再添两员大将 赢彻科技明年实现L3级自动驾驶卡车量产

嬴彻科技现已形成从前瞻人工智能、软件系统工程再到整车集成的自动驾驶量产全链条人才。


2020年疫情的爆发,让些许沉寂的无人驾驶、自动驾驶技术再次引发新的关注。迫切期盼落地的自动驾驶汽车,其量产之路充满坎坷。对于初创公司来说更是如此,而技术人才的加入或许是促其落地的重要推动力。


近日,赢彻科技宣布新一轮人事任命。前百度机器人和自动驾驶实验室主任及首席3D视觉科学家杨睿刚博士,出任嬴彻科技首席技术官CTO,全面负责中美两地的自动驾驶技术研发。前华为美国技术副总裁及软件架构师田琛博士,出任嬴彻科技副总裁,负责软件系统并主持硅谷研发中心工作。


广纳人才 形成自动驾驶技术研发闭环


此次加盟赢彻的两位技术大咖,都是其各自领域的佼佼者。


杨睿刚博士是全球知名的计算机视觉科学家。在三维重建和3D数据分析领域,取得了多项世界级科研成果。在百度期间,杨睿刚博士主持开发了世界上标注量最大的自动驾驶开源数据集ApolloScape。其研发的基于增强现实的自动驾驶仿真系统(AADS)登上《科学》子刊,入选2019百度AI十大技术创新。


嬴彻科技首席技术官 杨睿刚


不仅如此,他还领导科研小组开发了感知、决策、控制的全栈系统在半封闭场景下的工程机械智能化孵化项目和原型产品。


田琛博士曾是华为美国技术副总裁及软件架构师,是该领域的顶尖专家。他在全栈式软件基础架构方面拥有极为丰富的经验,精通并行和分布式系统、编译器、计算机体系结构、OS、云计算以及AI框架。


嬴彻科技副总裁 田琛


在华为美国任职期间,田琛博士作为架构师与技术副总裁,领导了多项研发项目,具有丰富的大型技术团队管理经验,曾带领数百人的技术团队完成多个嵌入式产品、消费者产品、云服务以及AI软件相关的研发项目。


其实,自成立以来,嬴彻不断吸收人才。


现任嬴彻科技CEO、兼G7总裁的马喆人,曾任腾讯集团副总裁。前东风商用车总经理黄刚,担任嬴彻科技的执行副总裁、整车工程负责人。前圆通运营副总裁阿玉顺,担任嬴彻科技执行副总裁、运力运营负责人。此外,清华“姚班”毕业的漆子超、自动驾驶领域的资深玩家刘煜,也纷纷加入嬴彻,担任其自动驾驶相关技术负责人。


随着杨睿刚、田琛的加入,将会进一步强化嬴彻科技在AI、软件架构上的实力。可以说,目前嬴彻科技已经拥有了从前瞻人工智能、软件系统工程再到整车集成等各个环节的自动驾驶人才。


核心模式初见成效 量产之路稳步推进


不断地吸纳人才,这与赢彻科技最初的发展定位分不开。


嬴彻科技的核心模式定义为“技术+运营”,即一方面研发自动驾驶卡车技术,起步目标是L3级自动驾驶车规级别量产,另一方面进行城际干线公路物流运力网络的建设和运营。这也就决定了嬴彻科技团队核心成员的多样性。


不同于乘用车领域的价值模糊,自动驾驶技术在长距离运输领域的价值显而易见。高人工成本与高运营成本都是长途干线运输的突出痛点,而自动驾驶技术恰好可以解决这些难题。另外,最后一公里物流配送、港口等封闭场景都是当前商用车领域自动驾驶落地的最佳场景。


现阶段,赢彻科技的目标是在2021年底实现车规级、L3级别自动驾驶卡车在干线高速公路的量产落地。同时,该公司给车队客户提供“按公里付费”的服务模式,计划搭建覆盖全国高速干线的运力网络,卡车数量预计达到5万~10万辆。


与此同时,赢彻科技也在与OEM合作定制L1和L2级的智能卡车,向物流公司提供运力服务,打算通过ACC(自适应巡航系统)、PCC(预测性巡航系统)、AEBS(预先紧急制动系统)、ESP(电子车身稳定系统)等辅助驾驶系统减轻卡车司机负担,提高驾驶安全,降低油耗。


在运营方面,嬴彻同步搭建的智能卡车运营平台业务基本已经覆盖全国,客户已接近百家。(作者:田野)

博客 自动驾驶小能手

LV5
2020-02-12 16:06
253

工信部:5G技术助力疫情防控

面对2020年一开年突如其来的疫情考验,各种高科技手段频频亮相助力疫情防控,刚刚商用不久的5G也在这场疫情斗争中发挥了重要的作用。5G+播支撑“云监工” ...查看全部

面对2020年一开年突如其来的疫情考验,各种高科技手段频频亮相助力疫情防控,刚刚商用不久的5G也在这场疫情斗争中发挥了重要的作用。

5G+播支撑“云监工”

5G视频直播是5G最直观的应用。在武汉版“小汤山医院”火神山和雷神山医院建设中,数亿遍及全国的“云监工”共同见证中国奇迹。这正是得益于5G的技术支撑,基础电信企业为“云监工”提供5G+光纤双千兆网络技术支撑,向新华社、央视网等多个媒体平台提供24小时建设实景,支撑几千万人同步在线观看。从央视春晚直播、全国两会直播、新中国成立70周年庆典直播到当前的“24小时疫情”直播,5G在实践中逐渐成熟。

G+医疗从“试验”走向“临床”

5G+医疗作为5G的重要应用场景在去年不断涌现各种案例。而此次的疫情堪称5G技术进入医疗行业应用的重要转折点,5G+医疗从“试验阶段”走向“临床阶段”。

新型冠状病毒肺炎患者遍布全国,为充分利用大城市、大医院专家资源,5G+远程会诊系统快速在全国各地很多医院落地。通过远程会诊系统,专家可以对偏远地区医院的重症、危重症的患者进行问诊,提供救治指导。浙江省人民医院在5G远程超声的技术支持下,为浙江省人民医院桐乡院区收治的一例新冠肺炎疑似患者谢某开出了远程超声诊断书。随着疫情阻击战的推进,这类的5G远程医疗技术有望更广泛运用于远程医疗的各种场景之中,为医务人员更安全、更高效救治病患保驾护航。

5G+人工智能缓解医护人手不足

近日,多台5G智能医护机器人走进武汉协和医院、同济天佑医院。它们将帮助医护人员执行导诊、消毒、清洁和送药等工作,助力病区医护人员减少交叉感染,提升病区隔离管控水平。据了解,在5G网络的支撑下,目前,多家科技企业的智能医护机器人已经在湖北、上海、山东、甘肃、广西、河南、江苏、新疆等地医院及卫生服务中心推广应用,主要进行病人导诊问询、挂号诊疗等工作。                       

5G+人工智能的应用有效缓解了医护人手不足困难、分担医护人员工作、减少医护交叉感染的等问题,提振了抗击新冠病毒的信心和勇气。

5G+热成像体温筛查,筑起第一道防

随着部分单位的复工,春运返程迎来高峰,疫情防控形势依然严峻复杂,而人员密集的公共区域的人员体温检测成为难题。

在火车站、机场、地铁等公共交通、人群密集区域,采用5G+热成像技术,快速完成大量人员的测温及体温监控,识别出温度异常的个体,同时将视频及响应数据准确快速实时传送至大屏或云平台,帮助政府和企业筑起疫情防控第一道防线,避免测温人员的频繁、长时间工作,提升病区隔离管控水平。
另外,5G远程办公、远程教育等信息通信技术正助力实现抗击疫情和恢复生产两不误。春节假期后,社会生产生活开始逐步恢复,中小学生可通过线上数字化空间中学习,做到停课不停学,企业员工通过云平台在线办公、召开视频电话会议等。
目前,疫情仍处在高发期,5G也积极应用在各行业各部门,信息通信新技术的有效应用为保障生产逐步恢复,减少了人群聚集、阻断疫情传播发挥了重要作用。各种5G+应用也为信息通信技术增添了更多温情,让通信技术更具人性化、更有人情味地服务广大人民群众。

博客 自动驾驶小能手

LV5
2020-02-10 19:37
227

2020 年AI有哪些的研究趋势?

作为 2019 年最后一场重量级的人工智能国际学术顶会,NeurIPS 2019 所反映出的一些人工智能研究趋势,例如神经网络可解释性、深度学习新方法、神经科学等等,想必对于大家在新的一年开展研究工作,具有一定的借鉴和参考价值。NeurIP ...查看全部

作为 2019 年最后一场重量级的人工智能国际学术顶会,NeurIPS 2019 所反映出的一些人工智能研究趋势,例如神经网络可解释性、深度学习新方法、神经科学等等,想必对于大家在新的一年开展研究工作,具有一定的借鉴和参考价值。

NeurIPS 2019 共举办 51 场研讨会,接收了 1,428 篇论文,以及有超过 13,000 名参会者,可谓万众瞩目。

来自英伟达的工程师小姐姐 Chip Huyen 基于自己的参会体验,较为全面地总结了 NeurIPS 2019 反映的关键研究趋势。

下面我们一一来看:

一、 解构深度学习的黑盒

最近,研究人员对深度学习的局限性进行了大量的反思,以下为几个例子:

Facebook 的人工智能总监表达了对算力达到瓶颈的担忧。人工智能企业不应该仅仅寄希望于通过更大的深度学习系统来不断取得进步,因为「现在,一个实验可能要花费七位数的金钱,但现实情况不会让这一数字增长到九位数或十位数,因为没人负担得起这样的开销」。

Yoshua Bengio 指出以 Gary Marcus 为代表的一些人经常强调深度学习的局限性,他将 Gary Marcus 的观点总结为「你们看,我就说深度学习不行吧」,而 Gary Marcus 后来则反驳了这种说法。

针对这一趋势,Yann Lecun 谈到:「我不明白,为什么突然之间,我们看到了许多新闻和推特声称人工智能的进步正在放缓,或称深度学习正在碰壁。在过去的五年中,我几乎在每一次演讲上都会指出这两个局限和挑战。所以,认识到这些局限性并不是什么新鲜事。而且,实际上人工智能的发展并没有慢下来」。

在这种大环境下,我们很高兴看到探究深度学习背后的理论(深度学习为何有效?它是如何工作的?)的论文的数量迎来了爆炸式增长。

在今年的 NeurIPS 上,有 31 篇融合了各种技术的论文。本届大会的杰出新方向论文奖授予了 Baishnavh 和 J.Zico Kolter 的论文「Uniform convergence may be unable to explain generalization in deep learning」

他们认为一致收敛理论本身并不能解释深度学习的泛化能力。随着数据集的规模增大,泛化差异(Generalization Gap,模型在见过和未见过的数据上的性能差异)的理论界限也会增大,而经验泛化差异则会减小。

  • 论文链接:https://arxiv.org/abs/1902.04742

图 1:泛化差异和泛化边界随训练集规模变化的情况
神经切线核(NTK)是近年来提出的一个研究方向,旨在理解神经网络的优化和泛化。有关 NTK 的讨论多次出现在本届 NeurIPS 的亮点演讲中,我在 NeurIPS 期间也与其他人多次谈到 NTK。
Arthur Jacot 等人提出了「全连接的神经网络等价于宽度无限时的高斯过程」这一众所周知的概念,能够在函数空间而不是参数空间中研究它们的训练动力学(Training Dynamics)。
他们证明了「在人工神经网络参数梯度下降的过程中,网络函数(将输入向量映射到输出向量)遵循关于一种新的核——NTK的函数代价的核梯度」。他们还表明,当我们使用梯度下降法训练一个有限层版本的 NTK 时,其性能将收敛到宽度无限的 NTK 上,然后在训练中性能保持不变。
下面,我们列出本届 NeurIPS 上一些基于 NTK 构建的论文:

  • Learning and Generalization in Overparameterized Neural Networks, Going Beyond Two Layers
  • 论文链接:
  • https://arxiv.org/abs/1811.04918
  • On the Inductive Bias of Neural Tangent Kernels
  • 论文链接:
  • http://papers.nips.cc/paper/9449-on-the-inductive-bias-of-neural-tangent-kernels

然而,许多人认为 NTK 不能完全解释深度学习。一个神经网络要接近 NTK 状态需要具备学习率小、初始化宽度大、无权值衰减等超参数设置,而在实际训练中并不经常使用这样的设置。
NTK 的观点还认为,神经网络只会像核方法一样泛化。但根据我们的经验来看,它们可以更好地泛化。
Colin Wei 等人的论文「Regularization Matters: Generalization and Optimization of Neural Nets v.s. their Induced Kernel」从理论上证明了带有权值衰减的神经网络具有比 NTK 更好的泛化能力,这说明研究 L2 正则化神经网络可以为泛化问题提供更好的研究思路。此论文链接:

  • https://nips.cc/Conferences/2019/Schedule?showEvent=14579

本届 NeurIPS 上也有几篇论文说明了,传统的神经网络可以具有比 NTK 更好的性能:

  • What Can ResNet Learn Efficiently, Going Beyond Kernels?论文链接:http://papers.nips.cc/paper/9103-what-can-resnet-learn-efficiently-going-beyond-kernels
  • Limitations of Lazy Training of Two-layers Neural Network,论文链接:http://papers.nips.cc/paper/9111-limitations-of-lazy-training-of-two-layers-neural-network

许多论文分析了神经网络的不同组成部分的表现。比如,Chulhee Yun 等人提出了「Small ReLU networks are powerful memorizers: a tight analysis of memorization capacity」,说明了「带有 O(sqrt(N)) 个隐藏节点的 3 层的 ReLU 网络可以完美地记忆大多数带有 N 个数据点的数据集」。

  • 论文链接:https://arxiv.org/abs/1810.07770

Shirin Jalali 等人在论文「Efficient Deep Learning of Gaussian Mixture Models」中,开篇就提出了这样一个问题:通用近似定理(Universal approximation theorem,一译万能逼近定理)表明,任何正则函数都可以通过一个单隐层神经网络近似。

  • 论文链接:
    https://papers.nips.cc/paper/8704-efficient-deep-approximation-of-gmms

那么,增加深度能让它更有效率吗?他们说明了,在高斯混合模型的最优贝叶斯分类的情况下,这些函数可以用带有单个隐层的神经网络中的 o (exp (n)) 个节点以任意精度近似,而在两层网络中只需要用 o (n) 个节点近似。
在一篇更为实用的论文「Control Batch Size and Learning Rate to Generalize Well: Theoretical and Empirical Evidence」中,Fengxiang He 和他的团队在 CIFAR 数据集上使用随机梯度下降算法(SGD)训练了 1,600 个 ResNet-110 模型和 VGG-19 模型,发现这些模型的泛化能力与批处理大小呈负相关,与学习率呈正相关,与「批处理大小/学习率」的比值呈负相关。
论文链接:

  • https://papers.nips.cc/paper/8398-control-batch-size-and-learning-rate-to-generalize-well-theoretical-and-empirical-evidence

图 2:测试准确率与批处理大小、学习率的诶关系。第四行分别是(1)使用 CIFAR-10 数据集训练的 ResNet-110 模型(2)使用 CIFAR-100 数据集训练的 ResNet-110 模型(3)使用 CIFAR-10 数据集训练的 VGG-19 模型(4)使用 CIFAR-100 数据集训练的 VGG-19 模型。每条曲线都是根据 20 个网络的情况综合绘制而出。
与此同时,Yuanzhi Li 等人的论文「Towards Explaining the Regularization Effect of Initial Large Learning Rate in Training Neural Networks」指出:「一个具有较大的初始学习率并使用退火算法训练的双层网络,比使用较小的初始学习率训练的相同的网络具有更好的泛化性能。这是因为学习率较小的模型首先会记忆低噪声、难以拟合的模式,它在较高噪声、易于拟合的情况下的泛化性能比学习率较大的情况下差一些。」

  • 论文地址:https://arxiv.org/abs/1907.04595

尽管这些理论分析非常吸引人,也很重要,但是很难讲它们聚合成一个大的研究体系,因为这其中的一个研究都集中在整个系统的一个较为狭窄的方面。

二、深度学习新方法

在今年的 NeurIPS 上,研究者们提出了一系列新颖的方法,而不仅仅是在别人的工作上叠加新的网络层。新提出的研究深度学习的方法中,我感兴趣的三个方向是:贝叶斯学习、图神经网络以及凸优化。
1、使用贝叶斯原理进行深度学习
正如 Emtiyaz Khan 在他的演讲「Deep Learning with Bayesian Principles」中所强调的,贝叶斯学习和深度学习是有很大的而区别。
根据 Khan 的说法,深度学习使用的是一种「试错」的方法,我们通过实验看看会得到什么结果,然而贝叶斯原理迫使你事先考虑一个假设(先验)。
图 3:贝叶斯学习与深度学习对比
与常规的深度学习相比,贝叶斯深度学习有两个主要的优势:非确定性估计以及在小数据集上更好的泛化性能。
在现实世界的应用中,让系统能够进行预测是远远不够的。弄明白每个预测的可靠性是很重要的。例如,对癌症进行预测时,可靠性为 50.1% 和可靠性为 99.9% 时的治疗方案是不同的。在贝叶斯学习中,非确定性估计是一个内在的特质。
传统的神经网络给出的是单点估计——它们使用一组权值针对一个数据点输出一个预测。另一方面,贝叶斯神经网络使用一个关于网络权重的概率分布,并输出该分布中所有权重组合的平均预测值,这与对许多神经网络求平均的效果相同。
因此,贝叶斯神经网络是一种自然的集成,它的作用类似于正则化,并且能够防止过拟合。
训练具有数百万参数的贝叶斯神经网络仍然需要非常大的计算开销。要想使网络收敛到一个后验上可能需要花费数周的时间,因此诸如变分推断这样的近似方法越来越流行。本届 NeurIPS 的「概率方法-变分推断」环节共有 10 篇论文与这类变分贝叶斯方法有关。
下面是向大家推荐的本届 NeurIPS 上有关贝叶斯深度学习的 3 篇论文:

  • Importance Weighted Hierarchical Variational Inference
  • 论文链接:https://arxiv.org/abs/1905.03290
  • A Simple Baseline for Bayesian Uncertainty in Deep Learning
  • 论文链接:https://arxiv.org/abs/1902.02476
  • Practical Deep Learning with Bayesian Principles,
  • 论文链接:https://arxiv.org/abs/1906.02506

2、图神经网络(GNN)
多年来,我经常谈到:图论是在机器学习领域最被低估的课题之一。我很高兴有关图的工作在本届 NeurIPS 上大放异彩。
「图表征学习」是本届 NeurIPS 上最受欢迎的研讨会。令人惊讶的是,该领域已经取得了如此大的进步。
时间回到 2015 年,当我在实习期间开始研究图神经网络时,我没有想到会有如此多的研究人员参与到这个领域中来。
图是适用于许多种数据(例如,社交网络、知识库、游戏的状态)的优雅而自然的表征形式。用于推荐系统的「用户-物品」数据可以被表示为一个二分图,其中一个不相交的集合由用户组成,另一个由物品组成。
图也可以表征神经网络的输出。正如 Yoshua Bengio 在他的演讲中提醒人们的那样:任何联合分布都可以通过因子图来表示。
这使得图神经网络能够完美地适应组合优化(例如,旅行商问题、任务调度问题)、身份匹配(在这种问题中 Twitter 用户和 Facebook 的用户是一样的吗?)、推荐系统等任务。
目前最流行的图神经网络是图卷积神经网络(GCNN),这是意料之中的,因为图和卷积都可以编码局部的信息。卷积以寻找输入中邻近部分之间的关系为目标编码一种偏置。而图通过边对输入中关系最密切的部分进行编码。
图 4:(左图)二分图 St=(G,C,E,V)有 n=3 个变量和 m=2 个常量。(右图)用于将策略πθ(a|st)参数化的二分图 GCNN 架构。
下面是向大家推荐的 GNN 论文:

  • Exact Combinatorial Optimization with Graph Convolutional Neural Networks
  • 论文地址:https://arxiv.org/abs/1906.01629
  • 是的, 今年有一篇论文融合了 NTK 和图神经网络两个最热门的研究趋势:Graph Neural Tangent Kernel: Fusing Graph Neural Networks with Graph Kernels
  • 论文地址:https://arxiv.org/abs/1905.13192
  • 本届NeurIPS 上我最喜欢的海报展示:(Nearly) Efficient Algorithms for the Graph Matching Problem on Correlated Random Graphs
  • 论文地址:https://arxiv.org/abs/1805.02349

图 5:(Nearly) Efficient Algorithms for the Graph Matching Problem on Correlated Random Graphs
(除 NeurIPS 论文之外的)推荐阅读材料:

  • Thomas N. Kipf 关于图卷积网络的博文(https://tkipf.github.io/graph-convolutional-networks/)
  • Kung-Hsiang,Huang 对图神经网络(Basics,DeepWalk,GraphSage)简介(https://towardsdatascience.com/a-gentle-introduction-to-graph-neural-network-basics-deepwalk-and-graphsage-db5d540d50b3)

3、凸优化
我一直默默推崇 Stephen Boyd 关于凸优化的工作,所以很高兴看到它在 NeurIPS 上越来越受欢迎。在今年的 NeurIPS 上,有 32 篇论文是关于这个主题的。
Stephen Boyd 和 j. Zico Kolter 的实验室也展示了他们的论文「Differentiable Convex Optimization Layers」,该论文说明了如何通过凸优化问题的解来进行微分,这使得将它们可以被嵌入可微分的程序(如神经网络)并根据数据进行学习。

  • 论文链接:
  • http://papers.nips.cc/paper/9152-differentiable-convex-optimization-layers

凸优化问题之所以吸引人,是因为它们可以被精确地求解(可以实现 1e-10 的容错率),而且速度很快。它们也不会产生奇怪的或意料之外的输出,而这对于现实世界中的应用是至关重要的。尽管在真实场景中遇到的许多问题是非凸的,但是将它们分解为一系列凸问题可以达到很好的效果。
神经网络也使用凸优化的算法进行训练。然而,神经网络重点强调以一种端到端的方式从头进行学习,而凸优化问题的应用则显式地使用领域特定的知识对系统建模。如果能够以凸方法对系统进行显式建模,那么通常所需的数据就会少得多。关于可微凸优化层的工作是将端到端学习和显式建模的优势结合起来的一种方法。
当你想要控制一个系统的输出时,凸优化特别有用。例如,SpaceX 公司使用凸优化来发射火箭,BlackRock 公司将它用于交易算法。看到凸优化在深度学习中的应用真的很酷,就像现在的贝叶斯学习一样。
下面是 Akshay Agrawal 推荐的一些有关凸优化的 NeurIPS 论文:

  • Acceleration via Symplectic Discretization of High-Resolution Differential Equations
  • 论文链接:https://papers.nips.cc/paper/8811-acceleration-via-symplectic-discretization-of-high-resolution-differential-equations
  • Hamiltonian descent for composite objectives
  • 论文链接:
  • http://papers.nips.cc/paper/9590-hamiltonian-descent-for-composite-objectives


图 6:用于问题的Hamiltonian 下降(HD)和梯度下降算法的对比情况

三、神经科学 x 机器学习


根据 NeurIPS 2019 程序委员会主席 Hugo Larochelle 的分析,接收率最高的论文类别是神经科学。在Yoshua Bengio的演讲「From System 1 Deep Learning to System 2 Deep Learning」和 Blaise Aguera y Arcas的演讲「Social Intelligence」中,他们都敦促机器学习研究社区更多地思考自然智能的生物学根源。
图 7:神经科学是论文接收率最高的类别
Bengio 的演讲将「意识」引入了主流的机器学习词汇体系中。Bengio 提出的「意识」概念的核心是注意力。他将机器注意力机制与我们的大脑选择分配注意力的方式进行了比较:「机器学习可以用来帮助脑科学家更好地理解意识,但我们对意识的理解也可以帮助机器学习发展出更好的能力」。
根据 Bengio 的说法,如果我们希望机器学习算法能够泛化到分布之外的样本上,那么受意识启发的方法可能是一种解决方案。
图 8:将机器学习用于意识&将意识用于机器学习——(1)形式化定义并测试特定的意识的假设函数(2)揭开意识的神秘面纱(3)从计算和统计的角度(例如,系统的泛化)理解意识演化的优势(4)将这些优势应用于学习智能体。
在本届大会上,我最喜欢 Aguera y Arcas 的演讲。他的演讲在理论上非常严谨,但同时也是可行的。他认为通过优化方法不足以获得类似于人类的智力:「优化不是生命体工作的方式,大脑不仅仅是在评估一个函数。它们会发展。它们会自我修正。他们从经验中学习。仅仅通过一个函数并不能包含这些东西」。
他呼吁人们研究「一种更通用的、受生物学启发的突触更新规则,它允许使用损失函数和梯度下降法,但并不要求一定要这么做」。
NeurIPS 上的这一趋势与我观察到的现象不谋而合:很多人工智能界的研究人员正转而研究神经科学。他们把神经科学重新带回了机器学习领域。
有些我所熟知的智者纷纷离开了人工智能研究领域,投身工业界或神经科学领域。这是为什么呢?
1. 我们需要理解人类学习的机制,从而教导机器进行学习。
2. 科学研究应该是一个从假设到实验的过程,而如今的人工智能研究则往往是先做实验然后证明结果成立。

四、关键词分析

让我们从更宏观的角度看看本届 NeurIPS 大会上的论文都与什么主题相关。首先,我使用 Vennclods 将 1,011 份 NeurIPS 2018 的论文和 1,428 份 NeurIPS 2019 的论文的标题进行了可视化。中间黑色的部分是在这两年都十分常见的论文关键词的列表。 
图 9:NeurIPS 关键词云
接着,如下图所示,我计算出了这些关键词从 2018 年到 2019 年的百分比变化。例如,如果在2018年,所有被接收的论文中有 1% 包含关键词「X」,而在2019年,这个数字是 2% ,那么这一比例的变化是(2-1) / 1=100% 。在下图中,我将绝对比例变化在 20% 以上的关键词绘制了出来。
图 10:NeurIPS 关键词百分比变化情况
要点:

  • 即使是在机器人领域之外,强化学习也得到了进一步发展。具有显著正向变化的关键词有:多臂老虎机、反馈、遗憾值、控制。
  • 生成模型依然很流行。GAN 仍然吸引着我们的想象力,但是炒作变少了。
  • 循环神经网络和卷积神经网络依然延续了去年的下降趋势。
  • 与硬件相关的关键词也在增加,这表明有更多考虑到硬件的算法诞生。这是解决「硬件成为机器学习瓶颈」这一问题的方法。
  • 令人遗憾的是,「数据」这一关键词的百分比处于下降趋势。我激动万分地前去参观「Algorithms–Missing Data」海报展,但却发现竟然只有一张海报「Missing Not at Random in Matrix Completion: The Effectiveness of Estimating Missingness Probabilities Under a Low Nuclear Norm Assumption」张贴了出来!
  • 「元」这一关键词在今年增长的最多。详情请参阅 Jesse Mu 的「Meta-meme」:https://twitter.com/jayelmnop/status/1206637800537362432

  • 尽管「贝叶斯」一词的比例下降了,但「非确定性」却上升了。去年,有许多论文使用了贝叶斯原理,但并不是将其运用在深度学习中。

五、NeurIPS 关键数据一览

  • 提交给正会的 7 千多篇论文中,有 1428 篇被接收,接收率为 21%。

  • 据我估计,1万3千多名参会者中,至少有一半人并没有在会议期间展示论文。
  • 57 个研讨会,其中 4 个专注于包容性:Black in AI,Women in Machine Learning,LatinX in AI,,Queer in AI,New In Machine Learning,Machine Learning Competitions for All。

  • 1万6千多页会议记录

  • 在所有被接收的论文中,有 12% 至少包含一名来自谷歌或 DeepMind 的作者。

  • 有 87 篇论文来自斯坦福,它是本届 NeurIPS 被接收论文最多的学术机构。

  • 有 250 篇关于应用的论文,占总论文数的 16.7%。

  • 648 是本届大会时间检验论文奖获得者 Lin Xiao 的「Dual Averaging Method for Regularized Stochastic Learning and Online Optimization」的引用次数。这证明了引用量与贡献不一定相关。

  • 75% 的论文在「camera-ready」版中给出了代码链接,去年这一数字只有 50%。

  • 2,255 份审稿意见提到了查看提交的代码。

  • 173 篇论文声称进行了 OpenReview 上的可复现性挑战。

  • 31 张海报出现在了本届 NeurIPS 的「创意和设计中的机器学习」研讨会上。一些人告诉我这是他们在本届大会上最喜欢的环节。
  • 为「Good Kid」乐队在闭幕宴会上的演出打 call!如果你还没有欣赏过他们的音乐作品,可以去 Spotify 上听一听。

有时,他们是机器学习研究者;有时,他们又是摇滚明星。今夜,他们二者都是!

  • 「Retrospectives: A Venue for Self-Reflection in ML Research」研讨会进行了 11 场演讲,这也是大家最喜欢的环节之一。

除此之外,本届 NeurIPS 的火爆氛围也相当引人关注,大家可回顾《学术会议,1.3 万人参加,我们该庆贺还是反思?》一文。

六、结语

无论从知识的角度还是从社交的角度来说,NeurIPS 都势不可挡。我不认为任何人能够阅读16,000页的会议记录。海报展人满为患,这使得我们很难与作者交谈。毫无疑问,我错过了很多。
然而,会议的大规模召开也意味着汇聚了许多的研究方向和相关的研究人员。让我能够了解自己研究的分支领域之外的工作,能够向那些研究背景和兴趣与我不同的研究人员学习,这种感觉很好。
看到研究社区从「更大就更好」的误区中走出来是一件很棒的事。我逛海报展收获的印象是:许多论文只是在小数据集上做实验,比如 MNIST 和 CIFAR。最佳论文奖获得者 Ilias Diakonikolas 等人的「Distribution-Independent PAC Learning of Halfspaces with Massart Noise」就没有任何实验。
我经常听到年轻的研究人员担心:只有加入大型研究实验室,才能获得计算资源。但 NeurIPS 证明了:你可以在无需担心数据和计算问题的情况下做出重要的贡献。
在我参加的 NewInML 圆桌讨论上,有人说他不知道 NeurIPS 上的大多数论文如何被应用到生产环节中去。Neil Lawence 指出,也许他应该考虑参加其它会议。
NeurIPS 比许多其它的机器学习会议更加理论化——从事基础研究是很重要的。
总的来说,我在 NeurIPS 上度过了一段美好的时光,并计划明年继续参会。然而,对于那些新加入机器学习研究社区的人来说,我建议他们将 ICLR 作为参加的第一个学术会议。
ICLR 的规模更小、时间更短、也更加面向实际应用。明年,ICLR 将在埃塞俄比亚召开,那是一个神奇的国度!(作者: AI科技评论)

博客 自动驾驶小能手

LV5
2020-02-10 19:28
220

疫情当前,实现商用的5G在火神山医院展示了这些本领

新型冠状病毒肺炎疫情仍在重要的攻坚时刻,但与此同时,武汉火神山医院的定时交付给人们打了一剂强心针。 ...查看全部

新型冠状病毒肺炎疫情仍在重要的攻坚时刻,但与此同时,武汉火神山医院的定时交付给人们打了一剂强心针。

和17年前的小汤山医院不同,武汉火神山医院最大的特点就是,在一周的时间里打造了一个高效的5G信息化系统。

很多人或许会好奇,非常时期,5G又能起到什么作用?事实上,在医疗领域,5G保障高速数据上网只是一个方面,更重要的还是以5G为基础的数据信息化、远程会诊、远程监护等应用。

5G直播“监工”

整个春节,程晓几乎都是开着火神山基地的施工现场直播入睡的。

据了解,这个直播间是中国电信与央视频针对此次疫情特别推出的《疫情二十四小时》节目,意在让密切关注武汉疫情的全国乃至全球人民,能在第一时间获知武汉“小汤山”的建设进度。

有人戏称这也许是5G在中国商用以来,第一个出现的杀手级应用。短短几天,火神山、雷神山的近景、远景四大直播间的同时在线人数就超过了8000万。

一众网友均以“监工”自称,在视频下方,经常能看到网友们的弹幕互动。有些人热衷于为各式施工设备起名字,有些人则是单纯的上线打卡,偶尔看到有趣的细节才发一句——“大黄又偷懒了。”

在程晓看来,这个直播给屏幕前的人带来一种治愈,“心态失衡的时候,打开直播,看到工地的变化就会平静下来,彷佛自己和武汉也有了一种联系。”

中国电信的工作人员在接受界面新闻记者采访时介绍,火神山、雷神山医院开通央视慢直播的任务是在1月27日清晨下达的。当时,火神山的医院5G网络已经开通。

而央视提出的直播需求对带宽和在线直播技术的要求很高,需要利用到5G+光纤双千兆网络,还需要调动起全国的视频云资源。只有使用这些技术,才能使直播的画面更清晰、信号更稳定,并保证24小时不间断。

接到任务后,中国电信迅速选址,并紧急制定了5G+云的直播方案。在当晚的20点,终于顺利开通了直播。而这次直播也在几天后被网友称为史上最强的“云监工”项目。除了让医院的建设进度更透明,该直播对于武汉本地的部分患者及患者家属,也起到了很大的心理安慰作用。

5G远程会诊

当然,在疫情防控工作里,5G的重要作用不仅仅是高清直播。

1月31日晚,武汉火神山医院首个“远程会诊平台”就在华为和中国电信的手下调试成功。

据悉,这套设备由华为捐赠的高清视频会议终端和管理平台组成,支持1080P的高清画质。可以支持两地的医疗专家通过视频分享病患的CT片等医疗档案进行诊断。

除此以外,火神山还采购了一批配备有移动摄像头的医用推车,可进病房近距离拍摄病患情况,后期也可接入远程会诊平台。届时,远在北京的专家可通过视频连线的方式了解火神山病患的实际情况,而外部因隔离而心情急切的病人家属也可利用该系统对隔离区病患进行实时探视。

鉴于这种远程诊疗对网络的稳定性要求较高,目前也只有5G网络能够支持这种4K/8K的远程高清会诊和医学影像数据的高速传输与共享。

由华为与中国电信联合搭建的5G远程会诊平台已在武汉协和医院投入使用(图为测试画面)

除武汉外,其他省市也都在推广这种远程会诊模式。

1月29日下午,由钟南山院士担任组长的广东省新型冠状病毒感染的肺炎重症病例会诊专家组,就对广东5例重症和危重症患者进行了一次远程会诊。

据《南方都市报》报道 ,此次会诊在广州、深圳、珠海三地举行,共持续了3小时25分钟,参与会诊的有5家医院的10名专家,整个专家组成员100余名。从1月29日开始,这样的远程会诊每天都会进行一次,由广东联通作为此次远程医疗平台技术的支撑方。

这种方式,既充分利用了专家资源,又减少了新型冠状病毒肺炎感染的患者在转诊、巡诊等过程中产生的交叉感染。毕竟,各省的专家组成员很难深入到省内的各地级市基层,而远程会诊使偏远地区定点医院的患者也能获得上级专家的诊疗服务,让患者的救治不再受时间、空间限制,同时减少医患直接接触,大大提高了疫情防控的效率。

一位运营商内部人士告诉界面新闻记者,假期期间,浙江、广东、四川等多省市的电信工作者都接到了协助医院搭建5G远程会诊系统的要求,而这些系统除了能连接省内各医院,后续也会与武汉前方医疗救援队取得联系,缓解武汉紧张的专家资源。

5G远程会议

除医疗之外,在疫情的抗击过程中,相关部门也需要大量的沟通与协调,而运营商们在5G基础之上提供的云视频服务,也同样成为了重要的助力。

如中国移动免费开放云视讯App会议服务功能,提供单次300人同时在线的会议服务;中国联通与华为云也提供了免费的云视频会议服务。而腾讯在1月24日至3月1日期间,也开放了最高在线100人的不限时会议功能。

这种云会议既能减少人员聚集,又不耽误工作沟通,用户通过手机、电脑都能实现跨地域的多方沟通。

除此以外,5G云视讯还能帮助疫情防控,实时监测隔离人员情况,避免工作人员上门摸排。

据中国移动方面介绍,在湖州,浙江移动就曾协助湖州市第一人民医院建立了一套医院-院区-站点三级管控网络。通过该平台,各站点医护人员与居家观察人员可进行一对一摸排联系,登记相关信息并上报站点负责人,协助站点负责人及时将最新数据上报至疫情防控领导小组,同时在必要时安排牵头医院专家给予医学指导。

不过,这种网络暂时还只是个别省市的个别做法,尚未推广到全国。但从这些案例中可以看出,5G云视讯功能对于非常时期推动防疫工作进展有很大好处。

相信这也是5G商用以来的一次重要练兵。随着疫情阻击战的推进,5G技术或将更广泛地运用于远程医疗、病毒检测等各种场景。

博客 自动驾驶小能手

LV5
2020-02-07 11:15
219

2020年,芯片企业淘汰赛将开打

2019年上海证券交易所设立科创板并试点注册制顺利落地,受理205家企业上市申请,70家企业成功上市,筹资额达到824亿元,其中芯片设计企业有晶晨股份、乐鑫科技、睿创微纳、澜起科技、聚辰股份。科创板是距离国内芯片设计企业上市最近的地方,预计2020年至少 ...查看全部

2019年上海证券交易所设立科创板并试点注册制顺利落地,受理205家企业上市申请,70家企业成功上市,筹资额达到824亿元,其中芯片设计企业有晶晨股份、乐鑫科技、睿创微纳、澜起科技、聚辰股份。科创板是距离国内芯片设计企业上市最近的地方,预计2020年至少有10家芯片设计企业顺利登陆科创板。

在经历了数千亿投资基金就位、芯片概念股全面涨停、芯片投资预期乐观、国产芯片行业呈现出非同一般的火热之后,2020年将是一个转折点,中国芯片设计企业数量将达到顶峰,芯片产业各方将回归理性,中国芯片设计企业淘汰赛将开打。

芯片设计企业数量过多,投资很难持续性

中国芯片设计企业数量早已是世界第一,但销售市场份额在全球占比中仍然很低。从2010年到2019年,芯片设计企业数量从582家增加到1780家,数量增长近3倍。据中国半导体行业协会IC设计分会理事长魏教授介绍,2019年国内芯片设计全行业销售额大约为3084.9亿元,约为440.7亿美元,在全球芯片产品销售收入中的占比接近10%。美国芯片设计企业则超过50%的占比,位居全球第一。
数据来源:公开资料整理(网络)
2010年到2012年,企业数量略有减少,这两年中国芯片设计企业面临困局:融资乏力、人才短缺、创新不足。
2015年3月中国国务院发起“2025年中国制造”(MIC 2025)计划,促进芯片设计企业遍地开花。2010年到2015年的5年间只增加154家,但2016年比2015年增加了626家,企业数量达到1362家,一年时间差不多翻一倍。2017年芯片设计企业数量与2016年相当,但随着中兴受罚华为被禁事件的影响,资本再一次集中进入芯片行业,2018年芯片企业数量迎来新的大幅增长,比2017年增加318家。尽管2019年国内芯片行业一片火红,但企业数量增长仅仅82家。


数据来源:ICCAD

再看企业销售状况,2019年国内十大芯片设计企业销售之和为1558.0亿元,占中国芯片设计行业销售总额的50.1%。销售超过1亿元人民币的设计企业有238家,占13%;销售在5000万到1亿之间的设计企业有218家,占12%;销售小于5000万的设计企业为1324家,占75%。



数据来源:ICCAD
从上面的数据可以看到,2010年芯片设计企业已有582家,经过10年的发展,却只有238家设计企业销售超过1亿,销售超过5000万的设计企业也只有456家。科创板上市门槛要求最低,市值不少于10亿,最近一年盈利且营收不少于1亿。通过这些信息说明有两个可能的结果:要么是芯片设计企业生得快死得也快;要么是芯片设计企业成长起来很不容易,半导体行业是长征路,要成功上市需要平均10年的时间。
目前国内绝大多数芯片设计企业面临困境:有产品没销量,有销量没利润。主板+创业板+科创板上市的国内芯片设计企业不超过30家。为何如此多数量的芯片设计企业,在经历了10年后依旧没有上市,主要原因是不盈利。
融资,成为国内芯片设计企业的硬实力,也是企业生存的方式。
随着企业运营成本大幅增加,芯片设计企业融资也变得更加频繁,从最近行业媒体报道的芯片设计企业融资来看,很大部分企业开始一年融资一次,而且平均每年融资金额都在数千万以上。假设238家销售过亿的企业不需要再融资,那么要维持1500多家芯片设计企业生存,推算下来,一年所需的投资金额至少在300亿以上,且至少5年内没有收回投资的可能。显然,这种融资烧钱模式是不可持续的。

创业人才和创业机会越来越少

不管走在什么路上,梦想和情怀,总要有一个在心中。芯片设计企业创业要想成功,两个都必须有。毋庸置疑,半导体行业是一条道阻且长的长征路,没有情怀的梦想人是经不起现实的残酷考验的,这些创业人也将逐渐离开这条芯片创业之路。
从2020年开始,新的芯片设计创业企业会越来越少,因为任何一个企业要创业,必须同时具备三个要素:创业人才、创业团队、创业机会,而这三个要素在未来10年内都是短缺的。
创业人才:
创业者首先要是一个创业人才,要具备一个成功创业者的特质。
隔行如隔山,对芯片方向和产品没有一个清晰的认知,对芯片产业链没有一个完整的理解,对行业和产品未来的发展没有一个深入的思考和判断,那么这个人就不是一个芯片创业人才,即使他有创业者的特质。
每个行业的创业和发展,都离不开这个行业的黄埔军校。就像中国手机行业离不开中兴通讯,培养了大量的创业人才和手机设计人才,前三大的手机设计公司创始人都是来自中兴通讯。就凭此,我们都应该向中兴通讯表示由衷的敬意和感谢。
芯片行业更注重专业性,没有多年的行业沉淀很难成为一个创业人才。来自网上的信息,仅供参考:中国大陆的芯片创业者,很多来自于早期几家技术强悍的公司,例如嘉楠耘智、智云芯、创毅视讯、得一微电子等来自于中星微电子;移芯通信、乐鑫、景略、英韧创、探境科技等来自于Marvell;ASR、恒玄科技、汉天下等来自于RDA(锐迪科);NextVPU(肇观电子)、InFlame(燧原科技)、天数智芯等来自于AMD,还有RFMD、Trident、炬力集成等也是芯片创业者的黄埔军校。
在这两年芯片行业形势一片大好,要钱给钱要政策给政策的行情下,有能力想创业的人都出来创业了。当前具备创业条件,有强烈创业欲望但还没有创业的创业人才已经凤毛麟角。
创业团队:
集成电路产业,人才是第一资源,而芯片设计人才是芯片设计企业的核心资源。芯片困境之根本是人才缺失,人才缺失之根本是缺少能培养大量芯片设计人才和高端设计人才的企业平台。
企业的竞争,最后也是团队的竞争。中国芯片设计基本上是从零开始的。2000年几乎看不到中国大陆芯片品牌,2005年市场上有了中星微、展讯、杭州士兰、珠海炬力等一批新兴芯片设计企业,但数量也不过几十家。通过10年的发展和积累,中国培养了一批有经验的芯片设计人才,因此2010年芯片企业数量迅猛增加至582家。又通过5年的人才培养,2016年芯片企业数量翻翻,相当于一个公司又孵化了一个新公司。这也是中国芯片设计企业发展为何不如意的地方,刚要有成绩,又出去重新起炉灶,整个研发速度就慢下来了。
到今天,要组建一个有设计经验的芯片创业团队已经很难了,通过高薪挖人,或者从市场招新人,对创业公司来说都是不可行的。创业公司没有时间去磨合团队和培养新人,只能是找到大家彼此熟悉又互相认可的人组成核心创业团队,才有机会把公司做成功。
创业机会:
时机,成就创业。创业机会往往也是可遇不可求。中国芯片产业20年前几乎是一片空白,经过20年的发展,颇有建树,但仍然很弱,中国芯片市场需求80%以上要依靠国外进口。因此,这给了国内芯片企业创业很大的机会和空间。
市场对国产芯片也敞开了大门,给芯片创业提供了巨大机会。以前,客户怕使用国产芯片,担心性能不稳定,品质没保障。现在,客户积极国产替换,国内芯片设计能力提升,晶圆封测产业链成熟,品质有保障。中国芯片设计企业正在复制中国手机设计之路,当时的手机设计公司有几百上千家,到如今不过百家。但芯片行业不同于手机行业,专业性更强,技术要求更高,技术迭代更快,资金消耗更大,对资本和供应链依赖性更强。
然而,中国芯片设计创业机会将越来越少,现在哪一个市场方向和芯片产品方向都有一堆的公司在做。芯片行业,做不到数一数二基本上没有机会,甚至连活下去都难。新的芯片设计创业企业融资也会越来越困难,因为同样的产品规划融资计划书投资人已经看过七八家了。

投资人对项目投资将逐渐理性,地方政策支持也更谨慎


这两年国内芯片企业感受到了资本的热情,最明显的体会是钱好拿、估值高。这个变化的推动力主要来自政策和市场。政策方面是国家大力支持和科创板的诞生,市场方面是中国大陆成为近10年全球半导体市场规模增长最快的地区,未来五年复合增长率超过20%,远超全球平均3%-5%的规模。
早期芯片投资是不太被人看好的,投资成本高,回收周期长,更多是高风险低收益。科创板的出现,让早期投资芯片企业的资金有了新的退出渠道,也让投资人看到新的希望和机会。于是,激情的一幕出现了,每家芯片创业企业把登陆科创板作为企业的奋斗目标,为了尽快实现科创板上市,芯片企业快速地拉升估值以及通过各种方法增加营收,以满足上市要求。
随着投资人对芯片产业和芯片创业的逐步了解和深入,对项目的认知和评估也逐渐理性。5年内能登陆科创板的芯片设计企业预估不到10%,从下面科创板上市条件就可以看出:
1、“市值+净利润”标准:市值不少于10亿,连续两年盈利,最近两年扣非后净利润累计不少于5000万;或者市值不少于10亿,最近一年盈利且营收不少于1亿。
2、“市值+收入+研发投入”标准:市值不少于15亿,最近一年营收不少于2亿,最近三年研发投入合计占最近三年应收合计比例不低于10%。
3、“市值+收入+现金流”标准:市值不少于20亿,最近一年营收不少于3亿,最近三年经营活动现金流净额累计不少于1亿。
4、“市值+收入”标准:市值不少于30亿,最近一年营收不少于3亿。
在目前科创板受理的企业中,82%的企业选择“标准一”。从申请科创板IPO的情况来看,能满足上市条件的芯片设计企业实际上很少。在投资人的支持下,把市值做到10亿不难,把年营收做到1亿也不是太难,最难的是盈利,随着竞争越来越激烈,盈利越来越难。
接下来,一些芯片企业会选择“标准二”,把市值做到15亿,把产品线拓宽,加大销售队伍,把年营收做到2亿以上。最近大家看到很多芯片企业的估值大幅飘升也就不难理解,也许这是芯片设计企业登陆科创板的捷径,但投资人的风险加大了很多。
随着投资人逐渐回归理性,芯片企业融资会越来越难。创业者要守住初心,不能把上市作为企业的最终目标,而是为达到最终目标选择了上市这条路。
现在芯片创业企业离不开地方政策支持,很多优惠条件还是很给力的,一个地方政策支持有升级,其他地方也会相应跟进。虽然看起来地方扶持政策多了,优惠条件更大,但实际上地方政策支持变得更谨慎,也更规范。过去,一些地方只要创始人有不错的行业背景,在当地注册一家芯片公司就可以拿到几百万甚至上千万,钱花完了又换一个地方重新注册。现在,这种创业机会没有了,如果项目评估通过,可以拿到启动资金,政策支持也是分阶段去给,把钱真正落实到产品研发上。过去那种轻轻松松拿地方钱创业的机会一去不复返了。

供应链支持是关键,市场争夺残酷化

除了面临芯片研发技术挑战,国内芯片创业企业还面临两大挑战:供应链支持和市场争夺。国内芯片设计企业创业难度增大。

供应链和市场是芯片设计企业的左右手,要从竞争中获胜,两手都要抓,两手都要硬。供应链本来不是问题的,芯片设计企业多了就成了问题。以前市场上几乎看不到国产芯片品牌的身影,采用简单粗暴的做法就能切入市场,产品能用但价格是国外产品的50%。随着国内芯片行业的发展,这一招不管用了,最后只能你无我有、你有我优、你优我跑。

供应链支持是芯片企业胜出的关键:

1.新的芯片创业企业已经很难得到供应链支持
目前的晶圆厂和封测厂基本上都是满负荷运营,在短期内都不会有所改善。对于新的芯片企业导入,开启了严格的筛选,资源的有限性让芯片创业企业很难找到合适的供应链,导致芯片企业的研发和生产都很被动。同时,投资人也会重点关注芯片创业企业的供应链资源,对芯片企业融资也造成影响。
2.成本和交货成为芯片企业竞争最重要的因素
现在同质化产品竞争很普遍,成本优势变得非常关键。通过设计拉开成本差距是很难的,更多的是依靠供应链。供应链也意识到这个问题,同样的产品七八家芯片设计企业在一个地方做,却都在市场上拼杀价格,于是供应链厂商会有选择性的支持一两家,从而拉开了成本上的差距。在晶圆生产、封装测试供应链上,芯片企业是没有太多选择的,1000多家芯片设计企业都集中在那几家生产厂商,因此这个成本差距有可能直接决定芯片企业在市场上的生死。在交货上,获得的支持也是不一样,进一步加速了芯片企业的淘汰。
市场争夺残酷让芯片企业越来越被动:
1.如果技术上拉不开差距,只能不断地降成本
中国芯片设计行业,只有个别的细分市场和产品领域形成了头部效应,技术上拉开了距离。绝大部分的芯片领域还是处于混战时期,谁都有机会胜出,谁都可能被淘汰。在技术上拉不开差距的情况下,为了守住市场,只能通过降成本来打价格战。因此,芯片企业不得不投入研发力量和资源去做降成本的工作,缩小芯片DIE面积或者简化应用电路,导致无法集中资源进行新产品开发,技术迭代进展缓慢,面临低层次重复,最终被淘汰。
2.市场过度竞争让芯片企业过多关注和加大销售投入
国内芯片市场短期内一定是恶性循环,市场推广难,争夺订单难,过度的市场竞争让芯片企业不得不加大销售投入,广揽销售人才,进一步加大市场恶性竞争。目前的现状,甚至让创始人和研发人员认为产品卖不出去,销售做不起来,是自家公司销售人员不给力,因而对产品研发方向和产品定位产生误判,进一步导致公司越走越偏,结果只能是被淘汰。
3.营收增长难度加大,盈利变得更难,上市时间拉长
登陆科创板成了一些国内芯片企业的追求目标和救命稻草,为了早日登陆科创板,芯片企业大幅提高企业估值,频繁大量融资,然后高薪挖人,招兵买马,希望快速实现科创板登陆。但在这个日益激烈的竞争环境里,芯片设计企业的年营收做到1亿也不容易;即使大举投入做到了1亿,盈利却变得更加难,芯片企业消耗资金也更大;如果上市时间拉长,资金就面临风险,搞不好就倒在了上市的路上或者门口。

结语

国内芯片设计企业将全面接受市场化洗礼,新一轮淘汰赛吹响在即。创业路上,不论成功失败,创业者都值得尊敬。在芯片之外,人生的风光依旧旖旎无限,静看岁月深处,那天,那月,那年,我们不负韶华。

正如布莱士•帕斯卡说的:给时光以生命,而不是给生命以时光。在这里,把同样的话送给所有芯片企业创业者:给芯片以生命,而不是给生命以芯片。
因为这次疫情,芯片企业的未来不确定性更高,但国产芯片的未来一定是越来越好的。(作者:半导体行业观察)

博客 自动驾驶小能手

LV5
2020-02-07 10:50
221

长安汽车谭本宏:“抗击疫情行动,将促进智能网联汽车发展”

“我认为抗击疫情行动,将促进智能网联汽车发展。人们将更加重视智能网联,智能网联也会更容易获得市场认可。”长安汽车执行副总裁谭本宏说。

1580983195883708.jpg

2020年的开头,实在“太冷了”。但庆幸的是,在灾难中,爱永远闪耀光辉。汽车行业大批企业在黑暗中不忘点亮一盏盏灯,勇担责任,同心战“疫”。而在全民众志成城与病毒抗争的画面中,无人车清扫医疗垃圾、无人快递物流等进入了大众的视野。


“对于疫情而言,智能汽车的介入更是能够降低疾病进一步传播扩散的风险,让无人驾驶汽车成为人与人交流的中介,减少人与人的接触,可以最大程度隔绝疾病进行人人传播的可能性。”谭本宏对《智能网联汽车》杂志记者表示。


无人驾驶汽车

可以最大程度隔绝疾病传播可能性


智能化的技术和产品早已经广泛融入社会生活的方方面面,在这次全国范围内的疫情防控中,更是再一次彰显出其在灾害防治、突发事件应对、高危作业等方面的独到作用。

1580983214835874.jpg

邮政智能无人投递车“汗马”


谭本宏强调,直观感受上,智能汽车最大的意义莫过于避免人工暴露在高危环境之中,降低安全风险,例如提到的无人车清扫医疗垃圾就起到了这样的作用。无人快递物流的介入更是能够降低疾病进一步传播扩散的风险,减少人与人的接触,可以最大程度隔绝疾病进行人人传播的可能性。


除此之外,无人驾驶汽车还能组成安全的运力,统一调度,帮助解决公共事务,为医务人员、病患提供无接触接送。

1580983248431349.jpg

无人驾驶汽车可为医务人员、病患提供无接触接送


谭本宏认为,智能驾驶仅仅是智能化技术中的一小部分,而智能交互以及智能网联技术在汽车上可以发挥的作用同样不容小觑。


智能网联汽车的实时位置和出行为政府提供人员迁徙的情况掌握;智能网联汽车可以通过实时更新的大数据,规避高风险的区域,不让车本身成为疾病传播的媒介;通过可靠的甄别手段,智能网联的公共交通也能成为疾病防控的利器,第一时间发现潜在的乘客患者,乃至路边的潜在传染源;智能网联汽车可以通过自动空气净化系统提供安全的防控空间;用语音、手势等无接触的操作替代需要按键、触摸等方式,对于公共交通的场景而言,也是一个非常有利于疫情防控的升级。


智能汽车承载着人们对美好生活的向往


谭本宏认为,此次战“疫”将会加强社会对智能汽车的重视,也会加速智能化、在线化、远程化、无人化的发展。

汽车一直是为解决用户的出行问题而存在,而智能汽车能够更好地解决用户的出行问题,智能汽车不仅仅代表了更加极致的出行体验,更承载着人们对美好生活的向往,代表了更加智能、便捷、优质、安全的生活品质。


谭本宏表示,在可以预见的未来,智能汽车将会在极大程度上改变出行的面貌。汽车本身将成为一个大型智能移动终端,是人们的“第三空间”,日常生活所需、工作所需以及更多琐碎的事务都可以通过汽车得以实现,如今的智能汽车正在逐步向这样的愿景靠拢。


同时,随着“新型智慧城市”的不断建设,智能汽车作为智能交通、智慧城市的基本载体,将会在人们日常生活中扮演越来越重要的角色。


据悉,为抗击“新冠”疫情,长安汽车集团捐赠1000万元人民币,其中长安汽车捐款500万,全力支持疫情防控工作。本次资金用途包括采购疫情防控所需的医疗、医用、生活等应急物资,帮扶奋斗在抗击一线的医护等群体,将为他们提供有力的后勤保障服务。(作者:郭文佳)

博客 自动驾驶小能手

LV5
2020-02-06 18:01
236

疫情来袭,智能汽车能做些什么?

灾难面前,没人可以置身事外在眼下这个时间 ...查看全部

灾难面前,没人可以置身事外

在眼下这个时间,任何话题好像最终都绕不开疫情。

不过对于绝大多数普通群众来说,尽量在家待着不给社会添乱就是最大的贡献。

但总有一些情况下,我们不得不出门。 那么在这个时候,我们一直关注的智能汽车又能做点什么呢?

基于 GeekCar 对当前已量产的智能汽车功能理解,我们整理了一些对预防病毒传播有帮助的功能以及使用场景。其中也包括了一些我认为已经有技术基础和实现条件,但目前还没有量产的功能。

首先是电动门以及无钥匙进入等功能,已经能在一定程度上避免用户和车外的部分接触,降低了感染风险。例如蔚来的 NOMI 机器人这类语音交互技术的加入,也降低了用户接触式操作汽车的频率。

另外,由于现在很多车辆的使用频率很低,因此出门前保证车内空气清新很有必要。通过手机 App,提前进行车辆通风,就能在相对安全的环境下完成车内的空气转换。

这里需要简单普及一个知识:对于汽车的 HEPA 空调滤网来说,虽然从缝隙直径来看无法阻断直径更小的病毒进入车内。但病毒往往需要依附在直径更大的飞沫以及灰尘才能进行传播,因此即便在外循环的状况下,滤芯能在很大程度上阻隔车外的病毒进入车内。

不过即便是这样,在一些复杂的区域,开启车内循环还是很必要的。这时如果车辆能够根据区域不同,自动进行开关窗以及内外循环的切换,就比较贴心了。

在过去的一段时间内,像佛吉亚这样的内饰供应商也展出了包含体征检测的座椅等内饰。如果汽车能通过摄像头以及座椅上的各类传感器,检测用户体温等体征,能及时提醒用户注意自身健康。

再比如,结合车辆的 GPS 行驶记录以及官方发布的疫情状况,判断是否在疫情爆发时到达过疫区。如果探测到这些数据,系统能够主动提醒用户进行自检预防。

当车辆周边出现曾经出现在疫情地区的车辆时,系统也能及时进行警报。而一些长期在外地的「鄂 A」籍车辆,也可以通过车辆进行上报到官方信息平台供其他车辆以及用户查看,发出「无害声明」从而减少恐慌。

已经有小程序进行了疫情爆发的地理信息汇总

部分车辆承担了运送医护人员以及医用物资的作用时,整个路网能为其提供交通和信号灯方面的通行便利,也能在很大程度上增加抗击疫情的效率。

当然,以上所有跟车辆位置信息相关的数据,都需要进行严谨的脱敏处理来保护用户隐私。

在疫情蔓延的时候,一部分主机厂也注意到了这个问题。

蔚来汽车就向用户推出了疫情期间用车的提示,其中部分智能化功能可以有效减少人和车辆的接触,降低传染风险。

吉利汽车也宣布将研发具备病毒防范功能的「全方位健康汽车」,不仅包含已具备的隔绝有害物质、净化空气等功能,还将重点突破车内病毒防范功能和技术,有效抑制并降低病毒对人体的侵害。车内材料不仅具备高环保性、低散发性,在空调系统、把手和按键等系统还将通过添加抑菌、抗菌物质,使其具备抑制细菌或表面杀菌能力。

总之,科技进步除了让我们日常生活更便利之外,也需要在应对危机给人类提供最大的助力。虽然智能汽车的发展和抗击病毒的一线战场看似不相关。但仔细想想,仅仅在当前的技术条件下,智能汽车已经能在一定程度上作出贡献。当汽车变得更智能,能做的事也会更多。

所以接下来是「脑洞时间」。

比如说,汽车的香氛系统是否能够和消毒系统结合,实现车内的全面消毒杀菌?

汽车导航系统是否能根据疫情状况,自动规划出相对「安全」的实时行车路线,减少和潜在风险接触的可能?

类似的功能肯定还有很多很多。

其中很多功能和场景看似很遥远,但在技术爆炸前,我们也想不到科技能发展到现在的阶段。所以,当下的很多想象都会在未来某个时间变成现实。

但依靠个体的力量,我们能做的依然有限。所以 你觉得面对疫情,智能汽车还能有哪些应用场景?(作者:大白)


博客 自动驾驶小能手

LV5
2020-02-06 17:54
242

自动驾驶汽车发展四个技术挑战——车辆、行人、道路、天气

自动驾驶的技术发展速度一直很迅速,尤其是在过去的1-2年中,在较低的自动驾驶级别技术上已经实现了重大突破。车道偏离系统(Lane departure systems)的功能已经从仅发出警告发展到全主动的车道保持。防前撞系统(Forward collisi ...查看全部

自动驾驶的技术发展速度一直很迅速,尤其是在过去的1-2年中,在较低的自动驾驶级别技术上已经实现了重大突破。车道偏离系统(Lane departure systems)的功能已经从仅发出警告发展到全主动的车道保持。防前撞系统(Forward collision systems)在性能和功能上都取得了进步,不仅提供了主动制动功能,而且还能够检测骑自行车的人、行人以及其他车辆。但是,与机器可以实现的功能相比,在许多方面,人类驾驶员所拥有的感知能力仍然遥遥领先,而且在许多关键领域我们仍然无法提供能够实现SAE 4级自动化所需性能和功能的传感器。在本文,我们涉及了一些特别具有挑战性或目前完全无法解决的情境来加以说明。

技术挑战1:预测车辆在前方道路上的制动性能
前向碰撞警告和自动紧急制动系统(Forward Collision Warning and Autonomous Emergency Braking systems)在制定避免或减轻碰撞事件的决策时,需要了解路面将提供的制动摩擦力。然而,预测道路摩擦力比较困难。
对可能的解决方案的看法
有两种主要方法可以实时估算车辆在前方道路上的制动性能表现。
一:机载方法(On-boardapproach)

二:基于云的计算方法(Cloud-basedmapping approach)

技术挑战2:预测行人轨迹 
在包含行人的环境中行驶的任何自动驾驶汽车都需要预测附近行人路线,并相应地调整其路线以避免碰撞。但是,预测人类目标的运动轨迹是很困难的,因为人类的行动常常具有很强的不可预知性,不会严格遵守既定的规则和社会规范。
对可能解决方案的看法
斯坦福大学和东京大学都使用各种模型研究了行人轨迹预测的各个方面,其中包括可以学习和预测人类运动的长短期记忆(LSTM)模型。东京大学进一步开发了基于LSTM的编解码器模型,该模型旨在对运动轨迹和人类交互进行编码,以预测人类未来较长一段路径的行为表现。这类技术尽管还有很多待开发的地方,但这些预测模型最终可能会提供一个可靠的解决方案。
技术挑战3:道路上有杂物-我可以开过去吗?
在看到前方道路上未知属性的杂物时后,大多数驾驶员能够决定是避开还是开过去。在这段很短时间内,驾驶员在执行各种风险计算,根据感知到的物体大小、重量和密度,将权衡停止、转弯或驶过杂物的相对风险。在遇到杂物时,自动驾驶汽车通常会先经历四个阶段的过程,然后再决定要采取什么措施。涉及的阶段包括:

一:识别

二:分类

三:了解物品

四:开过,避开或停止

对可能解决方案的看法
第一阶段和第二阶段虽然具有挑战性,但可使用在现实世界中经过识别大量物体训练的神经网络来实现。提早识别物体是很重要的,因为这会使系统有更多时间余量进行后续阶段操作。除此之外,还需要一些额外的系统训练来帮助对不常遇到的情景(例如,沙发从卡车上掉下来)进行物体分类,以完善数据库。第三阶段涉及物体的完整图片信息的建立,并将涉及来自多个传感器的信息融合。例如,如果识别出桶型物品,那么它是由什么制成的?是空的还是满的?无论最终的行为是撞击还是避开物体,这一最后阶段的结果都会因一系列的碎片动态行为而变得复杂。它很可能在起始识别到接触这一时间段内移动,并且其运动将取决于一系列因素,包括天气条件以及我们的车辆与物体之间的任何其他车辆的行为。类似于先前关于行人轨迹讨论的建模技术的使用,将来可能会为这一挑战提供解决方案。
技术挑战4:管理不同的天气条件
当前的光学传感系统在大雾,大雪或大雨中不能很好地工作。这些条件减小了它们可以工作的范围,甚至使它们完全无法工作。在大多数情况下,人都可以开车,因为即使是大雾,大雪或雨天,通常也不会阻止他们安全到达目的地,即使迟了一点。
对可能解决方案的看法
在过去一年左右的时间内,潜在的解决方案已经开始试用。由于雷达对极端天气条件的敏感度要低得多,因此它可以为这一难点提供解决方案。用于地面的雷达正在开发,它将被用来进行地面的拓扑分析,并将结果与道路网络数据库进行比较。期望在将来,该信息可能能够在任何天气下帮助车辆在高速公路上行驶并保持在车道内。
挑战“这些挑战是进行SAE 4级车辆安全部署的重大障碍。”SBD Automotive的自动驾驶部门总监Alain Dunoyer博士说,“通常情况下,人们说法律方面的原因限制了自动驾驶的广泛部署,而实际上是因为许多关键技术难点仍未解决。并且法律可以花费时间和精力来修改,但物理定律不能更改,所以可以在路上看到SAE 4级车辆的时间可能远比以前设想的时间长。”(作者:SBD汽车研究)

博客 自动驾驶小能手

LV5
2020-02-05 12:36
207

2020年的5个物联网挑战和机遇

物联网(IoT)如今已经成为工业技术对话的重要组成部分。但是,企业对物联网技术及其应用的热情并未减弱。 ...查看全部

物联网(IoT)如今已经成为工业技术对话的重要组成部分。但是,企业对物联网技术及其应用的热情并未减弱。

物联网(IoT)如今已经成为工业技术对话的重要组成部分。但是,企业对物联网技术及其应用的热情并未减弱。

在2020年,以下可能是企业内物联网应用程序开发面临的挑战和机遇:

1.从PoC转移到“PoV”

在概念验证(PoC)中,企业测试技术、设备或过程是否在期望的某些情况下起作用和执行。由于企业在过去几年中进行了概念验证(PoC),因此物联网概念和相关技术现已得到证明和充分理解。

但是,许多企业仍然缺乏能够证明可衡量价值的商业案例。因此,现在的重点需要从概念证明转变为建立价值证明(PoV)——通过使企业能够查看物联网用例实际上是否可以节省成本或增加收入的项目。价值证明(PoV)对于将物联网从研发部门引入运营部署至关重要。

随着经济放缓,对物联网项目的审查只会越来越激烈。2020年,企业和技术领导者比以往任何时候都需要将物联网视为工具箱中的许多工具之一,并学习如何将其与其他同等重要的工具(例如分析)结合使用,以从中获取价值。

2.可持续发展的物联网?

对于企业而言,第二个令人担忧的问题是很难应对。随着物联网设备数量的增加,为设备及其服务的数据中心供电所需的能源也随之增加。2017年的调查数据表明,到2027年,物联网设备产生的碳排放量可能占全球碳排放量的3.5%。鉴于应对气候变化的紧迫性,企业将很难被向拥有越来越绿色意识的投资者和消费者证明为什么产生如此巨大的能源足迹。

但是,这个故事还不清楚。物联网还可以帮助企业提高能源效率。其中一个例子是施耐德电气公司,它将传感器用于列克星敦的生产线,并因此减少了12%的能源消耗。

围绕物联网的能源需求,其带来的能源效率以及企业通过可再生资源为业务提供电力的能力,将需要进行某种核算。物联网设备制造商可以并且应该通过关注设备设计中的能源效率来帮助平衡账目。企业将需要根据具体情况进行操作,以确保他们可以在满足环境、社会和企业治理要求的同时提供创新。

3. 5G即将到来——但它会在2020年对物联网产生真正影响吗?

5G连接是无线发送和接收大量数据的最新快速、低延迟方式。显然,这项技术将在未来推动一系列新的带宽密集型物联网应用,包括联网汽车和一系列新的视频场景。

然而,这项技术在2020年能否成熟到足以应用于工业物联网还不太确定。对于许多工业物联网的早期采用者来说,采用当前一代的无线通信技术(如Wi-Fi、2G、3G和4G)已经足够了。工业厂商将选择按需以最低成本提供的连接解决方案。在大多数情况下,在一段时间内还不会采用5G。

4.物联网市场将急需整合

当前有数百家提供物联网设备、应用程序、平台和连接性的企业,这清楚地表明该市场尚未成熟,预计2020年物联网市场将开始发生变化。

随着市场上竞争者不断涌现,而那些业绩并不出色的企业将被淘汰出局,人们期望在2020年及以后看到自然选择。毫无疑问,希望增强其物联网功能的竞争对手进行一些收购交易。

5.新的用例将出现在网络边缘

通常,物联网设备将数据发送到云计算服务器,在云计算服务器上,算法会对其进行分析并触发操作。但是,边缘技术可让设备或附近的网关本地计算和分析数据,而与云平台的连接有限,有时甚至没有连接。

几年前,业界人士开始讨论物联网的边缘应用,但采用速度一直很慢。人们现在终于到了边缘硬件和功能与企业的重大利益相匹配的地步。人们将会看到越来越多的实现,可以预期物联网边缘工具的部署将在2020年快速增长。

一个典型的用例是,企业需要在无法可靠地连接到云平台的设施中使用完整的物联网解决方案,因为那里只有速度很慢的互联网连接,甚至没有互联网连接。例如偏远地区的工厂或绿地建设项目。例如,最近为一个客户构建了一个解决方案,该解决方案可以在没有全球互联网连接的站点上无缝运行。得益于物联网边缘技术,项目主管仍可以跟踪工作人员、材料和机器,并获得“焊工是否在可用的工作区域分配得当?”或“混凝土搅拌机到达了吗?”这些问题的答案。(作者:企业网D1net)

博客 自动驾驶小能手

LV5
2020-02-05 12:34
211

刘明春:抗击疫情拓展了无人驾驶汽车应用维度

“这次疫情拓展了无人驾驶汽车的应用维度。无人驾驶车辆代替人去完成一些特殊任务,从根本上 ...查看全部

“这次疫情拓展了无人驾驶汽车的应用维度。无人驾驶车辆代替人去完成一些特殊任务,从根本上杜绝了人员感染的风险。”——刘明春

近期,由新型冠状病毒感染的肺炎从武汉蔓延至全国,国家紧急部署,动员社会力量全力以赴抗击疫情。为了减少传播途径,避免人和人之间的直接接触,一些疫情抗击工作中也出现了无人驾驶车辆的身影。

“这次疫情无疑是拓展了无人驾驶汽车在应用场景中新的维度。在被动的、不能有人员参与的情况下,具有特定功能的无人驾驶车辆参与其中,并替代人去完成一些必须的任务。”南昌大学汽车工程系副教授、汉腾汽车智能驾驶技术专家刘明春对《智能网联汽车》杂志记者表示。

无人驾驶回归其公共安全责任本质

在这场疫情防控战中,无人驾驶技术频频刷新存在感。

例如,深圳福田区在环卫领域采用无人全自动的环卫清扫机器人,在户外公共场所进行自主清扫、洒水、垃圾收集等工作。1月31日,由青岛高新企业自主研发的首台消毒机器人在青大附院西海岸院区隔离区成功完成调式,交付院方使用。该消毒机器人具有自动驾驶、自行避障、自行喷雾消毒、紫外线消毒、空气净化等功能。另外,在广东和杭州的两家医院也进行了类似的尝试。

无人驾驶环卫车

“在此次疫情中,无人驾驶车辆代替人去完成一些特殊任务,从根本上杜绝了人员感染的风险。这也使大众深刻意识到无人驾驶技术的重要性。”刘明春表示。

据他介绍,无人驾驶技术最早是应用在军事领域。例如情报侦察、危险场景的排爆等。随着技术不断发展,无人驾驶被引入到民用车领域。而无人驾驶汽车或自动驾驶汽车更多的是强调它的商业属性,其商业应用主要从司机的成本、交通安全、乘客的使用等角度去引申无人驾驶技术的应用场景。

同时,刘明春也强调,此次疫情的发生对于智能网联汽车来说,最深层次的影响就是使无人驾驶回归其应用本质,代替人去履行相关的公共安全责任。

为了有效切断病毒传播途径,坚决遏制疫情蔓延势头,1月23日,所有离开武汉的通道包括机场、火车站等都暂时关闭。武汉进入了“全城封闭”,市民被要求在家中隔离。但在一些公共场所,还是需要相关人员维持安全秩序,一批服务于军运会的AIMO无人巡逻警车就承担了这次疫情巡逻任务。

服务于军运会的无人驾驶巡逻警车

据了解,这批无人巡逻警车曾于2019年10月武汉军运会期间,承担了各场馆和军运村的安全巡逻任务。AIMO无人巡逻警车配备激光雷达、超声波雷达、三目视觉、微波等20款自动驾驶装备,满电状态下可巡逻8小时,巡航速度达每小时5-15公里,是国内L4级无人驾驶、V2X车路协同、5G等技术在出行场景的首个应用落地成果。

“像无人巡逻警车、无人驾驶清扫车等,都是无人驾驶技术非常好的应用场景。突发的公共事件也在一定程度上促进了无人驾驶发展的契机。”刘明春说道。

加快落地 无人驾驶仍面临三大难题

突发事件的驱动,使无人驾驶更快地应用到日常生活中,其应用场景也更鲜明。但这些场景仅适用于无人驾驶低速车,真正落实到人们的日常生活场景中,还有着很大的距离。这也就倒逼企业加快无人驾驶汽车落地的步伐。刘明春谈到,就现阶段来说,还有一些制约因素。

首先是技术方面。无人驾驶技术丞待快速提高。比如应具备检测环境能力和控制能力等等。

其次是5G等相关基础设施的应用。“如果5G技术能在此次疫情中得到大范围应用的话,应该能发挥很好的作用。例如,制定比较成熟的调度方案,利用5G技术远程调度一些车辆来完成巡逻、消毒、运送物资等。”刘明春也补充道,目前5G在汽车领域的应用并不多。加之现阶段主要还是LTE-5G技术,其效果远远达不到远程驾驶的要求,相关的基础设施建设也不具备远程驾驶的条件。

例如,行业内一直探索的无人配送物流车。亚马逊、美团、京东等先后开始了无人配送产品的测试运营,在实际落地应用层面,也有优地科技在深圳NEO大厦和北京华润置地的案例。

京东无人配送车

但在此次疫情中,无人配送物流车并没有被应用其中。“快递、外卖等还是需要人去运送,虽说快递外卖企业纷纷推出了‘无接触配送’服务,但也无法从根本上杜绝感染风险。”刘明春说道。

此外,成本也是一大难题。

“研发一辆无人驾驶汽车的成本是相当高昂的,包括已经投入到此次疫情中的无人驾驶车辆,它们的成本也非常高。如何降低车辆成本,也是全行业需要努力攻克的难关。”刘明春向记者表示。(作者:智能网联汽车杂志 田野)

博客 自动驾驶小能手

LV5
2020-02-04 20:11
313

FLIR与ANSYS联手加速热像仪机器学习,为自动驾驶保驾护航

FLIR将其热成像传感器集成到ANSYS的前沿驾驶模拟器中,为自动驾驶汽车开发建模、测试并验证热成像技术。 ...查看全部

FLIR将其热成像传感器集成到ANSYS的前沿驾驶模拟器中,为自动驾驶汽车开发建模、测试并验证热成像技术。


据麦姆斯咨询报道,FLIR Systems, Inc.(纳斯达克证交所代码:FLIR,以下简称FLIR)与ANSYS(纳斯达克证交所代码:ANSS)正在合作,共同为辅助驾驶和自动驾驶汽车(AV)提供卓越的危险探测能力,为汽车制造商提供前所未有的汽车安全保障。通过此次合作,FLIR将把完全基于物理的热成像传感器集成到ANSYS的前沿驾驶模拟器中,从而实现在超真实的虚拟世界中对热像仪设计进行建模、测试和验证。全新的解决方案将通过优化热像仪的布局来缩短原始设备制造商(OEM)的开发周期,以便与自动紧急制动(AEB)、行人探测等工具一同使用,并应用于未来的自动驾驶汽车。

对FLIR客户及合作伙伴来说,在虚拟环境中进行测试的能力是对现有系统的有力补充,受益产品主要包括搭载了FLIR Boson®热像仪、FLIR热启动数据集及特定区域/城市热数据集(用于算法训练)的FLIR汽车开发套件(ADK™)。FLIR热数据集是为高级驾驶辅助系统(ADAS)开发、AEB和自动驾驶汽车系统中的机器学习而创建。

目前,自动驾驶汽车和ADAS传感器在黑暗或阴影、强光及恶劣天气(如大雾)等环境中面临着巨大挑战。然而,热像仪可以有效地探测和分类这些环境中的物体。将FLIR的热成像传感器集成到ANSYS® VRXPERIENCE®中,即可在短短几天内模拟完成数百万英里的数千种驾驶场景。此外,工程师还可以模拟热成像能够提供关键数据但难以塑造的场景,包括在拥挤的低对比度环境中探测行人。

“通过将ANSYS行业领先的仿真解决方案加入到我们现有的物理测试工具套件中,工程师、汽车制造商和汽车供应商可显著提升汽车在各类驾驶条件下的安全性。”FLIR工业事业部总裁Frank Pennisi表示,“该方案可以重现驾驶员每天都能看到但在物理环境中难以复制的特殊场景案例,这为改进神经网络和AEB等安全功能开辟了道路。”

“FLIR认识到,仅仅依靠在物理世界中收集的机器学习数据集来使热像仪在汽车应用中达到尽可能安全可靠,是具有很大局限性的。”ANSYS副总裁兼总经理Eric Bantegnie说道,“如今有了ANSYS解决方案的帮助,FLIR可以进一步增强汽车制造商的能力,以加速搭载热像仪的辅助驾驶系统的开发和认证。”

除特定城市的数据集外,FLIR在汽车行业已拥有十多年的丰富经验。FLIR已为包括通用、奥迪和奔驰等在内的汽车制造商提供了超过70万个热成像传感器,作为其夜视预警系统的一部分。此外,FLIR近日还宣布,其热成像传感器已被一级汽车供应商Veoneer选中,用于与全球顶级汽车制造商合作计划于2021年量产的L4自动驾驶汽车中。

于1月6日至10日在美国内华达州拉斯维加斯举办的“2020年国际消费电子展(CES)”期间,FLIR展示了其热成像加持的演示汽车和其它创新型产品,FLIR的展位号为#8528。

博客 自动驾驶小能手

LV5
2020-01-20 10:47
385

马斯克说“傻子才用”的激光雷达,如今要在自动驾驶识别中唱主角了

扩大应用范围是推进传感器产业发展的关键。早在2013年,工业和信息化部、科技部等四部委就出台了《加快推进传感器及智能化仪器仪表产业发展行动计划》,以推动传感器表产业创新、持续、协调发展,整体水平跨入世界先进行列。近年来,随着物联网、5G及AI的快速发展, ...查看全部

扩大应用范围是推进传感器产业发展的关键。早在2013年,工业和信息化部、科技部等四部委就出台了《加快推进传感器及智能化仪器仪表产业发展行动计划》,以推动传感器表产业创新、持续、协调发展,整体水平跨入世界先进行列。近年来,随着物联网、5G及AI的快速发展,智能传感器展现出了蓬勃的发展生机。《中国电子报》将选取自动驾驶、智慧养老、工业互联网、智慧医疗等几个热点领域中传感产品的应用情况进行报道,展示传感器技术发展趋势,产业发展前景。

激光雷达(LiDAR)一向是汽车自动驾驶技术实现的主要部件之一,然而动辄数十万元的造价限制了它的普及应用。近年来随着博世、安森美、英飞凌等半导体大厂的大举投入,以MEMS、光学相控阵列(OPA)技术为基础的固态激光雷达正在走向成熟,逐渐有能力取代传统机械式激光雷达。未来,固态激光雷达有望在自动驾驶识别中扮演主要角色。

固态激光雷达闪亮CES2020

在近日举办的CES2020大展上,激光雷达成为亮点之一。开展前夕,德国汽车零部件供应商博世宣布,其首款车规级激光雷达芯片已经进入量产开发阶段。该系列产品可覆盖长距离和短距离探测,适用于高速公路和城市道路的自动驾驶场景。更为关键的是,博世希望通过规模化量产,降低激光雷达成本,从而促进市场推广。

安森美是图像传感器领域的主要厂商之一,近年来在激光雷达、毫米波雷达和图形传感器芯片等领域均有投入。本届CES上,安森美以激光雷达芯片为重点,展示了业内首款高分辨率、宽视野单光子雪崩二极管(SPAD)阵列探测器。SPAD阵列是微光光子探测器芯片,可用于不同类型(包括短距、中距和长距)激光雷达当中。

欧司朗从去年开始就有消息传出将进入激光雷达市场。本届CES上,欧司朗展示了应用于自动驾驶概念车MetroSnap的激光雷达技术。MetroSnap是一款L5级别的自动驾驶汽车,欧司朗称其所提供的激光雷达技术能够通过红外线脉冲激光绘制车辆周围环境的3D地图,使MetroSnap概念车实现更安全的自动驾驶。

另外,近日图像传感器大厂索尼也传出将进军固态激光雷达的消息。

中国公司也在激光雷达领域崭露头角。在CES2020上,由DJI大疆内部孵化的览沃科技(Livox)发布了两款激光雷达传感器:Horizon和Tele-15。览沃科技表示,这两款激光雷达为L3/L4级自动驾驶而设计,是高性能、低成本、可量产的传感器解决方案。览沃科技以此为契机还与自动驾驶初创公司Refraction
AI和AutoX建立了合作关系。

迅速发展媲美机械式产品

激光雷达一向是汽车自动驾驶技术得以实现的主要部件之一,具有高分辨率、抗干扰能力强、获取的信息量大等优点,然而,高昂的造价也限制了它的普及应用。特斯拉CEO马斯克就曾公开表示:“傻子才用激光雷达,现在谁要还是靠激光雷达,那就注定完蛋!”不过近年来,随着博世、安森美、索尼、英飞凌等半导体厂商的大举投入,固态激光雷达正在慢慢走向成熟。

专家指出,固态激光雷达与传统的机械旋转式激光雷达不同,它采取MEMS、光学相控阵列(OPA)等扫描方式,对物体信息进行识别,以实现收集路况信息,为自动驾驶提供数据基础的作用。而且相比机械式激光雷达,固态激光雷达在成本、体积、可靠性和使用寿命上都有优势。

那么,目前的固态激光雷达可以和机械式激光雷达相媲美吗?从览沃科技发布的产品参数来看,Horizon检测范围达260米,水平视场角81.7°,可覆盖10米距离内的4条车道,等效于传统64线激光雷达,采用5个Horizon即可实现360°场景覆盖。同时,Horizon具有高密度点云、体积小的特点,可以轻松地嵌入到车辆中。Tele-15探测距离达到500米,为远距离检测而设计,兼具紧凑尺寸、高精度和耐用性的优势,0.1秒即可扫描15°圆形视场内99.8%的区域,这一点要优于传统128线激光雷达。

激光雷达解决方案提供商速腾聚创(RoboSense)合伙人兼副总裁Leilei
Shinohara也表示:“我们与安森美半导体合作并利用RD系列SiPM系列,已迅速超越了传统激光雷达制造商使用较老旧的APD技术和机械扫描架构所提供的性能。

有望加快商用进程

激光雷达一直是自动驾驶汽车中价格最为昂贵的传感器,各个零部件供应商和激光雷达初创公司都想降低激光雷达的生产成本,以获得规模效益。随着固态激光雷达技术的逐渐成熟,固态激光雷达由于改变了数据读写模式并省去了旋转部件,成本可以大幅下降,有望推动市场应用的快速扩大。

在宣布推出激光雷达芯片时,博世发言人即表示,博世的激光雷达已经开发完成,并且售价将会低于市面上其他的激光雷达,使其成为一款大众可负担得起的产品。览沃科技更是直接将激光雷达的价格拉到了万元以下,Horizon的报价为6499元,Tele-15为9000元。览沃科技全球市场总监邓睿豪表示,大疆一直在推动的事情是希望将前沿技术平民化,这种思路也同样适用于Livox。

随着博世、安森美等半导体大厂进入激光雷达领域,特别是中国芯片厂的进入,激光雷达技术应该会取得突破,其价格有望进一步下探。而核心芯片价格的下降,直接影响激光雷达的价格,有望从万元时代来到千元时代。

从应用角度来看,激光雷达的应用依然需要与毫米波雷达、摄像头等设备结合使用。恩智浦资深副总裁兼首席技术官Lars
Reger表示:“激光雷达、雷达、摄像头,就像人的眼睛能看到的视线一样,应当相互补充,结合使用。”

毫米波雷达优点主要是探测距离比较远,精度非常高,而且不受天气和光线的影响。毫米波雷达对运动的金属物体比较敏感,但对于静止的金属或非金属物体,运动的非金属物体不太敏感,分辨率也比较低。激光雷达的测距精度非常高,基本上可以达到正负一两厘米,分辨率也非常高。但激光雷达容易受到阳光雨雾和互干扰的影响。摄像头可以通过丰富的成像信息进行各类识别运算,比如行人、形变的物体,还有停车场的横杆以及交通标识等。不同方案结合使用可以起到相互补充的效果。事实上,目前博世、安森美、恩智浦等主流半导体厂商都掌握着三种技术相对完整的产品线,同时致力于打造整体解决方案。(作者:中国电子报)

博客 自动驾驶小能手

LV5
2020-01-20 10:43
240

专注FMCW激光雷达的光勺科技亮相CES 2020

据麦姆斯咨询报道,在2020年国际消费类电子产品展览会(CES)上,北京光勺科技有限公司(简称:光勺科技)展示了调频连续波(FMCW)激光雷达演示(Demo)及最新路测视频。据悉,光勺科技已于2019年年初完成了500万元的天使轮投资。市场 ...查看全部

据麦姆斯咨询报道,在2020年国际消费类电子产品展览会(CES)上,北京光勺科技有限公司(简称:光勺科技)展示了调频连续波(FMCW)激光雷达演示(Demo)及最新路测视频。据悉,光勺科技已于2019年年初完成了500万元的天使轮投资。

市场上最常见的两种激光光波调制技术有调幅(AM)和调频(FM)。传统的调幅(AM)激光雷达易受其它传感器光源干扰,容易出错;而FMCW技术能够提高对外界干扰的容忍度。FMCW技术的基本原理是用高频连续波作为发射波,利用接收的回波频率与发射的频率之间的微小时间差计算出某物体与目标之间的实际距离,两者的变化规律都是三角波规律。将调频(FM)激光雷达运用于自动驾驶领域,有助于提升无人驾驶汽车的安全性、帮助其根据周围环境做决策。相比AM技术,新制式FMCW激光雷达有三个显著优点:(1)探测距离长度达250米,是AM技术的2倍;(2)能提取动态多普勒信息;(3)使用单机激光特定频率,避免互相干扰。

目前,激光雷达赛道比较拥挤,全球大约有一百多家供应商,但是都是AM老技术制式,只有十余家公司使用FMCW技术。国内的光勺科技就是其中一家,而发布路测视频的目前只有三家。

目前,FMCW雷达方面最为知名的公司是被Aurora收购的Blackmore。与Blackmore采用调频FMCW技术不同,光勺科技的新制式FMCW激光雷达(Self-Homodyne Laser Radar)调制的不仅是激光光波的频率,还包括相位,也就是使用了调相技术。该公司拥有相干检测技术的核心专利,能够实现4D激光点云输出。每一个输出点云中不仅包含距离信息,同时能够提取动态目标的多普勒彩色图形信息,这将有助于在自动驾驶中探测移动的目标,高效、自动输出安全驾驶距离;同时能够排除外界噪声的干扰,提高对外界温度、环境恶劣程度的容忍度。

光勺科技表示,相比于传统FMCW调频技术,公司产品具有核心优势。从符合车规级的角度看,使用调频方案时,需要激光信号具有极高的调制线性度,而调相方案中只需要控制相对长度,对产品长度的误差度和环境的容忍度也有很大的提升,因此更容易符合车规级。


光勺科技的4D多普勒成像信息

光勺科技此次展示了实际路况测试视频。视频中,如团队提供的4D多普勒成像信息图所示,自动驾驶汽车行驶过程中,前方150米出现两个骑自行车的人在车前进方向逆向行驶,即最左图中的圈出的绿点,FMCW激光雷达能够清晰辨认出150米外正在移动的目标。图三中,两个骑行的人中有一人朝着横向方向驶开,离开车载雷达的视线范围;但另一个人仍逆行前进。此时,自动驾驶车前出现一辆出租车将骑行者挡住,人的位置位于最右图中的红圈内,该路况下,传统雷达视线会被出租车阻挡,无法辨认出骑行者所在位置,这对于自动驾驶汽车来说无疑是危险的情况。光勺科技表示,公司的FMCW激光雷达能够在此种情况下透过遮挡物,清晰地提取出室外移动目标的多普勒信息彩图,这将大大有助于提升自动驾驶汽车的安全性。

在CES 2020展会之后,目前已知对其FMCW激光雷达样机感兴趣的企业有专注于公共交通新型自动驾驶的初创公司Bluespace.ai、印度塔塔集团旗下的Elxsi。同时,光勺科技团队还在积极对接谷歌Alphabet旗下的美国第一无人驾驶公司Waymo和通用旗下的Cruise。谈及激光雷达产品正式上市的时间,“预计在2020年的Q3或者Q4发售”,光勺科技团队回复。因为“硬件加工上难度并不大,核心还是模型和算法”,厂商确认订货和下单之后,光勺科技能够在一个月内发货。

谈及竞争优势,光勺科技表示,他们申请了的一套针对激光调相的调制方面的核心专利,这是对手没有掌握的。光勺科技是国内第一家实现真实条件路测的FMCW激光雷达公司。

这个赛道上,除了技术发展路线与光勺科技最相似的Blackmore,还有Strobe、Aeva和Bridger Photonics等专注于FMCW激光雷达的厂商。其中,Blackmore获得了宝马的风险投资,Strobe被通用汽车旗下的无人驾驶公司Cruise收购;而Aeva和Bridger Photonics分别获得了丰田风险投资和德国蔡司的投资。不过,这些激光雷达厂商的产品都或多或少被市场上的头部企业绑定了。比如,Blackmore的产品仅对Aurora发售,Aeva的样机仅用于奥迪和保时捷。

博客 自动驾驶小能手

LV5
2020-01-16 18:37
769

孙晓波:关于智慧停车及其建设路径的思考

随着城市社会经济的快速发展,人们生活水平的提高,中国机动车保有量呈爆发式增长,“停车难”已经成为城市社会经济发展的制约难题。各级政府、企业、社团组织积极尝试破解城市“停车难”,参与者越来越多元化,解决问题的方法和措施越来越多样化,特别是在2015年8月国 ...查看全部

随着城市社会经济的快速发展,人们生活水平的提高,中国机动车保有量呈爆发式增长,“停车难”已经成为城市社会经济发展的制约难题。各级政府、企业、社团组织积极尝试破解城市“停车难”,参与者越来越多元化,解决问题的方法和措施越来越多样化,特别是在2015年8月国家发改委联合七部委下发了1788号文件以后,城市停车行业进入了新的发展阶段,停车行业的智能化、信息化、法制化、规范化也得到了快速发展和大量应用,停车行业呈现出百花齐放、百家争鸣的景象。近四年的建设实践取得了一定的成效,在一定程度上缓解了城市停车难,产生了一定的社会效益。

2019年7月30日,中共中央政治局首次将城市停车场建设作为补短板工程纳入“新基建”重点建设项目;9月4日,李克强总理主持召开国务院常务会议提前部署明年专项债部分新增额度,确保明年初即可使用见效,重点用于铁路、轨道交通、城市停车场等交通基础设施;随后,中共中央国务院印发《交通强国建设纲要》要求:科学规划建设城市停车设施,加强充电、加氢、加气和公交站点等设施建设。全面提升城市交通基础设施智能化水平;推动大数据、互联网、人工智能、区块链、超级计算等新技术与交通行业深度结合;12月10-12日召开的中央经济工作会议明确的明年工作重点中也强调了要加强城市停车场建设工作。

上述宏观政策或决策必将促进中国停车行业的快速发展,进入一个新时代。智慧停车是全面、系统的理论体系、方法论和综合解决方案,是破解城市停车难的重要举措,然而在现实工作中,很多管理者和从业者认识不清,将智慧停车肤浅使用或滥用,造成了建设理念、方法上的混乱,降低了智慧停车的实际作用和价值。
一、智慧停车的概念与建设理念
(一)智慧停车的概念
智慧停车是指将卫星定位、GIS、物联网、互联网、无线通信、电子支付、大数据、云计算等技术综合应用于城市停车的规划、建设、运营、管理,以及查询、预约与导航服务,实现停车泊位资源的实时更新、查询、预约与导航服务一体化,实现多元化电子支付的便捷化,实现城市治理的智能化、信息化和决策的科学化,实现城市泊位资源利用率的最大化、停车泊位经营利润的最大化和停车服务的最优化。
智慧停车分为狭义的智慧停车和广义的智慧停车。
1、狭义的智慧停车。
它是指针对城市局部区域或某一停车领域的智慧停车。如道路泊位的智慧停车、路外停车场的智慧停车。它们都是通过对停车泊位资源或停车场进行智能化、信息化改造,在此基础上运用智能管理系统、多元化电子支付、云平台等技术和产品实行停车泊位运营管理与城市治理的科学化、可视化、数字化、模型化和便捷化。例如道路泊位的智慧停车的实施路径为:施划停车泊位并编码--安装传感器或视频采集器(咪表、手持PDA、地磁、视频桩、高位视频、智能地锁等)--上传至智慧停车管理系统---数据处理、图像处理、云计算等---各运行系统(停车管理中心、呼叫中心、电子商务平台、APP、停车诱导系统、应急指挥系统、门户网站、外部系统等)运营。诸如咪表、手持PDA、地磁、视频桩、高位视频等技术和产品各具特色,都有各自的优缺点,有各自不同的应用条件或场景,不能一概而论说谁好谁坏,谁优谁劣,而应当是“合适就是最好的”。
2、广义的智慧停车。
它是指将整个城市作为一个系统进行顶层设计,综合运用多种技术将城市停车的规划、设计、建设、投资、运营、管理等环节全覆盖,实现全过程科学化、智能化、信息化、可视化、模型化,同时,与法制建设、产业政策、城市治理、舆论引导和监督等综合配套实施,实现城市级智慧停车。城市级智慧停车在内容和形式上表现为“路内路外一体化、线上线下一体化、动态交通与静态交通互动、市场运营与城市治理相融合”。
(二)建设理念与建设方法
鉴于停车行业的特点,做好顶层设计,应用系统化思维,制定城市级综合解决方案,将应急与谋远相结合,因地制宜,科学施策,切忌盲目建设。
1、建设理念:
(1)动静结合:在编制城市动态交通规划和开展交通治理工作时  一定要考虑静态交通问题;在编制城市静态交通规划和开展停  车设施建设时一定要注意与动态交通相适配;
(2)以静制动:通过加强停车治理来促进城市交通问题的治理;
(3)公交优先:充分发挥城市公交网络体系完善、载客量大、专  用道行驶、运行效率高、价格低的优势,引导和鼓励市民乘坐  公共交通出行,减少驾车出行;
(4)绿色出行:鼓励广大市民采用对环境影响较小的出行方式,  如乘坐公共汽车、地铁等公共交通工具、合作乘车、骑自行车  或步行等,减少驾车出行,降低停车需求。
2、建设方法:
(1)合理提供增量:按照“配建为主、路外公共为辅”的原则,  根据停车热点分析和土地利用情况,适度建设一部分停车设  施,增加停车泊位;
(2)多维盘活存量:利用物联网、互联网等技术,运用行政措  施、市场手段实现尽可能多的停车场智能化改造和信息化联  网,破除信息孤岛,使存量停车泊位通过云平台实现查询、预  约、导航等服务,大幅度提高泊位利用率、周转率,实际上也  是增加泊位的有效供给。
(3)社会资源共享:随着5G、人工智能等技术的发展,进一  步将社会停车资源互联互通,开展错时错峰停车、共享停车,  使社会停车资源高效使用、科学合理利用。

三、统筹兼顾,综合施策,促进停车行业市场化、产业化发展

理顺管理体制,明确主管机构,统一组织协调、统筹推进各项工作。

城市停车治理是一项系统工程,应在政府的主导和统筹下,各职能部门依据其工作职能和分工承担相应责任。每个城市应以新一轮机构改革和职能职责调整为契机,借鉴杭州、南京等城市做法,成立由市领导挂帅,各相关单位参加的领导小组办公室(简称停车办),统一负责停车场(库)建设、监督、管理、考核和综合协调等工作,提高工作效率。

习近平总书记指出:“城市规划在城市发展中起着重要引领作用,考察一个城市首先看规划,规划科学是最大的效益,规划失误是最大的浪费,规划折腾是最大的忌讳。”每个城市应科学合理编制静态交通专项规划并使之与国民经济社会发展规划、城市建设规划、综合交通规划等相适应、相匹配,特别是要充分考虑新技术的影响,因地制宜,制定符合城市发展特点的停车专项规划。

1.开展全面翔实的停车普查工作。

停车普查是对城市停车供需情况的全面调查。可借鉴北京、深圳、青岛等城市经验,开展对各类停车资源进行普查登记,摸清底数,明确全辖区机动车的保有量、停车泊位总量及结构(基本停车泊位、出行停车泊位、建筑配建泊位、路内停车泊位、路外停车泊位等)、停车供需空间分布情况及车辆实际停放位置等,深入了解停车泊位实际利用率及可挖掘、共享、合法化资源,为停车设施规划布局及建设、配建指标修订、停车产业政策、智能化信息化改造提供决策依据,为停车管理工作提供数据支撑。

2.加快城市停车立法工作。

2015年至2017年,中央和地方密集出台停车相关政策,宏观产业政策框架基本完善,但法律法规仍不健全完善。2018年以来,北京、深圳、广州、徐州、沈阳等近10个城市出台了停车管理条例,烟台、漳州等30余个城市出台了停车管理办法、规定或细则,城市停车方面的法制建设逐步得到加强。其他城市都应当适时制定机动车停车场建设管理以及停车运营管理的法律法规,规范停车设施规划、建设、投资、运营、管理等工作,依法对城市停车进行有效管理,切实做到“有法可依,执法必严,违法必究”。

3.建立城市统一的智慧停车平台。

充分利用物联网、互联网、无线通信、人工智能、云计算、大数据等技术,进一步加大停车信息平台建设和整合力度。在普查基础上推动更多泊位资源纳入信息平台,通过市场化手段(利益协商等)加强资源整合,按照一个城市“一张图、一个平台、一个技术标准、一个运营主体、一个APP、一套服务规范”的原则建设城市级智慧停车平台,实时发布停车信息,进行停车诱导,推动共享停车,盘活存量资源,提高车位使用效率,增加停车泊位的有效供给。

4.进一步细化政策,吸引社会资本参与,推动停车行业的市场化发展。

(1)财政政策:主要是对于停车场(库)建设给予奖补;PPP  模式的经营性补贴等

(2)土地政策:主要是土地供应、出让方式、权属登记等
(3)物价政策:主要是实行差别化定价和市场化调整机制等
(4)税收政策:依据国家相关法律法规,给予税收减免等

(5)投资政策:主要是商业配建、广告经营、车位产权、执  法管理等。

5积极推进停车行业产业化发展。

由于停车行业产业链条比较长,涉及规划、设计、投资、建设、设备制造、智能设施及系统、运营管理等专业或子行业,还与新能源汽车充电及运营、汽车后市场相关联,市场空间巨大,产业规模在10万亿以上。因此,每个城市在解决停车难的同时,要大力推进停车行业产业化发展。此外,随着5G、人工智能、无人驾驶等技术的快速发展和城市土地资源越来越稀缺,智能立体停车设施作为集约利用土地增加停车泊位供给的有效方式将越来越重要,其应用也会越来越广泛。

6加大执法力度,严格违停管理。

(1)要切实做到有法必依,执法必严,违法必究。
(2)通过加大惩处不良的停车消费行为,引导和培育良好的  行为习惯。
(3)通过严格违停管理,创造优良的投资环境,维护各类投  资者的合法权益。

7加强正确的舆论宣传引导和监督,营造良好社会氛围。

针对市民普遍对停车设施建设关心不够、对智慧停车等知识了解不够、部分市民存在着不良的停车消费行为等问题,每个城市要加大宣传工作力度,普及常识和相关法律法规,消除疑虑,争取理解和支持。同时辅以价格调节、科学合理调控道路停车规模等措施,引导广大市民公交出行、绿色出行、文明停车,积极参与到城市停车治理中来,为停车设施建设管理和有序发展营造良好的社会氛围。

8充分发挥行业协会的作用。

行业协会是连接政府与企业、企业与企业、企业与社会的桥梁和纽带。行业协会能有效维护社会和企业的合法权益。

政府机构改革和职能转变的重点之一就是将“市场的事交给市场去做”,2019年2月20日,李克强总理主持召开国务院常务会议,要求制定涉企法规规章和规范性文件必须听取相关企业和行业协会商会意见,使政府决策更符合实际和民意。行业协会是同行业企业自己的组织,对行业发展趋势、技术和产品现状以及不同企业的管理水平、技术储备和核心竞争力等情况非常熟悉,因此,要充分发挥行业协会的作用,将诸如企业资质评审及认证、产品评价、技术标准与服务规范制定、企业等级评定、行业自律等事务均交由行业协会组织实施。通过行业协会积极而富有成效的工作,推动停车行业健康、持续发展。(作者:中国城市公共交通协会城市停车分会会长孙晓波)

博客 自动驾驶小能手

LV5
2020-01-16 18:32
281

Echodyne发布突破性成像雷达 赋予自动驾驶汽车感知传感能力

据外媒报道,自动驾驶高性能雷达平台公司Echody ...查看全部

据外媒报道,自动驾驶高性能雷达平台公司Echodyne发布了突破性的自动驾驶汽车成像雷达EchoDrive。EchoDrive以MESA®技术为基础,提供新型的传感器功能,显著提升了机器感知能力。


(图片来源:Echodyne官网)

EchoDrive为驾驶场景的探测提供前所未有的实时控制,使机器感知形式更加丰富。该雷达的动态控制API利用自动驾驶堆栈中的资源,如高清地图、V2X和其他传感器数据,通过不断变化的环境、条件和场景,时刻优化测量。例如,EchoDrive可以平稳地从普通驾驶模式切换到交通繁忙区域模式,并且增加帧率,确保无保护左转,或在驶入隧道时,放大画面。这是一种高性能模拟波束引导雷达的动态任务操作,可以提升自动驾驶堆栈中AI和机器学习的认知功能,进而极大地提高安全性。

Echodyne首席执行官Eben Frankenberg表示,“目前,自动驾驶堆栈的数据流是单向的,传感器传递信息,自动驾驶系统处理信息并采取行动。我们缺少动态的、交互式的数据流,此种数据流使得自动驾驶堆栈中的认知功能成为可能。利用EchoDrive,自动驾驶系统可以引导雷达扫描特定对象,获取准确的驾驶场景信息,从而做出更正确的自动驾驶决策。我们期待利用EchoDrive,帮助企业设计、制造并交付更安全的车辆。”

Echodyne已成功地为国防、政府、航空和商业应用领域打造并交付了高性能雷达。该公司正扩展其雷达平台技术,旨在帮助汽车制造商建造并交付更安全的自动驾驶卡车、自动驾驶公共汽车和共享出行乘用车。

EchoDrive具备以下先进的自动驾驶成像功能:

方位角和仰角高分辨率成像

主动波束引导道路追踪

无缝适应不断变化的驾驶场景

丰富的、未经过滤的原始数据

动态控制API提供强大的感知传感器功能。

Echodyne首席技术官Tom Driscoll表示,“EchoDrive是自动驾驶成像雷达的一个巨大飞跃,将为自动驾驶领域带来感知传感能力。我们的自适应雷达传感器集成了德州仪器公司(Texas Instruments )的毫米波(TI mmWave)传感器、我们专有的MESA技术,以及强大的软件框架,全方位改进了自动驾驶架构。(作者:盖世汽车)

博客 自动驾驶小能手

LV5
2020-01-14 17:30
398

杨晓明:以智能架构推动自动驾驶汽车实现量产

安波福亚太区总裁杨晓明在发言中表示,安全、绿色、互联的发展趋势需要系统的解决方案,新一代智能架构是自动驾驶汽车量产的基础保障。1月10日,2020中国电动汽车百人会论坛在北京举行。本次论坛以“把握形势 聚焦转型&nb ...查看全部

安波福亚太区总裁杨晓明在发言中表示,安全、绿色、互联的发展趋势需要系统的解决方案,新一代智能架构是自动驾驶汽车量产的基础保障。

1月10日,2020中国电动汽车百人会论坛在北京举行。本次论坛以“把握形势 聚焦转型 引领创新”主题,围绕行业、企业、政策的转型与创新展开广泛研讨。

杨晓明介绍,目前,整个行业正在面临着向移动平台未来出行方式变革的挑战,在这个挑战过程中,安波福一直坚持三点:第一、安全,就是解决汽车零事故的问题。第二、环境,就是绿色,如何达到严格的排放要求。第三、互联优势。如何把安全、绿色、互联三方面结合到未来出行自动驾驶的平台上,对整个汽车行业来说,是挑战也是机遇。

杨晓明说,即使在2019年中国汽车市场面临下滑的情况下,主动安全系统仍然处于非常高速的发展阶段。“目前,汽车行业存在的一个大问题,就是传统汽车的架构接近饱和,已经不太可能承受安全、绿色和互联的发展趋势对汽车平台的要求。”

如何解决?杨晓明认为可以从今年的CES展得到启示。杨晓明认为今年的CES表现出三个特点。首先是激光雷达公司强调的重心已经从功能转向成本,在成本价格得到解决的情况下,激光雷达就可以达到适用的量产阶段;其次是AI正在成为主题,算法及计算能力得到发展;第三是感知系统被重视,如面部识别,对汽车内部的传感系统等。

杨晓明透露,安波福正在做下一代汽车架构的团队,注册商标SVA,就是智能汽车架构。这个智能汽车架构有三大特点:一、强调把软件和硬件分离开;第二、把输入端和输出端与中央计算分离;第三、中央计算中心担当服务器角色。

杨晓明认为,智能汽车架构是目前的一个发展趋势。软件和硬件分离会带来更多好处,在升级扩充功能的时候不需要重新对每个模块进行长时间的车级论证,软、硬件开发时间会大大缩短。最重要的是可以扩充功能,就是说可以不停地开发客户需要的功能,通过云端直接升级到车上,而不牵扯大规模硬件方面的论证。同时,可以实现电子电气架构的自动化装配,大大降低汽车组装的成本。“汽车智能架构会带来非常大的业务模式的变化,这个业务模式的变化不仅是消费者端,而是在整个汽车产业链里,谁来完成哪一块的功能,这是一个全新的开放的生态方式。”

安全、绿色、互联的发展趋势需要新的系统的解决方案,新一代汽车智能架构是高度自动驾驶汽车量产的基础保障。“到底市场如何去变?我认为下一个革新最可能成功的地方就在中国,因为我们有各方面的社会优势以及大量的创新企业正在向这些方向发展。”杨晓明说。(作者:交通安全智库)

博客 自动驾驶小能手

LV5
2020-01-14 17:29
258

Xmart OS 1.7版本OTA升级软件正式推送 多项功能优化让小鹏G3更好开

Xmart OS 1.7版本OTA升级软件正式推送  多项功能优化让小鹏G3更好开l优化功能:智能泊车系统、智能驾驶系统、智能导航、小P智能推荐服务、“你好 小 ...查看全部

Xmart OS 1.7版本OTA升级软件正式推送  多项功能优化让小鹏G3更好开

l优化功能:智能泊车系统、智能驾驶系统、智能导航、小P智能推荐服务、“你好 小P”AI语音助手。

l适用范围:小鹏G3全系车型。(Xmart OS 1.6.1及以上版本可直接升级至1.7;Xmart OS 1.6.1以下版本,需先升级至1.6.1版本后,再升级至1.7版本。部分升级功能需搭载相应硬件,请以销售实车为准。)

小鹏汽车于1月10日起,正式向G3用户分批推送Xmart OS 1.7版本OTA升级软件。升级完成后的小鹏G3全系将优化智能泊车系统、智能驾驶系统、智能导航、小P智能推荐服务、“你好 小P”AI语音助手等多项功能。Xmart OS 1.6.1及以上版本可直接升级至1.7;Xmart OS 1.6.1以下版本,需先升级至1.6.1版本后,再升级至1.7版本。部分升级功能需搭载相应硬件,请以销售实车为准。此次,小鹏G3 OTA升级具体内容如下:

1578884599173575.png

1578882233706841.png

优化功能说明如下:

智能泊车系统:进一步优化智能泊车体验,在泊车过程中车辆前进与后退的方向在车内大屏上将根据方向同步显示,让泊车视线更加清晰。同时,侧方位泊出时将开启对应侧转向灯,泊车时的车速也将更适应泊车环境,让车辆泊入泊出时更加安全。更新后的自动泊车系统可以开始对部分固定车位进行学习。

智能驾驶系统:自动驾驶辅助系统在行车时的舒适性上做了进一步优化。

优化智能导航:现支持「继续导航」按钮,在驾驶员或乘客调整为导航状态时,可手动恢复最佳导航视觉状态;

同时,可以支持语音操控直接进入探路或导航模式,不需要选择路线。

小P智能推荐服务优化:现支持智能推荐服务,如根据驾驶场景智能推荐打开新风模式、等人模式等;根据天气或环境智能推荐开启内循环、是否开启座椅通风或关闭座椅加热、关闭车窗等;同时,新增智能提醒服务,如进入续保期前15天提醒、临近续保期提醒、车险到期提醒等功能,优化后的小P智能推荐服务让服务场景更丰富、更人性化。

「你好 小P」AI 语音助手:优化使用「你好 小P」的网络性能,同时新增胎压语音指令。

小鹏G3作为小鹏汽车的第一款产品,根据目前最新的保监会数据,个人用户占比88%,在造车新势力中C端用户的占比处于领先水平,其产品力及产品口碑都获得真实消费者的充分认可。尤其是小鹏G3 2020款,凭借其NEDC 520km的超长续航能力及L2.5级自动驾驶辅助能力,深受消费者喜爱。同时,G3全系依然可以通过整车OTA持续进化,自2019年1月的首次OTA到2019年12月31日,一共完成7次OTA升级,新增逾56项功能,逾1732项功能优化升级,平均不到2个月就有1次OTA升级,增加包括“车辆钥匙召唤”、“遥控泊车”、“哨兵模式”、“ALC自动变道辅助”等功能。未来,相信小鹏G3 还会为我们带来更多惊喜。另外,小鹏汽车更懂中国用户需求,在此次OTA升级中,根据中国春节为用户奉上“春节彩蛋”为新年添新彩,敬请期待。

博客 智能网联汽车

LV1
2020-01-13 10:51
282

伟世通携手广汽和腾讯,推出全球领先量产座舱域控制器

 伟世通携手广汽和腾讯,推出全球领先量产座舱域控制器 · 三方共同开启量产智能座舱的新时代 ...查看全部

 伟世通携手广汽和腾讯,推出全球领先量产座舱域控制器

 · 三方共同开启量产智能座舱的新时代

· 本次CES展示的全新SmartCoreTM 是全球首款使用第三代高通骁龙汽车座舱平台的座舱域控制器

· 伟世通SmartCoreTM与广汽的合作,也是业界首次将集成三个不同的座舱电子域的域控制器应用在量产车型上

美国当地时间1月8日,全球汽车座舱电子技术领导者伟世通在2020年第21届CES上展出了其智能一体化座舱的最新成果—— 搭载第三代高通骁龙汽车座舱平台的量产座舱域控制器SmartCoreTM。该产品即将在广汽全新纯电平台首款车型Aion LX上实现正式量产。

1578883146572416.jpg

伟世通公司全球总裁Sachin Lawande、腾讯公司副总裁钟翔平和广汽研究院院长王秋景分别代表公司共同参加了全新SmartCoreTM的亮相仪式。

于本次CES之上公布的SmartCoreTM也是三方继去年CES宣布作开发自动驾驶技术以及数字化AI座舱解决方案后交出的最新答卷。经过一年多的共同开发,三方基于各自的技术平台优势,共同开发的SmartCoreTM第三代高通骁龙汽车座舱平台并且搭载了腾讯车联TAI汽车智能系统。

以SmartCoreTM 为核心的成熟座舱解决方案能够带来领先的车机体验,协助更多的整车厂商提供更为有效的差异化方案,致力于协助汽车厂跨入智能网联时代。

此番广汽Aion LX的量产意味着伟世通集成3个座舱域的SmartCoreTM域控制器平台项目的正式落地。数字仪表,信息娱乐和车身控制界面这三个座舱域首次集成在一起,用户只需滑动手指就可以轻松调整座椅,车外后视镜以及空调温度等功能。

本次量产的SmartCoreTM搭载了腾讯车联TAI汽车智能系统的核心技术和能力,以语音交互为主要方式,可实现高效、情感化的人机互动和车辆控制。同时,SmartCoreTM智能座舱注入了腾讯系丰富的内容娱乐及车主服务生态,并可结合出行场景特征和用户兴趣偏好,实现服务的主动推荐,为用户带来人性化的、极致的数字化体验。

作为业内首发第三代高通骁龙汽车座舱平台的量产智能座舱方案,它使用了高通全新的骁龙芯片,满足了新一代座舱电子系统所需的强大的算力和AI能力,并基于强大的CPU和 GPU,可支持多达6~8个显示屏,助力智能语音交互,增强现实和图像处理,为实现智能电子座舱提供了硬件平台支持。

1578883287712238.jpg

伟世通携手合作伙伴展示即将在广汽车型上量产的SmartCore

(照片从左到右:广汽研究院院长王秋景、伟世通公司全球总裁Sachin Lawande、腾讯公司副总裁钟翔平、高通公司汽车计算业务负责人Shyam Krishnamurthy)

 “我们很高兴展示了与腾讯和广汽研究院进行智能座舱的合作成果,”Sachin表示,“广汽Aion LX代表了整合数字座舱的未来,而未来的数字化座舱将由一个域控制器推动多个显示屏,同时在更低的能耗的情况下,提供更高的算力,这一点尤其适合电动汽车。在汽车技术变革的潮流中,伟世通将不断为驾驶舱数字化、集中计算和自动驾驶领域提供解决方案,这次广汽Aion LX就是最好的范例。”

广汽研究院院长王秋景表示:“广汽集团一直致力于成为移动生活价值创造者,近几年来紧跟行业发展趋势,深度布局智能网联、新能源汽车技术发展。由广汽研究院自主正向开发的ADiGO(智驾互联)生态系统,完美融合了伟世通SmartCoreTM座舱软件架构系统、腾讯TAI汽车智能系统及高通硬件平台,将给汽车消费者带来智趣出行、智享体验、智能服务的美好移动生活体验。与伟世通、腾讯、高通的战略合作,是广汽研究院‘整合创新’战略的具体行动实践,也是对未来美好移动生活方式的一次伟大探索。”

腾讯公司副总裁钟翔平表示:“智能网联、自动驾驶成为信息产业和汽车产业的融合的交汇点。在这个趋势下,腾讯与伟世通、广汽研究院三方在汽车智能座舱、自动驾驶方面展开联合探究。一年以来,三方取得了令人欣喜的成果。腾讯希望陆续把‘生态车联网’的理念落实到与伟世通和广汽研究院共同研发的产品和服务中,让出行体验更加人性化、智能化。”

高通科技负责产品管理的高级总监Shyam Krishnamurthy说:“随着车载座舱拥有越来越丰富的信息娱乐和驾驶员辅助功能,车机系统变得越来越复杂,因此降低系统复杂度,可以最大限度地降低成本和能源消耗,同时最大限度地提高系统性能。随着我们进入电动化时代,高通科技期待继续与伟世通合作,以应对复杂的挑战。”

伟世通座舱域控制平台SmartCoreTM通过将智能座舱内的多个ECU(电子控制单元)集成到一个控制器上,带来安全、体积、功耗,重量以及成本上的优势。通过基于互联生态的无缝人机交互,实现一流的驾驶体验。

伟世通与合作伙伴们将继续围绕数字座舱、集中计算和自动驾驶展开联合开发和成果共享,探索座舱电子领域技术创新。

博客 智能网联汽车

LV1
2020-01-13 10:51
282

2020年,5G和边缘计算将如何发展?

5G的到来,为边缘计算之前不可能实现的应用铺平了道路。 ...查看全部

5G的到来,为边缘计算之前不可能实现的应用铺平了道路。

2020年新年伊始,围绕着边缘计算和5G肯定会有一波新的炒作。现在是巩固和更新我们对这两个概念的理解以及探索这两种技术如何相互补充和相互增强的理想时机。特别是在金融支付、在线订单、欺诈监测、机器学习等领域,这两项技术将助力你在未来保持持续地竞争力。

边缘计算主要是处理来自更接近其创建位置的设备信息,而不是在云平台中来回调取信息。5G的到来,为边缘计算之前不可能实现的应用铺平了道路。比如增强现实和虚拟现实,5G的超低延迟特性使你看到的东西与你正在做的事情保持同步;还有自动驾驶汽车,需要在瞬间对大量数据进行处理并做出决策。

IDC预测,到2025年,全球将有1500亿台联网设备(包括RFID),其中大部分都会实时输出数据。2017年,实时数据仅占所有创建、捕获或复制信息的15%;到2025年,这一比例有望达到30%。从百分比上看,边缘计算似乎不会带来翻天覆地的变化,但是从数据的原始容量来看,这是一个数量级的增长(从~5 zb到~ 50zb)。边缘计算基于海量实时数据,具有同步智能分析的能力,同时最小化带宽开销。

新的定义

即使已经到了2020年,关于“边缘”的定义仍会仁者见仁智者见智。从NIST(美国国家标准技术研究所)到IEEE,模型仍在不断发展。它可以是树莓派选择性地将传感器信息发送到云上,也可以是谷歌在线流媒体平台上处理数据的节点。虽然这两种模型之间有很大的差距,但它们都使计算资源更接近用户终端。

一份相对中立的边缘计算报告中给出了一个更明确的定义,得到了一些行业的共识:

  • 边缘是一个位置,而不是一个新事物。

  • 边缘计算有很多,但我们关心的是网络“最后一公里”的边缘计算。

  • 边缘计算有两种形式:基础设施边缘和设备边缘。

  • 计算将同时存在于边缘和云平台,他们之间的界线越来越难以划分

通俗地来讲,设备边缘包含终端,如电话、无人机、AR耳机、物联网传感器和联网汽车;还包含网关设备,如交换机和路由器;以及本地服务器。它们都在网络最后一公里的下游。基础设施边缘存在于上游,是通过网络接入设备和数据中心获取计算资源。

例如在大钻机案例中,树莓派是在设备边缘,它不需要实时传输环境数据来占用带宽,而是在本地进行处理,除非紧急任务下才向后台上报。相反,当本地数据中心需要提供每秒60帧的流媒体速度来播放4K高清视频时,虽然设备边缘能提供了一个明显的低延迟优势,但是用户更希望向上游获得一个具有更强大的处理能力的硬件。

除了分布式基础设施靠近核心网络之外,对云的要求也变得更集中化和可扩展性。但是,当您使用云计算时,延迟要高得多(而且一致性也差得多)。

低时延边缘计算的优势

人们很容易将低延迟视为边缘计算的杀手锏,尤其是在云计算受到物理限制的情况下。

数据的传输速度不可能超过光速,因此向数百或数千英里外的服务器发出请求必然要花费数十或数百毫秒才能完成。当你滚动网页时,这种区别是看不出来的。但对于远程操作的外科医生或虚拟现实中的游戏玩家来说,这些延迟是无法接受的。

边缘计算则消除了延迟以保持数据的一致性。

边缘计算还避免了在连接的设备和云之间来回传输数据。如果您可以确定数据的价值更接近它被创建的地方,那么就可以优化数据流动的方式。将流量只用于云上的数据,可以减少带宽和存储成本,对延时性不敏感的应用也是如此。

边缘计算还会带来可靠性。在恶劣的环境中,设备边缘和集中式云之间数据传输可能会出现很多问题。如海上平台、炼油厂或太阳能农场,设备边缘和基础设施边缘可以在连接不到云的情况下半自主地运行。

分布式体系结构甚至是安全的福音。将更少的信息转移到云中意味着拦截的信息更少。边缘的数据分析在地理上分散了风险,端点信息本身并不容易保护,因此,边缘处的防火墙有助于限制攻击的范围。而且,出于遵从性原因,将数据保存在本地可能很有用。边缘基础设施提供了基于地理位置或版本权限访问的灵活性。

5G和边缘计算相互促进

边缘计算并不新鲜。早在2000年,内容传播网络就被称为边缘网络。但人们普遍认为,随着5G覆盖范围的扩大,边缘计算将有助于利用本地(而非区域)计算资源解决现代应用程序的高带宽、低延迟需求。

5G技术将使计算资源更接近数据生成的地方,从而提高企业应用程序的速度、可靠性和灵活性。更多的信息将在5G网络之间高效传输,而不需要往返于中央云上。因此,我们将会看到以前不存在的应用案例。

根据《边缘计算状态报告2020》,对边缘计算的最大需求来自于通信网络运营商,他们要不断的更新基础设施和升级5G网络。在这些网络上运行的移动消费者服务将依赖于边缘计算,来支持在线游戏平台、增强/虚拟现实和人工智能等应用。

智能家庭、智能电网和智能城市都倾向于使用设备边缘平台。但是,随着这些用例的发展和变得更加复杂,也会出现对基础设施边缘功能的需求。5G对超可靠低延迟通信(URLLC)和大规模物联网通信(mMTC)的规定意味着设备和边缘计算可以更紧密地连接在一起,使它们的短连接更高效。


如图所示:交通信号灯联网并连接到边缘网关,数据可以在那里被收集和分析。作为边缘网络的一部分,它们可以向地图工具提供数据,并围绕拥塞问题重新设置路线。

值得一提的还有自动驾驶汽车。它是5G增强的边缘计算的典范。现在最新的汽车已经利用设备边缘上的计算资源进行避碰、车道保持和自适应巡航控制。但随着辅助驾驶和自动驾驶功能变得越来越复杂,将需要添加来自周围环境的基础设施的边缘资源。例如:根据前方的交通状况来调整行程,与其他自动驾驶车辆相互协调在红灯前通过,或者在瞬间做出决定以避免不安全情况。

边缘计算还需成长

边缘计算被列为Gartner 2020年十大战略技术趋势之一。同时列表中的其他几个概念也植根于边缘计算。超自动化致力于应用人工智能和机器学习等技术,它将依赖于低延迟和持续可靠的通信基础。多维体验也是一大趋势,它依赖于高带宽和实时处理的多维传感器和多功能界面。当然,智能的事物都与AI、5G和边缘计算有关。

启用这些新的应用将需要大量的投资。据Tolaga Research预测,从现在到2028年,IT和数据中心基础设施的累计资本支出将达到7000亿美元。

随着计算资源从集中式云向分布式边缘的扩散,新的应用、新的机会比比皆是,特别是成熟的基础设施边缘。理解边缘计算和5G的影响将帮你给客户带来更加无缝的体验,洞察新市场,并迅速做出反应决策。(作者:Chris Angelini)

博客 自动驾驶小能手

LV5
2020-01-13 09:51
257

邬贺铨:5G发展尚未能满足车联网需求

5G的车联网创新还需要验证  ...查看全部

5G的车联网创新还需要验证 

1月10日-12日,以“把握形势、聚焦转型、引领创新”为主题的2020中国电动汽车百人论坛在北京钓鱼台国宾馆举行。

在10日上午的自动驾驶论坛上,中国工程院院士邬贺铨发表了主题为5G车联网的挑战的演讲。他认为,5G要满足车联网的需求还有很大的挑战。目前的5G技术是为公众通信而设计的,面向的客户群体广大,地域宽广。但对于车联网而言,所需要的应用距离则较短,尤其是车辆与车辆之间。而车联网在80%的状态下都是为行驶准备的,因此对于通信的移动管理要求很高,车联网需要每时每刻都在线。

除此之外,传统的通信主要是满足“点到点”的传输需求,但是城市车联网在V2V环境下是“点到多点”和“多点到点”的传输,需求更加多样。

因此,在邬贺铨看来,5G要满足车联网的需求还有很大挑战。除了技术层面之外,由于车联网拥有众多标识方案,因此未来不用的运营商之间还会存在互通的瓶颈,无法实现有效的直连。

以下是邬贺铨的演讲全文,雷锋网做了不改变愿意的编辑。

车联网的发展需要5G

车联网的通信模式可以分成四类:1.V2V(怎么解决汽车与汽车之间的通信);2.V2P(汽车跟行人之间怎么通信);3.V2I(汽车跟路边、云、红绿灯、停车场的通信),怎么控制信号灯的转换;4.V2N(汽车到网络的通信),解决优化交通流量的问题,做好交通的规划。

我们可以看到为什么会车联网需要有通信呢?我们的汽车车速和刹车的距离,它们是有关系的,假如每小时开到112公里的话,到刹车的时候,差不多要真正刹住需要5秒钟,我们说100米以内可能是驾驶员的感知,200米是车辆的感知,V2V可以有300米的感知,可以提前一些,上到云可以有更远距离的感知(2公里)。

现在汽车作为自动驾驶,是L5级别,不同级别对传统时延有不同的要求的,这需要有不同的技术来支撑。就通信技术而言,在4G时代,L1、L2级别的支撑应该是没问题的,但是如果说真的要到L5级别,就需要5G,最底下一行eMBB是增强的移动宽带,eV2X是增强的v2x通信,包括车到车、车到路、车到基础设施等等。实际上为什么会时延有要求?我们可以停车为例,应该说对时延要求不是最严格的,但是我们可以算出来,如果停车精度要1米的话,扣除处理的时延10毫秒,制动感应30毫秒,这个时候可以看到V2X的时延只允许5毫秒。

远程驾驶、自动驾驶要求端到端的时延不超过5毫秒,可靠性要求99.999%,需要联网,每辆车每秒的数据会到一个GB,按照移动通信标准化组织3GPP对eV2X的要求,在自动驾驶和传感器共享的要求,时延不能高于3毫秒,传感器共享要求带宽1GB,我们可以看到在4G的时代,LTE的时延可能要到100毫秒,如果我们加上边缘计算,可以减到10毫秒,但是仍然超出了目前自动驾驶的要求,所以我们需要有5G+边缘计算,可以说车联网需要5G,只有5G才能支持这个要求。

车联网的通信可以分成好几类,总的叫V2X,一类是短距离的通信,最大传输距离800米这么长,而最高车速是60公里,最大数据率大概是27MB。另外容量不够,如果交通拥堵的时候,车很多的时候就不能胜任了,在抗干扰方面以及覆盖方面是它的不足,现在较多用C-V2X,C是蜂窝的意思,基于蜂窝的V2X可以分为在4G场景下的LTE的V2X,还有增强的LTE环境下的V2X,以及NR的V2X,就是5G,我们可以看到,在4G时代,带宽可以扩展到上百兆,带宽可以到上行500兆,下行1G,但是用户面的时延10毫秒,控制面的时延50毫秒。

增强的4G的V2X增加了一些功能,像车联网编队、高级驾驶、扩展远程驾驶。我们注意到最右边5G的时候,它的通信距离延伸到1公里,最高相对车速可以支持500公里,最大带宽到1G,最重要的是时延降到3毫秒,通信可靠性能做到99.99%。相对于其他的模式,5G是比较接近车联网需要的。

5G本身,我们走过了第一代移动通信,一个蜂窝小区,是以频率的不同区分用户,我们叫频分多址,它是模拟的,以GSN为代表的2G是数字的,以时隙的不同区分用户,TDMA,3G都是CDMA,是以码道的不同区分用户,码分多址。4G把频分、时分、码分都用上了,它的峰值速率可以上到100兆。现在5G来了,在多址方式上,5G和4G有所改进,但是并没有完全变化。

应该说整个移动通信都是十年一代,每一代移动通信的峰值速率是前一代的100倍,所以5G峰值速率可以上到20G,但是这是极端的情况,是工作在毫米波频段800兆的窄频,而且一个蜂窝全部给一个用户用,服务器就在边上,这种情况基本上是实验室做一个测试可以,对一般的应用是不可能的。

即便做不到20G,做到1G是没有问题的。最重要的区别不在于带宽,而在于它扩展的应用模式叫产业互联网和智慧城市,三代应用场景增强移动宽带、超可靠、低延时、广覆盖、大连接,它基本上还依靠通信的基本原理,蜂窝做得更密,这样容量更大,尽管频率高了,传输距离短了,但是蜂窝密了,能够适应。其实是大规模的天线,也就是说把空分的能力也加上去了,还有窄宽频率以及物理层的改进。

所以5G跟4G比,在多项性能上都有1-2个数量级的提升,比如说移动性现在能支持500公里时速的高铁,无线接口延时减少到1毫秒,连接密度提升10倍,一平方公里有100万个连接,能效和密度密度各提高100倍。

5G面临的诸多挑战

我今天主要想说即便5G要满足车联网的要求也还是有很大的挑战,比如说传统的互联网是叫无连接的,所谓无连接在右图可以看到,一个信件可以拆成很多个IP包,过去是无连接,我们的路由器既有节点控制功能,也有传送转发功能,过去收的一个IP包打开看一下地址,找到最近的路由器做转发,这实际上是不考虑全网优化的,现在我们希望把节点控制功能抽出来,进行网络操作,把应用功能抽出来,然后全网收集全网的大数据,包括业务流量的数据以及车流的数据,还有网络资源的数据。在源端就定义了端到端的这条路由,这就是叫面向连接。

如右图:原来的无连接,一个邮件可以变成很多个信件,本来都是同一个源到同一个目的地的,但是实际上在互联网上,我们是逐包转发的,每一个包各自选路,这叫无连接,相当于走不通的路。在当初互联网开始的时候认为不稳定,所以我们用这种方式能够保证它通信的可靠性,即便一个包传不了,可以重传这个包,而不是一个信道都丢掉。

如果用原来互联网无连接的方式就显得效率太低了,在车联网上尤其如此,所以我们改用软件定义网,也就是说通过网络的集中管理,从头到尾给它指定一个路由,这种情况在现实交通中,比如说我们在北京早高峰、晚高峰给公交车指定一个路由,但是平时不能对任何车定路由。而5G希望对所有的业务流能够在源端把每一个路有指定好,优化方式。实际上在现实情况下,可能只有级别很高的高级车辆才能有这种待遇。

如果把它用在车联网上用,这实际上所有的车都要有单独给它计算一个路由,这个计算量还是很大的,另外怎么能够实时?怎么能够满足低延时的要求?而且传统的通信网在做这个计算,是在网络运营商的中心来做的,而车联网不能够把它放到整个网络运营商的运营中心,因为一个城市是一个城市,所以可能这种管理集中处理功能,只有放到城市里头,而按城市来分级可能就会多了,另外,所有的车都要端到端的指定路由,这实际上是要求比较高的,所以是不是说未来一部分车指定,一部分车不指定,所以这也是一个挑战。

其次,5G上面要适应高铁的通信,很多时候坐在家里用的时候根本没有运动速度的要求,5G要支持高带宽,当然很多时候传感器数据是低带宽,所以要求是各种各样的,我们不能把网络做成不一样,我们是通过逻辑上的切片,你要高带宽的,我把网络资源组成高带宽,你要低延时就给你低延时,要高可靠就给你高可靠,就像马路上一样,大客车给它指定通道,小车给它指定通道,甚至摩托车给它指定通道,5G的时候希望这样,但是实际上能做到这么精准、这么细致也是有难题的。

这个我们在通信上叫网络切片,网络切片就是给它组成了专用通道(VPN),我们知道VPN是大客户,是少量的,而5G现在希望对所有的都做VPN,这显然是一个难题。另外,车联网如果在公共公用网上只有一种业务类型,是不是所有车联网的车都成为一个大切片呢?这种想法跟原来切片提出的“小”思想是不完全一致的。虽然都是车,但是每一辆车对通信的要求是不一样的,里面有特种车辆、一般车辆,需要区别对待。

还有一些问题,马路上有一些车具有支持网络切片的能力,原来的车并不具有支持这个能力。所有车混在一起,你有切片的能力好办一点,没有切片能力怎么办?就像自动驾驶的车上路了,你可以做到不撞别人,但是不等于别人的车不撞你,所以有一个管理上的挑战。

另外,车联网面对行驶中的车辆,要用无线联网,不可能用光纤,刚才说过了,5G和其他的车联网技术比是更有优点的。当然了,我们最方便的办法是用运营商的网络,车联网上到运营商的网络,这样不需要重新投资基础设施,可以节省成本。

但是有一个问题,传统的运营商的基础网络在5G的时候主要使用TDD的模式,TDD是什么意思?就是在一个频段上既有上行也有下行,上下行不见得是对称的,因为在消费侧的应用,大部分消费侧希望从网上下载视频的多,自己往上传视频的少,所以在同一个频段安排上下行的时候一般是三七开,30%的时隙用于往上传,70%的时隙用于接收网络的数据,可是在物联网,我们更多的是传感器的数据往上报,而真正网络指令的数据还是少的,所以应该是倒的三七开。

这两者不同的上下行时隙的配比如果安在同一个运营商的网上,这两者是有互相干扰的,所以要不就设计在不同的窄频,否则就很难配置,所以现在就提出一个问题,车联网能完全上到运营商的5G网络吗?所以我们有可能说我们城市里头可能要建设一个支持车联网的5G的专网,它可以有单独的时隙配置,而不跟公众网上的时隙配置冲突,这就需要专用频率,欧洲对工业互联网已经测算了,预留了76兆,德国分配100兆。

目前分给车联网的频率是5.8G,带宽不高于75兆,真正给V2V用的只有25兆,所以如果每一辆车都要有专用的广播频率的话,频率就不够了,所以频率问题对车联网来讲也是一个挑战。建设一个专用的城市车联网的5G专网也有成本的挑战。

另外,尽管5G的空口时延很短,但是如果存在地面,再经过一些处理,那时延还是比较大的,所以我们需要把云的能力,部分计算能力下沉,成为边缘云,边缘云负责处理一些时延敏感的数据,过滤掉一些数据送到中心云,中心云搜集多个边缘云的数据优化模型再下发,所以我们说为了适应车联网的需要,需要大量使用边缘计算,将存储内容分发下沉到边缘云来处理。

 IDC预测将来50%的数据都要在边缘处理,当然了,两机云会比单机云的成本节省一些,但是在车联网场景下,如果边缘计算下沉到路边单元,颗粒度很小,时延很低,但是太多了就碎片化,如果放到移动通信的RSU,路边的RSU效果是好的,但是边缘计算就要管理很多个路边RSU。

所以这里面也有一个成本问题,而且有一个车联网的问题,不是固定接入到一个边缘计算,边缘计算如果在基站,这个车一会儿开到另一个基站,也就意味着这种计算存储要转换到另一个基站上,这种基站到底是边缘计算与边缘计算之间沟通,还是上到中心云再来沟通,这里面各有优缺点,边缘计算和边缘计算之间直接沟通时延很短,能适应车联网的要求,但是带来了很大的开销。

5G的车联网创新还需要验证

5G很重要的应用是把物联网的终端直接连到人工智能、大数据的分析,过去我们没有5G的时候,除了光纤以外,其他手段不能解决传感器跟后台的大数据、人工智能之间的这种传输的时延问题,因此往往大数据、人工智能的决策分析都是滞后的,也就是说它会带来很大的时延,没法实时化,现在5G的介入使它们两者无缝融合,AI+IoT我们叫AIoT智联网,5G对物联网的要求是一平方公里100万个传感器能联网,传输时延不高于10秒,丢包率不高于1%,按照这个数字,应该是基本能够满足车联网要求,尽管这里写时延10秒,这是讲端到端很长距离的,城市车联网短距离不会有这么高。5G的AIoT需要一些技术来支撑,但是难题是什么?现在车里面几百个传感器都是用选来方式管理吗?这是一个挑战。

另外,虽然5G一平方公里能接入100万个传感器,每个传感器接进来又印证,一个一个印证到什么时间?所以要群组印证,群组印证怎么保证群组跟个性的区别?另外车联网V2V印证还要快,还要车联网要有大量的终端,本身也有安全问题,所以需要有安全的协议,但是安全的协议不能太复杂,否则不但增加能耗,还加大时延。这么多车联网会产生DDOS攻击,都被木马攻陷了,100万个传感器共同访问路边的车联网设施,也会把路边的车联网设施搞瘫痪了。

所以总的来说虽然5G能支持车联网大量的传感器联网,但是也面临很大的挑战,车联网用什么标识,车联网的物联网里面有很多种标识方案,在5G上当然希望用IPV6,但是实际上前面4G的车联网以及DSRC的车联网可能会用其他的标识,怎么实现标识之间的互通就是一个问题,而且车联网的标识一般是在一个运营商范围里头的,而城市里的车,可能某些车接入到移动,某些接入电信,某些接入联通,是不同的运营商,不同的运营商之间要互通,这就带来难题,一个是标识能不能一致,另外,过去我们三个运营商不是在任何城市都是直联的,在中国三个运营商直联的点只有13个,有些省,比如云南、西藏这些是没有的,云南电信跟云南联通要连通就要到成都的直联点才能实现。车联网上如果是这样的话,时延就没法保证,所以车联网就要求运营商的网间直联点要下沉到每一个城市,这也是现有运营商的网络做不到的。

车联网是5G的一种业务,5G的业务采用一种开放的方式,可以说接入到你需要什么能力我可以附加什么能力,就像App一样,这也方便我们的业务灵活性,5G本身又改变了协议的标准,传统的移动通信是专用的协议,所以5G是互联网的协议。

之所以开放和采用互联网的协议是为了让现有的业务更灵活,当然也带来挑战,原来网络是封闭的,协议是专用的,很少听说有网络安全事件发生在运营商的网络,把运营商搞瘫了,现在网络是开放的,协议是通用的,一定意义上5G会增加更多的安全风险。车联网对安全的要求又比一般的通信高,所以在这个情况下,我们需要付出更多的安全代价,而且车联网一般是短包,而互联网的TCP/IP对短包是没有什么效率的,所以是不是考虑新的协议应对物联网。

运营支撑也很复杂,5G有虚拟NFV,就是网络单元虚拟化,还有网络切片,这些都是动态的,要进行动态的管理,很复杂的管理系统,车联网一个问题要快速计算和处理,运营支撑系统不能只是运营商一个,可能到每一个城市也有一个,否则就不能实时性了,所以应该说实时性对5G也好,对车联网也好,都是很大的挑战。

所以我说整个5G来讲,虽然说它相对于其他移动通信系统更靠拢车联网的需要,但是实际上车联网的一些特点,不是5G所面对公众通信的特点,它是不一样的,而且有很多新的需求,现有的5G技术未必能适应。我的看法是:5G的车联网想说爱你也不容易,汽车永远在路上,5G的车联网创新也永远在路上!(作者: 王浠源)

博客 自动驾驶小能手

LV5
2020-01-13 09:31
251