CY Vision融资500万美元 生产自动驾驶汽车3D HUD系统

据外媒报道,日前,计算全息技术公司CY Vision宣布已筹集500万美元,用于将其3D增强现实(AR)技术推向车载抬头显示器(HUD)市场。此次融资由Revo Capital领投,参投者包括英特尔资本、Koc Holding和Vestel Ventures。

(图片来源:CY Vision)

CY Vision的解决方案是将挡风玻璃变成始终可用、始终可见的重要信息显示装置,将电动汽车、自动驾驶汽车和新型传统汽车区分开来。该公司提供的全彩色3D全息显示器可在明亮的阳光下、黑暗的暴风雨天气条件下运行,并具有从座舱至远方的可变虚拟距离。

Revo Capital董事总经理Cenk Bayrakdar表示,“技术与初创企业的创意结合在一起,改变了人们生活水平。CY Vision的技术及其团队为人们展示了未来汽车的样子。我们很高兴能与CY Vision在一起建立全球业务。”

此次筹集的资金将用于支持该公司推出量产版3D AR HUD系统,该系统允许导航提示、危险和车道警告以及虚拟辅助在驾驶员视野内无缝显示。CY Vision首席执行官Orkun Oguz表示,“CY Vision的全息显示器采用标准的汽车级硬件和计算资源,将为实用的增强现实系统开辟新的汽车细分市场。”

该公司开发了基于软件的全息显示技术,提供增强现实体验,以应对复杂的车辆环境。该公司的系统专为标准的汽车计算平台和传感器架构而构建,可以适应不同车型和用户的人体工学需求。(作者:盖世汽车)

博客 自动驾驶小能手

LV5
2020-07-31 17:07
137

从成都车展看智能网联汽车三大趋势

7月24日,国内第一个A级车展——第23届成都国际车展正式开幕。本届车展汇集了德系、美系、日系、韩系以及合资、自主等120多个汽车品牌,参展车辆超1500余辆。
作为“疫”后国内率先举办的A级车展,各大车企对本届成都车展的重视程度不言而喻,展会首日就有50多场汽车品牌发布会,带来了多款全球及国内首发和限量版车型。
据相关数据统计,今年成都车展共有120多个汽车品牌参展,参展车辆1500余辆,首发车型69款,其中全球首发16款,全国首发26款。而这个数据在2019年,则为130多个汽车品牌,1600余辆车展车,首发车型80款,全球首发28款,全国首发41款。
尽管在参展规模上,这届的成都车展有所“缩水”,但在笔者看来,这届成都车展依然看点多多。

智能网联成为自主品牌主流搭配

如果说2019年的成都车展,搭配智能网联的车型还算少数,那么,在今年的成都车展上,搭配智能网联的车型已占据主流地位。
智能化再进阶的2021款哈弗F7/F7x,也在本届成都车展上正式亮相。通过对数字时代新青年出行需求的调研,2021款哈弗F7/F7x围绕“世界同步”和“娱乐至上”两大用户需求,率先搭载哈弗新一代智能网联系统,其主要的变化是换搭了腾讯车联TAI3.0系统,车载娱乐内容以及流畅度都有明显提升。
在功能上,这套全新车机系统包括了腾讯随行和腾讯爱趣听,同时拥有丰富的第三方内容生态服务。此外,该系统还支持车载微信功能,在方向盘上将配备微信专属控制按键,并支持全语音交互。
新宝骏RS-3 1.5T车型的上市,也成功吸引了很多观众的驻足。新车定位智能畅快SUV,搭载全新1.5T涡轮增压发动机,售价8.78万-9.88万元。其最大的亮点在于作为一款不到10万元的车型,新宝骏RS-3同时搭载了自动驾驶辅助系统和智能网联系统两大智能化功能。
新车搭载的同级领先的0-150km/h ACC全速域自适应巡航系统,能有效缓解长时间驾驶疲劳,让出行更简单、更安全。在网联方面,新宝骏RS-3 1.5T搭载的新宝骏车联网,可实现远程操控,支持APP全应用投屏互联,同时更新后的系统响应速度更快,连接稳定性更佳,用户还可以直接在线OTA升级。而这样的例子在本届车展上有很多,比如,广汽新能源埃安V、哈弗H6、北汽EU7、长安欧尚X5等,遍及中国绝大多数汽车品牌。
合资品牌加速布局智能网联车型
一直以来,合资品牌对待智能网联系统的态度都不温不火,不过,在本届成都车展上,笔者发现已有相当一部分合资品牌正加速布局智能网联汽车。
在时隔七年之后,奔驰GLA终于换代了,除了在外观部分的变化外,全新一代奔驰GLA标配了双10.25英寸“大视界交互屏”、64色环境氛围照明系统,还配备全新升级的MBUX智能人机交互系统,带有同级独有应用AR增强现实技术的“实景穿越导航”和新增的“洗车模式”。
无独有偶,在起亚官方公布信息中,新车搭载了L2.5级智能驾驶辅助系统,其中包括RCCA后方交叉防撞辅助系统、FCA前方防撞辅助、BCA盲区防撞辅助、SEA安全下车辅助、SVM全景影像、LKA车道保持辅助、DAW驾驶员疲劳提醒等配置。
东风日产则携全系车型亮相2020成都车展,并发布了“智联未来”计划,全面加速日产智行在中国的落地推进。同时,搭载全新升级Nissan Connect超智联系统的2021款劲客及2021款骐达同步亮相,展现了日产智行的科技魅力。
具体来看,用户可以通过超智联APP就能控制车辆的空调、车门锁、行车记录仪等;一句“你好,日产”唤醒后,便可语音控制空调、行车记录仪、座椅加热、导航等实用功能。
在车载在线服务方面,超智联系统可实现车内微信/支付宝/银联在线支付,并支持OTA在线升级、车辆健康监测及维保预约、车载4G WIFI热点等12项车载在线服务。此外,诸如远程实时监测、全时在线导航和在线语音娱乐等功能也没有落下。
智能座舱从概念进入落地阶段
从本届成都车展为数不多有关智能技术的发布信息中,还能得出一个结论,智能座舱正从概念进入落地阶段。
车展日当天,吉利发布了CMA超级母体技术,通过集中式的分布结构,采用FlesxPay总线,其传输速率将是CAN总线的20倍。此外,该架构不止会融合全新一代的GKUI车机系统,还会融合吉利自主研发的低轨卫星,抢位无人驾驶领域。总体来说,吉利新一代架构融合了自动驾驶与智能座舱这两个方面。
长城VV7科技版的智能科技座舱,则从豪华科技、安全科技、智能科技三个维度,为用户带来全面升级的科技感知。
标配的全生态座舱清洁控制系统,包含智能座舱清洁系统、AQS质量控制系统、PM2.5检测过滤系统、负离子空气净化等系统及功能,从空气质量控制、粉尘过滤、检测及净化四方面,为用户带来全面守护;
标配的智控三视行车记录仪的车型,可实现对车前、车内及车后实况进行实时查看,支持抓拍及摄像功能,并可在多媒体显示屏进行预览和查看;
标配的全自动智能泊车辅助系统,当车辆车速<30km/h时激活系统开始自动搜索车位,通过车身两侧传感器探测到当前车辆所在位置满足泊车条件后,系统将通过声音及中控显示屏提示泊车信息,驾驶员只需根据系统提示操作,车辆可自行完成全自动泊车。
长城VV7科技版还配备了AI智能面部识别功能、IACC智能巡航车速限制系统、AEB双闪提醒、二次碰撞缓解系统、未关窗提醒、LCK车道居中保持等40余项科技安全配置,从行人、乘员以及驾驶员三方出发,进一步优化智能驾驶辅助体验功能。
此外,威马也在本届车展上力推智能座舱概念,按照其官方的说法,EX5-Z、EX6 Plus意在满足家庭用户,在健康安全、智能科技方面的使用需求,并且搭载了L2级Living Pilot智行辅助系统和一键智能APA自动泊车功能,可以带给用户更智能、便捷的用车生活。

博客 自动驾驶小能手

LV5
2020-07-30 16:42
150

汽车零部件发展的四条主线

中国汽车工业当前从成长期逐步迈入成熟期。未来较长一段时间将进入自主品牌激烈竞争的分化时期,龙头依靠技术优势、强大的降价能力和广泛的市场基础将呈现强者恒强,处于竞争劣势的中小整车企业逐渐退出市场或被龙头吞并,传统汽车行业集中 ...查看全部

中国汽车工业当前从成长期逐步迈入成熟期。未来较长一段时间将进入自主品牌激烈竞争的分化时期,龙头依靠技术优势、强大的降价能力和广泛的市场基础将呈现强者恒强,处于竞争劣势的中小整车企业逐渐退出市场或被龙头吞并,传统汽车行业集中度提升,龙头企业受益;而另一方面,新能源汽车持续高速增长,电动化、智能化加速推进。

销量层面来看,汽车行业销量主要受到宏观经济以及刺激政策影响较为显著,目前来看尚未看到宏观经济数据企稳,同时叠加疫情对乘用车供需的影响,预计 2020 年下半年汽车销量将企稳,与去年同期相比呈持平态势,乘用车板块销量在中性假设下约 11%的同比下滑,年销量达到 1917 万辆。商用车由于其具备周期性,预计今年维持-2%小幅度下滑,年销量达到 423 万辆,汽车板块整体同比下滑 9.2%,年销量 2340 万辆。
剔除政策性因素影响,中国汽车销量已经进入个位数增长的常态阶段,中国汽车工业从成长期进入成熟期,中国这一阶段大致对应美国 90 年代和日本 80 年代的汽车工业。参考美国这一阶段的自主厂商表现(龙头发生并购),中国未来较长一段时间将进入自主品牌激烈竞争的分化时期,国内整车龙头依靠技术优势、强大的降价能力和广泛的市场基础将呈现强者恒强,处于竞争劣势的中小整车企业逐渐退出市场或被龙头整车吞并,行业集中度提升,龙头企业受益。
明年我国将步入第14个五年规划。结合中国汽车产业发展阶段和全球汽车产业发展趋势,我们认为未来几年汽车零部件产业将围绕着四条主线发展:1)电动化与智能化;2)进口替代加速的优质零部件;3)行业龙头以及行业核心资产;4)汽车后市场。
主线一:“电动化+智能网联化”双轮驱动
出于对能源体系、工业发展等方面考量,2012 年定位于国家级战略的新能源汽车项目被推出,在长达 8 年的补贴政策、路权导向及基础设施建设的合力推动下,产业链由零发展雏形初显。而目前整个行业仍处成长初期,智能化、电动化趋势下汽车行业面临巨大的技术革新,带动产业链变革。
电动化与智能化的转型升级为国内厂商带来新机遇,原因有两点:一方面,对于新环节,国内外厂商处同一个水平线,是国内厂商最好的切入时机,相较于偏传统环节的国产替代路径更为容易;另一方面,行业从 0~1,赛道短期爆发性强,在足够大的市场规模下,能诞生多个大市值企业。
经梳理,电动车纯新增量环节集中在三电(电池、电机、电控)以及汽车电子、车联网领域,而底盘部分(传动、转向、制动等)存在由机械部件向电子部件升级的需求。此外,车身内外饰及底盘结构件作为汽车演变中技术升级较小的环节,仍存在以铝换钢的轻量化、智能化车灯等趋势性机会。且大部分新增量环节处产业成长初期。
主线二:进口替代加速,优质零部件稳健成长
全球整车厂盈利端承压,产业链向性价比更高的国内供应商转移。
低廉的人力成本,丰富的原材料供应下,国内零部件企业相较欧美发达国家具备天然的成本优势,在车灯、玻璃、客车这类非标汽车产品上体现尤为显著(非标产品需要更多人力支持),未来整车行业竞争仍将呈现加剧趋势,国内零部件企业有望携优势成本地位实现关键零部件的进口替代。
自主-合资-外资(全球),深度国产替代拉开序幕。从零部件替代类型来看,自主零部件企业的进口替代是从制动系统开始,逐渐传导到发动机、变速器等核心零部件总成。从零部件替代顺序来看,国内零部件厂商通常是从自主品牌开始,逐渐切入合资,最后配套外资或全球平台,这个阶段的替代驱动来源于 1)自主品牌车型销量占比提升;2)自主品牌零部件厂商通过技术引进与内生研发积极切入合资配套体系。
总体来看,2010-2015 年间,汽车零部件发生了全行业的进口替代(从 2010年的零部件全系列进口增速高于汽车销量增速,发展到 2015 年的零部件全系列进口增速低于汽车销量增速)。横向来看,2010-2015 年间,汽车零部件各类别中,发动机零部件增速降幅最大(-71%),其次是行驶系统(主要是轮胎和悬挂类,-68%)、再次是传动系统(变速器等,-67%)。纵向来看,制动系统零部件最早实现进口替代(2011-2012 年进口增速急剧下行),其次是发动机(2012年进口增速开始低于汽车增速),而以变速箱为代表的传动系统从 2015 年起进口增速才开始拉开与汽车增速的距离。
主线三:集中度提升,龙头企业优势愈发凸显
“处新产品周期+细分行业稳定+市占率可观”的赛道龙头具机遇
未来分化为主旋律,强者恒强。汽车行业兼备周期与成长双重属性,行业增量红利消失的大背景下,我们认为汽车行业结构性机会犹存:成长属性方面,深度挖掘由智能化、电动化、轻量化以及后市场带来行业革新机会,周期属性方面,仔细甄别部分子板块周期性轮动与复苏带来的机会;短期而言,增量红利消失使得行业分化显现(车型、国别品牌、厂商分化),未来随着销量增速进一步放缓,龙头份额将进一步提升,缺乏品牌效应和规模优势的中小企业在激烈竞争中将渐遭淘汰,强者恒强格局日益凸显。叠加政策大环境支持,未来行业分化是主旋律。我们提出零部件赛道三维筛选框架,基于起点(单车价值量)-持续时间(产品生命周期)-斜率(产品升级速度)三维体系评价细分零部件的市场空间,所有零部件均可以置于下方坐标轴进行赛道比较。
具备核心竞争力的赛道龙头优势凸显。新产品方面,整车厂新车周期与销量水平具较强的正向关联性,对于零部件厂商此种优质客户的深入绑定能缓释行业下行带来的业绩下滑影响,降低零部件企业盈利水平的周期性波动。技术方面,布局前瞻的公司有望在行业变革中提升自身议价能力,在细分行业中重塑竞争格局,收获中长期的增长。从市占率方面,占领市场的龙头有望受益于低端产能出清,份额扩张利好。
主线四:万亿级汽车存量市场,大幕徐启
汽车后市场是指汽车从汽车出售到报废的过程中,围绕汽车使用环节产生的一系列交易活动的总称,括维修保养、二手车交易、汽车金融等和停车、检测等衍生项目,在整个汽车产业链中占据重要位置。结合行业所处阶段特征,行业投资机会逐步从增量市场向存量市场过渡,随着保有量增长、车龄增加,政策法规逐渐完善,汽车的后市场需求逐步提升,汽车存量市场投资机会加大。
销售增长放缓,进入存量时代
在经过多年的井喷式增长之后,国内新车销量增速逐渐放缓,保有量依然保持中高速增长,国内汽车产业发展逐步从增量市场转变为存量市场。目前我国驾照持有人数达 3.42 亿人,保持中高速增长,保有量/驾照持有人数依然较低,保有量有进一步增长的空间。
随着国内新车销量增速放缓和汽车保有量稳健增加,中国汽车平均年龄有不断增长的趋势。2019 年,国内汽车平均年龄达 4.8 年,2022 年预计国内汽车平均年龄有望达到 5.3 年。在中国乘用车日趋老龄化的趋势下,车主对于维修和保养的需求也将日益增多。
停车与检测、维保、二手车及汽车金融四大市场机遇
停车与检测业务缺口巨大。汽车全生命周期下,存在检测和停车等巨大需求。其中目前国内检测站服务行业市场空间为 678 亿/年,利润为 204 亿/年;检测设备行业国内市场空间 70+亿;机械式停车设备市场空间近 200 亿,同时目前我国停车位配比只有 1:0.5-1:0.8,和国际 1:1.3 相比我国停车位比例严重偏低,设备和服务均存在巨大缺口。
中国汽车维保市场:保持中高速增长,互联网汽配平台涌现。在我国汽车保有量持续稳定增长且汽车平均年龄不断提高的背景下中国汽车后市场养护行业的市场规模一直在保持中高速增长,2019 年市场规模近万亿元,其中高频次高价值量单品如轮胎和蓄电池存量市场需求分别达 1700 亿和 200+亿。随着汽车后市场的发展深化,众多不同类型的互联网平台涌现,其中包括两类:一是面向终端用车消费者的 B2C 平台,二是针对后市场配件及服务供应商的 B2B 平台。
中国二手车市场:汽车保有量不断上升,产业链日渐完善。随着汽车存量规模持续增长,我国二手车交易量逐年攀升,2019 年达 1492 万辆,同比增长 8%,二手车交易额达 9357 亿元,同比增加 9%。大数据与互联网金融的创新发展促进了二手车行业产业链的完善,互联网公司的加入使二手车交易更加便利,线上渠道与线下渠道融合助力中国二手车市场的进一步发展。
中国汽车金融市场:发展潜力巨大,信用体系和政策助力发展。2018 年我国汽车金融渗透率 48%,与美国 81%渗透率存在较大差距,我国汽车金融市场具有巨大的发展潜力。信用体系和国家法律法规的不断完善助力中国汽车金融市场的进一步发展。2014-2017 年受汽车金融市场规模整体上升的趋势影响(汽车信贷规模增长迅速,2017 年达到 12000 亿元,相比 2001 年的 436 亿元增长了27.5 倍,年均复合增速达 23%。尤其是 2001-2003 增长迅速,除去 2004-2006年的负增长外,2007 年起增长速度快,2012 年达到同比增速 70%。),不良汽车贷款率保持稳定,我国汽车信贷的信用体系日趋成熟,良好的信用体系助力中国汽车金融市场的进一步发展。
汽车零部件产业依然面临着以下风险:
第一,弱市下汽车行业对政策依赖度较高,行业销量的回升幅度大概率取决于政策力度,提示政策不达预期,汽车行业销量不达预期风险。
第二,新能源汽车产销量对补贴政策较为敏感,政策波动可能使得销量大幅低于预期。
第三,车市持续低迷影响下,车企将部分压力传导至零部件厂商,带来供应链压价超预期、订单分散等现象,将影响盈利端。

博客 自动驾驶小能手

LV5
2020-07-30 16:39
133

芯片最强科普:解读我国芯片产业发展现状

随着科技的发展,芯片在制造业各领域的应用越来越广泛。那么,什么是芯片?如何制造芯片?涉及到多少高科技?我国的芯片产业现状如何?又会有哪些挑战?让我们跟随央视新闻出品的科普长图,一起了解芯片那些事。 ...查看全部

随着科技的发展,芯片在制造业各领域的应用越来越广泛。那么,什么是芯片?如何制造芯片?涉及到多少高科技?我国的芯片产业现状如何?又会有哪些挑战?

让我们跟随央视新闻出品的科普长图,一起了解芯片那些事。
一、什么是芯片


别看芯片的体积小,但制造难度非常大,其制作过程不亚于在指甲盖上建造一座城市,我们一般看到的芯片是这样的:


但是在显微镜下,如同街道星罗棋布,无数的细节令人惊叹不已!


原来,指甲盖大小的芯片,上面却有数公里的导线和几千万甚至上亿根晶体管。

为了让这些纳米级的元件“安家落户”,芯片在投入使用前要经历上百道工序的纳米级改造……
二、如何制造芯片?


芯片,以储量最丰富成本最廉价的二氧化硅为原料,成就了这个星球的科技之巅,颁一枚最佳逆袭奖,实至名归!

那么,目前中国“芯”处在什么阶段?又面临着哪些问题?
三、我国的芯片产业现状

尽管目前我国芯片产业的发展仍需面对需求旺盛、供给不足、人才短缺等诸多挑战,但我国芯片的自主研发和量产势在必行。

博客 自动驾驶小能手

LV5
2020-07-30 16:31
123

万众瞩目,“AI芯片第一股”寒武纪,市值一天暴涨近600亿元

2019年7月22日,科创板迎来了首批25家公司挂牌,所以这两天各家媒体都在对科创板开市一周年进行盘点。通过盘点科创板当中的芯片概念股,能够在一定程度上了解过去这一年来科创板 ...查看全部

2019年7月22日,科创板迎来了首批25家公司挂牌,所以这两天各家媒体都在对科创板开市一周年进行盘点。

通过盘点科创板当中的芯片概念股,能够在一定程度上了解过去这一年来科创板的发展轨迹。

万众瞩目,“AI芯片第一股”寒武纪(688256)7月20日正式登陆科创板。上市首日,寒武纪开盘大涨288.26%,盘中飙涨超300%,总市值一度突破千亿元。截至收盘,寒武纪涨超2倍,单日市值大增592.18亿元。

上周四,科创板目前的市值冠军中芯国际,回归科创板。三个月之前,沪硅产业挂牌,而在一年前,科创板首批上市新股中,就包含了像中微公司、澜起科技这样市场关注度高的公司。
科创板当中,与芯片产业相关的明星股层出不穷。而且刚才提到的这些明星股,涵盖了从半导体材料到设备,从芯片设计到代工等每一个关键环节。
当前对于芯片和半导体产业链来说,一个最重要的发展方向就是推进国产替代和自主可控,而芯片产业链关键环节的头部企业,在急需资本扶持的情况下,得到了宝贵的上市融资的机会,相当于科创板给它们下了一场“及时雨”。

从芯片产业链相关公司在科创板当中的占比来看,截至上周五收盘,科创板上市公司总数是130家,其中与芯片产业链相关的公司有19家,占比不到15%,但是这19家公司的总市值合计达到了8500多亿元,在科创板公司总市值当中的占比接近三分之一。而除了芯片之外,目前在科创板当中占比较高的行业还包括了医疗器械、生物医药、信息技术、高端装备等领域,充分体现了科创板所具备的“科创”成色,体现了科创板对于硬科技、新产业、新技术的大力扶持。

科创板芯片概念明星股中,既有未盈利的公司,还有境外回归上市的红筹公司,而整个科创板当中,已经有特殊股权结构的公司实现上市,这些以往不能在A股上市的企业,现在都可以在科创板上市,充分体现了科创板的市场包容性,体现了整个资本市场改革的成果。
提醒投资者,资本市场中,永远是风险与收益并存,分化不可避免,即使是热门板块当中,也会有“熊股”产生。就拿科创板当中的芯片概念股为例,既有上市三个月股价就翻了三倍的沪硅产业,也有科创板开市近一年来的第一大熊股晶晨股份。更何况,科创板实行的是20%的涨跌幅限制,高波动带来的高风险,投资者也要时刻警惕。(作者:央视财经)

博客 自动驾驶小能手

LV5
2020-07-24 14:49
165

别了,公交落水事故!解析客车驾驶安全智能解决方案

客车驾驶安全智能解决方案主要涵盖驾驶行为监控预警、驾驶行为分析、驾驶行为评估、车辆运行大数据智能管理以及 ...查看全部

客车驾驶安全智能解决方案主要涵盖驾驶行为监控预警、驾驶行为分析、驾驶行为评估、车辆运行大数据智能管理以及车辆轨迹及视频监控五大系统,旨在打造全运营流程的客车安全防护体系。

贵州公交落水事件再次将公共交通安全,尤其是驾驶安全拉入大众视野。
为了实时监管驾驶员的驾驶行为,从而及时制止此类事件再次发生,7月17日,福田欧辉公布了其“客车驾驶安全智能解决方案”,旨在为平安出行保驾护航。
1595408130939254.png
【福田欧辉驾驶安全智能解决方案应用范围】
那么,福田欧辉“客车驾驶安全智能解决方案”是什么?
福田欧辉“客车驾驶安全智能解决方案”是基于云计算、大数据等底层能力,与CAN总线、车载智能网联设备高度融合,构成完整、安全、智能、开放的客车驾驶安全系统架构。
目前,该驾驶安全智能解决方案涵盖了驾驶行为监控预警系统、驾驶行为分析系统、驾驶行为评估系统、车辆运行大数据智能管理系统、车辆轨迹及视频监控系统五大系统,从而实现驾驶行为的实时监控、预警、分析以及车辆信息的实时掌控和事件跟踪回溯,进行全场景、全运营流程的客车安全防护体系。

一、驾驶行为监控预警系统

客车出行作为当下主流的出行方式之一与民众的生活息息相关,在乘车过程中,驾驶员的自身状态和操作行为关乎乘客的生命安全,极其重要。因此,福田欧辉客车驾驶行为监控预警系统从疲劳驾驶报警系统、LDWS车道偏离报警系统、ADAS碰撞预警系统三个方面保证驾驶的规范可靠。
其中,疲劳驾驶报警系统能够实时监控司机驾驶状况,自动识别闭眼、打电话、抽烟、打哈欠、左顾右盼等驾驶行为。同时,可穿戴智能设备还能实时对驾驶员的身体状况进行检查,对剧烈情绪变化、情绪失常及突发心脏病、高血压等紧急情况进行掌握,从而有效预警。
1595408162696497.png
【疲劳驾驶报警系统】
LDWS车道偏离报警和ADAS碰撞预警系统,可自动识别碰撞风险、车道偏移、限速标识、过往行人情况,并提前2.7秒发出预警,避免事故发生。
二、驾驶行为分析系统
从新手司机到安全运营无事故的老司机,每一次驾驶细节的优化和经验积累尤为关键。福田欧辉客车通过对驾驶人员驾驶习惯和行为的系统分析,为每一位司机师傅打造专属“驾驶档案”,通过对驾驶员超速、急刹车、急加速等驾驶习惯分析,形成行为分析图,在特殊路段或者特殊天气及时反馈,实时监督驾驶员行为,更好的保证驾乘安全。
1595408192959913.png
【驾驶人员不良驾驶行为分析表】
三、驾驶行为评估系统
每个司机的驾驶习惯都不相同,或高或低参差不齐,如何规范驾驶员驾驶习惯、完善驾驶培训体系对于公交集团等具备较多数量客车的运营方而言,尤为重要。
驾驶行为评估系统根据车队运营管理方的痛点,对驾驶人员习惯行为进行评估呈现,不断引导矫正,在意外发生之前杜绝。
1595408219233158.png
【驾驶行为数据】
四、车辆运行大数据智能管理系统
除对驾驶员的实时监控外,车辆状态也是影响安全的重要因素之一。福田欧辉客车通过大数据智能管理系统能够实时检测车辆状态,一方面驾驶人员可以通过可视化仪表台随时随地观察车辆情况,及时处理突发故障;另一方面车辆信息与云端同步,管理人员可通过智能化管理系统进行远程诊断、干预及制动,实时守护车辆行驶安全。
1595408244927013.png
【运行分析】
五、车辆轨迹及视频监控系统
在车辆行驶过程中,福田欧辉“客车驾驶安全解决方案”能够实时将行车轨迹上传云端,通过GPS定位系统绘制车辆轨迹图,同步车辆信息,包括运行轨迹、停留时长、速度等。同时,车辆配备的视频监控系统,即“黑匣子”,能够自动截取安全事故发生时前后30秒视频,便于管理员精准定位安全事件、判断安全事件责任和及时预警。
1595408269260709.png
【车辆历史轨迹】
福田欧辉驾驶安全智能解决方案从驾乘安全方面提供完备体系,实现了对驾驶员的实时监控和车辆的实时诊断,最大限度的保证了出行安全。据了解,未来,福田欧辉将继续对智能领域进行升级,为民众出行提供更为系统化、完备化的解决方案,共筑安全出行新篇章。

博客 自动驾驶小能手

LV5
2020-07-22 16:58
147

预测|中汽协:今年汽车销量降幅将收窄至10%以内

7月20日,在中国汽车工业协会召开的年中沟通会上,中国汽车工业协会常务副会长兼秘书长付炳锋表示,进入二季度后,汽车市场将总体平稳向好,行业总体降幅将持续收窄。预计中国汽车市场2020全年销量降幅将收窄至10%以内。 ...查看全部

7月20日,在中国汽车工业协会召开的年中沟通会上,中国汽车工业协会常务副会长兼秘书长付炳锋表示,进入二季度后,汽车市场将总体平稳向好,行业总体降幅将持续收窄。预计中国汽车市场2020全年销量降幅将收窄至10%以内。
全力复工复产 推动二季度产销大幅回升
2020年初,突如其来的新冠肺炎疫情暴发,让汽车行业按下了“暂停键”,2月份产销基本停摆,3月份企业生产经营活动开始恢复,情况稍有好转。一季度,国内汽车产销累计同比下降均在40%以上,汽车行业受到了巨大冲击。
付炳锋表示,全行业同舟共济,不畏艰难,扎实推进复工复产。4月份汽车产销年内首次突破200万辆,且单月结束销量“21连降”,呈现回暖势头。5月份生产端信心进一步提升,消费端需求进一步释放,产销同比实现两位数增长。6月份供需两端延续良好态势,各类车型产销继续保持增长。
据中国汽车工业协会统计数据显示,上半年,国内汽车产销累计均超过1000万辆,分别为1011.2万辆和1025.7万辆,同比下降16.8%和16.9%。从半年总体情况来看,疫情冲击给汽车市场带来的损失已经得到一定程度的弥补,汽车总体产销状况已明显好于预期。而从全球角度看,我国汽车工业恢复的速度和程度居于领先地位,表现出较强的韧性和动力,这既与中央和地方政府及时、准确地出台了一系列的促进汽车发展政策有关,也与汽车行业企业多措并举,全力复工复产,积极主动促进汽车消费有关。
值得注意的是,上半年中国品牌乘用车共销售285.4万辆,同比下降29.0%,占乘用车销售总量的36.3%,比上年同期下降3.4%。原因是消费升级的高端换购需求和中高端车型促销折扣价格下探,带来的价格优势迅速引领细分市场回暖,中国品牌面临的压力更大。但也有部分品牌逆势上扬,如红旗、长安等,部分车型销量增长明显。在这些品牌的带动下,将助力中国品牌向上发展,重新夺回市场份额。
汽车市场平稳向好  降幅将持续收窄
虽然上半年汽车市场受疫情冲击损失巨大,但汽车产业长期稳定向好的态势没有发生改变,叠加下半年“六稳”、“六保”相关措施的持续发力,付炳锋预计,汽车市场将总体平稳向好,行业总体降幅将持续收窄。
从结构上来看,受各类宏观经济政策、基建投资政策、排放标准切换、治超治限以及高速按轴收费等重大利好驱动,商用车下半年将保持大幅增长,而乘用车将继续面临相对较大的下行压力。
在乘用车领域,中高端市场相对平稳,下半年依然会有较好的表现,而低端市场仍将进一步萎缩,中国品牌将受到更加严峻的挑战。
受补贴大幅退坡、续航里程问题制约、充电基础设施不足、缺乏有效的商业模式等诸多因素影响,新能源汽车市场出现大幅下降。疫情期间,公务消费有所下降,出行市场也遇到了天花板,而个人消费当前仍处在缓慢起步阶段,没有形成真正的爆发点。新能源汽车产业在市场端还需要更大力度的政策支持。
“总体来说,当前国民经济日渐企稳,汽车市场恢复性增长,总体形势不断向好。但与此同时,汽车行业仍面临市场消费动能不足和国际疫情持续影响等多重压力,产业转型升级任务非常艰巨。” 付炳锋说。(作者:人民网)

博客 自动驾驶小能手

LV5
2020-07-22 16:50
168

CAICV联盟智能网联汽车测试示范工作组成立

为进一步聚焦智能网联汽车安全,促进车路协同发展,落实共享互认倡议,全面提升我国智能网联汽车测试管理和服务水平,7月16日,中国智能网联汽车产业创新联盟智能网联汽车测试示范工作组(以下简称“工作组”)成立会议通过线上会议形式顺利召开。中国工程 ...查看全部

为进一步聚焦智能网联汽车安全,促进车路协同发展,落实共享互认倡议,全面提升我国智能网联汽车测试管理和服务水平,7月16日,中国智能网联汽车产业创新联盟智能网联汽车测试示范工作组(以下简称“工作组”)成立会议通过线上会议形式顺利召开。中国工程院院士、中国汽车工程学会理事长、中国智能网联汽车产业创新联盟理事长、国家智能网联汽车创新中心主任、清华大学教授李骏,工业和信息化部装备工业一司汽车发展处四级调研员陈春梅出席本次会议,并作重要讲话。来自国家级智能网联汽车测试区(场)、车联网先导区、整车企业、科研机构和高校等35家发起单位和32家参与单位的行业专家共150余人参加本次会议,会议由联盟智能网联汽车测试示范工作组组长陈涛主持。

李骏院士首先为工作组成立致辞,他强调:

“当前智能网联汽车测试示范存在技术标准不统一、结果不互认的问题;测试示范工作组要大力发挥OEM和Tier1代表企业的核心作用,推动共性测试技术研发,支撑相关部门出台智能网联汽车测试、准入相关法规规范,推动产品认证,解决责任认定和保险体系等社会问题,促进L3级及以上智能网联汽车商业化落地,产生经济效益和社会效益。”

陈春梅调研员对工作组相关工作提出了几点希望:

支撑部委开展全国智能网联汽车测试区(场)的统筹协调,促进其差异化发展,落实共享互认倡议;支撑三部委修订道路测试规范,推动测试示范共性技术研究与标准制定,促进测试结果互认和数据共享;组织开展标杆作用的测试示范活动,探索商业模式,探索开展跨国测试示范项目;推动基础设施建设,促进车路协同相关技术发展。

陈涛组长介绍了工作组的基本情况:

会上,陈涛组长对工作组愿景、工作目标、工作内容、2020年工作计划、工作机制等进行了相关介绍。

工作组2020年专项任务小组牵头单位中国汽研陈涛总监、同济大学朱西产教授、北京智能车联吴琼副总、上海国际汽车城樊晓旭工程师、联盟秘书处于胜波和陈桂华研究员分别介绍了各专项工作的已有进展和下一步计划安排。

工作组的成立将联合国内智能网联汽车产业资源,借助国内智能网联汽车蓬勃发展的产业生态环境,开展智能网联汽车测试示范相关政策与产业研究,推动测试示范共性技术研究与标准制定,落实测试结果共享互认,促进相关学术交流、人才培养、国际联合测试等活动,推动智能网联汽车商业推广及应用。

工作组介绍

工作组组长:

陈涛,中国汽车工程研究院股份有限公司总监,中汽院智能网联科技有限公司总经理

工作组副组长:

朱西产,同济大学汽车学院教授,汽车安全技术研究所所长

吴琼,北京智能车联产业创新中心常务副总

李霖,上海国际汽车城(集团)有限公司副总工程师

中国智能网联汽车产业创新联盟介绍

为进一步推动我国智能网联汽车产业和技术发展,中国汽车工程学会、中国汽车工业协会在工信部的支持下,于2017年6月12日组建成立“中国智能网联汽车产业创新联盟”。工信部作为联盟指导单位,苗圩部长和辛国斌副部长分别担任联盟指导委员会主任和副主任。联盟是由国内企业、高校、研究机构、行业组织等自愿组成的联合体,包括来自汽车、信息通信、交通等领域的理事单位64家,普通成员单位429家。联盟按照约定的工作机制,在政策和战略研究、关键共性技术研发、标准法规、测试示范、产业化推广、学术交流与国际合作、人才培养等方面开展工作,已经成为国内推动智能网联汽车产业发展的重要平台。

博客 自动驾驶小能手

LV5
2020-07-22 16:46
174

SOTIF:自动驾驶汽车测试和验证的挑战

软件测试常常只是一个简单的BUG搜索,而不是一个经过深思熟虑的确保质量的实践。要大规模部署安全的自动驾驶车辆,需要一种比简单的系统级测试-故障补丁-测试周期更有条理的方法。ISO26262开发V流程建立了一个框架,将每种类型的测试与相应的设计或需求文档联 ...查看全部

软件测试常常只是一个简单的BUG搜索,而不是一个经过深思熟虑的确保质量的实践。要大规模部署安全的自动驾驶车辆,需要一种比简单的系统级测试-故障补丁-测试周期更有条理的方法。ISO26262开发V流程建立了一个框架,将每种类型的测试与相应的设计或需求文档联系起来,但在适应处理自动驾驶汽车面临的各种新测试问题时,会遇到一些挑战。根据自动驾驶车辆V模型,提出了自动驾驶车辆测试的主要挑战:驾驶员不再参与控制、复杂需求、非确定性算法、归纳学习算法和故障操作系统。在这些不同的挑战领域中,通用的解决方案似乎效果很好,包括:使用相继放松的操作场景的分阶段部署,使用监视器/执行器对来将最复杂的自动功能与简单的安全功能分离,以及将故障注入作为执行更有效的边缘情况测试的一种方式。为了提供高水平自主,虽然安全认证类型算法方面仍存在重大挑战,但似乎可以将体系结构及其随附的设计过程构造为能够采用现有的软件安全方法。

尽管自动驾驶汽车最近成为了一个热门话题,但其背后的技术已经发展了几十年,可以追溯到自动公路系统项目[1]以及之前。从那些早期的演示开始,该技术已经成熟到先进的驾驶员辅助系统(ADAS),如自动车道保持和智能巡航控制是许多车辆的标准配置。除此之外,还有许多处于不同发展阶段的完全自主汽车项目,包括多车车队的扩展道路测试。
如果你相信权威人士的说法,那么全自动汽车(通常被称为自动驾驶汽车)的全面普及指日不远了。然而,正如传统汽车行业所熟知的那样,制造几辆汽车,让它们在有专业安全驾驶员的合理良性环境中运行,与制造数百万辆汽车,让它们在一个没有约束的世界中运行,两者之间存在巨大差异。有人说,成功的测试和几千公里(甚至几十万公里)的驾驶经验意味着,自动驾驶技术基本上已经准备好全面部署。但是,很难看出仅仅这样的测试就足以确保足够的安全性。实际上,至少一些开发人员似乎在做更多的工作,但问题是还需要做多少工作,以及我们如何知道最终的工具在部署时是非常安全的。
在这篇文章中,我们探索了一些开发者的挑战,这些开发者正试图获得完全自主,以及NHTSA级别4[2]车辆大规模部署的资格。因此,我们跳过了潜在的半自动化方法来处理那些驾驶员完全不负责车辆安全操作的系统。我们进一步限制范围来考虑如何在ISO 26262 v框架内设计和验证这样的车辆。这个限制的原因是,这是一个确保安全的可接受的做法。基于计算机的系统应该被认为是不安全的,除非有令人信服的其他理由,这是一个公认的安全原则(即,安全必须表现出来,而不是假设)。因此,自动驾驶汽车不能被认为是安全的,除非和直到他们被证明符合或映射到ISO 26262或其他一些适当的,广泛接受的软件安全标准。
完全测试不可行
车辆水平的测试不足以确保安全。人们早就知道,对系统进行足够彻底的测试以确保系统运行的可靠性是不可行的
例如,假设有100万辆汽车,每天运行一小时(即每天106小时运作时间)。如果安全目标是每1000天发生一次灾难性计算故障,那么安全目标是109小时的平均灾难性故障时间,这与飞机的允许故障率[3]相当。请注意,这承认了在车队的生命周期中,由于计算机缺陷或故障而导致的几次灾难性故障发生的可能性。但是,如果与手动驾驶车辆相比,由于驾驶员失误而导致灾难性事故的发生率大大降低,那么这一目标可能是合理的。(这只是一个失败率的例子。人们可能会为这个比率的高低提出论据,但它被选为一个合理的比率,说明了实现安全方面的一些困难。)
为了验证车辆的灾难性故障率为每109小时一次,一个人必须进行至少109车辆操作小时的测试(十亿小时)[4],事实上必须测试几倍的时间,可能会重复多次这样的测试来实现统计学意义。即使这样,也假定测试环境是真实部署的高度代表,并且导致灾难的环境是以随机、独立的方式出现的。在不危及公众安全的情况下,建立一支能在典型测试环境下运行数十亿小时的大型实体车队似乎是不切实际的。可能包括仿真、形式证明、故障注入、引导的基础上稳步增加车队规模、获得非关键角色的组件技术的现场经验和人员审查等方法。(组件级测试也起作用,但是为物理硬件设备积累109个小时的预部署测试仍然是不切实际的。)当人们考虑到自动系统的测试甚至比日常软件系统的测试更困难时,情况会变得更糟,下面将对此进行讨论。
也就是说,对于相对非关键的计算系统,可以使用测试作为验证适当安全级别的主要基础。这是因为涉及低严重程度和低暴露的故障可能比灾难性故障的发生率更高。例如,如果特定类型的故障每1000小时发生一次是可以接受的(因为这种故障会导致最低成本的事件或轻微的中断),那么通过数千小时的测试可以可靠地验证该故障率。这并不是说所有的软件质量过程可以放弃这样的系统, 而是如果平均故障间隔时间要求相对宽松,那么适当的测试和故障监视策略可能可以验证具有适当质量的组件实际上达到了可接受的低故障率。
以V模型为起点
因为系统级测试无法完成这项工作,所以需要更多的测试。这正是拥有一个更健壮的开发框架来创建安全关键软件的关键所在。
软件开发V模型在汽车上的应用由来已久。它是20多年前纳入MISRA指南的发展参考模型之一[5,6]。最近,它被提升为形成ISO26262[7]基础的参考模型。
通常,V模型(图1)表示一个有方法的创建过程,然后是验证和确认。V模型的左侧工作方式是从需求到设计再到实现。在每个步骤中,系统通常被分解为并行处理的子系统(例如,有一组系统需求,但是每个子系统的设计是独立的)。当系统从小型组件恢复到系统级评估时,V的右边迭代地验证和验证越来越大的系统块。尽管ISO 26262对该模型进行了详细的阐述,但我们仍然保持通用性,以讨论高级思想。
尽管ISO 26262及其V框架通常反映了确保汽车安全的公认做法,但在将汽车的技术映射到V模型方面,全自动汽车面临着独特的挑战。
1.jpg

图1 一个通用的V模型

一、驾驶员不参与控制

对于全自动驾驶汽车来说,最明显的挑战可能是,关键在于驾驶员不再真正驾驶汽车。这意味着,根据定义,在[2]操作期间,司机不能再为车辆提供控制输入。
可控性的挑战
对于低完整性装置的典型汽车安全论证可能取决于人类驾驶员施加控制的能力。例如,在一个高级的驾驶员辅助系统(ADAS)中,如果一个软件故障导致了一个潜在的危险情况,那么这个驾驶员可能被期望越过那个软件功能并恢复到一个安全的状态。司机们也有望从严重的车辆机械故障中恢复过来,比如轮胎爆裂。换句话说,在有人驾驶的车辆中,驾驶员负责采取正确的纠正措施。驾驶员没有能力采取纠正措施的情况被认为是缺乏可控性,因此必须设计到更高的汽车安全完整性水平,即ASIL[8]。
有了全自动驾驶汽车,驾驶员就不能指望处理特殊情况了。相反,计算机系统必须承担主要异常处理程序的角色,处理错误、故障和超出指定的操作条件。与ADAS系统相比,让计算机负责异常处理似乎可能会极大地增加自动化的复杂性。ADAS系统的组合,如车道保持和智能巡航控制,似乎诱人地接近于完全自主操作。然而,一辆全自动汽车必须要有额外的复杂性来处理所有可能出错的情况,因为当事情出错时,没有司机来抓方向盘和刹车。
自主体系结构方法
在ISO 26262的背景下,让计算机负责提出了评估风险的两种策略。一种策略是将风险评估[8]的可控性部分设置为难以控制或无法控制的C3。如果严重程度和暴露程度很低,这可能是一个可行的选择,因此可以指定较低的ASIL。但是,在中度或高度严重和暴露的情况下,该系统必须设计到一个高的汽车安全完整性水平(ASIL)。(有些人可能会说,应该有一个更高的可控性分类C4,因为自动化系统有时候不仅不能提供安全功能,还有可能主动采取危险积极行动。但我们假设现有的C3就足够了。)
另一种处理高ASIL自治功能的方法是通过结合监视器/执行器架构和冗余来使用ASIL分解[9]。监测/执行器架构是这样一种架构,其中主要功能由一个模块(执行器)执行,一个成对的模块(监视器)执行验收测试[5,10]或其他行为验证。如果执行器动作不正确,监视器将关闭整个功能(两个模块),导致故障-沉默系统(任何故障都会导致一个沉默组件,有时也称为故障-停止或故障-安全。)
如果监视器/执行器对(图2)设计正确,只要监视器具有非常高的ASIL并检测到监视器中所有可能的故障,执行器就可以设计为一个低ASIL (此外,还需要检测监视器中的潜在故障,以避免因执行器故障而导致监视器损坏) 。如果监视器能够比执行器简单得多,减少高ASIL监视器的尺寸,并允许大部分功能复杂性被放置到一个低ASIL执行器中,那么这种结构模式将是特别有利的。
2.jpg
图2监控器/执行器概念图
监视器/执行器对的优点和缺点都是创建了一个故障-沉默模块(如果有故障就会关闭)。使用异构冗余(两个模块:监视器和执行器)是为了防止发生故障的执行器发出危险的命令。但是,如果出现故障,也会导致执行器功能丧失,这对于故障后必须操作的功能(例如在行驶中的车辆中转向)是一个问题。
至少,提供失败的操作行为需要更多的冗余(不止一个监视器/执行器对),并且很有可能设计多样性,这样普通模式的软件设计失败就不会导致系统失败。这是很重要的,以避免损失的情况,如阿丽亚娜5号航班501,这是由于主系统和备份系统经历了相同的未处理异常(组件设计未预料到的)操作条件而以相同的方式故障所导致的。
应该注意的是,实现多样性并不一定是简单的,因为在同一套用于简化不同组件(例如,[12])的高级需求中存在缺陷的脆弱性等问题。然而,这种情况也适用于非自动软件。还应该注意,监视器/执行器对故障沉默的要求是基于故障独立性的假设,但这同样适用于非自动系统。
高水平自动驾驶汽车的一个关键观点是,需要有一种方法来检测自动功能何时不能正常工作(无论是由于硬件故障、软件故障还是需求缺陷),并且在通过故障操作降级模式自动功能检测到此类故障时,以某种方式使系统处于安全状态。

二、复杂的需求

开发的V模型的一个基本特征是,V的右侧提供了一种可跟踪的方法来检查左侧的结果(验证和校验)。然而,这种检查的概念是基于这样一个假设,即需求实际上是已知的、正确的、完整的、明确指定的。这一假设对自动驾驶汽车提出了挑战。
需求挑战
如前所述,从控制系统中移除驱动程序意味着软件必须处理异常,包括天气、环境危害和设备故障。其中可能有很多不同类型,从恶劣的天气(洪水、雾、雪、吸烟,龙卷风),到违反交通规则(错误行驶方向,其他司机闯红灯等)到当地的驾驶习惯,再到动物危害(鹿、犰狳和偶尔的蝗灾)。
任何一个开了很长时间车的人都可能遇到行驶路上的各种怪事。一个规模很大的车队,总的来说,可能会经历所有这些类型的事件,或者更多。更糟糕的是,不良事件和行车条件的组合可能会发生,其数量之多简直无法用书面需求来描述。如果结果可能是无害的,也许不需要覆盖所有这些极其罕见的组合,但是需求应该清楚地说明系统设计范围内的内容,以及哪些内容不属于系统设计范围。因此,从列举所有系统需求的文档开始的经典V流程,不太可能以严格的方式扩展到自动车辆异常处理,至少在不久的将来是这样。
操作概念方法
管理需求复杂性的一种方法是约束操作概念,并参与需求的阶段性扩展。开发人员已经在这样做了,他们可能会专注于特定地理区域的道路测试(例如,只在硅谷的分道公路上进行日间驾驶,那里降水有限,几乎没有冰冻天气)。然而,使用操作概念的想法可以在许多方向上扩展。
可以用来限制操作概念的例子包括:
•道路接入:有限接入高速公路、HOV车道、农村道路、郊区、封闭校园、城市街道等。
•能见度:昼、夜、雾、霾、烟、雨、雪等。
•车辆环境:在封闭的车库中进行自动停车,没有其他车辆行驶,只有自动车道,非自动车辆上有标志应答器等。
•外部环境:基础设施支持、预先测绘的道路、配备人力驾驶的汽车
•速度:较低的速度可能导致更低的故障后果和更大的恢复裕度
虽然上面提到的自由度仍然有很多组合(当然还有更多可以想象的),但是从可能的操作概念中进行选择的目的并不是要增加复杂性,而是要减少复杂性。降低需求复杂性的方法是,只在完全理解需求的特定有限的情况下(并确保对这些有效的操作条件的识别是正确的)允许自主。
因此,限制操作概念成为一种引导策略,用于在日益复杂的操作环境(例如,[14,15])中依次部署更复杂的技术能力。一旦对特定的操作概念的需求有了充分的了解,就可以随着时间的推移添加其他类似的操作概念,以扩展允许的自动化场景的范围。它不会完全消除复杂需求的问题,但是它可以帮助减少需求和异常的组合爆炸。
安全需求和不变性
即使使用了受限的操作概念,使用传统的与安全相关的需求方法似乎也是不合适的。这种方法或多或少是这样进行的。首先创建功能需求。然后,在执行了一些风险评估过程之后,对与安全相关的需求进行了注释。然后,将这些安全相关需求分配给安全关键子系统。然后,设计满足分配需求的安全关键子系统。最后,通过重复该循环来标识和减轻未预料到的紧急子系统交互。
对于自治应用程序来说,安全关键需求的注释可能是不切实际的,至少有两个原因。原因之一是许多需求可能只与部分安全性相关,并且与功能性能不可避免地交织在一起。例如,当汽车移动时操作停车制动的许多条件可能是一组启动条件。然而,只有这些需求的某些方面实际上是安全关键的,而这些方面在很大程度上是其他功能相互作用的紧急后果。以驻车制动为例,当驻车制动以速度施加时的减速特性是所期望的功能之一,并且可能由许多功能需求来描述。但是,简化后,减速模式中唯一的安全关键方面可能是其他需求的紧急交互必须避免在减速过程中锁定车轮。
用于识别安全相关需求的需求注释可能失败的第二个原因是,当使用机器学习技术时,这甚至可能不可能。这是因为需求(尽管它们是)采用一组训练数据的形式,列举一组输入值和正确的系统输出。这些往往不是传统需求的形式,因此需要对需求管理和验证采用不同的方法。(参见本文后面关于机器学习的部分)。
与其试图在安全子系统和非安全子系统之间分配功能需求,不如创建一个单独的、与严格安全相关的[16]的需求并行集。这些需求往往以不变量的形式指定安全所需的系统状态(必须为真才能安全,必须为假才能安全)。这种方法可以解决性能和优化问题(最短的旅行路径是什么?)或者最优燃油消耗的速度是多少?)从安全的角度(我们会撞到什么东西吗?)
使用这种方法将需求集划分为V模型的两部分。第一组需求将一组non-safety-related功能需求,这可能是在传统的格式或一种非传统的格式如机器学习训练集。然而,根据定义这些潜在的非传统的需求并不安全,所以它可能是可以接受的,如果跟踪和验证有充足但不完美的报道。 
第二组需求是一组纯粹的安全需求,它完全而明确地定义了系统的安全含义,相对独立于最佳系统行为的细节。对于不同的操作模式,这些需求可以采取安全操作信封的形式,系统可以在[17]操作信封内自由地优化其性能。很明显,这样的信封至少可以在某些情况下使用(例如,强制限速或设置最小跟随距离)。这个概念承诺相当普遍,但要证明它仍然是未来的工作。
采用一组与功能需求正交的安全需求的一个令人信服的理由是,这种方法干净地映射到监视器/执行器架构。功能需求可以分配到一个低ASIL执行器功能块,而安全需求可以分配到一个高ASIL监视器。多年来,该思想一直被非正式地用作监视器/执行器设计模式的一部分。我们建议将此方法提升为设计自动驾驶车辆设计、需求和安全案例的主要策略,而不是将其降级为详细的实现冗余策略。
三、非确定性和统计算法
自动驾驶汽车使用的一些技术本质上是统计性质的。一般来说,它们趋向于不确定(不可重复),并且可能只对某些概率给出正确的答案——如果某个概率可以被赋值的话。验证这样的系统所面临的挑战是传统的确定性汽车控制系统所没有的。
随机系统的挑战
非确定性计算包括一些算法,如计划器,它们可能通过对大量随机选择的候选对象的结果进行排序来工作(例如,概率路线图计划器[18])。由于该算法的核心操作是基于候选对象的随机生成,所以很难进行复制。虽然在单元测试中使用可重复的伪随机数流等技术是有用的,但在集成系统中创建完全确定的行为可能是不实际的,特别是在初始条件的微小变化导致系统行为发散的情况下。这意味着,尽管试图使用名义上相同的测试用例,但每一次车辆水平测试都可能导致不同的结果。
成功的感知算法也往往是概率性的。例如,证据网格框架[19]将来自个体的、不确定的传感器读数的不同证据累积到一个机器人周围环境的越来越模糊和详细的地图中。这种方法产生一种可能性,即有一个物体存在,但从不完全可靠。此外,这些算法是基于先前的传感器物理模型(例如,多路径返回)和噪声(例如,在雷达报告范围内的高斯噪声),它们本身是概率性的,并且对环境条件的微小变化很敏感。
除了对周围环境的几何建模外,其他算法还从感知到的数据中提取标签。突出的例子包括行人检测[20]。这样的系统可以表现出潜在的不可预测的故障模式,即使是在很大程度上无噪声的数据。例如,视觉系统可能在消除由阴影引起的颜色变化的歧义上有困难,以及在大型反射面存在时,确定物体位置的经验差异。(平心而论,这些都是人类目前面临的挑战。)此外,任何分类过程都表现出假阴性和假阳性之间的权衡,其中一种情况的减少必然导致另一种情况的增多。它的测试含义是这样的算法不会在100%的情况下工作,并且根据构造它们可能报告一个特定的情况为真,而实际情况为真的概率只有中等大小。
非确定性测试
在测试中处理非确定性是困难的,至少有两个原因。第一个问题是,在特定的边缘情况下很难进行操作。这是因为,只有当系统接收到来自外界的一个非常特殊的输入序列时,它才会以激活边缘情况的方式运行。由于前面讨论过的因素,例如计划者对输入的微小变化的响应可能存在巨大差异,所以很难设计出一种情况,在这种情况下,世界将可靠地提供正确的条件来运行特定的期望测试用例。
举个简单的例子,汽车可能更喜欢在宽阔的马路上绕行,而不是在狭窄的小巷里抄近路。为了评估在狭窄的巷道中行驶的性能,测试人员需要设计一种情况,使宽阔的巷道对计划人员没有吸引力。但是,这样做需要对测试计划进行额外的关注,并且可能(手动)将车辆移动到它通常不会进入的环境中来强制执行所需的响应。测试车辆在两条几乎同样不吸引人的道路中选择更好的一条而不动摇的能力可能更加困难。
测试中与非确定性的第二个区别是,评估测试结果是否正确是不同的,因为对于给定的测试用例没有唯一正确的系统行为。因此,正确性标准可能必须采用与前面讨论的安全信封类似的形式,在安全信封中,如果最终系统状态在可接受的测试通过信封中,则测试通过。一般来说,可能需要多个测试来建立系统将总是在测试通过信封中结束的信心。
概率系统行为对验证提出了类似的挑战,因为通过一次测试并不意味着每次都通过测试。事实上,对于概率行为,可以预期至少某些类型的测试在某些情况下会失败。因此,测试的目的可能不是确定行为是否正确,而是验证行为的统计特征是准确指定的(例如,假阴性检出率不大于伴随的安全参数中假定的率)。这可能需要比简单的功能验证多得多的测试,特别是如果所涉及的行为是安全关键的,并且预期失败率极低。

要从概率系统中获得极高的性能,可能需要多个子系统,而在复合系统中,由于具有完全独立的故障,因此假定这些子系统能够提供较低的总体故障率。例如,可以将复合雷达和视觉系统组合起来,以确保在极低的概率范围内不会遗漏任何障碍物。该方法不仅适用于传感模式,也适用于规划和执行中的其他各种算法方案。如果这种方法是成功的,那么很可能导致失败的概率非常低,因此验证复合性能的测试是不可行的。例如,如果两个系统必须在十亿次探测中有一次错过障碍物,那么必须进行数十亿次有代表性的测试来验证这种性能。验证复合不同算法的非常低的故障率可以通过单独验证每个算法的更频繁的允许故障率来尝试。但这是不合理的。人们还必须验证故障之间独立的假设,这可能除了测试之外,还必须基于分析。

四、机器学习系统


只有正确地做出一系列复杂的监测和控制决策,自动驾驶汽车才有可能做出正确的行为。实现这一目标通常需要对参数进行适当的调整,包括从每个相机镜头的校准模型到为避开高速公路上的障碍物而转弯和停车的风险权重的调整。这里的挑战是找到校准模型或权值之比,使某些误差函数最小化。近年来,大多数机器人应用已经转向机器学习来完成这一任务[21,22],因为多维优化的复杂性使得手工工作不太可能产生期望的性能水平。
机器学习方法的细节有很多,例如从演示中学习、主动学习、监督与非监督方法。然而,所有这些方法都涉及到归纳学习,在归纳学习中使用训练实例来推导模型。
例如,考虑在单目图像中检测行人的情况。通过使用一组大型训练图像,分类器可以学习一个决策规则,最小化行人在单独的验证图像集中被检测到的概率。对于我们的目的,一个基本元素训练集实际上是系统的需求集,而规则是最终的系统设计。(机器学习算法本身和分类器算法都更适合传统的验证技术。然而,这些都是通用的软件引擎,最终的系统行为是由用于学习的训练数据决定的。)
人们可以通过建立一套收集训练数据的要求来避免训练集数据形成事实需求的问题。但这最终只是把同样的挑战推到了抽象的一个层次上。需求不是系统本身的一组功能需求的典型V模型,而是一组训练数据的形式或收集训练数据集的计划。如何验证训练数据是一个开放的问题,可以通过对数据的特征描述以及数据生成或数据收集过程进行组合来解决。
验证归纳学习的挑战
归纳学习方法的性能可以通过从已收集的整体数据集中保留一些样本并使用这些样本进行验证来测试。假设如果将训练集用作系统需求(V模型的左边),则可以使用独立的验证数据集来确保满足需求(形成相应的V模型右边)。训练数据不能与期望行为无关,否则系统将变得“过度拟合”。类似地,除了所需的特性之外,验证数据必须与训练数据在各个方面都是独立和不同的,否则在验证期间将不会检测到过拟合问题。目前还不清楚,如何证明机器学习系统没有被作为安全论证的一部分过度拟合。
机器学习在实践中的一个重要限制是,如果使用带标签的数据,每个数据点都可能很昂贵。(创建标签必须由某人或某事完成。无监督学习技术也是可能的,但需要一个聪明的映射来解决特定的问题。)此外,如果发现了训练集(一个需求缺陷)或规则学习(一个设计缺陷)的问题并进行了纠正,那么就必须收集更多的验证数据并用于验证更新后的系统。这是很有必要的,因为即使是对训练数据的一个小的改变也会产生一个非常不同的学习规则集。
由于自治系统需求的复杂性,学习问题很可能会在少数情况下出现。然而,由于它们的稀缺性,收集描述这种不寻常情况的数据的成本可能很高,而且难以衡量。(模拟和合成数据可以帮助解决这一问题,但同时也存在模拟数据存在偏倚的风险,以及过度过渡到模拟工件的风险。)
验证机器学习的另一个问题是,一般来说,人类不能直观地理解过程的结果。例如,卷积神经网络[23]的内部结构可能无法直观的告诉人类观察者关于所学习的决策规则。虽然可能会有一些特殊的情况,但机器学习的易读性问题[24、25]在能够以人类的方式解释系统行为方面是无法解决的。除了昂贵的蛮力测试之外,很难预测其他技术如何应用于机器学习系统的验证。(也许有些组织确实有资源来进行广泛的蛮力测试。但是,即使在这种情况下,训练数据的准确性、有效性和代表性也必须作为基于机器学习系统正确性的安全论证的一部分进行证明。
由于机器学习系统的易读性普遍较差,而且过度拟合的危险是真实存在的,所以在这样的系统中存在着能够显著地影响安全性的故障模式。特别值得关注的是在训练集数据中出现的意外相关性,但是没有被人工审阅人员注意到。例如,考虑使用经过训练的可变形部分模型在图像中检测行人的方法,该方法已被证明在真实的数据集[26]中非常有效。如果训练数据集中没有(或很少)出现坐轮椅的行人的图像,那么这个系统很可能会错误地将行人的标签与用两条腿走路的人联系起来。
归纳学习的解决方案
众所周知,由于黑天鹅问题(black swan problem)[27],确认归纳学习是非常困难的。通常,黑天鹅问题指的是一个人(或一个系统)很容易相信普遍的观察结果是正确的,而由于大量的数据点相互关联,可能会得出错误的结论。故事是这样的。在18世纪晚期之前,欧洲所有被观察到的天鹅都是白色的,因此,使用归纳逻辑的观察者会得出所有天鹅都是白色的结论。然而,这个观察者在访问澳大利亚的时候,会经历这种信念上的打击,那里有大量的黑天鹅。换句话说,如果系统没有看到一个特殊的情况,它就不能学习那个情况。这是一个基本的限制,归纳学习方法是不容易治愈的[28]。此外,随着机器学习的发展,这个问题会因为可读性的缺乏而变得更加复杂,所以人类评论者很难或不可能想象在这样的系统中,一个类似于黑天鹅的偏见会形成什么样的形式。
验证归纳学习系统似乎是一个极具挑战性的问题。可以使用广泛的测试,但是需要验证黑天鹅数据随机独立到达率的假设,并对相应大小的数据集进行测试。如果有足够的资源,这可能是可行的,但总会有新的黑天鹅,因此必须对大量的操作场景和输入值进行概率评估,以确保系统故障处于可接受的低水平。(如果有足够的资源以一种合理的方式来做这件事,这可能会形成V过程的右边。)
将基于低ASIL诱导的算法与基于高ASIL演绎的监控相结合,是验证高ASIL诱导学习系统是否适用于高ASIL水平的另一种选择。这将回避执行算法的大部分验证问题,因为控制执行器的归纳算法的故障将由基于演绎生成的安全包络线等概念的无感监控器捕获。因此,执行器算法故障将是一个可用性问题(系统安全关闭,假设有足够的故障转移能力),而不是一个安全问题。
五、关键任务运行要求
作为一个最终的技术领域,我们回到前面讨论的一点,最终控制车辆的是计算机而不是人。这意味着,至少车辆有一部分系统必须是故障-运行,而不是故障-停止。
故障-运行系统的设计挑战
故障-运行系统的设计已经在航空航天和其他领域成功地进行了几十年,但由于几个原因仍然存在差异。第一个原因很明显,必须提供冗余,以便当一个组件发生故障时,另一个组件可以接管。
实现这一点需要至少两个独立的、冗余的子系统来实现故障停止行为。反过来,实现一个故障运行系统需要至少三个冗余的任意故障组件,以便在它发出错误输出而不是在组件级别[29]故障停止的情况下,可以确定这三个组件中的哪个失败了。对于必须容忍任意故障的系统,可能需要一个包含四个冗余组件的拜占庭容错系统[30],具体取决于相关的故障模型。
冗余的结构根据设计方法不同而有所不同,可能包括配置,如带有投票者的三倍冗余系统,或对[29]中的四台计算机的双—双冗余系统使用故障-停止。除了这些方法带来的明显开销之外,还存在一个测试问题,以确保故障检测和恢复工作,确保故障的独立性,并确保在驱动任务开始时所有冗余组件都是无故障的。冗余似乎不太可能被避免,但它可能会降低复杂性和费用提供足够的冗余,以确保安全。
故障转移
在典型的故障运行系统中,例如飞机,所有的冗余部件基本上是相同的,并且能够执行扩展的任务。例如,商用飞机通常配置两个喷气发动机,每个喷气发动机至少有一个双冗余计算机控制。如果一个引擎上的计算机对由于通过持续交叉检测到的故障而关闭,就会有另一个独立的引擎来保持飞机的飞行。即便如此,对发动机可靠性的要求还是非常严格的,因为飞机在发动机第一次故障后可能要飞行几个小时才能到达最近的机场,而发动机可能会第二次出现故障。它对每台发动机都提出了很高的可靠性要求,因此增加了部件成本。
虽然汽车的成本敏感性是出了名的高,但它们确实有一个优势,那就是故障转移所需时间可能很短(例如,将车停在路边,或者在必要时在行车道上停车),故障转移任务的持续时间以秒而不是小时计算。此外,与完全自主运行相比,停止车辆的故障转移任务可能具有的功能要少得多。它可以简化需求复杂性、计算冗余、传感器需求和可靠性需求。(作为一个简单的例子,故障转移任务控制系统可能不支持变道,这极大地简化了传感器需求和控制算法。一些复杂的方法可能比完全自主汽车更简单。)因此,设计具有故障停止主控制器和更简单的故障运行、故障转移控制器的自动驾驶汽车,在硬件成本和设计/验证成本方面都很有吸引力。

也有可能,安全论证不是基于完全自治系统的完美,而是基于完全自治系统有一个探测器,当它出现故障或遇到需求缺口时,它能意识到。这将使故障检测器本身具有高ASIL,但可能允许正常的自主功能具有低ASIL。这种方法可以很好地映射到主自治系统的监视器/执行器架构。故障转移自治还必须以安全的方式设计,并根据其复杂性和计算出的可靠性需求采用适当的体系结构方法。如果在仅持续几秒的短故障转移任务期间发生故障的可能性非常低,甚至可以使用单通道故障转移系统。

六、非技术因素和故障注入

在部署自主权方面的一些挑战是非技术性的,比如经常提到的责任问题(当发生事故时由谁来负责?)以及法律通常如何对待车辆的所有权、运营、维护和其他方面。
对这个主题的深入研究超出了本文的范围。然而,解决非技术挑战很可能会对技术解决方案产生影响。例如,对于事故重建数据的自治系统可能会有法医要求。需要对这些数据的来源进行仔细分析,以确保正确使用这些数据。举个简单的例子,假设一个雷达的探测概率是95%,那么它的输出可能仍然会被记录在系统中,根据是否探测到一个障碍物,这意味着探测的确定性。重要的是要确保法医分析考虑到,仅仅因为雷达没有检测到行人并不意味着行人不在那里(例如,95%的检测可能意味着20个行人中有1个实际上不会被检测到)。
由于自动驾驶汽车固有的复杂性,以及无法通过测试证明任何接近完美的东西,因此开发人员很有可能以保证案例的形式创建一个安全保证论点(例如,根据[31])。这样的保证论证对于维护和解释系统的完整性是必要的,并且能够可信地解释系统对围绕不可避免的事故所发生的事件的响应。应该解决的一个特殊问题是,确保证据的完整性,以确定事故是否由于其环境而合理地不可避免。其他重要的问题将是,事故是否可以认为是由系统需求中的缺陷(例如,培训数据中的缺口)、合理可预见和可避免的设计缺陷、简单的心理缺陷或其他可归因于汽车制造商的原因引起的
从前面的讨论中可以明显看出,传统的功能测试在运行一个完整的系统时会遇到困难,尤其是在不寻常的操作条件下,很难运行异常的组合。虽然测试人员可以防御一些不符合标准的测试用例,但是由于异常、操作场景和其他相关因素的组合爆炸,测试的可伸缩性是有问题的。此外,研究表明,即使是非常优秀的设计师也常常会在相对简单的软件系统[32]中发现盲点,从而错过一些特殊的情况。
故障注入和鲁棒性测试是比较成熟的评估系统在[33]异常条件下性能的技术,可以帮助设计人员和测试人员在测试异常条件响应时避免盲点。传统的故障注入包括将位翻转插入内存和通信网络。最近的技术已经提高了抽象级别,包括基于数据类型的故障字典[32],并确保了故障的代表性[33]。这种技术已经成功地用于自动驾驶车辆[35]缺陷的发现和表征。
帮助验证自治特性的一个很有前途的方法是在组件的抽象级别上执行错误注入,这是试图伪造安全[36]声明的策略的一部分。这不仅涉及到模拟初级传感器输入的对象,还涉及到插入异常条件来测试系统的健壮性(例如,将无效数据插入到地图中)。进行这种故障注入的目的不是验证功能,而是探测可能在不可预见的情况下被激活的弱点。这种故障注入可以在ISO 26262 v模型的范围内进行。
总结
根据V模型开发安全的自动驾驶汽车的挑战是重大的。然而,确保车辆安全仍然需要遵循ISO 26262 V模型,或者证明一套同样严格的过程和技术实践已经得到应用。假设应用了V模型,有三种通用的方法看起来很有前途。
分阶段部署
开发和部署一辆能够在不受限制的真实环境(包括特殊情况)中处理所有可能的场景组合的自动驾驶汽车似乎是不切实际的。相反,正如汽车系统中常见的那样,基于当前开发人员实践的分阶段部署方法似乎是一种合理的方法。
将阶段部署绑定到V流程可以通过识别指定良好的操作概念来限制操作范围,从而限制必要的需求范围来完成。它将包括环境、系统健康状况和操作约束方面的限制,必须满足这些限制才能进行自主操作。确认这些操作约束是强制的,这将是确保安全性的一个重要部分,并且必须作为一组操作需求、验证和潜在的运行时强制机制出现在V流程中。例如,运行时监控不仅可能需要监控系统状态是否允许自治权,而且假设关于安全的操作场景参数实际上是被满足,以及是否操作场景的系统实际上是它认为。
需要特别注意的受限操作概念的一个方面是,确保在操作场景突然失效(例如,由于意外天气事件或基础设施故障)时维护安全性。从可接受的操作概念体系中进行的此类异常转换将要求成功地执行系统恢复或故障转移任务,即使系统偏移超出了允许的自治操作场景的假设。
目前还不清楚分阶段部署方法是否会提供一条通往完全自治的道路。但是,至少这种方法提供了一种取得进展和获得自治的一些好处的方法,同时可以更好地理解不同的边界情况和随着系统更多地暴露于现实世界条件而出现的未预料到的场景。
监控器/执行器架构
一种可能有助于减轻自动驾驶汽车安全的许多挑战的常见方法是使用监视器/执行器架构。正如前面所讨论的,这种架构风格可以帮助解决需求复杂性(只有监控器需要是非常完美的)和归纳算法的部署(通过限制对执行器的使用,并使用基于演绎的监控器)。
此外,故障转移任务策略的使用可以允许主自治系统监视器检测主系统故障,而不必确保故障操作行为。一个更简单、高度完整的自动故障转移系统可以使车辆进入安全状态。这样的系统可能具有足够短的故障转移任务,因此需要最小的故障转移操作冗余,只要能够确保在启动故障转移任务时系统是无故障的。
故障注入
为了确保系统的超可靠性,单独进行测试是不可行的。自动驾驶汽车只会让这个问题变得更加困难,因为它会自动地对高度复杂的环境心理状况做出反应,还会引入机器学习等技术,而这些技术测试起来既复杂又昂贵。此外,由于大部分的自动驾驶能力必须有较高的ASIL由于缺乏人类驾驶监督,它似乎很难做足够的普通系统测试,以获得甚至一个合理的水平的保证。
作为验证策略的一部分,故障注入可以发挥有用的作用,该策略还包括传统的测试和非基于测试的验证。如果将故障注入应用于多个抽象级别,而不是仅应用于固定的电子连接器级别,则尤其如此。
未来的工作
本文讨论了在基于ISO 26262的V框架下实现自动驾驶汽车安全保障的方法。但是,使用诸如监视器/执行器方法之类的体系结构模式和通过故障注入可能实现的验证的实际限制将对操作性能造成限制。换句话说,自动驾驶汽车的功能可能需要受到限制,以适应可行验证技术的约束。放松这些限制将需要在一些领域取得进展,例如与预期的操作环境相比,确定机器学习培训数据的覆盖范围,对特殊驾驶条件下的安全要求有足够的信心,能够验证冗余感应型系统故障的独立性。

博客 自动驾驶小能手

LV5
2020-07-22 16:44
152

日立:从汽车导航地图自动生成自动驾驶地图

概要 ...查看全部

概要

  • 自动驾驶/ADAS功能商业化的问题

  • 解决问题的假设~涉及到外界识别的2个组件技术升级~

  • 道路空间数据(DGM)和行驶逻辑数据(ADD)

  • 从汽车导航地图或高清地图生成DGM

  • ADD(行驶逻辑数据)的适用范围

  • ADD的期待效果的案例

摘要

提高车辆自动驾驶功能/性能,扩大自动驾驶工作范围

本报告将介绍株式会社日立制作所 Life业务统筹总部 数字前业务总部 智能网联汽车总部 业务开发部 主任技师 野村高司以《推动ADAS和自动驾驶技术升级的地图技术与数据库构建》为题的演讲概要。
当前,主要整车厂正在推进的自动驾驶系统基于高清地图信息(HD-MAP: High Definition Map),将各类传感器获得的信息与高清地图信息相匹配后进行行驶。也就是说,相当于在地图这一轨道上行驶。而今后在实现普通道路上的自动驾驶时,目前在高速公路和汽车专用道路方面已较为完善的高清地图要扩展至普通道路所需的成本非常庞大。此外,地图存在刚完成就会过时的问题。
但是,今后随着传感器、GNSS的进一步发展,AI的功能将得到提升,有助于提高预测功能的数据内容预计将进一步扩充,如此一来,即使地图不是高清(相对于位置信息,不需要±25cm的绝对精度,最多只需要±1m即可),也能利用实时获得的周边信息进行行驶。在此前提下,日立制作所的野村高司正在推进基于汽车导航地图(SD-MAP:Standard map)生成新构想的自动驾驶地图的计划,并称之为“DGM(Detailed Geometry Map):道路空间数据”(区别于高清地图,也称之为高详细地图)。
日立制作所还计划实现智能的自动驾驶,将驾驶员在驾驶困难或驾驶起来很费功夫的地点所积累起来的经验建立数据库,并嵌入DGM,并将其称之为“ADD(Autonomous Driving experience Database:行驶逻辑数据)”。

其构想是,提升传感器、GNSS等的性能,结合DGM/ADD,将扩大无限制的(普通道路上的)3-4-5级自动驾驶车可安全行驶的范围。日立与地图制作商的开发项目已经启动,期望2021年度发布部分成果。

一、自动驾驶/ADAS功能商业化的问题


<利用人工智能(AI)“预测”的难度>
AI在自动驾驶中的作用是识别、判断以及预测。其中,识别与判断的性能在很多方面都接近人的能力。人的识别对于计算机来说相当于慢动作,难度并不高。但是,要让AI与人脑一样进行相同的“预测”并不简单。近年来的自动驾驶试验车事故也大多起因于此。

高清地图的作用

<构建地图数据的难度>
  高清地图是让自动驾驶车顺畅行驶的功能件之一。提供如下所示的车载传感器无法捕捉的信息。

1)推测:

  • 因本车周围的障碍物无法把握路面情况时

  • 在无车道线的区间或道路油漆(车道边界线)不清晰的情况下对其进行补充

  • 传感器功能不完整时的补充

2)传感器感应范围外的预测

在日本,动态地图基盘株式会社(DMP)已制作了日本全国高速公路的高清地图,而日产利用该高清地图,使ProPILOT 2.0实现了特定条件下在高速公路上释放双手驾驶的功能,本田则计划2020年内实现3级自动驾驶(释放双手和双眼)。但是,DMP覆盖的范围只有全长约3万km的汽车专用道路。日本全国的普通道路长达150~160万km,想要在普通道路上也导入高清地图,需要庞大的资金,这并不现实。如果考虑实现所有车辆可行驶道路的自动驾驶功能,则需要以不同于以往的思路完善并更新地图。

二、解决问题的假设~涉及到外界识别的2个组件技术升级

日立制作所利用导航地图生成自动驾驶地图的计划中提出了以下两个假设。
1)以2025年前后为界限,提升传感器装置本身的性能,降低成本,推进小型化及提升其使用技术(包括Weak AI-Tech)。
 (注)Weak AI是指实现和提升部分特定人工智能功能的AI
  • 摄像头、雷达、激光雷达等
    提高鲁棒性、周围移动物体的行动预测及自由空间(自动驾驶车能够行驶的空间)推测精度等
  • GNSS、IMU
    通过采用cm~dm(10cm)级测位演算方式等,提升高精度绝对位置的稳定性等
    (注)GNSS(Global Navigation Satellite System / 全球导航卫星系统)是GPS、GLONASS、Galileo、准天顶卫星(QZSS)等卫星导航系统的总称。IMU(Inertial measurement unit、惯性测量装置)是用于检测掌管运动的3轴角度(或角速度)和加速度的装置。
  • V2X(V2V/V2I/V2P/V2N)
    计划仅设在汽车专用道路中复杂的并道/分流、普通道路路口车辆/行人/自行车等复杂交错的地点,以提高安全性能。

2)为提高推测功能(外界识别装置的启动范围)以及预知功能(离本车较远的范围),参考数据内容将进一步扩充。

以传感器捕捉到的信息为主的思路

目前主要整车厂计划的自动驾驶中,都以高清地图的准确性为前提,将车载传感器捕捉到的信息与该地图进行比对后行驶。也就是说,相当于在地图这一轨道上行驶。

但是,如果上述假设得以实现,就能把传感器捕捉到的信息(影像和动作)视为正确的,即使是低清地图,只要与传感器捕捉到的信息相结合,就能保证系统整体的可靠度和稳定性,就不需要高清地图那样±25cm水平的绝对精度。在此情况下,作为数据内容记录在地图这一假想空间内的行驶逻辑就凸显出其重要性,以下将对此作详细介绍。

三、道路空间数据(DGM)和行驶逻辑数据(ADD)


图* 在道路空间数据中记录行驶逻辑数据

以下将介绍野村高司推进的计划的核心内容“道路空间数据(DGM: Detailed Geometry Map)”与“行驶逻辑数据(ADD: Autonomous Driving experience Database)”。

<道路空间数据(DGM)>

DGM(Detailed Geometry Map)是从汽车导航地图(SD-MAP)生成的道路空间数据,根据MAP-ECU(控制单元)的性能和成本,可灵活选择数据内容/道路覆盖率/成本,实现广泛的利用。

<行驶逻辑数据(ADD)>

ADD是指将在驾驶较为困难或需要费功夫驾驶的地点的驾驶员经验建立数据库,嵌入DGM,是实现智能自动驾驶的行驶逻辑数据。无需大量探查数据,仅靠用户本身就能提升自动驾驶车的能力。其经验还能在云端共享,提升其他用户的经验值。

在道路空间数据(DGM)中记录行驶逻辑(ADD)

右图展示了在道路空间数据中记录行驶方法的事例。此道路情况下,高架下方有较长的右转车道,要进行右转,需要很早提前从右侧车道进入右转车道。如果错过了这个时机,就无法再右转,因此没有经验的人在此驾驶时会很困难。通过将驾驶员的经验建立数据库,自动驾驶时就会通过“行驶逻辑数据”(黄线)来提醒右转的行驶方法。

四、从汽车导航地图或高清地图生成DGM

左下图展示了利用日立制作所开发的“Model converter”从汽车导航地图(SD-MAP)或高清地图转换为DGM(道路空间数据)的过程。可以像这样灵活应对数据内容/道路覆盖率/成本的需求,生成Low-accuracy DGM、Medium-accuracy DGM、High-accuracy DGM三种精度的DGM。汽车导航地图中的道路虽然只记载了1条线(Road center),但具有Lane(车道)相关信息(称之为ADAS attribute),因此可生成记录Lane中央线的DGM。虽然生成的是Low accuracy DGM(High detail/low accuracy/low cost),但道路覆盖范围广。
日立制作所还计划将现有的高清地图(HD-MAP)用于DGM。此种情况下,将利用高清地图的内容生成High-accuracy DGM (High detail/high accuracy/high cost),但由于high cost,所以道路的覆盖率将较为有限。
日立制作所计划像这样来灵活应对数据内容/道路覆盖率/成本的需求,生成DGM的不同精度产品,即Low-accuracy DGM、Medium-accuracy DGM、High-accuracy DGM三种精度的DGM。
此外,以左下图的“North America”为例,表明日立制作所在该计划中的合作方HERE已生成了北美1,218万km汽车导航地图和70万km高清地图。
右下图是加利福尼亚州森尼韦尔的立交桥,展示了从图上方的导航地图转换为图下方的DGM的Model Convert(模型转换)事例。上方的“SD-MAP + ADAS attribute”显示的是Road center(道路中心),但从中生成了包括Lane中央线、Lane中央线的网络、限速、Lane的弯曲方式(曲率)等在内的Low-accuracy DGM(High detail/low accuracy/low cost)。
通过Model converter(模型转换)从SD-MAP生成DGM

Model Conversion的事例(美国加利福尼亚州森尼韦尔)

• 无限制(普通道路上)的3-4-5级自动驾驶的开发实际状态与期待


自动驾驶的工作范围
右图展示了当前和2030年度以后的无限制(普通道路行驶)3-4-5级自动驾驶地工作范围。左右的圆圈表示原来自动驾驶应该能行驶的所有道路。左边的圆圈(2019年度)中,以目前的技术水平能稳定(安全)地自动行驶的范围是中间的浅绿色范围,其周围的浅黄色是“虽然能自动驾驶但存在危险”的范围,外侧还有“需要解除自动驾驶,由远程操作介入”的范围
到了2030年度前后,如右边圆圈所示,“能稳定行驶的范围”有望扩大,但需要提高车辆本身的自动驾驶功能/性能(Vehicle AD Technology),如不提高,就会增加远程操作的协助请求,有可能因此导致其运行出现故障。
此外,到2030年前后,在不具备驾驶设备的自动驾驶车上应该不会完全没有远程操作协助。

五、ADD(行驶逻辑数据)的适用范围

左下图以X轴(本车至前方的距离)和Y轴(道路空间的情况→行驶逻辑)的图表展示了DGM与ADD覆盖的范围。

黑色虚线表示的HD-MAP覆盖了X轴上离本车较近的范围和Y轴上道路空间的情况范围,而黄色虚线表示的DGM则覆盖了X轴上更远的范围。

红色虚线表示的ADD相比道路本身,将知识和经验建立数据库,主要覆盖了图表上方的行驶逻辑范围。还利用探查信息,展示了 1)行驶方法相关信息、2)识别车群中本车的信息、3)车载传感器无法捕捉的前方信息、4)需要提高车载传感器精度和识别性能的信息。

<通过DGM/ADD可加强预测功能>

右下图显示,DGM/ADD可用于加强传感器和AI的功能及性能。通过DGM/ADD可理解传感器范围外的道路结构、连接关系及行驶方法,从而能更广范地理解时时刻刻物体识别的意义,因此可加强对实时发生的情况的预测功能。

ADD是可在广泛利用场景下利用的知识和经验数据库

ADD也能用于扩展和加强传感器和AI的功能及性能

六、ADD的期待效果的案例

以下介绍说明ADD(行驶逻辑数据)期待效果的5个案例:

<案例1>识别车群中本车的信息:

从前进方向左侧出口下高速公路或汽车专用道路时,一旦错过排队的车队,中途再想插入的话,自动驾驶就可能失效。通过提早进入左侧车道,就不用插队,从而扩大自动驾驶的工作范围。

<案例2>车载传感器无法捕捉的前方信息以及行驶方法相关信息:

在左下图的案例2中,如果就这样笔直前进的话,并道的地点就会有些许危险。如果能事先换至左侧车道,就能避开碰撞事故。

<案例3>行驶方法相关信息:

通过“提示符合目的地的变道点标准”,实现安全且稳定的行驶。

<案例4>行驶方法相关信息:

在有多个红绿灯且双向车道分离较远的路口,如存在不需要确认的红绿灯时的处理方法:如右下图所示的红色箭头路线右转时,只记录①停止线、②人行横道、③的红绿灯相关信息,不记录右转车辆不需要确认的④的红绿灯信息。如此一来便能实现顺畅的自动驾驶。

<案例5>行驶方法相关信息:

较宽的单车道在部分时间带会自然形成多条列队。
案例5的情况下,部分时间带会形成等待右转的车辆列队。如果是自动驾驶车的话,就会因为是一条单车道而行驶至列队的最后等待。但是这种情况下,有经验的驾驶员看到等待右转的列队左侧空出来时就会从左侧通行过去。只要将这类经验建立数据库,就能扩大自动驾驶工作范围,从而消除后续车辆的拥堵。

DGM/ADD的期待效果案例(案例1~3)

DGM/ADD的期待效果案例(案例4~5)

展望未来

在自动驾驶车问世初期,传统汽车与自动驾驶车并存的时代,像上述期待效果案例2、4、5那样,自动驾驶车(右转车及从支道向总道并道的车辆等)如果不是优先车辆就很难行动,可能最终导致自动驾驶车无法动弹。即使实现了V2X的扩充等功能,自动驾驶系统想要接近人脑的机制也非易事。

目前来说,通过ADD事先对经常发生交通事故的地点和自动驾驶频繁遭到解除的危险地点进行定义,有效地将驾驶权限转移至驾驶员或远程操作等,也许是一个较为现实的解决方法之一。

通过像这样的积累,如本报告“概要”部分的图那样,将有望逐步扩大自动驾驶车的安全(稳定)行驶范围。

<总结>

  • DGM与ADD的组合除了自动驾驶以外,还能应用于提升ADAS及导航的功能。

  • ADD可根据不同地区交通环境的差异(例如,中国、印度等,日本国内例如关东和关西地区的差异)对行驶方法建立模型,还能针对个人使用进行私人订制。(作者:焉知自动驾驶

博客 自动驾驶小能手

LV5
2020-07-20 10:17
165

美国研发新方法获取更多数据 训练自动驾驶汽车跟踪系统

为了安全起见,自动驾驶汽车必须能够准确地跟踪周围的行人、自行车和其他车辆的运动。现在,据外媒 ...查看全部

为了安全起见,自动驾驶汽车必须能够准确地跟踪周围的行人、自行车和其他车辆的运动。现在,据外媒报道,美国卡内基梅隆大学(Carnegie Mellon University)研发了一种新方法,可更高效地训练此类跟踪系统。

(图片来源:卡内基梅隆大学)

一般而言,用于训练跟踪系统的道路数据和交通数据越多,结果就会越好。为此,卡内基梅隆大学的研究人员研发了一种新方法,用于解锁大量的自动驾驶数据。

大多数自动驾驶汽车主要依赖一种称为激光雷达的传感器进行导航。激光雷达是一种产生有关车辆周围环境3D信息的激光设备,此种3D信息不是图像,而是点云。车辆采用一种称为场景流的技术了解此类数据,其中包括计算每个3D点云的速度和轨迹。一起移动的点云组通过场景流被释义为车辆、行人或其他移动的物体。

过去,训练此类系统最先进的方法是需要使用带有标记的数据集,此类传感器数据已经被注释,随着时间推移,会跟踪每个3D点云。但是,手动标记此类数据集既费力又昂贵,因此,几乎没有标记好的数据存在。相反,场景流训练通常利用模拟数据进行,效率更低,之后会利用少量已标注好的真实世界数据进行微调。

卡内基梅隆大学的研究人员则采用了不同的方法,采用未经标记的数据进行场景流训练。因为通过在汽车上安装激光雷达,并让车辆四处行驶,生成未标记的数据相对简单,而且数据不会短缺。

该种方法的关键是研发一种方法,让系统能够在场景流中探测到自己的错误。在每一个瞬间,该系统都尝试预测每一个3D点云的移动方向和移动速度。在下一个瞬间,该系统就能够测量出点云预测位置与靠近点云预测位置最近的实际位置之间的距离,该距离就是一种错误,需要尽可能实现最小化。

然后,该系统会将该过程逆转,从预测的点云位置开始,向后映射出点云的起始位置。因此,会测量预测位置与实际起始位置之间的距离,从而产生了第二种错误。

然后,该系统会纠正此类错误。

虽然听起来很复杂,不过研究人员发现此种方法很有效。研究人员们计算出,利用合成数据训练集执行场景流训练的精度只有25%。当采用了少量的真实世界经标记数据微调合成数据时,准确率提高至31%;当加入大量未标记的数据以利用他们的方法训练系统时,场景流的精度跃升至46%。(作者:盖世汽车)

博客 自动驾驶小能手

LV5
2020-07-20 10:13
161

九五智驾合作Airbiquity 为中国汽车制造商提供汽车软件OTA功能

据外媒报道,当地时间7月14日,网联汽车服务全球领导者和先锋Airbiquity公司宣布与中国领先的汽车服务运营商和集成式解决方案提供商北京九五智驾信息技术股份有限公司(YESWAY)合作。通过此次合作,九五智驾将在其九五智驾汽车平台(YESWAY Au ...查看全部

据外媒报道,当地时间7月14日,网联汽车服务全球领导者和先锋Airbiquity公司宣布与中国领先的汽车服务运营商和集成式解决方案提供商北京九五智驾信息技术股份有限公司(YESWAY)合作。通过此次合作,九五智驾将在其九五智驾汽车平台(YESWAY Automotive Platform)上添加Airbiquity的 OTAmatic无线更新(OTA)软件和数据管理解决方案,并在中国汽车市场上代表和支持Airbiquity OTAmatic。

(图片来源:Airbiquity)

此次独特的合作将让中国汽车制造商更容易在未来的网联汽车中,评估、整合和部署Airbiquity行业领先的OTA技术。OTAmatic能够让汽车制造商安全地协调大规模的网联汽车软件更新和云端数据管理过程,并使该过程实现自动化。利用OTAmatic,汽车制造商能够高效地规划并执行无线更新,并能够优化车辆、定位更新设备、拥有离散的政策和隐私控制功能和定制化的消费者通信功能以及灵活部署解决方案。

九五智驾是中国首家为国内外汽车制造商提供端到端远程信息处理解决方案和运营服务的远程信息服务提供商,其拥有独立的研发和运营中心,完整的许可证和证书以提供自主研发的服务。截至2019年,该公司已经为30多汽车品牌、400多个车型提供服务。目前,九五智驾在为300多万终端用户提供服务。(作者:盖世汽车)

博客 自动驾驶小能手

LV5
2020-07-16 15:41
170

华为“上车”这么快,汽车企业慌不慌

前天,比亚迪发布了智能新能源轿车——比亚迪汉。同时,华为宣布了基于鸿蒙OS的华为HiCar系统将搭载在这款汽车上,这是华为Hiar系统首次亮相。要知道,距离“华为麒麟芯片致力于探索在 ...查看全部

前天,比亚迪发布了智能新能源轿车——比亚迪汉。同时,华为宣布了基于鸿蒙OS的华为HiCar系统将搭载在这款汽车上,这是华为Hiar系统首次亮相。

要知道,距离“华为麒麟芯片致力于探索在汽车数字座舱领域的应用落地”新闻的公布才过去没俩月。

华为方面介绍了华为5G、AI、IoT等技术在汽车智能出行上所提供的服务

华为迫不及待“上车”,大概是因为现在的智能座舱真的香吧。看看今年的就业市场,疫情下,汽车行业别的岗位就业形势都较为严峻,但智能座舱方面的人才却供不应求,三电(电驱动、电控、电池)的岗位都已经比较饱和,但智能座舱依然还有很多需求,而且薪资还出现了上涨。

毕竟,智能座舱正在逐渐成为汽车品牌的“差异化竞争”之牌,这张牌如果打得好,用户跑不了~

华为都这么拼了,传统主机厂和Tier 1供应商最近有没有什么新动静?

其实,传统主机厂和Tier 1供应商这两年对智能座舱的探索就没停下过。
近期,延锋发布了自主设计研发的XiM21智能座舱。作为集成延锋完整产品能力的技术展示平台,XiM21在为用户提供独特、丰富体验的同时,也直观呈现了可在未来五年内直接投入市场的最新智能座舱技术。
据了解,XiM21不但能在未来五年内直接投入市场,其中某些技术甚至一年内就能够落地在量产车上。它既可以为整车厂提供一体化的打包方案,同时每项技术拆解又能根据整车厂需要进行定制。

与用户“心意相通”的智能伴侣

延锋利用数字化技术赋予XiM21“智慧”,进一步探索如何让私家车成为与用户“心意相通”的智能伴侣。
车内、车外互联使得乘客可以自定义乘车体验。比如,XiM21会通过收集天气状况、驾驶员状态及乘客人数等数据自动调节车内温度。它还记住人们的个性化用车习惯,坐进车里,将自动调节成乘客最惬意的车内空间。
同时,车内体验也可定制。通过各种预设或实时输入,XiM21能为乘客打造定制化的车内体验,如透光装饰条、可调节香氛及音响等。3D音效可为整个座舱打造高品质的听觉环境,独享式音响头枕能让乘客拥有私人音乐空间。
“随着新四化的不断深入和自动驾驶技术的不断成熟,未来汽车作为交通工具的属性将会被削弱,而作为移动空间的属性将会被大大加强。汽车的座舱系统作为空间属性的核心承载单元,将会扮演越来越重要的角色,它将更加智能化、个性化、场景化,追求极致的客户体验将会成为重要趋势。”延锋相关负责人表示。

为用户打造专属的感官特性

坐进XiM21座舱,便能感受到一股强烈的“未来感”。其中,多屏交互是一大亮点。概念车内安装的5个显示屏无缝融入内饰,显示屏、智能表面及其它组件经过直观、友好的交互设计,为用户提供易于操作的界面。对于驾驶员而言,双12.3英寸曲面显示屏可作为整个座舱的操控中心,电动滑动屏让前排乘客也能灵活设置车内各种模式及信息娱乐系统。
同时,座舱内部的表面材料及造型,让人从视觉上看感觉更轻更纤薄,营造出现代感。此外,概念舱采用了金属、水杉木等作为装饰表面,通过陶瓷、金属、水晶质感等高光材质和柔性布艺材质的对比更添艺术性,释放出居家放松的温馨与暖意。

业内业外开始“短兵相接”了

智能座舱这个概念出现后,在产业界和资本市场迅速走红。智能座舱成为汽车厂商越来越重视的部分,它甚至能成为一家整车厂的核心卖点......
一方面是传统的主机厂和Tier 1供应商在发力,另一方面,从手机市场杀入的三星、高通等芯片厂商,也在汽车芯片市场凶猛进攻。
除了华为和比亚迪,地平线与长安汽车达成合作,在长安的SUV新车型UNI-T上搭载地平线芯片“征程2”,号称全球第一款搭载国产AI芯片的量产车型。
不过,在目前阶段,智能座舱更多的是锦上添花,而非雪中送炭的角色。各家车企在智能座舱的一些功能上并没有拉开很大的差距。
不少用户对于车内按键越来越少这件事体验不是最好。而语音交互目前也处于比较初级的阶段,用户发出的复杂指令,很多时候车机并不能够理解。可这不妨碍车企先出手“抢滩”,先给用户留下一个“智能”的印象。

博客 自动驾驶小能手

LV5
2020-07-16 15:39
202

仙豆智能“智能网联研发总部”落户上海 加速汽车智能化

在2020年世界人工智能大会上,仙豆智能(Bean Tech)“智能网联研发总部”正式宣布落户上海。仙豆研发总部将加大物联网+混合现实+人工智能+5G等重点领域技术的研发投入,加速AI技术在汽车场景的大规模应用落地,夯实汽车智能化业务领域的核心人工智能技 ...查看全部

在2020年世界人工智能大会上,仙豆智能(Bean Tech)“智能网联研发总部”正式宣布落户上海。仙豆研发总部将加大物联网+混合现实+人工智能+5G等重点领域技术的研发投入,加速AI技术在汽车场景的大规模应用落地,夯实汽车智能化业务领域的核心人工智能技术和产业融合能力。仙豆智能创始人李鹏表示:“仙豆研发总部落‘沪’,在于上海看到了仙豆这家初创公司的高成长性和汽车+人工智能的深度融合能力。

上海拥有全国最完整的汽车产业链集群和高密集度的人工智能领域的人才,这也是仙豆选择深耕于此的原因。”资料显示,仙豆智能成立于2019年3月,是一家专注于出行场景的AI科技公司,仙豆智能创始人李鹏拥有超过15年汽车行业从业经历。今年上半年,仙豆在北京、深圳两大互联网创新高地同时设立了办公室,并在德国、上海设立了两大产学研究中心。

据李鹏介绍,仙豆并没有受到疫情的影响,交出了一份高成长性的半年成绩单。3个月两款智能网联产品随新车首发、首个售后车载智能系统开卖、60天一迭代启动首次OTA升级;4个月,公司员工从200人突破至700人。

去年7月,仙豆智能成为长城汽车在智能网联领域指定的战略合作伙伴。今年,2020款哈弗F5正式上市,其中首度搭载的Fun-Life智能互联系统就是由仙豆智能完成。(文章来源:TechWeb)

博客 自动驾驶小能手

LV5
2020-07-16 15:36
170

赛迪重磅发布《2030中国汽车电子产业发展前景分析》

汽车智能化浪潮席卷而来, ...查看全部

汽车智能化浪潮席卷而来,汽车电子在汽车产业智能化变革中起到至关重要的作用。汽车电子成本占比快速提升,汽车电子的创新已经成为汽车产业创新的重要推动力量。

汽车智能化浪潮席卷而来,汽车电子在汽车产业智能化变革中起到至关重要的作用。汽车电子成本占比快速提升,汽车电子的创新已经成为汽车产业创新的重要推动力量。

2020年2月,国家发改委等11部门联合印发《智能汽车创新发展战略》,把发展智能汽车作为推动我国汽车产业转型、增加国家综合实力的重要路径,同时也明确产业发展的重点和方向。

在新一轮的产业变革背景下,汽车行业面临了巨大的挑战,同时也迎来了前所未有的发展机遇。更好地了解行业现状及趋势,才能够借势前行、顺势而为,在变革中实现突破发展。

在此背景下,汽车电子产业联盟在中国电子信息产业发展研究院的指导下,联合赛迪顾问股份有限公司、赛迪智库电子信息研究所、工业和信息化部计算机与微电子发展研究中心(中国软件评测中心)、北京赛目科技有限公司、博世(中国)投资有限公司、京西重工(上海)有限公司、北京地平线机器人技术研发有限公司、北京初速度科技有限公司等单位联合编制了《2030中国汽车电子产业发展前景分析》(以下简称《2030汽车电子前景分析》)。

《2030汽车电子前景分析》在汽车智能化发展的背景下,全面系统地分析了中国汽车电子产业。

首先,明确了汽车电子产业的定义和内涵,分析了当前的发展环境。

其次,从汽车电子产业链全景图和产业分布两方面,阐述了我国汽车电子产业的发展现状。进而,通过对关键零部件和技术的深入分析,对产业发展进行研判。

最后,对中国汽车电子产业发展提出对策建议。

01. 中国汽车电子产业发展背景分析

多重刺激政策措施保障汽车市场稳定发展

受新冠肺炎疫情、经济下行周期以及汽车市场需求不振等不利因素影响,2020年国内汽车市场压力巨大。

作为疫情背景下经济恢复的重要抓手,国家先后出台相关政策,以积极促进汽车等传统大宗消费的方式推进刺激经济恢复。

一方面,推动汽车零部件供应商全面复工复产,保障生产经营有序恢复;另一方面,调整开放程度,通过鼓励汽车限购地区适当增加汽车号牌配额、明确新能源汽车购置补贴和免征购置税政策延长2年、考虑对尚未实施国Ⅵ排放标准的地区适当延后等措施,不断加大对车市消费刺激举措。地方政府因地制宜,陆续推出适合本区域的刺激政策,进一步稳定汽车行业发展。

汽车电子水平成为车企差异化竞争的关键

汽车“新四化”——“电动化、网联化、智能化、共享化”发展趋势日益强烈,全球主要车企均顺应趋势积极布局自动驾驶相关的汽车电子产品。

我国传统汽车产业存在大而不强的问题,自主汽车品牌主要以中低端产品为主,产品力和品牌影响力与国际头部车企存在较大差距。

在“新四化”升级趋势下,重点发展汽车电子产业,提升车辆产品智能化水平是我国自主汽车品牌提升产品力、塑造品牌竞争力的关键,也是我国汽车产业向高端化升级,由大变强的重要途径。

尤其针对我国重点发展的新能源汽车产业,在三电系统技术逐步成熟的背景下,新能源汽车产品在续航和动力性能等方面趋于同质化竞争,智能化水平将是我国新能源车企突围形成差异化优势的关键。

新基建推动智能汽车电子产品应用推广

为了对冲疫情对我国经济的影响,我国大力推进以人工智能、云计算、5G通信为代表的新型基础设施建设,带动经济发展。

对于智能网联相关汽车电子产品研发和应用,除传统的电子信息制造基础外,人工智能平台、云计算平台、5G通信基站等配套设施支持至关重要。

5G技术逐步商业化,满足车路协同和车联网功能对高数据带宽和低延迟传输的需求;人工智能技术的进步助力系统解决方案和软件算法的开发;云计算技术助力城市智慧交通大脑系统构建,推动智慧交通产业发展。

推进人工智能、云计算、5G通信相关的新型基础设施建设,将有效保障智能网联相关汽车电子产业测试、应用和推广。

02. 产业链全景图

新形势下的全球汽车电子产业链及格局

当前汽车电子行业产业链可以分为三个层级。

产业链上游

产业链上游主要是汽车电子元器件及零部件。产业链上游的供应商较多,主要负责提供元器件及零部件的生产。

产业链中游

产业链中游主要以系统集成商为主,进行模块化功能的设计、生产与销售,主要针对上游零部件及元器件进行整合,针对某一功能或者某一模块提供解决方案。

部分上游零部件供应商同时参与中游的系统集成。该环节的电子产品具备一定的消费电子属性,更新周期短,替代威胁比较大

产业链下游

产业链下游为整车环节,以汽车企业为主导,在产业链中拥有较高的议价权。

但一趋势正随着汽车产业新形势的发展产生变革。

如今,部分汽车制造商正在设计自己的汽车电子芯片(如特斯拉),并将业务活动从核心硬件延伸至链接用户更为密切的软件和操作系统上,以及开展特定服务或提供其他数字内容。

其他Tier1供应商(一级供应商)也正探索向芯片设计、系统开发、应用软件和后服务发展的路径。汽车行业供应商试图通过汽车电子和网络化手段直接同终端客户建立联系,从而降低对整车厂的依赖程度,获得行业话语权。

随着智能网联汽车发展,科技及互联网企业也纷纷入局汽车产业链,以提供增值服务方式分享智能网联汽车发展红利。

这类企业凭借自身优势,依托现有能力开发无人驾驶系统、智能网联系统、车载操作系统以及网络信息平台,将信息娱乐操作系统和软件平台整合至车载系统和人机接口之中,专注于采取横向举措以创造新的收入模式。流媒体服务及终端用户设备制造商已与部分整车厂建立合作关系。

产业布局方面,以ICT与互联网优势累积助力实现弯道超车。

中国汽车产销量多年保持全球第一,具有市场规模巨大、应用场景丰富等优势。

在ICT(信息通信技术)方面,我国企业经历了多年的技术积累,把握汽车电子融合创新趋势,已推出基于5G的车路协同车联网相关模组等产品,并积极向激光雷达、毫米波雷达等传感器领域布局,力争加入全球Tier1核心供应链体系,实现产业突破。

空间布局方面,已形成以京沪粤为核心的三大产业集群。

2020年,原有汽车电子技术创新模式与产业生态体系重构在即,预计北京、上海、广东等智能化能级高、算力强的城市,有望成为汽车电子“新势力”,重建并主导全新计算机产业体系。

03. 汽车电子关键部件与技术应用趋势分析

芯片趋势分析

▲汽车芯片供应链的变化趋势 

汽车半导体按种类可分为功能芯片MCU(Microcontroller Unit)、功率半导体(IGBT、MOSFET)等。

芯片在汽车电动化、智能化、网联化发展中起到至关重要的作用,是汽车“新三化”发展的核心支撑:一是电池、电机、电控“三电”成为汽车电动化版图重要部分;二是汽车智能化发展带动具备AI计算能力的主控芯片市场规模快速成长;三是汽车网联化发展倒逼C-V2X芯片规模化商用。

传感器趋势分析

▲不同等级无人驾驶车辆所需传感器数量 

多传感器融合成为实现L4/L5级自动驾驶的核心驱动力。

一方面,汽车智能化程度与传感器数量成正比。L5级无人驾驶车辆中激光雷达等关键传感器数目可达32个。

另一方面,激光雷达作为曾经动辄几十万元“奢侈品”,其价格战已然打响。国内激光雷达企业试图通过积极推进激光雷达在2020年规模化量产,直接降低激光雷达成本。

ECU/DCU趋势分析

车辆中的ECU为电子控制单元,包括简单的ECU(如控制座椅移动)和相对复杂的ECU(如整合传感器的输入信息以获得发动机最佳性能)。

而随着高性能计算单元的出现,DCU(Domain Control Unit)将成为ECU发展的下一个阶段,尤其是对于高级自动驾驶辅助系统来说,处理海量数据的同时,做出合乎逻辑且形成安全驾驶行为的决策,需要强大的计算能力做支持。

车载信息娱乐系统/导航趋势分析

预计到2030年,数据服务和共享移动的份额将从占汽车总收入的0.2%上升到27%。以智能座舱为切入点提升用户体验成为企业制胜的关键点。

一方面,“一芯多屏”成为趋势热点。

另一方面,汽车企业在追求炫酷科技带来的震撼感、科幻感的同时,开始围绕改善用户体验密集发力,更加强调用户的便捷度、舒适感、娱乐性,从消费者观感体验以及心理体验出发进行产品开发和服务设计,更加增进用户黏性。

车身底盘电子趋势分析

制动和减震是汽车底盘核心零部件,传统燃油车和新能源车都将装备这两类产品。

控制制动行业目前的竞争态势是寡头垄断。基础制动行业目前是垄断竞争态势,技术门槛较低,主要的技术难点在于噪音振动(NVH)和拖滞力的调整。被动减震行业目前的竞争态势是垄断竞争。主动式减震行业从全球来看是寡头垄断。

当前,减震器行业的双筒被动式减震器处于主导地位。

随着人们生活水平越来越高,对汽车操控性和舒适性的平衡性要求越来越苛刻,京西重工在此基础上开发的频率响应性减震器、液压止动型减震器会越来越多应用到未来的车型开发中。

同时,随着电动汽车的普及,整车智能化、自动驾驶程度越来越高,可控减震器、空气悬架的需求比例会越来越大。而电动车发动机的去除也对减震器整体的噪音水平提出了更高要求。

04. 2030中国汽车电子产业发展展望

车载智能计算平台持续演进

智能网联汽车电子电气架构中不同域不断融合,车载智能计算平台软硬件充分解耦。

硬件趋同成为标准件,软件实现全栈化、完整化。面向不同场景的应用生态丰富完善。供应链、工具链自主化水平大幅提升。

云协同实现完全自动驾驶

车联网通信技术实现超高速率、超大容量、超低功耗、超低时延、超高可靠。

车载智能计算平台具备与云协同能力。自动驾驶算法不断迭代优化,算力在车端、云端智能分配。车联网安全防护体系完善。

新能源技术全面应用推广

下一代固态电池技术、氢燃料电池技术、大功率充电技术、无线充电技术在乘用车、商用车领域实现大规模商业化推广。能源利用效率显著提升。

05. 中国汽车电子产业发展对策建议

政策方面

一是以智能计算平台为着力点,全面加强顶层设计;二是以多重防线构筑产业信息安全堡垒。

产业方面

一是推动车规级芯片、功率半导体等核心零部件率先突破;二是把握技术转型升级机遇,加快硬件技术研发;三是以典型场景下的应用示范推动产业融合发展。

企业方面

一是加大研发投入力度,巩固企业核心能力;二是利用汽车大数据系统,及时满足消费者需求;三是开放合作,构建全维度、多梯次的产业竞争合作体系。

知识产权方面

一是突破汽车电子关键领域核心专利;二是强化知识产权海外布局。

完整报告,请在【智车科技】后台留言关键字“前景分析”,即可免费获取~

博客 自动驾驶小能手

LV5
2020-07-15 11:21
162

汽车电子控制系统中的软件开发过程

如今的汽车越来越智能化,无人驾驶亦非遥不可及,届时人们只需要坐在车里休闲喝茶即可到达目的地。然而,在智能汽车的内部却是人们察觉不到的密密麻麻的线路以及无处不在的电子起件在工作,这就是汽车的“大脑”——电子控制系统。正是这套越来越复杂的电子控制系统完成辅助 ...查看全部

如今的汽车越来越智能化,无人驾驶亦非遥不可及,届时人们只需要坐在车里休闲喝茶即可到达目的地。然而,在智能汽车的内部却是人们察觉不到的密密麻麻的线路以及无处不在的电子起件在工作,这就是汽车的“大脑”——电子控制系统。正是这套越来越复杂的电子控制系统完成辅助甚至替换驾驶员的动作,实现对车辆运行状态的监测与控制,使人们的出行更轻松、简单、安全。

一、汽车电子控制系统发展过程——由简及繁
回想七十年前的汽车,电子设备仅有起动机、电池、车灯等为数不多的几个,四十几根导线就可以满足整车的电子部件需求。上世纪八十年代,随着IT技术的发展,汽车业掀起一场电子电气化浪潮,各种安全配置随之诞生。搭载软件系统的电子控制器开始在汽车上生根发芽。随着控制器数量逐渐增多,不同控制器之间需要解决通信问题,CAN总线、LIN总线应运而生。2007年奥迪Q7和保时捷卡宴的线束总长度突破6km,不断增加的线束长度以及越来越多的控制器给车企带来巨大的成本压力,随后汽车电子控制系统开始向集中化发展。目前特斯拉Model S以及Model 3线束长度大约3km和1.5km。
汽车各大系统的软件功能逐年快速增长
线束长度的变化从侧面反映出汽车电子控制系统由简及繁的巨大变化,软件作为电子控制系统的重要组成部分,发展更趋于复杂化。
二、汽车电子控制系统基本组成——传感器、ECU、执行器
1、电子控制单元(ECU,含软件)。ECU是汽车电子控制系统的大脑,它对各个传感器输入的电信号以及部分执行器反馈的电信号进行综合分析与处理,给传感器提供参考电压,然后向执行器发出控制信号,使执行器按照控制目标进行工作。
 软件系统集成存储在电子控制单元中,核心是微处理器,这种微处理器通常采用单片机,功能扩展容易,控制精度更高。完成数据采集、计算处理、输出控制、系统监控与自我诊断等。
2、传感器是汽车电子控制系统的信息采集者,类似于人类的眼睛耳朵...它将汽车的各种物理参量转变为电信号,并输送给电子控制单元。
3、执行器是汽车电子控制系统的执行者,类似于人类的手和脚,电子控制单元就是通过执行器实现对被控制对象的控制。执行器对电子控制单元输出的控制信号做出迅速反应,使被控制对象工作在设定状态内。
三、汽车电子控制系统基本工作原理
汽车电子控制系统事先将一系列的指令程序存储在ECU中,这些指令程序在设计、制造时就已经确定,等待各个传感器输入信号。工作时,ECU将接收到的传感器信息与存储器内的“标准参数”进行比较,然后根据结果控制执行器采取相应动作。

四、汽车软件系统的开发过程
随着智能互联、自动驾驶、电动汽车及共享出行的发展,软件、计算能力和先进传感器正逐渐取代发动机的统治地位。与此同时,这些电子系统的复杂性也在提高。以当今汽车包含的软件代码行数(SLOC)为例,2010年,主流车型的SLOC约为1000万行;到2016年达到1.5亿行左右。复杂性正如滚雪球般越来越高,不可避免地导致了与软件相关的若干严重质量问题:这在近期若干起大规模车辆召回事件中屡有耳闻。根据ADAC(全德汽车俱乐部,德国最大的交通协会)统计,德国2004年有40%的车辆故障最终归咎于软件问题或电子部件故障。为此,必须在保证电子系统整体可控的前提下研发新功能,于是出现先拆解研发而后在集成的流程。
 先将电子系统研发拆解为软件系统、硬件系统、传感器和执行器四大部分,经过V模型流程研发,最终再次集成。这个V模型涵盖了从系统层面到软件层面以及集成后的功能测试和系统测试等流程,是当今汽车行业广泛应用的开发流程。
软件开发流程:
1.分析终端客户需求、定义逻辑系统架构
这一步是根据终端客户的需求以及法规需求定义出整车软件系统的逻辑架构。其中包含各大功能块的定义,功能块接口定义和功能块之间的通信定义。这一步仅考虑满足原始需求,不会涉及任何技术层面的具体分析。
2. 分析逻辑系统架构需求、定义技术层面系统架构
逻辑系统架构为定义具体的技术层面系统架构提供了基础。在这一步中开始讨论具体的技术问题,哪些功能将通过软件实现、软件块分装在哪些电子控制单元以及电控单元之间采用什么通信协议等等。软件系统初现雏形。
3. 分析软件需求、定义软件架构
这里开始具体到电控单元中对于软件本身的需求分析。根据需求,定义出合适的软件架构。同时,还要考虑电控单元存储资源的最优使用、为满足安全法规的冗余系统设计等等。这里,会把软件进一步细分为更小的软件部件,定义各个部件之间的接口、分层和边界。
4. 定义软件部件
针对每个软件部件会继续定义出需求。这里的需求集中在功能层面,尚不考虑具体的软件实现方式等。
5. 设计、实现及测试软件部件
依据具体的需求,工程师开始分别搭建不同的软件部件。在前面一系列的拆解、分析和定义后,终于抵达了软件最核心最具体的世界——代码。与人们熟知的程序员直接写代码稍有区别,传统的汽车软件研发采用的是基于模型开发。如下图所示,逻辑运算通过模型的方式表达出来,相比于代码更加直观,便于日后的标定工作和维护。在一个电控单元中,有上千个这样的功能函数,如下图所示的功能模型组合到一起,会形成一份上万页的文件。这份文件是接下来所有流程的基础。
当然这套模型只是工程师之间便于交流的高级语言,最终它们会被人工或计算机转为代码进入控制器中工作。早年间,模型到代码中间的转换工作由人工完成。这造成的问题是,代码无法统一化和标准化。面对一个软件逻辑模型,程序员可以用多种方法完成代码编译工作,达到同样的功能效果。但是,代码运行所占用的硬件资源或严谨度会大不相同。因此,近年来转码工作逐渐被机器取代。软件工程师事先定义标准的编译规范,保证最终代码统一和标准。
每一个软件部件完成后,要进行相应的软件测试。这里还不会聚焦功能层面的测试,仅仅针对软件本身。例如软件中是否因设计不当产生死循环、每个信号定义的范围是否恰当、会不会造成溢出错误或者会不会出现除以零的运算情况等等。针对这些,工程师要事先定义测试方案,由计算机进行全方位全覆盖的软件逻辑测试。例如,对于if, else语句需要把每一种可能的情况都测试检查到。
6. 集成及测试软件部件
单一软件部件研发测试完成后,将它们集成到一起就形成了每个电控单元中完整的软件包。这套软件包在集成后依然需要测试,检查各部件之间是否兼容,是否有开放接口等等。
7. 系统集成及测试
当软件包集成测试结束,它们将被刷进每一个电子控制器中。每个控制器与相应的传感器、执行器等用线束相连,最后控制器之间接通总线通信。这样整套电子系统终于诞生。如新生儿一般,这套系统依然十分脆弱和稚嫩,还有很大的潜力等待被开发。
系统集成后的第一批测试往往是问题重重。因为系统高度复杂,各个研发部件被分工研发,即便之前有严格的测试流程,仍会有许多漏网之bug。如果分工研发的各部门之间没有在开发过程中充分交流,集成后可能会出现各类兼容性问题。针对每一个问题,工程师们都不会忘记前面提到的拆解和掌控。拆解表象问题,找到根源,修复软件bug,掌控整套系统。
8. 标定
系统测试结束后将进入软件标定阶段,这也是软件开发中的重要阶段。在软件实现阶段,工程师会在软件中预留一些可标定参数而不是固定的数值,等待标定。这是基于成本考量,车型繁多的整车厂不可能为每款车型单独开发一套软件系统。一般的解决方案是研发平台软件,适用于多款车型。然而每款车型都有自己的特点,平台软件无法让这些特点发光,标定可以。通过改变不同的参数数值,可以让车辆实现不同的驾驶性能,这也给了标定工程师很大的发挥空间。
9. 系统测试及接受度测试
标定完成后,就进入了整套流程的最终阶段。依据流程一开始提出的需求,忽略那些具体的技术实现手段,站在整个系统的高度检验它是否达到了终端客户的需求。到了这一步,整套软件系统已经十分成熟。在正式进入量产前会从一个时间点开始,停止所有软件和标定变更,为最终量产做准备。
整套V模型走下来可以看到,左侧和右侧的每个环节相互对应。需求为定义测试方案提供基础,而测试结果又会带动进一步的开发和完善。
你或许会问,如果从V模型的左上角好不容易一路走到右上角,结果最后一步测试发现当初第一步的系统构架出了设计问题,那岂不是为时已晚?难道还要一切重新来过?的确,软件系统十分复杂,研发周期长。如果只是沿着V模型慢慢悠悠从左到右走一遍,等最后一步才发现问题,那确实一切都来不及了。因此,在实际研发中会持续不断地集成、持续不断地测试,工程师们会把V模型从左到右重复走许多遍。
研发初期连原型车都还没有的时候,软件测试会依靠整车仿真系统在计算机中进行,发动机、变速箱、电子控制器、总线等都虚拟存在于工程师电脑中(SiL, Software in the Loop)。在仿真系统中,汽车可以如真实般开动,模拟各种工况提供给工程师测试。
随着车型研发推进,某些电子控制器研发完成,他们可以取代那些虚拟的电子控制器进入测试环境,但是其他部件仍为虚拟仿真(HiL, Hardware in the Loop)。直到有一天,原型车研发完成,软件集成和测试进入试验台架。最终,原型车调试完毕落地,软件测试进入实车阶段。可以说,软件开发的起始点非常早,从虚拟到现实一路走来,一直延续到最后的量产前夕。其实目的只有一个,通过不断集成和测试,尽可能发现所有问题,保证汽车的驾驶性、舒适性和安全性。
五、汽车电子软件发展趋势
1、 ECU整合度将提升
 早在去年,大众就宣布力争让汽车上只有一个ECU。在一些供应商巨头内部,确实也在这么做。特别是在ADAS和自动驾驶下,整合的ECU架构尤为重要。
2、 ECU将承载更多的传感器
 未来汽车将需要更多的传感器来感知环境,以及依靠传感器来保证冗余设计。这对ECU的能力来说也是考验。不过高级算法与机器学习的发展,有望取代一部分传感器,减少传感器数量。
3、 汽车以太网发展
长期以来,汽车ECU都是在一个封闭的网络环境下。不过随着智能汽车技术、物联网的发展,很有可能会催生汽车以太网,实现跨域通信。不过如何保证功能安全,这将又是对汽车软件的一大考验。
 数据量的提升、HAD的冗余要求、互联环境下的安全保障,以及跨行业标准协议的需求很有可能催生汽车以太网,并使其成为冗余中央数据总线的关键助推因素。以太网解决方案可以实现跨域通信,并通过添加以太网扩展,例如音-视频桥接(AVB)和时间敏感网络(TSN)等,来满足实时性要求。
 本地互联网络、控制器区域网络等传统网络将继续在车辆上运用,但仅用于封闭式的低级网络,如传感器和执行器等。FlexRay和MOST等技术有可能被汽车以太网及其扩展(如AVB、TSN等)取代。
4、整车企业会严控与功能安全及HAD相关的数据互连,但将为第三方访问数据开放接口
 发送与接收安全关键数据的中央互联网关将始终直接且仅连接到整车企业的后台,第三方会被允许进行数据访问(被监管法规排除的场景除外)。然而,在车辆APP化的推动下,资讯娱乐系统的新兴开放接口将允许内容和应用程序供应商加载内容,而整车企业将尽可能严格地保持各自的标准。
目前的车载诊断端口将被互联通讯方案取代。通过接入整车物理端口来读取车辆数据不再必要,登陆车企后台即可。车企将在其后台开放若干数据接口,以满足若干特定场景的需求,如失窃车辆轨迹追踪或个性化保险等
5、汽车将在云端结合车内及车外信息
虽然非车企以外的企业参与程度仍取决于监管法规,非敏感数据(即非隐私或安全相关数据)仍然有望更多地在云端进行处理。随着数据量的增长,大数据分析将被越来越多地应用于数据处理,并将基于数据处理结果制定相应的行动方案。
基于数据的自动驾驶的应用及其他各项数字化创新将依赖于不同企业之间的数据共享。当然现在仍然不清楚不同企业间的数据共享将如何实现、由谁实现,但主要的传统供应商和技术企业已经开始建立有能力处理此种海量数据的集成化平台。
6、汽车将应用双向通信的可更新部件
通过车载测试系统,汽车可以实现自动检查功能和集成更新,从而推动生命周期管理,以及增强或解锁产品的售后功能。所有ECU都会与传感器和执行器交换数据,并检索数据包来支持创新性用例,如基于车辆参数的路线计算。
OTA更新是HAD的前提条件,它还将有助于开发新功能、确保网络安全,并使车企得以更快部署功能与软件。事实上,正是OTA推动了本文提及的多项整车架构上的重大变革。
为实现类似智能手机那样的升级性,汽车行业须克服限制性的经销合同、监管要求和安全与隐私问题等诸多挑战。整车企业将与该领域的技术供应商密切合作,在OTA平台上实现车队标准化。
车辆将在全寿命周期内获取功能性及安全性升级。监管部门可能强制要求软件维护,来确保车辆设计的安全完整性。更新和维护软件的责任将在车辆维护与运行领域催生新业务模式。
中国将成为汽车软件及电子产业发展的新高地
中国的整车行业在过去几年取得了有目共睹的巨大发展。国产汽车行业的进展不仅体现在传统能源汽车的研发及制造上,也同时体现在了诸如汽车电动化、共享化、互联网化、无人驾驶化等所谓“新四化”上。国产汽车软件及电子的发展,也会借此东风,不断取得新发展。
国内一些车企在上面软件发展趋势中也有所动作:
ECU整合:比亚迪早前宣布在最新的e平台上实现仪表、空调、音响、智能钥匙等控制模块10合1,使整车控制模块线束大幅减少,降低模块故障率以及提升生产装配效率。
汽车以太网:上汽集团早前推出了基于全新电子电气架构的电动车平台——Double E架构,核心亮点之一是采用了支持海量数据极速传输的以太网技术。
整车厂商开放数据接口:比亚迪早前上线了汽车智慧开放平台,并通过该平台将车内信号封装为数百个API。开放的API内容涵盖车身、行驶数据、车速、全景、空调、雷达、充电设备等18类数据。
云端数据处理:阿里巴巴推出的AliOS智联网汽车解决方案,其一大亮点是充分发挥了阿里云在云计算、大数据和人工智能的优势,借助阿里巴巴的生态能力,赋能合作伙伴更好探索“数据x智能”驱动的新型业务模式。
OTA:上汽与阿里巴巴合作的斑马智行在2017年底/2018年初完成对近40万台荣威/MG品牌乘用车的OTA升级,受到了业内极大关注,堪称是智能汽车在华发展的标志性事件之一。
汽车软件和电子系统的新时代已经开启。此前业内奉为圭臬的业务模式、客户需求和竞争格局都将发生剧变。我们对即将产生的产值和利润持乐观态度。但若想从变革中获益,汽车行业的所有参与者均应根据全新的环境,重新思考和谨慎定位(或再定位)自身的价值主张

博客 自动驾驶小能手

LV5
2020-07-15 11:05
203

Imagination Technologies推出高端GPU 可用于智能汽车显示屏

据外媒报道,总部位于英国伦敦的Imagination Technologies公司宣布推出XS系列图形处理单元(GPU),用于驾驶辅助和3D图形显示等汽车应用。新芯片预计将于今年下半年上市。 ...查看全部

据外媒报道,总部位于英国伦敦的Imagination Technologies公司宣布推出XS系列图形处理单元(GPU),用于驾驶辅助和3D图形显示等汽车应用。新芯片预计将于今年下半年上市。

(图片来源:Imagination Technologies)

Imagination Technologies公司负责设计由其他公司生产的芯片,目前正大举投资于汽车定制化图形芯片,因为汽车行业终于赶上了计算机时代,让仪表盘信息可以被更好地显示出来。如今,绚丽的屏幕是现代汽车的卖点之一,在自动驾驶汽车以及提供驾驶辅助功能的智能汽车中,这一点甚至更为重要。例如,在事故即将发生时,此类屏幕可以向驾驶员发送警报。

该公司表示,其已经垄断了超过一半的汽车GPU市场,而且其XS系列GPU专为高级驾驶辅助系统(ADAS)设计,可以处理与安全至关重要的图形任务,同时仍能够对干扰做出反应,包括向驾驶员发送警报。例如,在碰撞事故即将发生时,发出一个闪烁的红灯图形。

Imagination Technologies公司产品营销工程师Andrew Girdler表示,由于安全警示灯必须在任何时候都可发挥作用,因此GPU能够保护出现警示灯的那部分屏幕,确保不会出现性能问题,让警报无法显示。该公司还表示,其XS系列GPU是迄今为止最先进的汽车GPU技术,而且是首个符合汽车行业ISO 26262标准的IP。

除了发送紧急警报,该款GPU还可以加速打造仪表盘上展示媒体和娱乐信息所需的图形,还能够打造辅助图形,例如在狭小空间停车时的环绕视图。

汽车仪表盘上的图形并不总是很花哨的,但是此类显示屏需要快速在图形和视频之间移动,就像倒车时需要从后视镜看到车后的物体一样。此外,此类图形还需要快速生产冗余备份,在冗余备份中进行二次处理,确保图形正确。

Imagination公司与Horiba Mira合作以确保该GPU符合汽车安全标准,该公司还在研发一种安全关键驱动程序或者一种软件,可以更新现有的GPU,让其符合安全要求。

去年秋天,Imagination推出了各个系列的GPU:XE、XM和XT系列。XS系列代表高端GPU,关注安全性,能够以2倍以上的性能计算图形。到目前为止,已经有超过2亿辆汽车安装了Imagination的芯片。(作者:盖 世 汽 车 )

博客 自动驾驶小能手

LV5
2020-07-15 11:02
190

理想汽车递交上市申请,李想是第一大股东

中国造车新势力车企理想汽车已递交上市申请,证券代码为Li。理想汽车也将成为中国第二家美股上市的新势力车企,此前2018年蔚来汽车在美股上市。 ...查看全部

中国造车新势力车企理想汽车已递交上市申请,证券代码为Li。理想汽车也将成为中国第二家美股上市的新势力车企,此前2018年蔚来汽车在美股上市。
1594433303879990.jpg
根据消息显示,此次上市理想汽车将至多募集1亿美元,募集来的新资金将用于新产品的研发和公司的运营资金。
理想汽车成立至今已完成9轮融资,累计融资额达20.75亿美元。最新一轮融资在今年7月,由美团领投5亿美元,投后估值为40.5亿美元。
招股书显示,CEO、创始人李想是理想汽车的最大自然人股东,持有约3.56亿股,约占总股本的25.1%,拥有70.3%的投票权。王兴及其关联方美团为理想汽车第二大股东,持有3.32亿股,约占总股本的23.5%,拥有9.3%的投票权。
业绩方面,2019年理想汽车营业收入2.81亿元人民币,净亏损24.4亿元人民币;2020年一季度,营业收入8.52亿元人民币,净亏损7711.3万元人民币,现金流10.5亿元人民币。截至6月底,理想汽车累计交付10473辆理想ONE。
1594433311461935.jpg
理想汽车是由李想在2015年7月创立的新能源汽车公司,公司早前命名为“车和家”,2019年3月车和家更名为理想汽车。理想汽车通过收购力帆乘用车,从而获得生产资质,自建工厂设在江苏常州。2019年12月,理想汽车首款增程式混合动力汽车—理想ONE开始交付。
理想ONE采用业内使用率较低的增程式插电混合动力技术,搭载一台来自东安动力的1.2T汽油增程器用于发电,增程器直接输出给电机或给电池组充电,而不会参与驱动汽车。该车还配备宁德时代的三元锂电池组,充满电纯电行驶可至180公里。该车使用前后两个电机驱动,综合最大输出326马力,最大扭矩530牛·米,百公里加速时间约6.5秒。售价方面,该车仅推出一款配置车型,价格为32.80万元。

博客 自动驾驶小能手

LV5
2020-07-14 14:39
208

重磅!5项关于“智能网联汽车”大动作

7月11日,长三角G60科创走廊智能驾驶产业发展大会在苏州高铁新城举行。会上,公布了多项智能网联汽车大动作。1、长三角国际研发社区智能网联汽车产业规划及产业政策正式发布会上,长三角国际研发社区 ...查看全部

7月11日,长三角G60科创走廊智能驾驶产业发展大会在苏州高铁新城举行。会上,公布了多项智能网联汽车大动作。

1、长三角国际研发社区智能网联汽车产业规划及产业政策正式发布

会上,长三角国际研发社区智能网联汽车产业规划及产业政策正式发布,分别从量产支持、金融支持、总部支持、运营支持和配套支持五大方向给予智能车联网企业强有力的支撑,进一步加大扶持力度。其中,针对重点领域的量产企业,将通过股权投资方式给予全力扶持,最高金额可达1亿元。

2、长三角国际研发社区智能网联汽车研创园揭牌

长三角国际研发社区智能网联汽车研创园重点围绕智能车联网产业引领企业创业创新,目前已落户魔门塔、智加科技、禾多科技、挚途科技等智能驾驶企业。

3、长三角国际研发社区新基建·智能交通产业园发布

长三角国际研发社区新基建·智能交通产业园占地面积157亩,总建筑面积36万平方米,可容纳智能交通和智能网联汽车企业超100家,并提供封闭和半开放的智能网联示范应用场景。

4、相城区Robo-Bus市民体验线路发布


相城区Robo-Bus市民体验线路正式发布,该条Robo-Bus市民体验线路位于苏州高铁新城,由智能车联网企业轻舟智航部署,沿途设置8个站点,待正式投入运营后,苏州市民可通过手机预约乘坐该无人小巴,预计将给周边数十万人带来出行便利。

5、重大项目签约

长三角国际研发社区新基建•智能交通产业园由苏州高铁国控集团与苏州创元集团合作开发建设,重点在智能整车、环境感知系统和高精度地图等智能驾驶领域进行产业布局,未来将打造百亿级车联网产业集群。

博客 自动驾驶小能手

LV5
2020-07-14 14:36
188