与北京工业大学孙教授、刘轩、伍毅平共同开发了车载AI大脑，采集车速、转向角度信息，应用于商用物流卡车的主动安全驾驶与机器学习。

8.8 速锐得与中国汽车技术研究中心共同研究丰田氢能源汽车原理及测试方法，按照国家科技局、经信委的要求，购买了测试设备，针对整车做全车数据测试。

8.9 速锐得为中宝（宝马）集团开发了远程控制汽车门锁灯窗的远程控制系统，采集了车内红外动态警告数据，为宝马（中国）集团奠定了汽车安全的数据管理系统安全基石。

8.10 速锐得为上汽集团车享网开发了“车享宝盒”，为上汽车联网大数据商业应用的萌芽提供了坚实的数据基础。

速锐得科技的总线技术处于国际领先水平，核心技术拥有自主知识产权，承担并完成了多项国家级、省、市重点科技项目，参与起草了《重型汽车排气污染物排放限值及测量方法》等多项国家和地方标准。

目前市面上的智能汽车、人工智能算法及数据采集主要还是以图片采集为主，只能做到相关的驾驶辅助，无法达到L3级别的自动驾驶及智能化汽车水平，大多是放置在汽车后备箱的电脑主机，主要是收集大量数据，对于新型终端国家并没有针对硬件相关提出了相关要求。通过汽车CAN总线数据基础用于决策的，目前行业内并没有切实可行的企业在做，一方面，是汽车CAN总线技术本身的壁垒比较高，二是车型非常复杂，三是能将视频图片数据与总线数据结合的企业，全球屈指可数。行业内很多“山寨盒子”可以通过硬线接入汽车传感器的方式在不同的ECU节点采集不同的数据，但是也给汽车安全带了严重的影响，曾经有不少客户因为采用接线的方式导致电气故障烧毁汽车，只有采用免接线即总线的接入方式，才能保证安全与数据的实时性。图片大多只是基于摄像头，将摄像头采集的图片转换为矢量图，有一定的算法，但是壁垒不高。

申万宏源研究在分析趋势时指出，2018年是车载TBOX的“莽荒出位期”，在4月份之后甚至是“集体暴动”的状态。V8与主机通过Canbus通信，实现指令与信息的传递，包括车辆状态信息、车速、转向角度状态信息、控制指令等，通过后台系统以数据链路的形式高速与云端实现双向通信，预测5年内该系统下的智能驾驶、自动驾驶用户将达千万规模。

预计本项目在2年执行期内预计可产生销售收入4000万元，实现利润1260万元，纳税400万元。项目5年内预计可实现销售收入2.5亿元，利润近6000万元，纳税近2000万元。

优秀的人才是企业的根本。公司制定了一系列行之有效的选、用、育、留人才的政策，激励员工为公司的目标而努力奋斗，达到企业与员工双赢。公司在制订薪酬政策时充分考虑短期、中期、长期报酬关系。薪酬包括工资，奖金、期权福利补贴等。

为了顺利实施本项目，拟新增技术开发人员13名，因项目实施新增就业人员7人。公司专门还组织了一个技术骨干团队，对新员工进行系统的培训，以确保技术梯队的健康发展。

未来的十年，汽车产业将会以电动化、智能汽车、智能城市等为主题。未来的汽车进一步提高基于无人驾驶的网约车、出租车在全球的网联化；V8基于汽车CAN总线将深度结合智能汽车底层技术，帮所有的出行公司、自动驾驶公司、大数据公司收集汽车驾驶数据，结合他们的新调度系统等服务更快带到全球各个角落。

我们已有像滴滴一样的自动驾驶客户、共享汽车小明出行已经布局了自动驾驶，我们通过一个个试点项目，将V8的数据传输到云端，通过V8安装在这些出行公司、自动驾驶公司、大数据公司运营的100万辆汽车里，来分析驾驶模式，建立基于位置、环境、驾驶习惯的模型，以更好地提供人工智能调度等汽车网联服务。

作为阶段性研发成果，今年6月地，我们开始在北京北京联合测试新的V8系统。V8利用智能手机、出租车位置、天气模式等因素的数据来确定网约车、共享车的最有效分布。

除了提高调车效率、增加利润，V8也将充分利用其汽车服务平台「TSP」上收集到的车辆数据，在国内完善、在日韩扩张，它的驾驶数据联动型汽车保险，还有面向融资租赁司机的金融产品、预测性维护等服务、可控的网约车认证等多方面的问题。

同时， 实时的驾驶数据和视频也有利于平台公司构建动态地图，加快自动驾驶研发模型样本及更新进度。

在未来的汽车服务平台为拼车、租车、共享车、网约车等公司提供一套全流程学习系统，来为他们进行一体化的服务，其中包括汽车的管理、利用、分析等定制功能。除了上述汽车服务外，平台中也包含和汽车远程信息处理保险公司、身份识别公司、CRM 管理公司等各种基于数据的服务公司的合作。例如，今年 1 月，丰田汽车和保险公司 Aioi Nissay Dowa 推出了日本首个和驾驶行为相关的汽车远程信息处理保险。

它的原理是：在车辆上搭载 V8后，V8可以和云进行频繁通讯，将司机的驾驶技术、车辆情况、交通路况等信息进行数字化处理。集成的大数据将被放入云系统被管理、分析，而第三方企业接入的话，则可以利用这些信息提供服务。

这些数据不仅可以方便于地图的实时更新、车载系统软件的 OTA 更新，还能基于联网汽车的行驶数据判断汽车每月的行驶里程、驾驶特点，然后针对它们提供定制的保险优惠策略。

国内乃至东南亚市场潜力大，早已是巨头资本角逐的地带。泰国有本田、丰田、马自达等多类传统车厂，国内已经百花齐放，他们对数据的重视程度越来越高、希望通过数据搭建新生态的服务型公司，2018 年 CES 上成立了「e-Palette Alliance」。在这个联盟里，首批合作伙伴包括滴滴出行、马自达、亚马逊、必胜客、Uber，整车厂、出行平台、电商、餐饮，涵盖了车辆供应方、运营平台、商户等多方面力量。

总的来说，算法、传感器、计算硬件、基础决策、数据的收集能力等都都会影响无人驾驶技术的发展，基于这几个技术的发展，无人驾驶系统逐渐成为一个主流的方向。

2021年将是无人驾驶的元年，届时有一些大公司将有十几万辆无人驾驶汽车量产规模。当无人驾驶到来的时候，汽车这个行业都有可能被颠覆。