经验啦

  1. 首页 > 科技 > >

自动驾驶商业化真相其实还有很长的距离才能落地( 二 )


而且 ， 无论是华为还是百度布局的自动驾驶汽车 ， 目前都停留在道路测试方面 。 这也意味着 ， 无论选用哪种模式布局无人驾驶汽车 。 其由技术走向应用 ， 由道路测试“实验室”走向寻常百姓家 ， 还需要面临技术、数据、生产及商业应用的三大拦路虎 。
随着越来越多的企业加入自动驾驶汽车的研发队伍 ， 其如何走向规模化量产、实现商业化运营将是摆在各大企业面前的首要难题 。
其一 ， 按照自动驾驶汽车技术等级 ， 目前相关技术走向商用尚有较大距离 。
目前国内自动驾驭等级共分为0-5级六个等级 。 0级驾驶自动化（应急辅助）、1级驾驶自动化（部分驾驶辅助）、2级驾驶自动化（组合驾驶辅助）、3级驾驶自动化（有条件自动驾驶）、4级驾驶自动化（高度自动驾驶）和5级驾驶自动化（完全自动驾驶）
业内人士认为 ， 自动驾驶要进行SAE等级的升级 ， 需要解决三大要素面临的问题：感知层、决策层和执行层 。 分别像是驾驶员的眼睛与耳朵、大脑、手与脚 ， 各司其职对汽车所处的环境、路况进行判断和识别 ， 并进行决策判断 ， 并执行车辆制动、转向和驱动动作 。
而在现阶段 ， L5级存在着巨大争议 ， 尽管很多创业公司、IT公司以及车企都把L5视作终极目标 ， 但无论是法律、法规方面的阻碍 ， 还是技术成熟度上的局限 ， 都使人们意识到实现L5还需要很长时间 。
尽管主流研究停留在L3及以下 ， 但无论是解决哪个要素面临的问题 ， 都需要诸多对应的解决方案 ， 很显然 ， 目前的技术水平是难于支撑的 。
其二 ， 应用场景过于复杂基础数据却不足 ， 难有万能的解决方案 。
如上文所述 ， 智能驾驶汽车上升到L3级别 ， 就需要有决策层的解决方案 。 因此也需要基于大量的基础数据采集 。 而新兴的自动驾驶汽车 ， 很明显缺乏足够的现有数据 ， 用于辅助智能汽车做决策、判断 。 因此 ， 自动驾驶汽车想要上路 ， 就要训练和测试足够多的复杂场景 。
而传感器的数据大多是非结构化数据 ， 以图像、视频、点云文件、日志文件为主 。 面对不同的SAE级别 ， 数据量的要求在L2、L3级别上都需要10-100PB的数据集成千上万核的计算资源 。
更有挑战的是 ， 到了L5级别实现完全自动驾驶 ， 需要超过2EB级别的数据量 。 如果按照1TB的硬盘来计算的话 ， 2EB的数据量相当于200万个1TB的移动硬盘 。 以目前的基础数据量 ， 显然是不足的 。
除此以外 ， 高精地图的缺乏 ， 也会阻碍自动驾驶汽车走进人们的生活 。 如前文所述的华为ADS的极狐阿尔法S汽车 ， 不管是采用摄像头还是激光雷达 ， 采集到数据后都需要和高精地图做匹配 ， 高精地图可以说是整个系统的核心 。 但是地图的制作和更新 ， 却是个大难题 。
一方面 ， 高精地图的制作成本极高 。 高精地图不简单的是采集红绿灯的高度、与道路有关的各种细微的信息 ， 甚至从窨井盖的位置 ， 到车道的宽度 ， 到斜坡倾斜的角度 ， 几乎无所不包 。 另一方面 ， 地图数据需要频繁更新 。
据报道 ， 我国每年高速公路路网更新比例在30%左右 ， 所以高精地图就必须要不断更新 ， 其投入的成本之高 ， 也是无法估量的 。
而且 ， 即便自动驾驶汽车实现了规模化生产与应用 ， 未来如果利用 V2V（车对车）通信让车辆之间交互 ， 产生的数据量将非常庞大 。
根据英特尔预测 ， 2020 年 ， 一辆无人驾驶汽车一天至少产生 4TB 的数据 ， 在本地或是在云端 ， 这都是一个巨大的数据量 ， 需要大量的存储 。 假如按照美国汽车保有量 2.5 亿辆计算 ， 2.5 亿乘以 4TB 再乘以一年 365 天 ， 数据量变成了天文数字 。 在中国 ， 数字有增无减 。

相关经验推荐


上一篇：K12转向，高途们走到了十字路口

下一篇：华为鸿蒙系统|外媒：第一部非华为系鸿蒙手机即将登场？诺基亚永远的神