无人驾驶将规模应用，你做好准备了吗
志造美
执于美好向往
“始于志，从于智，止于质”的思行逻辑
“生活艺术化，艺术生活化”的分享平台
“美、艺、智、学”为主题的格调生态圈
- 文丨吴杨可月 指导丨张罗 -
- 小饭桌创业研究院出品 -
一方面，
今年10月，Uber用无人卡车运载5万瓶啤酒跑完120英里，
Google宣布其无人驾驶汽车已累计行驶48万公里；
另一方面，
特斯拉自动驾驶发生事故，
无人驾驶汽车成本居高不下；
所以，无人驾驶从现在到规模应用，还缺些什么？
哪些地方有创业机会？
什么是无人驾驶？
无人驾驶分5级，级别越高自动化程度越高
1-3级属于半自动驾驶，即辅助驾驶——案例：特斯拉，目前2级
3级以上达到全自动驾驶——案例：Google，5级
（备注：美国机动工程师协会（SAE），美国高速公路安全管理局（NHTSA））
有的从半自动驾驶过渡，有的直接跃入全自动
无人驾驶并不一定是循序渐进的过程，半自动化过程还需考虑与人的互动，很多公司选择直接迈向最高级。
两条路径：路径一，从半自动驾驶逐渐过渡——特斯拉；路径二，直接跃入全自动驾驶——谷歌、百度、乐视。
直接跃入全自动驾驶是更主流的模式
半自动驾驶涉及人机交互，与全自动不是渐近而是分离的两条路子。
半自动模式采用ADAS，主要功能不是控制汽车，而是通过环境分析，预先警告可能发生的危险状况，让驾驶人提早采取因应措施。ADAS涉及与人的交互，新难点是需要监测驾驶员的注意力。
直接跃入全自动驾驶是更主流的模式——特斯拉最新的计划也是直接面向全自动。
半自动驾驶短期内在卡车上有一定应用空间。驾驶员还是要保持全集中的状态。卡车驾驶对司机压力较大，辅助驾驶能起到一定优化作用。
（备注：ADAS-Advanced Driver Assistance Systems，先进驾驶辅助系统）
目前已有18家公司拿到自动驾驶路上测试牌照
传统汽车厂商、配件厂商、电动汽车厂商、互联网公司都在积极布局。
除此之外，共享出行公司也在积极布局：Uber已成功用无人驾驶卡车运送啤酒。
（备注：获得加州车辆管理局颁发的牌照，被允许在加州的公共道路上进行自动驾驶测试）
预计5年后出成熟产品，20年后规模应用
（数据来源：HIS，LMC Automotive）
规模应用的基础是绝对安全和价格合理
车辆行驶出现意外的危险非常大，无人驾驶应追求接近100%的安全系数。航空安全系数是6个9，即99.9999%，计算机行业是4个9，无人车至少要做到5个9。
目前一辆全自动驾驶汽车的造价约为同款普通汽车的10-20倍。Google无人驾驶汽车造价$30万，其原型汽车造价约$3万。
（数据来源：公开信息整理）
无人驾驶有哪些机会？
核心组成部分：高精度定位、障碍识别、决策
案例：拆解Google无人驾驶汽车
◆ 2014年，Google推出第一辆无人驾驶汽车原型
2014年5月28日Code Conference 科技大会上，Google 拿出了自己第一辆无人驾驶汽车原型。
和一般的汽车不同，Google 无人驾驶汽车没有方向盘、油门踏板、刹车，依赖传感器和软件完成驾驶。
高精度定位是主要的技术难点和成本来源——整车成本$30万，其中激光雷达$10万、高精度GPS导航系统$15万。
（数据来源：公开信息整理）
安全方面：从2009年开始正式立项，已有7年历史。已有100辆测试汽车，累计行驶48万公里。低速测试，逐步提速：第一波测试车辆行驶速度仅3英里/h；最近一波25英里/h(约40km/h)；多次因行驶速度过慢被交警拦下。
成本方面：激光雷达单个定制成本最初是$10万，目前已降至$7万。Google的激光雷达供应方Velodyne表示，如果规模生产，未来可降至$500——仅原来的百分之一不到。招聘激光类机械工程师，可能会完全自主设计制造激光雷达系统。
用途方面：一是共享出行，早期投资Uber，撕逼后又收购Waze拼车。二是从日常出行到工业用车，Google无人驾驶系统专利上表示，其适用范围“包括但不限于轿车、卡车、摩托、大巴、船、飞机”。
（数据来源：公开信息整理）
定位的基础是地图，创业公司现在机会小
👉 高精度地图前期投入巨大，一般企业无法负担
无人驾驶对定位精度要求极高，一般地图无法满足需求，必须要高精度地图。
后装无法满足需求，需与汽车厂商合作，进行前装。高精地图需要与车内摄像头、激光雷达等传感器信息交互才能发挥作用，这就需要与车内的总线互相通讯——后装或者手机的方案无法满足。
（数据来源：《高精地图指引未来，高壁垒铸就行业稀缺》长江证券）
地图的精度要求在0.1m，少量公司已经达到
常规地图精度在10m，少数能到1m。
高德宣布，今年年内实现高速路100%高精度数据覆盖，精准度0.1m。但非高速路还是只能到1m。
新型卫星算法可能可以提高精准度。据称，美国加州大学研发人员研发出一种全新算法，通过减少卫星的运算量，利用现有卫星（无需发射新卫星），即可将精确度提升到0.01m。
其他尚存问题：进入隧道等偏僻位置时接收不到卫星信号，失去定位功能。
（数据来源：KOTTI，内部访谈）
通过雷达、摄像头多重保障实现精准定位
没有高精地图也能实现一定程度的无人驾驶，这种情况下，路面信息主要通过传感器实时采集信息。
但是传感器定位会带来极大的计算负担和成本，定位效果也不及地图。
雷达、摄像头同时还起着障碍识别的功能
障碍识别相对容易，但还是要考虑一些特殊情况。
情况一：识别移动物体——计算行人、车辆行驶速度，从而找出合理避让方案。原理：通过波往返时间及距离测算。
情况二：识别物体材质——石头和树叶对行驶的影响程度是不一样的，要区分。AI通过训练可以准确的识别特定物体，但很难达到辨识每一种物体的属性。波的反射情况能一定程度识别物体材质。
情况三：特殊环境——阴天、雷雨、雾等恶劣天气会影响可见度、波在空气中的传播。
雷达成本过高是影响无人驾驶规模应用的最大原因
毫米波雷达只能用于辅助驾驶，全自动驾驶还是需要激光雷达。
全自动驾驶目前绕不开激光雷达。不可替代性——探测精度高；优点——探测范围广，360°全方位。缺点：在雨雪雾等极端天气下性能较差；采集的数据量过大；目前造价极高。
毫米波雷达主要应用在ADAS，技术相对成熟。优势：穿透雾、烟、灰尘的能力强。缺点：探测距离短，无法感知行人，无法对周边所有障碍物进行精准建模。
（信息参考：《车载毫米雷达波——无人驾驶汽车之“眼”》中投证券）
规模制造有望大幅压低雷达成本
激光雷达成本过高的原因是没有规模化。激光雷达处于手工组装和调教阶段，人工成本和工厂成本都非常高，但材料成本并不高。
规模制造有望大幅压低雷达成本。多个激光雷达制造商都表示，未来如果生产规模到100万，可将成本降至$500——仅原来的百分之一不到。
（数据来源：公开信息整理）
雷达是通用件，雷达公司的竞争是全球化的
雷达是核心部件，为避免被上游控制，很多公司都可能自建雷达研发团队，例：Google。
（数据来源：IT桔子，Crunchbase，公开信息整理）
摄像头和图像处理也是必要条件——标识识别
摄像头可靠性高，成本和门槛也不高。99%情况下可靠，成本$10-20，主要供应商是Delphi、Continental。唯一的问题是，在雨、雾等特殊环境不能发挥作用。
图像识别准确度已经不错，而且还有提升空间。百度全景图像的自动化识别提取准确率高达95%。对比：目前图像识别应用得最好的领域是面部识别，准确率到99%以上。
（数据来源：公开信息整理）
庞大、多元的数据增大了计算难度
1数据量大
Google无人驾驶产生的数据流量达到1GB/秒。
运算速度需求：50万亿次/秒——大通量、高速计算能力。
数据源多
来自传感器（雷达、摄像机）、显示器、防撞预警系统等多类配置。
每个装置都有独立的芯片进行运算，一辆汽车的芯片数量大约有600个。
（数据来源：Google，《无人驾驶，驶向未来》招商证券，HIS，公开信息整理）
计算能力的核心是芯片
芯片价格中等，但很难有降价空间：ADAS普通性能芯片每辆汽车$250-350, ADAS高级性能芯片每辆汽车$1,200。
市场规模及增速：2015年$290亿；预计2015年-2020年，CAGR=7.7%。
（数据来源： 《无人驾驶，驶向未来》招商证券， Gartner，IDC，IT桔子，Crunchbase）
低功耗高性能、整合型芯片迎来机会
1
低功耗高性能芯片
芯片构造的三个解法：CPU+GPU；CPU+FPGA；ASIC
中央处理单元（CPU）：像一个什么都会的老教授，但所有工作都交给他还是会有点累
图形处理单元（GPU）：像一群小学生，但是算加减法又多又快
现场可编程门阵列（FPGA）：像一个潜力生，训练以后，在某个领域特别擅长
专用集成电路（ASIC）：像一个专业教授，但为了培养这个教授，需要巨大的资源——除非批量培养，否则不值得为一个人，搭建这套教育体系
承 接 上 文 继 续 阅 读
2
整合型芯片
过去：各类配置的芯片可能需要行业里供应链上多个集团的参与。
未来：一个芯片供应商，整合所有芯片的功能——协同运算提高效率。
（数据来源：Google，《无人驾驶，驶向未来》招商证券，Gartner，IDC，公开信息整理）
决策的悖论
安全问题：先生蛋还是先生鸡？驾驶要保证绝对安全，意味着要安全了才能上路，而没有足够的上路行驶数据积累，就不能做出很好的模型。
伦理问题：紧急情况如何设定？问题一：应该优先保护谁才是正确的。情况举例：两个方向，来不及刹车，A方是突然迎面违章驶来的客车，B方是正常行驶的卡车，A方会造成更多伤害，但B方是完全无辜的，该如何抉择？问题二：出现事故，过失责任如何认定。
决策方面，本地化公司有独特机会
中国公司的机会：各国的交通规则、行驶环境、驾车方式都不同，在美国的决策系统，在中国不一定适用。
（数据来源：《高精地图指引未来，高壁垒铸就行业稀缺》长江证券，IT桔子，虎嗅）
商用车和乘用车可能会有不同决策模型
乘用车车主是自由的，而商用车通常肩负一定使命，常是集体行为，涉及车辆间通信；而且商用车使用频率高、耗损大，减少阻力、节省燃油对效力提升作用大。
（数据来源：Crunchbase，公开信息整理）
控制系统相对简单，但需与厂商合作
难度低，但是需要与厂商合作。常用的控制方法：电磁控制系统，通过电磁原理控制相应的部件。常用的算法：PID，传统的PID即可。
既可控制燃油汽车，也可控制电动汽车，与电动汽车的契合度会更好一点。
此外，汽车网络安全可能会是新机会
汽车网络安全目前是重点+盲点。
慕尼黑再保险公司面向企业风控经理做过一次调研，调研中，55%的人将网络安全看作是无人驾驶汽车面临的最大问题。
目前仅有少量公司涉足这个领域。
Argus曾在2015年获得$2,600万B轮融资，后被英飞凌（Infineon）收购。
（数据来源：Crunchbase，公开信息整理）
当无人驾驶被广泛应用……
基础设施的机会只是第一波，很快会结束
共享用车是第二波——降低70%出行成本
（数据来源：《无人驾驶，驶向未来》招商证券）
汽车保有量下降40%——进退两难的汽车厂商
由于无人驾驶+共享用车可以大幅降低出行成本，未来汽车保有量可能会大幅下降40%，例，美国可能下降43%。
事实上，仅从需求角度来讲，无人驾驶推广后，所需的汽车数量会下降70%。
（数据来源：密歇根大学交通运输研究所）
停车场需求巨降——释放城市空间
送抵目的地后，汽车可以自己寻找车位，或者继续工作——几乎不需要停车场。
无人驾驶可以有效缓解停车位不足、停车场侵占大量城市空间的问题。目前国内停车位缺口过亿，停车场占据15%-40%城市空间，未来还会更严重——到2050年，全球城市人口将增长66%，达到25亿人。
（数据来源：美国银行，联合国，公开信息整理）
降低90%交通事故——重构汽车维修、保险市场
改变维修、保险市场的容量，重构参与方及其运作方式。
目前99%的交通事故都是人为疏忽引起，保守估计无人驾驶可以降低90%的事故率——相应的维保市场也会缩减。
当机器承担了司机的功能，相应也免除了司机的驾驶失误责任，过往基于人员驾驶的保险产品、责权划分、理赔途径都会相应改变。
（数据来源：世界卫生组织，公开信息整理）
构建无人驾驶生态体系
无人驾驶可能会对很多行业带来变革
提高物流效率
解放生产力，触发车内娱乐
司机开车的途中可以做别的事，以美国为例，人均单程通勤时间50min，无人驾驶每年可解放约2,000亿小时。
连接线下消费——载人的手机
完成从导航到消费的一体化流程，成为线下消费入口。
长按识别下方二维码，加入志造美读者交流群
（若二维码过期，请添加管理员微信：18868713001）
↓↓↓