人工智能

人工智能

赛迪智库发布《人工智能“新基建”发展白皮书》

博客自动驾驶小能手 发表了文章 • 0 个评论 • 65 次浏览 • 2020-07-24 14:44 • 来自相关话题









































(作者:赛迪智库)

周青教授:自动驾驶安全性水平还比不上人类司机

博客自动驾驶小能手 发表了文章 • 0 个评论 • 86 次浏览 • 2020-06-18 08:57 • 来自相关话题

在标准工况下让自动驾驶汽车跑起来,已经很难了。如果要在不常见的碰撞工况下实现保护,那就更加任重道远。 ...查看全部

在标准工况下让自动驾驶汽车跑起来,已经很难了。如果要在不常见的碰撞工况下实现保护,那就更加任重道远。

自动驾驶汽车技术发展如火如荼,其安全性备受关注。我们不仅要关注正常行驶工况下的安全性,也要关注非正常工况下的安全性,比如汽车碰撞等小概率事件。我们团队主要致力于研究汽车在危险状态下的安全性。

近年来,汽车安全性提高很快,但是否已经满足了我们的安全需求呢?我认为,在很多情况下都是不满足的。

现在的汽车还未完全实现针对真实道路事故工况的保护。汽车安全设计都是针对指定工况开展的,不可能涵盖所有工况。如果实际的事故工况偏离实验室工况较大,那么,偏离得越多,可能保护效果越差。我们也没有实现针对中国的事故工况和中国人体型的保护。在中国,汽车进入家庭不到20年的时间,汽车行业的很多技术规范和标准基本都是直接沿用汽车发达国家的标准,并没有针对中国人的体型、中国的实际工况来设计。而且,无论是国内还是国外,也还没有考虑未来可能发生什么风险场景、造成什么样的事故。

1592441834359863.jpg

我们发现,实际发生的交通和事故工况是非常复杂的。

首先,人员复杂。比如,目前所有的碰撞保护标准都不是针对老年人的,而我们正在面临社会人口的快速老龄化。20多年前我开始研究老年人的碰撞损伤容限,我们知道老年人损伤容限低,但是我们不知道低多少,我的研究给出了量化结果;再比如,最近二三十年里美国人体重增加很多,使得非标准体重人群比例增加,而汽车碰撞安全性是按照标准体重、标准身材设计的。

其次,工况复杂。过去十几年中,我们做人车碰撞、汽车与自行车碰撞研究,但中国近年来又出现了很多电动两轮车,出现了很多不一样的工况,更别说人车混行、老年代步车以及未来可能发生的新型事故工况了。

着眼未来,智能汽车时代如何考量自动驾驶汽车的安全性?

根据世卫组织的报告,全世界的交通事故要造成每年大约130万人的死亡,其中90%以上的事故成因是由人造成的。我们对未来充满期待,很多人认为自动驾驶普及后,由电脑开车,把人类司机从系统里去除,交通事故风险就能降低90%。但事实并不如此,自动驾驶汽车无非是把犯错误的主体从人变成电脑了。谁见过不犯错误的电脑?谁见过没有漏洞的软件?微软的操作系统,持续改进升级二三十年了,还在不断打补丁呢!

我们姑且先来看看未来智能交通环境下车辆动力学响应与控制的边界,就知道这事儿有多难。如果出现紧急或危险情况,自动驾驶汽车对行车环境的感知、对信息的融合以及通讯都需要时间,作出预判和决策也需要时间,然后到执行层面对车辆进行控制以及车辆的动力学响应还需要时间,而在紧急危险情况下这个反应时间只有几秒钟。再加上传感器失误、通信延迟、软件漏洞、机械故障等,这些工况不常见,但在所难免,应对不当的话就可能发生事故。事实上,目前每年约130万人的交通事故死亡,相对巨大的出行里程,就是小概率事件。正是汽车的主动安全和被动安全技术水平,才保证了减少意外,并在意外发生时减少伤亡。

所以,如果给未来自动驾驶汽车设定一个最低的安全性目标,就至少要达到人类司机的平均水平,确保发生交通事故的概率不高于目前的水平。

1592441810958330.jpg

假设目前的自动驾驶车辆的安全性是四五十分的水平,而我们传统的汽车碰撞安全保护技术只能从95分提升至99分(还剩1分就是我们承受的交通事故伤亡)。这就要求我们两条腿走路,给传统的碰撞安全保护加大难度,让它下沉到90分,能把90分的汽车安全性水平提高到99分,这就是所谓的智能碰撞保护,成为自动驾驶车辆上路的最终安全保障,努力涵盖所有危险工况、不常见的工况。当然,这也是很具挑战性的研发课题。

因此,我们需要启动主被动的碰撞协同保护,即预碰撞保护机制。所有的保护装置可以在碰撞发生前预启动,这是因为已经知道乘员的身高、体重等信息,对一两秒后要发生的碰撞形态和强度大致也可以做出预判,从而提供有针对性的一体化的碰撞保护,比如调节约束系统安全带的力、移动座椅等。

预碰撞保护系统,也叫自适应碰撞保护,我们已经研究了10年。目前有一个科技部支持的、与欧洲19家单位合作的研究项目,两年后结题。该课题的核心任务,首先是要根据现在的交通事故形态推演未来可能会具有什么样的事故形态;然后,基于碰撞预判,在发生碰撞时要把载荷比较均衡地施加在乘员身上,而且约束载荷是针对预判的事故工况和乘员状态配置过的,以此来降低事故损伤。这样一个未来的智能碰撞保护体系可以兼顾人的驾乘舒适性和碰撞安全保护。

我们团队最近的一个研究成果表明,实际碰撞的固有风险包括碰撞强度、乘员坐姿等,还有乘员约束系统引起的非固有风险。未来自动驾驶时代,我们争取把非固有风险降到最低。如果未来的智能汽车有很多是单座车的话,座椅随乘员意愿有更灵活多样的调整空间,乘员约束系统也有很大的改善空间,我们把约束装置搭载在座椅上,还可以针对中国人的体型特征进行设计。

总而言之,在标准工况下让自动驾驶汽车跑起来,已经很难了。如果要在不常见的碰撞工况下实现保护,那就更加任重道远。(作者:周青)

自动驾驶汽车只可预防三分之一事故?

博客自动驾驶小能手 发表了文章 • 0 个评论 • 109 次浏览 • 2020-06-10 09:40 • 来自相关话题

据统计,驾驶员失误几乎是造成交通事故的主要原因。这就是为什么自动化一直被视为潜在的安全游戏规则改变者。但是,根据高速公路安全保险协会(IIHS)的一项最新研究,如果自动驾驶系统像人一样开车,自动驾驶汽车可能只能防止 ...查看全部

据统计,驾驶员失误几乎是造成交通事故的主要原因。这就是为什么自动化一直被视为潜在的安全游戏规则改变者。

但是,根据高速公路安全保险协会(IIHS)的一项最新研究,如果自动驾驶系统像人一样开车,自动驾驶汽车可能只能防止大约三分之一的车祸。

IIHS研究副总裁兼该研究的合著者Jessica Cicchino说:“自动驾驶汽车最终可能会比人类更好地识别危险,但我们发现仅凭这一点并不能防止大量的撞车事故。”
传统观念认为,自动驾驶汽车有一天可能使撞车成为过去。
现实并非如此简单。根据对警方报告的撞车事故的全国调查,驾驶员失误是事件链中的最终故障,导致每10起撞车事故中有9起以上。
但是该研究所的分析表明,其中只有三分之一的交通事故是由于自动驾驶汽车客运避免人为的错误而避免发生,这些错误仅仅是因为它们比人类驾驶员具有更准确的感知能力,并且不容易遭受过失错误。为了避免剩下的三分之二,需要对它们进行专门编程,以将安全性置于速度和便利之上。
该研究的主要作者,IIHS研究科学家亚历山德拉·穆勒(Alexandra Mueller)表示:“制造出能够像人一样驾驶的自动驾驶汽车本身就是一个巨大的挑战。” “但实际上,他们必须比这更好,才能兑现我们都听过的诺言。”
为了估计如果将无人驾驶汽车设计为做出与人类相同的风险决策时可能继续发生的撞车事故,IIHS的研究人员对《国家机动车撞车因果关系调查》中报告的5000多起警察报告的撞车事件进行了调查。这些事故案例由美国国家公路交通安全管理局(National Highway Traffic Safety Administration)收集,代表了美国境内发生的车祸,其中至少有一辆车被拖走,并召集了紧急医疗服务。
IIHS团队审查了案例文件,并将导致崩溃的与驾驶员相关的因素分为五类:“感知和意识”错误包括诸如驾驶员分心、视线障碍和未能及时识别危险之类的事情。当驾驶员错误判断交通间距,错误地估计另一辆车行驶的速度或对另一位道路使用者将要做什么做出错误的假设时,就会发生“预测”错误。
“计划和决定”错误包括因路况而驾驶太快或太慢,主动驾驶或与前方车辆之间的跟随距离太小。“执行和性能”错误包括不适当或不正确的规避操作,过度补偿和其他控制车辆的错误。“失能”涉及因饮酒或吸毒,医疗问题或方向盘入睡而造成的损害。
研究人员还确定,某些碰撞是不可避免的,例如由于车辆故障(如爆胎或车轴损坏)引起的那些碰撞。
在这项研究中,研究人员设想了未来道路上所有车辆都将自动驾驶的未来。他们认为这些未来的车辆将防止那些完全由感知错误或无能力驾驶导致的撞车事故。这是因为可以期望全自动驾驶汽车的摄像头和传感器能够比人类驾驶员更好地监视道路并识别潜在危险,并且不会分散注意力或丧失驾驶能力。
仅由于感测和感知错误而导致的崩溃占总数的24%,而失能为力占10%。如果道路上的所有车辆都是自动驾驶,则可以避免那些碰撞,尽管这将需要能够正常工作的传感器和永不故障的系统。除非专门为自动驾驶汽车编程以避免其他类型的预测,决策和性能错误,否则其余三分之二可能仍然会发生。
考虑一下2018年3月在亚利桑那州坦佩市杀死一名行人的Uber测试车的撞车事故。其自动驾驶系统最初难以正确识别路边的49岁的Elaine Herzberg。但是一旦这样做,它仍然无法预测她会越过车辆的前方,并且它未能执行正确的规避动作来避免在她这样做时撞击她。
计划和确定错误(例如超速和非法操作)是导致研究样本中约40%的撞车事故的原因。驾驶员的故意决策可能导致撞车的事实表明,驾驶员的偏好有时可能会与自动驾驶汽车的安全优先级相冲突。为了使自动驾驶汽车兑现消除大多数碰撞的诺言,必须将其设计为着眼于安全性,而不是在这两种情况不一致时优先考虑骑乘者。
自动驾驶汽车不仅需要遵守交通法规,还需要适应路况并实施驾驶策略,以应对其他道路使用者的行为存在不确定性,例如在人多的地区驾驶比人类驾驶员慢交通或低可见度条件下。
“我们的分析表明,对于自动驾驶汽车要实现其承诺比人类驾驶员更安全的承诺,将安全性置于骑手偏好之上至关重要。”穆勒说。(文稿来源:千家网)

首款智能共享汽车!车门开在车头,显示屏车窗,未来滴滴会这样吗?

博客自动驾驶小能手 发表了文章 • 0 个评论 • 104 次浏览 • 2020-06-09 14:45 • 来自相关话题

网约车软件相信大家都用过吧,它的方便之处就在于:只要在手机上点一点,师傅就会开车过来接我们! ...查看全部

网约车软件相信大家都用过吧,它的方便之处就在于:只要在手机上点一点,师傅就会开车过来接我们!
可以说现在的网约车服务,颠覆了传统的出租车行业!
不过,在无人驾驶技术日渐成熟的情况下,未来可能会出现一批无人驾驶的租车服务。
不久前,德国大陆集团推出了一款自动驾驶概念车——
The Bee 
这款概念车非常小巧可爱,它采用了小型化的设计概念,最多可以搭载两名成人。
此外,它采用了非常灵活的模块化的设计——车厢可以和底盘可以拆卸开来,方便车辆底盘单独进行货运工作。
作为一款无人驾驶电动车,The Bee 与我们目前使用的网约车一样,只需要在 APP上进行下单预约。
不一会儿,它就会如约而至!看到了么?车厢玻璃竟还是一个显示屏,能显示乘客预约信息。
动力方面,The Bee 采用了电力驱动,最高时速为60公里每小时,续航里程为350公里,完全能够应付市区内的出行需求。
车辆的内部玻璃面板也充当了电子显示屏幕的作用,不仅能显示出路况和目的地等信息,用户还可以将自己的手机与之连接,处理一些简单工作~
乘客还能够跟同行的其他车辆进行视频聊天。
除了拥有高度的自驾驶能力外,车辆之间互联早已是标配,多辆一起出行时,后车会自动跟上前车的步伐。
当车辆在路上行驶时,The Bee 系统会观察前方路况为通畅或拥堵,并通过预先设定好的速度和车辆间距,自动控制油门和刹车。
另外在行人出现的路段,车辆的智能系统更会密切观察周围环境。它能自动识别行人信息并停车,在前挡风玻璃显示屏上显示出 Please go ahead ! 并闪烁绿灯、转动车轮,作出避让动作~
与其它常规的车辆相比,The bee 绝不是一般滴灵活。它能在狭小的空间里辗转腾挪实现前轮单独转向,在掉头和转向功能上毫无困难的说。    
而出于对于弱势群体的关爱和人性化的考虑,这辆车还设置了独特的前门,面对老人等不便人群,它就会打开前门、降低底盘,以方便乘客的上下车。
对于残疾人乘客,也是如此~
The Bee 的设计概念可以说十分人性化了,相信它在将来肯定会受到公众的欢迎。
不过目前在自动驾驶技术还未完善,而且相应的配套技术、设施和交通规则还未纳入城市规划的情况下,The Bee 的面市还有一段较长的路要走。

一篇文章告诉你,中国自动驾驶测试19个「热区」都在哪儿?

博客自动驾驶小能手 发表了文章 • 0 个评论 • 126 次浏览 • 2020-06-04 11:01 • 来自相关话题


当新技术最终发展成新的常态时,也许 Hot Zone 的概念就不复存在。

「超过 100 辆了。」

100 辆装载着激光雷达等高科技传感器的汽车整整齐齐排成 5 列,照片上一眼甚至看不到尾部的车辆在哪。

这是文远知行旗下 Robotaxi(自动驾驶出租车)运营的车队,在中美两地 Robotaxi 服务全开放运营超百天,旗下无人驾驶车队超 100 辆规模。

文远知行旗下 Robotaxi 车队超过 100 辆规模,这是个不小的数字|文远知行

在行业里,同时调度运营 100 辆自动驾驶车辆是一个门槛,文远知行车队分布在中美两地,具体有没有跨过门槛不得而知,但已经是一个很大的进步。

事实上,关于自动驾驶汽车上路的新闻不断登上科技头版,让人们感觉自动驾驶时代即将来临。

但是事情并没有这么简单。在中国,自动驾驶还有许多不完善的地方,技术、政策等都有一定限制,为了安全考虑,自动驾驶车辆并不能随意开上路,它依然存在着很多条件,比如每辆车的驾驶位必须配备一名安全员,,并且自动驾驶车辆只能在规定的封闭或公开道路上进行测试,自动驾驶测试牌照就是在规定之下的产物。

从政策上定义来说,测试牌照也是根据政策一步步迭代而来。以北京市为例,2017 年底最初制定的政策当中提到,规模化测试一批次不超过 5 辆,每批次累积完成 5000 公里及能力评估;两年后,政策放宽到一批次不限 5 辆,并丰富了测试内容,增加载人、载物、编队行驶测试等等。

自动驾驶相关政策也在一步步进化|北京市自动驾驶车辆道路测试报告 2019

自动驾驶测试牌照也许是目前自动驾驶公司最希望得到的东西之一,不仅仅是因为拿到牌照是得到了行业和政府级别的认可,最核心的地方在于,在技术还不足够完善的情况下,自动驾驶车辆上路是为了获取大量最真实的数据,这是利用计算机制造仿真场景进行测试给不了的。

因此,从各个地方发放的自动驾驶测试牌照的数量上,就能看出这些区域对于自动驾驶行业的积极性。

《中国智能网联汽车产业发展报告(2019)》显示,据不完全统计,截至 2019 年 6 月 30 日,全国共有 20 余个省区市出台了智能网联汽车测试管理规范或实施细则,其中 19 个城市发出测试牌照,牌照数量总计近 200 张。虽然仅仅过了不到一年,但牌照数量恐怕早就超过了 200 张,侧面也能看出中国对自动驾驶行业的侧重。

在 19 个城市当中,谁才是中国自动驾驶的 Hot Zone,即最火热的地方?极客公园(ID:geekpark)梳理统计了一张图表,看看那些城市正在寻找自动驾驶的最佳机会。

中国各城市自动驾驶发放测试牌照情况|极客公园制图

哪里是中国自动驾驶的热区?

不出意外,北京是中国自动驾驶的「路测圣地」。在《北京市自动驾驶车辆道路测试报告(2019 年)》当中提到,北京市自动驾驶道路测试的申请企业数、车辆数、路测里程均位居全国第一。首都在拥抱新技术落地方面,足够称得上开放二字。

当然,提到自动驾驶,除了北京以外,一般人们会想到的城市就是广州。在这两个分居南北的一线城市中,自动驾驶行业有着最多的拥簇。和北京每年发布自动驾驶道路测试报告的风格不太一样的是,广州的关键词则是「运营」,Robotaxi 的试运营有不少都在这里。

北上广深四大一线城市中,深圳在自动驾驶方面的进展远远落后,目前只有腾讯一家获得了道路测试牌照,而其他三座城市都已开启不同程度的载人测试。

一线城市或者大城市在发展自动驾驶上有着得天独厚的优势,即人才。如果仔细梳理每一家公司的所在地,北京与广州肯定数一数二,这也是为什么提到道路测试,人们首先会想到这两个城市的原因。但三、四线城市,甚至一些县城发展自动驾驶,也有其优势所在——政策的开放。

2018 年 4 月,工信部、公安部、交通运输部就联合发布了《智能网联汽车道路测试管理规范(试行)》,鼓励全国各省市建设智能网联/自动驾驶汽车示范区。诸如保定、襄阳、武汉等有一定汽车产业基础的城市就能够率先开启自动驾驶的步伐。不止如此,在申请流程、路测价格等方面,小城市存在更大的吸引力。以沧州为例,尽管没有什么产业基础,但政策上的开放让它在智能网联建设中取得了行业瞩目的进展。沧州智能网联测试区范围将延伸至沧州市主城区,成为了全国第一个在主城区市政道路开放智能网联汽车测试的城市。

沧州成为了自动驾驶测试的开放城市|百度 Apollo

百度 Robotaxi 落地长沙时,百度集团副总裁、智能驾驶事业群组总经理李震宇曾提到,长沙市政府的决策过程十分高效,自动驾驶落地得以在几个月之内完成。可见政府如果在这方面足够开放,企业方还是有很大需求的。

最后值得说明的是,没有自动驾驶道路测试牌照不代表这些城市不关注智能驾驶。当地是否有配套性的政策出台也能够反映问题,比如长沙专门针对 Robotaxi 的测试进行了道路改造以及相关政策的支持。5G、车路协同等道路端的打造也是城市的重点项目,合肥将建设的 5G 车路协同示范线、杭州号称在亚运会之前建设完毕,投资 707 亿元的自动驾驶高速公路,都是行业良好发展的势头。

测试与试运营双向进攻

以下是部分典型城市的详细介绍:

道路测试:

北京

企业:百度、小马智行、丰田等

从路测角度看,无论是测试距离,或是参与企业数量,北京都是中国自动驾驶热度最高的区域。2018 年开始,北京甚至每年都会发布一份自动驾驶车辆道路测试报告(以下简称《报告》),这一点和美国加州十分相似。

2019 年的《报告》中提到,北京市已累计在海淀区、顺义区、北京经济技术开发区和房山区开放 151 条、总长 503.68 公里的自动驾驶测试道路。从 2018 到 2019 年底,有 13 家企业(涵盖 6 家互联网企业、6 家主机厂、1 家地图厂商)的 77 辆车参与了北京市自动驾驶车辆一般性道路测试,路测里程达 104 万公里。

其中,百度是测试里程数和测试车辆数最多的企业,75.4 万公里的测试里程数占据了将近 1/4。实际上,整个 2019 年在北京测试里程过万的,也只有百度、小马智行和丰田三家。

德清

企业:蔚来汽车、零跑汽车等

没想到,浙江省北部的一个小县城,成为了自动驾驶行业青睐的地区。

在 2019 年 10 月举行的 2019 全球未来出行大会上,无人驾驶体验项目成为公众关注的焦点。同时,德清智能网联汽车封闭测试场正式发布启用,成为全国首个全县域开放的城市级自动驾驶测试区。

用户在德清体验无人驾驶车辆|视觉中国

除自动驾驶汽车道路测试以外,以真实道路场景作为依托,德清打造的自动驾驶与智慧出行示范区可以开展 10 种以上特定场景下的示范应用,包括智能公交、景区无人巴士、智慧停车、无人物流与无人运输、L4 级自动驾驶网约车等。

与近期开放主城区道路测试的沧州类似,德清将重点优势放在了「场景」上。一方面,多场景可以吸引更多不同细分领域的自动驾驶企业,比如乘用车和商用车都可以在这一区域内进行测试;另一方面,全县域和主城区开放的道路在开放程度上更高,有利于车企获取数据的多样性。

打个比方,一辆自动驾驶汽车开到北京四环和六环外一个偏僻的道路上,道路复杂程度一定是不可相比的,但目前北京自动驾驶道路测试限制在五环之外,这就是道路开放程度的差异。

自动驾驶试运营

广州

企业:小马智行、文远知行

与北京不同的是,广州的关键词是运营。文远知行、小马智行(Pony.ai)都在广州开展了 Robotaxi 试运营项目。

2018 年 2 月,小马智行在广州南沙落地了中国首支常态化试运营的无人驾驶车队,同年 12 月发布了 PonyPilot 项目的同名内测版小程序。通过小程序,试乘者在覆盖区域内可以自由选择想去的目的地。

文远知行在近日也宣布 Robotaxi 开放运营已经超百天。有 40 多辆自动驾驶汽车在广州黄埔区、开发区开展的 Robotaxi 开放运营。文远知行在 2020 年初还发布了一份 Robotaxi 试运营报告,里面提到在 2019 年 12 月无人驾驶出行订单共完成了 8396 个出行订单,订单总里程达到 41140 公里。

虽然是试运营,但 Robotaxi 这件事对自动驾驶行业来说意义重大,它能帮助自动驾驶公司完成「获取数据」这一环节,进而可以完善自动驾驶行业的技术迭代。

广州就这样成为了自动驾驶公司的一块「福地」。就在 5 月初,百度 Apollo 也与广州开发区签订战略合作协议,双方在自动驾驶、智能交通等领域开展全面合作。百度 Apollo 将深度参与广州开发区智能网联先导区建设,助力开发区打造人工智能世界级产业集群。

百度李震宇说到,无人驾驶时代的交通出行一定会到来,在向那个最高点持续攀登的过程中,Apollo 选择将合适的产品阶段落地,将智能驾驶技术带来的价值不断释放,即「攀登珠峰,沿途下蛋」。Robotaxi 的试运营就像是一枚金蛋,其中凝聚着的价值还有许多潜力未被释放。

上海、长沙

企业:滴滴、AutoX、百度等

比起广州,上海并没有多家自动驾驶公司在此处进行试运营,起步的时间比较晚。但这不妨碍它寻找到自己的「阵地」。

广州的 Robotaxi 试运营采用的是专用的 App 或者小程序,尽管是小规模针对普通用户开放,实际使用起来,难免有用户认知的一层障碍存在。

一个明显的好处在于,上海、长沙等地正在将专用的 App 过渡到人们日常使用 App,近日的新闻 AutoX 接入高德地图就是典型的例子。如果将自动驾驶打车试运营接入到月活几亿的 App 中,消费者的活跃度和对自动驾驶的认知必定会大大提升。

另外,据极客公园了解,滴滴也即将在上海开启 Robotaxi 试运营,百度地图已在长沙上线自动驾驶出行服务的板块,都是一样的道理。作为和用户离得最近的出行服务,也许可以将 Robotaxi 与普通民众贴的更近一些。

中国电动汽车百人会智能网联研究院在最近发布的《自动驾驶七大应用场景商业路径发展洞察》中提到,Robotaxi 正在和民众日常出行习惯逐渐融合。在技术迭代速度变快,成本下降的时期,面向公众的自动驾驶开始快速发展,呈现出固定点到点-区域上下车、特定人群-公开人群-免费-收费、单一城市-多个城市的趋势。

Robotaxi 在迭代过程中正在快速接近用户习惯 | 中国电动汽车百人会

目前规模最大的自动驾驶公司 Waymo 旗下有 600 辆自动驾驶汽车正在测试或者试运营,其中还包括不配备安全员的 Robotaxi。根据初期的用户反馈,有没有安全员的 Robotaxi,乘坐体验上都非常相似。可见用户对于这项新产品的初步反馈还是比较信任的。在更加拥抱创新的中国,也一样如此。

据瑞银集团 (UBS Group AG) 分析师预测,到 2030 年,全球自动驾驶出租车市场每年的价值可能超过 2 万亿美元。而麦肯锡研究报告则显示,中国将成为全球最大的自动驾驶市场,到 2030 年,自动驾驶汽车总销售额将达 2300 亿美元,基于自动驾驶的出行服务订单金额可达 2600 亿美元。实际上,如果算上智能交通,自动驾驶这块蛋糕要大得多。

Hot Zone 只是自动驾驶技术的前瞻试验场,这些区域也许会成为自动驾驶最早进入日常生活的地方。RoboTaxi 从早期的固定点到点的上下车扩大到区域任意点上下车,从面向特定人群扩大到普通民众,从免费体验逐步过渡到收费运营,更贴近消费场景,为 RoboTaxi 大规模推广打下了基础。

值得一提的是,相关政策、企业运营经验、技术与人如何更好地相处,也会变成新技术落地,推向市场可参考的重要内容。当新技术最终发展成新的常态时,也许 Hot Zone 的概念就不复存在。

李克强:智能网联汽车发展现状、对策建议

博客自动驾驶小能手 发表了文章 • 0 个评论 • 122 次浏览 • 2020-06-02 14:02 • 来自相关话题


两会专访丨方运舟:我国新能源汽车如何保持领先优势

博客自动驾驶小能手 发表了文章 • 0 个评论 • 148 次浏览 • 2020-05-25 09:11 • 来自相关话题

 精彩观点摘要“补贴延长,有助于保持中国在新能源汽车领域的领先优势”“新能源汽车市场,目前不是产品之间的竞争,也不是新能源汽车之 ...查看全部

 精彩观点摘要

“补贴延长,有助于保持中国在新能源汽车领域的领先优势”

“新能源汽车市场,目前不是产品之间的竞争,也不是新能源汽车之间的竞争,而是新能源汽车与传统汽车之间平衡或者竞争的过程。”

“对于新造车企业而言,未来突破点就在智能化和新技术应用。”

“一些高速公路上的充电桩由于损坏或缺乏维护,导致不能充电,占比达20%-30%,甚至有可能更多。”

“新能源汽车的普及将促进新基建的发展,反过来,新基建的完善也将加快新能源汽车的普及。”

我国新能源汽车行业正在遭遇前所未有的巨大挑战,补贴退坡,销量下滑,外资品牌加剧竞争,再加上新冠疫情的多方面冲击。

1590369084972615.jpg

不过,在全国人大代表、浙江合众新能源汽车有限公司董事长方运舟看来,这些挑战并不可怕。5月21日,他在接受《智能网联汽车》杂志记者采访时表示,我国新能源汽车经过10年发展,已经形成先发优势。国家出台的补贴延期等支持政策,将助新能源汽车行业度过暂时的难关,继续保持领先优势。未来,随着中国新能源汽车企业的不断发力,更多高端产品的陆续投放,加快品牌向上的突破和提升,中国在新能源汽车领域的领先优势有望进一步突显。

至于新冠疫情对新能源汽车行业的影响,方运舟认为,一是导致居民消费越来越谨慎;二是造成部分零部件供应不及时。“我们新上市的哪吒U智能电动车订单火爆,受疫情影响,零部件短缺,订单满足率只能达到20%~30%。”方运舟告诉记者,经过此次疫情,将更多思考如何支持零部件企业稳健、可持续地发展。

“扶持政策将助力保持领先优势”

在国家一系列政策扶持下,经过十年的发展,我国新能源汽车产业取得了显著的成绩,产销量连续多年保持世界第一,成为了领跑者,在技术、产业环境方面具有一定的优势。

但是,作为新兴产业,我国新能源汽车产业依然存在很多问题。方运舟指出,我国新能源汽车行业技术更新快,产品无规模效应,利润微薄甚至亏损;新能源汽车关键系统供应链资源紧张,成本居高不下;新能源汽车品牌溢价能力不足,二手车残值率低;尤其是在今年新冠肺炎疫情影响下,汽车市场持续下滑,消费呈疲软态势。

所以,基于行业现状和发展趋势,结合今年疫情的影响。方运舟建议国家研究出台政策,以支持新能源汽车稳定健康发展。具体政策建议包括:

1、大力推进对公市场使用新能源汽车;

2、放开城市新能源汽车限购指标;

3、支持新能源汽车下乡,拓展农村市场;

4、积极推进路权、电价、停车、高速收费等方面给予新能源汽车优惠;

5、延长国补政策退坡时间,加快资金结算;

6、给予金融、税费及资金支持;

7、给予新能源汽车企业专项研发资金支持,助力技术升级;

事实上,今年以来,国家已经出台了新能源汽车补贴延续两年的政策。方运舟认为:“从今年短期看,新政对新能源汽车供给侧和需求侧都会产生一定的刺激效应,将遏制此前新能源车市下滑趋势。另一方面,也将有效缓解新能源车企的成本压力,为产业发展形成更大的成本效应赢得必要时间。从长期来看,新政将使国内新能源补贴政策在时间维度上与国际市场保持一致,有助于保持中国在新能源汽车领域的领先优势。”

“未来突破点在智能化和新技术应用”

尽管政策延期,但是补贴退出是早晚的事,新能源汽车企业总要面对越来越激烈的竞争和挑战。方运舟对于竞争有着多维度的思考。

“新能源汽车市场,目前不是产品之间的竞争,也不是新能源汽车之间的竞争,而是新能源汽车与传统汽车两个业态或者两个系统之间的一个平衡或者竞争的过程。”方运舟表示,特斯拉的出现,会让用户更能感知到新能源汽车与智能科技所带来的好处。另外,特斯拉国产化降价,也从侧面证明了中国新能源汽车这些年来在技术和零部件方面实现了不断优化和提升。

在激烈的竞争环境下,面向未来,新能源汽车企业如何建立核心优势呢?方运舟认为,应该从产品布局、模式创新、服务创新等方面发力,全面提升我国新能源汽车高质量发展水平。具体可以采取以下措施:

第一,要把新技术快速地应用到车上去。这是新能源汽车相比传统汽车所具有的优势。

第二,要做好产品和质量。产品为王,质量为本,打造高品质的智能电动汽车,将新能源汽车市场进一步做大,为消费者提供更优质、更多元的选择。只要产品过硬,质量服务够好,消费者自然会接受。

第三,在用户服务方面,要有自己的创新,要让用户在使用过程中体验到惊喜,才能快速赢得消费者的喜爱。

要想赢得消费者喜爱,汽车智能化技术是重要的砝码。方运舟告诉记者,近年来,汽车智能化技术发展很快,哪吒U已经实现L2+级自动驾驶的水平,各项智能化配置很受年轻消费者青睐。

“对于新造车企业而言,未来突破点就在智能化和新技术应用。”方运舟坚定地说,尽管受疫情影响,经营有困难,但合众不会减少智能网联领域的研发资金,反而会加大投入。

据方运舟介绍,合众在智能化方面制定了详细的发展战略。通过聚焦EPT2.0动力总成平台、PIVOT2.0智能座舱、PIVOT Driver 2.0智能驾驶及域控制器,深度赋能产品系列。

今年刚上市的哪吒U,就是集众多智能科技于一身的一款纯电SUV。全球首搭量产的“透明”A柱和车内生命体征监测系统,以及同级独有的小You智能机器人、IME互动呼吸灯,同时还配备L2+级自动驾驶辅助系统、全车AI语音控制,能够为用户带来智能互联的新鲜体验。

“发展新基建,将加快新能源汽车普及”

影响新能源汽车发展的还有充电基础设施。合众汽车在市场调研时发现,充电基础设施建设不完善,影响新能源汽车使用的便利性。主要体现在充电基础设施建设的规模不足;已建成的充电桩主要分布在在郊县等偏远地段,中心城区的数量相对少,充电基础设施空间分布不合理;充电桩的维护不到位,部分地区出现“故障桩”、“僵尸桩”。“一些高速公路上的充电桩由于损坏或缺乏维护,导致不能充电,占比达20%-30%,甚至有可能更多。”方运舟担忧地说,“要支持新能源汽车稳定发展,必须打破充电基础设施的制约。”

当然,新能源汽车作为新生事物,在发展初期存在充电接口不统一、充电设施不完善等问题,完全可以理解。方运舟认为,随着新能源汽车的日渐普及,充电桩会越来越规范和统一。尤其是“新基建”的推动下,充电桩的建设步伐会加快,最终达到车桩平衡。

今年初,为刺激经济发展,国家鼓励发展“新基建”,包括括5G基站、新能源汽车充电桩、大数据中心、人工智能等领域。除充电桩与新能源汽车直接相关外,5G、人工智能等也与智能汽车息息相关。

方运舟表示:“未来新基建中智慧交通、智慧城市以及数字化建设等相关内容,与新能源汽车结合将会越来越多,相互融合贯通、相互促进。新能源汽车的普及将推动促进新基建的发展,反过来,新基建等各种设施的完善也将加快智能新能源汽车的普及。”

随着“新基建”风口的确立,各路资本纷纷涌入,掀起了新一轮充电桩投资热潮。有人担心出现野蛮生长、资源浪费的情况,方运舟认为,在当前的政策背景下,汽车企业和充电桩企业,充电桩企业之间将会深入沟通,通力合作,不会造成大规模的重复浪费,充电桩的建设会逐渐趋于合理布局。(作者:吕钊凤|智能网联汽车杂志)

自动驾驶商业化运营的三大痛点

博客自动驾驶小能手 发表了文章 • 0 个评论 • 219 次浏览 • 2020-05-21 17:56 • 来自相关话题

在无人配送、无人出租汽车、干线无人物流车等领域,国内大多数企业的自动驾驶能力,已经具有了一定的商业化条件,但距离完全意义上的自动驾驶应用还有很长的路要走。 ...查看全部

在无人配送、无人出租汽车、干线无人物流车等领域,国内大多数企业的自动驾驶能力,已经具有了一定的商业化条件,但距离完全意义上的自动驾驶应用还有很长的路要走。

1590055021912350.jpg


围绕自动驾驶技术商业化应用场景以及相关标准、法规等话题,5月12日,在中国电动汽车百人会召开的自动驾驶商业应用场景高端研讨会上,来自产学研领域的10余位专家,在云会议上进行了精彩的研讨。
会议同期还发布了由中国电动汽车百人会智能网联研究院联合“自动驾驶城市示范与产业协同创新联盟”成员企业共同推出的自动驾驶应用场景与商业化路径系列研究报告,包括Robotaxi、干线物流、无人配送、无人环卫、无人公交、封闭园区物流以及自主代客泊车等七大应用场景的研究成果。
“经过十多年的发展,国内的自动驾驶有了长足的进步,尤其是在今年的疫情期间,自动驾驶的商业化得到了很好的验证。”来自中国电动汽车百人会智能网联研究院的朱雷博士,充分肯定了国内自动驾驶商业化的落地情况,不过,在商业应用场景的未来发展层面,他也指出,当前行业发展依旧存在很多痛点。

01技术成熟度有待提高

1590054871353139.jpg

“无人配送预计3-5年内能够实现规模化应用,但就目前来看,技术层面还是有比较大的挑战,尤其是在传感器和计算方面。”美团首席科学家、AI平台部总经理夏华夏表示,自动驾驶技术是一个复杂的多层软件和硬件的系统工程,尽管美团现在在自研包括云端的软件和车载的软件,同时也在跟很多供应商合作研发或者选取硬件的平台,但随着越来越多车载传感器的集成,对计算性能的要求也会非常高。

无人驾驶与公共交通结合,是解决目前城市拥堵问题的有效途径,但由于无人公交对安全的高标准以及国内线控底盘技术十分薄弱,以致于多数商用车企业多在1-3公里简单的环线上开展低速运营,因此,在海梁科技董事长胡剑平看来,自动驾驶在公共交通场景的落地,需要技术及产业链端成熟度的不断提升。
“无人驾驶公交在初期是以单车智能为主,未来一定是做车路协同和群体智能。”针对发展车路协同的技术,胡剑平还强调,无人驾驶和公共交通的结合不仅是一台车,不是单车就能解决问题的,一定是一个系统和生态。
“自动驾驶技术本身就具有复杂性,软硬件的开发以及整车的集成测试,都是异常艰巨的。”嬴彻科技执行副总裁黄刚指出,要做到自动驾驶商业化落地,不只是把自动驾驶的技术跟卡车这一端连接起来,车端也要做非常复杂的智能化升级开发,包括电子架构、供电系统以及线控底盘的开发等。

02安全性问题不容忽视

“城市场景下的路况非常复杂,经常有人横穿道路,甚至会出现‘鬼探头’的情况。”针对自动驾驶商业化落地中的安全性问题,美团首席科学家、AI平台部总经理夏华夏认为,在城市场景下,无人配送车的安全问题不容忽视,需要在自动驾驶的软件,包括车辆底层的“小脑”都要具备对这类人和物的识别能力。同时,他还强调车辆的安全问题,不仅要考虑物理的安全,也要考虑网络的安全。
1590054897369374.jpg
与美团首席科学家、AI平台部总经理夏华夏持相同态度的,还有嬴彻科技执行副总裁黄刚。他认为,在产品端,首先要满足在功能安全性上真正可靠,并能按照汽车行业的标准能够实现量产,像ADU(自动驾驶计算平台)、激光雷达等都要满足相应的标准,并能保证车辆在极端严酷的高低温、电磁干扰环境中正常运行。
1590054915344778.jpg
“对于无人驾驶环卫车而言,安全稳定性的要求是其非常重要的一个指标。”智行者联合创始人李晓飞指出,无人驾驶环卫车作业的环境非常复杂,崎岖不平的道路会对无人车产生很大的震动影响,甚至在清扫的过程中也会有灰尘遮挡住激光雷达,而这些都是不能忽视且在设计之初就要做好的环节。

03政策法规需要加速完善

“相关政策的不完善,也是自动驾驶商业化落地运营的一大难点。”在美团首席科学家、AI平台部总经理夏华夏看来,工厂内的AGV、楼内的配送车以及港口的货运车,都有自己的路权,然而Robotaxi、无人配送车以及城市巴士等却需要跟其他的社会车辆共享路权,甚至还会有触碰到相应的法律法规的风险,这需要联合行业以及政府的专家一起去推动解决。
测试道路,是自动驾驶卡车领域尤为关注的一个问题。嬴彻科技执行副总裁黄刚指出,尤其是面向高速公路的场景下,大卡车、牵引头、挂车需要有合适的测试道路,包括封闭道路、开放的测试道路,此外,他还希望上路之前法规认证这些体系能够尽早地完善起来,以助力自动驾驶卡车领域,早日实现商业落地。
1590054937871873.jpg
“受限于法律法规,从目前的发展情况来看,在美国的测试进度要比国内相对快一些。”图森未来合伙人、高级副总裁吴楠补充到,从技术层面上来说,图森未来能够满足相关的自动驾驶卡车在高速公路上运营的技术上的要求,但国内在高速公路上的正式商业化,还需要相关法律法规的支持。目前图森未来在等国内的政策逐步开放,以期让在美国等多地进行验证的技术在中国也可以应用及实现。(作者:郭王虎 | 智能网联汽车杂志)

联想:下一波AI浪潮更大

博客自动驾驶小能手 发表了文章 • 0 个评论 • 143 次浏览 • 2020-05-18 14:41 • 来自相关话题

人工智能是一个广阔的领域,涵盖了图像识别,自然语言处理(NLP)和机器人技术等各个领域。人工智能技术的发展有时似乎是疯狂的,因此很难跟上所有正在发生的事情。毫不奇怪,许多组织寻求其IT供应商合作伙伴来帮助他们开发和部署AI解决方 ...查看全部

人工智能是一个广阔的领域,涵盖了图像识别,自然语言处理(NLP)和机器人技术等各个领域。人工智能技术的发展有时似乎是疯狂的,因此很难跟上所有正在发生的事情。

毫不奇怪,许多组织寻求其IT供应商合作伙伴来帮助他们开发和部署AI解决方案,以最好地满足他们的需求。David Ellison是联想的高级人工智能数据科学家,他的职责包括使用尖端的AI技术为客户组织提供解决方案,同时内部支持联想全球数据中心集团的总体AI战略。
联想已经商业交付的项目包括使用卷积神经网络从图像中提取特征并将其分类为缺陷或非缺陷的工厂中检测制造缺陷的项目。联想还为赛车公司开发了计算机视觉系统,以决定是否应召唤特定的赛车维修保养。
根据Ellison的说法,今年和不久的将来,人工智能的主要趋势包括基于计算机视觉的应用程序,用于训练AI模型的数据生成和数据标记算法的开发以及归因于变压器的自然语言处理的快速发展。
让我们仔细看看联想对AI的一些主要近期趋势的概述。
计算机视觉
在计算机视觉方面,开发人员和研究人员现在开始探索将这种能力与人工智能的其他一些领域相结合的实用方法,比如机器人技术或自动应用图像字幕等应用的自然语言处理。据Ellison说,这部分是因为计算机视觉的一些基本问题已经被证明很难解决,研究人员正在寻找新的方法来解决这些问题,而不是简单地推动研究领域向前发展。
“我认为我们在解决一些核心的计算机视觉任务时遇到了问题,比如3D投影,”埃里森告诉Next平台。“例如,当你看到一张图片,一栋建筑的二维图像,人类的大脑可以将其推断成三维的形状,但机器很难做到这一点。”在这方面已经有很多研究,但这是一个尚未解决的核心问题,我认为人们会感到沮丧,会尝试一些新的东西,或者尝试将它与其他领域相结合,找到更好的用途。”
Ellison认为,这就是为什么机器人技术是目前最广泛研究的人工智能领域之一,因为它为人们提供了一个明确的目标。他列举的例子包括使人工智能能够使用视觉感应在其周围的空间中安全移动——无论是制造工厂的机械臂,还是使用人工智能导航到目的地的自动车辆。
训练数据
已经熟悉AI的人们会知道,成功训练模型的关键因素之一就是数据,其中很多都是数据。实际上,对它进行训练的数据越多,传递所需结果的效果就越好。根据埃里森的说法,计算机视觉目前正处于困境中,因为用于训练模型的数据集没有足够多的样本。例如,用于训练模型以导航室内空间的广泛使用的3D空间吉布森数据库(Gibson Database of 3D Spaces)包含572座由1,447层楼组成的完整建筑物。虽然令人印象深刻,但这不太可能是人工智能系统在现实世界中可以满足的全面要求。
当对象的方位与训练计算机视觉模型时的方位不同时,会发生类似的问题。在广泛用于AI训练的ImageNet数据集中,“一切都像是一张椅子,只是一张椅子的照片,它位于房间正对着摄像机的中间。如果您将椅子的侧面翻过来,计算机视觉应用程序突然会认不出椅子。”Ellison说。
这个缺点是一个名为ObjectNet的新数据集的灵感来源,它以不同的配置显示日常项目,例如椅子翻转或倒置。这个训练集被用来解决计算机视觉的一些缺点,例如不能识别方向不正常或部分模糊的物体。
但是获取足够大且多样化的数据集进行AI训练的问题仍然存在,这导致了Ellison识别出的另一个主要趋势,即使用AI首先帮助生成数据集的趋势。
自我监督与综合数据
建立数据集需要人工操作人员对数据进行大量手动标记,因此,现在越来越多的研究项目集中在自我监督算法上,这些算法可以获取已收集的数据并使计算机自动为数据添加标签。
“一个典型的例子是带有计算机视觉应用程序和接近传感器的机器人。计算机视觉比接近传感器能够看得更远。但是随着机器人的前进,计算机视觉中出现的东西最终将作为对象出现在接近传感器中。”埃里森解释说。获取该传感器数据并及时回溯到首次看到该对象的时间,然后可以对其进行标记。 
开发人员面临的另一个挑战是,一旦部署,AI系统极不可能遇到的数据点,因此可能无法在训练数据集中表示。但是,如果这些边缘情况代表实际情况,则需要考虑这些情况,以确保AI模型正确处理它们。 
“关键示例是自动驾驶汽车。您的数据集中将有多少次在黄昏的暴风雪中开车上山?您不会在数据集中拥有很多这样的情况,因此它们实际上必须进行模拟数据。” Ellison说。 
换句话说,通过使用通过多种方法(例如生成模型)创建的综合数据来解决极端情况。但这提出了一个问题,即数据科学家或开发人员如何才能确保此类合成数据能够准确表示AI在现实生活中会遇到的情况。 
Ellison承认:“这是一个主要问题,”到目前为止,解决方案是仅生成更多数据,并希望这将为那些用例提供足够的综合数据。但是,还使用了诸如神经网络自动编码器或更复杂的生成对抗网络(GAN)之类的方法,其中一个网络创建合成数据,第二个网络用于判断该候选数据的质量。 
“因此,它认为这种示例足够现实,这是对自身的一种训练。您同时训练两个神经网络,一个生成这些示例,一个判断这些示例,并希望最终得到更现实的东西。” Ellison说。 
GANs已经被用于生成数据的一个很好的例子是“深度伪造”技术,这种技术已经被用于创建逼真的人脸,或者改变视频,使视频中的人看起来像是在单独的音轨中说话。据埃里森说,这表明了这类模型已经达到的复杂程度。
转换自然语言处理
与此同时,过去几年自然语言处理领域的成功案例之一是基于转换的深度学习模型,埃里森相信这些模型将继续占据主导地位。这是因为它们已经发展到能够识别句子之间的依赖关系和连接,而早期模型中使用的递归神经网络(RNNs)本质上是顺序的,往往会失去单词的上下文。
“如果您看一个变压器,它具有蒙版的多头注意力层,添加和规范层以及前馈层,但是它不具备RNN具有的所有反馈机制,实际上会减慢处理速度,因此它们能够看到更大的区域。”
根据Ellison的说法,这会影响模型解释含义的能力,因为RNN在识别多个句子中的同一实体方面存在问题。
“ RNN非常擅长用“蒂姆搬椅子”这样的句子来确定主题,但是如果您跟进“他有红头发”,我们知道这里的“他”仍然是指蒂姆,但是一种算法可以很难在这两个句子之间跳跃。递归神经网络在这样做时遇到了问题。”
这种架构已导致变压器在许多最近开发的NLP模型中扮演重要角色,例如Google的BERT和OpenAI的GPT-2,以及Facebook的RoBERTa和Microsoft的MT-DNN,它们在诸如此类的NLP任务中显示出巨大的希望例如文档分类,情感分析,问题解答和句子相似度。(作者:THE NEX TPLATFORM)

赛迪观点丨新基建助力5G和AI芯片发展

博客自动驾驶小能手 发表了文章 • 0 个评论 • 174 次浏览 • 2020-05-09 16:43 • 来自相关话题

高技术含量、广阔市场前景以及对生产生活的变革性影响使5G和人工智能成为全社会关注的焦点,集成电路在5G和人工智能领域发挥着基础支撑作用。新基建加速5G和人工智能产业的发展,为集成电路带来更为广阔的市场空间,将进一步推动集成电路产业高速发展。 ...查看全部

高技术含量、广阔市场前景以及对生产生活的变革性影响使5G和人工智能成为全社会关注的焦点,集成电路在5G和人工智能领域发挥着基础支撑作用。新基建加速5G和人工智能产业的发展,为集成电路带来更为广阔的市场空间,将进一步推动集成电路产业高速发展。

新基建提速5G通信芯片发展

(一)新基建助力5G网络建设进一步提速

根据工信部的数据,截至2020年3月底,全国已建成5G基站19.8万个,5G套餐用户规模超过5000万户,5G终端连接超过2000万。2020年,在新基建浪潮推动下,国内5G网络建设将进一步提速。三大运营商计划在2020年新建50万个5G基站,5G相关资本开支1803亿元,实现5G网络覆盖全国所有地级市及以上城市。预计2019—2026年间,国内5G通信市场总体规模将超1万亿元。

(二)新基建5G通信推动芯片“量质同升”

基带芯片、射频收发器芯片及射频前端芯片等集成电路芯片和元器件为5G通信提供了基础性支撑。以射频前端芯片为例,射频前端芯片是移动通信设备的核心器件之一。受益于5G新基建的带动,5G通信芯片的需求大幅增加。一方面,5G基站部署数量有望达到4G基站的1.5倍,新建基站数量的增加带来射频前端芯片需求量的增加;另一方面,5G通信采用了载波聚合和大规模多输入多输出等关键技术,带来了射频前端芯片需求量的成倍增长。此外,5G通信更高的频段和更大的带宽对射频前端芯片性能提出了更高的要求。例如,基站侧射频功率放大器将由横向扩散金属氧化物半导体工艺向具有高频率、高功率特性的氮化镓工艺演进,基站侧滤波器将由金属腔体滤波器转向体积更小、性能更优的陶瓷介质滤波器,终端侧射频前端芯片由传统分立方案向集成度更高、性能更优异的射频前端模组演进等。

(三)抓住新基建发展浪潮推动5G通信芯片快速发展

一是充分发挥5G通信整机企业对集成电路的带动作用。5G通信芯片和元器件是5G通信整机产业链中的重要一环。应充分发挥整机企业的带动作用,以产品为导向、应用为牵引,加强5G新基建相关通信芯片上下游企业的协同合作。鼓励整机企业培育扶持更多5G通信芯片供应商,为5G通信芯片企业提供验证试错机会,并与5G通信芯片企业联合通关解决试用中发现的问题,提升5G通信芯片企业的技术水平。

二是建立5G通信芯片领域的国家级制造业创新中心。通过建设制造业创新中心,集聚国内行业创新资源,搭建5G通信芯片共性技术研发中试线平台,加强前沿和共性关键技术研发,建设服务5G通信集成电路产品产业化的公共服务平台,打通技术产业化链条。

三是引导5G通信芯片产业合理投资布局。应引导5G通信芯片相关企业合理布局,避免资源过度分散。引导地方政府结合本地现状合理定位,因地制宜发展5G通信芯片产业,避免盲目跟风和信息不对称带来的资源浪费。

新基建助力人工智能芯片实现突破

(一)新基建为人工智能芯片提供广阔市场需求

芯片是实现人工智能技术创新的重要载体,我国推动新基建将为人工智能芯片带来广阔的市场空间。根据IDC数据,2019年我国AI芯片市场规模为122亿元。根据新基建投资测算,预计2025年,人工智能基础设施建设新增投资约为2200亿元,人工智能核心产业规模超过4000亿元,这将使AI芯片市场规模超过300亿元,年均增速达到20%。

(二)我国人工智能芯片产业发展潜力巨大

目前,我国人工智能在图像识别、语音识别等算法和应用领域取得进展,涌现出一批创新型企业。由于技术门槛较高,国内人工智能芯片的产业化应用仍处在发展初期,但近年来也发展迅速。在云端训练和推理芯片部分,以百度、阿里、华为、寒武纪、比特大陆和上海熠知等为代表的国内企业,已陆续发布多款代表性芯片,并实现产品应用。在设备端推理芯片部分,新兴创业芯片公司较为集中,产品性能和功耗可与海外同类产品相匹敌,但未来该市场的竞争将较为激烈。国内海量的数据和丰富的应用场景,成为国内人工智能芯片发展的重要驱动力。特别是国内企业果断把握时机,积极投入专用集成电路芯片研发。同时在面向前沿的类脑计算领域,也涌现出了西井科技、深思创芯、灵汐科技等开发人工智能神经网络平台芯片的代表性企业。

(三)把握新基建机遇推动我国人工智能芯片实现突破发展

一是加快突破人工智能芯片核心技术。加速构建满足人工智能应用需求的人工智能芯片产品体系,重点发展针对人工智能算法及应用场景定制的ASIC芯片,支持由终端向云端逐步突破的图像处理器(GPU)芯片,推广基于现场可编程逻辑门阵列(FPGA)芯片的应用解决方案。加强面向人工智能算法的指令集和面向卷积、矩阵乘法等深度学习基础任务的计算架构创新,推进新型高带宽内存技术和高速通信接口技术创新。加强前瞻理论技术研究布局,研究软件定义芯片等新型可重构芯片技术,研究类脑智能计算理论,重点突破具备自主感知、学习和推理能力的类脑芯片及系统。

二是依托新基建开展人工智能芯片规模应用。鼓励各地区结合自身产业及科研优势,培育面向智能手机、安防监控、自动驾驶、医疗影像、互联网智能服务等具备区域发展特色领域的人工智能应用及芯片创新产业。通过政策引导、资金支持、构建数据开放机制等方式,协力推动人工智能技术在制造业、医疗、农业、电子商务等领域的深入应用。

三是培育人工智能芯片产业生态。发展人工智能芯片软件配套设施,打造包含硬件驱动、函数库、编译器等在内的软件开发工具包,形成面向开发者友好易用的编译环境。加速提升集成电路设计、制造、封测水平,完善芯片设计自动化工具(EDA),突破核心知识产权(IP),推进先进工艺商用,提升三维硅通孔等先进封装和先进芯片测试技术水平。构建人工智能芯片、应用软件与整机系统的协同优化体系,推进基于人工智能芯片的新型智能终端及智能应用解决方案的创新发展。(作者葛婕、夏梦阳供职于赛迪智库集成电路所)

腾讯云副总裁王龙:解决AI技术落地难题,“解耦”是关键

博客自动驾驶小能手 发表了文章 • 0 个评论 • 296 次浏览 • 2020-05-06 15:24 • 来自相关话题

在AI技术突破此起彼伏的今天,如何解决AI技术的产业落地问题,真正让AI为企业实现“降本、增效、创新”的目标,最终实现AI和产业  互联网的融合?腾讯云副总裁王龙结合自身经历和产业 ...查看全部
在AI技术突破此起彼伏的今天,如何解决AI技术的产业落地问题,真正让AI为企业实现“降本、增效、创新”的目标,最终实现AI和产业  互联网的融合?腾讯云副总裁王龙结合自身经历和产业实际,对这一问题发表了自己的观点。

近年来,AI技术已经深深渗透进越来越多的行业。从金融、医疗、交通运输到娱乐领域,AI已经无处不在。

但随之而来就是AI技术“落地难”的问题,如何让AI新技术从人们口中的“热词”真正成为身边的“热应用”,真正为企业实现“降本、增效、创新”的目标,最终实现AI与产业互联网的融合?

在2019年3月27日举办的新智元 “智能云·芯世界“AI技术峰会上,腾讯云副总裁王龙先生发表了题为《人工智能:产业互联网的”芯“动力》的演讲,对这一话题分享了自己的想法。

以下为新智元整理的演讲内容:

腾讯云副总裁 王龙

各位来宾,各位朋友,早上好!感谢新智元的邀请,让我有机会和大家分享一下我对AI与产业互联网的一些想法。

过去的二十年,我在中国、德国、美国的IT行业中历炼,经历过很多新技术从孵化、热炒再到成熟的整个周期。从最早的ERP到MES,再到后来的云计算、移动支付和AI。可以看到一个共同的现象,就是很多时候一项新技术作为当时热词很流行,真正进入实体经济之后却往往会遇到很多困难。同样的,AI显然也遇到了相同的情况。

过去的两年中,腾讯云与IT界各企业服务公司开展了很多合作,也有很多成功的案例。我们也在不断思考,AI到底如何才能走向成熟?如何才能让这些热词、这些技术为实体产业带来真正的动力?

我们先来看看已经被证实的,AI确实能够有效服务产业互联网的场景。

AI已经解锁的一些产业互联“芯”场景

降低成本:智能客服、智能核保

基于语音识别、自然语言处理等AI技术的智能客服解决方案,已经可以为金融客户节省90%以上的客服人员和质检人员,实现7*24小时的在线客服问答,并提供更加高效和客观的客服质量管理。

与之类似,AI文字识别和自研语音处理技术在保险理赔和核保领域,也可以实现提高审核效率、节约人工成本的效用。通过自动化技术能够在几小时、甚至几分钟之内给出保单的核保结论。

提升效率:实人实名、地铁安检

现在很多人会使用手机做一些和金融相关的操作,去政府部门办事的时候,不管是提取公积金,还是处理医疗保险,都可以使用AI实人实名服务来登录和验证身份,平均业务办理时间减少70%。而过去使用传统认证方式,涉及到身份认证可能80%需要去现场办理。

北京的上班族对地铁安检一定不陌生。尤其在早晚高峰时段,进站安检的时候排队往往很长。但是在人流密度极大、安检人员配备接近饱和的情况下,一台安检机能否起到维护安全的作用?安检机制的有效性如何保证?会不会成为一个摆设?

利用AI算法可以有效解决这些疑问。再敬业的安检员也免不了偶尔有所倦怠,AI则完全不存在这个问题,在算法的辅助下,地铁安检会更高效,同时节省大量人力和成本。

快速创新:内容增强、人脸融合

AI无论是在P图、挂件还是人脸融合方面都有众多应用场景,给我们的生活带来了很多便利和乐趣。腾讯云也推出了人脸融合技术,开发了一些小程序能够将人脸与历史人物进行融合。

同样的技术也用在了电影摄制中,比如《速度与激情7》男主角保罗·沃克在拍摄过程中去世,通过AI技术,他的弟弟拍了剩余的动作,然后再“换脸”,最终让电影如期上映,《猩球崛起》也使用了这样的技术。

总体而言,任何新技术应用到企业和行业的时候,其爆发点可能永远只有三条:为企业降低成本、为企业增加效益、为企业寻找创新的机会。

当然,我们也看到,以目前的AI技术水平,很多时候还只能在产业的某一个环节、某一个步骤实现“降本、增效、创新”,只有在极少数情况下,AI技术才可能完全替代人类。

然而,在经过数百个场景和项目的验证中,我们也逐渐看到了AI技术落地的一些挑战和边界。

三类场景、五大要素:AI与产业互联网融合的“芯”挑战

AI落地的最大挑战到底是什么?要想解答这个问题,利用AI技术真正实现“降本、增效、创新”的目标,必须从技术上来回答一个问题,AI能够做到什么事情?目前来看,AI在产业中应用的主要场景可以分为三大类:

首先是智能感知。原来有些事情必须通过人和很复杂的设备感知物理世界,把物理世界映射到数字世界中,现在这个过程可以通过AI实现。例如基于视频/图像识别的人流检测、基于视频/图像识别的行为检测等。

其次是智能交互。以前,在完成感知环节后,需要将大量数据传输到云端服务器上才能进行交互,现在通过AI技术,很多时候在边缘节点上就能够实现人机交互。例如智能音箱和其他能够实现语音控制的硬件设备等。

最后是智能决策。以前我们的很多决策都基于逻辑判断和专家系统。现在通过AI技术和深度学习,可以在某些领域基于大量数据和算法获得更优的决策质量。例如信用卡支付交易欺诈识别、工业设备预测性维保等。

这三类场景的应用,AI如果真正落地,也面临巨大的挑战。几年前,我们一直说AI要有强大的算力、优秀的算法、足够好的数据框架,最后要有落地的场景。现在,随着AI技术逐步从线上走到线下,人们逐步发现正是这些要素的缺乏,形成了对产业很大的挑战。

换句话说,如果算力成本不够低,算法和框架的性能不够高,AI落地的时候就会因为成本过高而失去商业价值,这种情况下,即使实现了商业化,也没法实现规模化。

AI技术真正落地障碍重重

AI落地难:线上线下,两个世界

对于AI在线下场景的应用,企业第一位考虑的往往是投资回报。对于算法和模型而言,如果是线上应用,数据质量往往较好,数据分布收敛度较高,算法和模型性能只要稍微提升一点,就会产生很好的效果。

线下的情况则大不一样,以最常见的摄像头为例,光照条件、拍摄角度、抖动、传输延时等因素都是优化算法必须考虑的因素。对于音箱,距离不同,算法和模型上的挑战都可能截然不同。另外,对于智能设备而言,模型、算法和软件的版本更新,也会随时导致意想不到的后果。

AI落地难:场景、资源、模型、设备、数据,牵一发而动全身

应用场景、资源与基础设施、算法和模型、智能设备、数据构成了AI技术落地的五要素。如何将这五大要素在落地场景中实现协调,是AI技术在产业界落地中另一个关键点。在实现智能感知、智能决策、智能交互的时候,往往任何一个要素的变化都会导致其他要素的变化。比如算法模型发生变化,设备资源调度都要跟着改变。结果就是,真正落地实施的时候就会需要算法专家、设备专家、资源专家,以及应用开发的合作伙伴都在场。最终结果就是AI落地的成本太高,没有办法真正在产业应用中大规模铺开。

如何解决?标准化、模块化、自服务化

怎么办?首先我们需要让这五个要素并行发展,让我们不再需要在任何时候都要顾及所有要素。也就是说,算法专家不用关心应用是什么情况,设备供应商也不用关心算法问题,把这五个要素进行解耦,让一个要素相对其它几个要素变得更加透明。例如,对于一个已经落地的应用,换了摄像头,负责优化算法其他几个人不需要在场,可以远程自适应进行算法的调整,这样才可能让整个AI落地的成本快速降到有商业价值的水平。

这个思路看上去有点像PC操作系统的诞生,为什么大家都愿意用操作系统?就是因为操作系统把鼠标、键盘等所有这些设备之间的复杂度,都通过一个标准化的协议屏蔽掉,它们之间能够互相解耦,各自专注自己擅长的方向。只有这样才能降低各个方面的成本,AI才能真正规模化,实现商业上的成功。

腾讯云AI产品“芯”引擎:“解耦”促进AI与产业互联网融合

腾讯云AI大数据产品矩阵共分为三层。

最下面的一层是基础服务产品层,过去几年已经发展得非常成熟了,目前腾讯云已经建立了专业大数据平台、数据仓库和数据湖,积累的数据通过机器学习和深度学习能力,形成各种AI引擎能力。

最上面的一层是行业解决方案,也就是AI技术成功落地的案例。今天上面介绍的四个典型场景就属于这一层的内容,包括基于AI语音识别、人脸识别、内容增强等方面的行业应用,这一层主要面对具体业务管理者。

基于实际需要,为了更好的落地,我们在这两层中间进一步提供应用服务产品层,目的就是希望能够把AI落地的成本降低,并让各个部件之间形成解耦,让每个人都有机会参与到这个生态环境中。这一层主要面对的是开发者。开发者可以完全不理会计算模型,也不需要理会什么设备能够解决AI落地的问题。

腾讯云AI目前对外也提供三大技术平台:腾讯人工智能服务平台、腾讯智能对话平台和腾讯数据资产管理平台。

智能对话平台可以让语音语义技术通过音箱、麦克风和传感器连接线下场景,像智能门锁和生产设备控制,智能家居的语音助手都适用这样的场景。

人工智能服务平台可以把数据科学家、智能设备提供商、应用开发者更好的解耦,让这些人更专注在自己擅长的领域,从而使得生态中的所有角色都能健康、高效的发展。

我们希望能够为业界提供最好的技术和平台,让更多的合作伙伴能够以更简单、更方便、更低成本的方式来使用腾讯的技术和服务。我们也欢迎更多的合作伙伴加入我们,参与到AI技术落地的浪潮中来,一起更好地服务产业互联网,为中国的产业数字化转型做出贡献。(作者:新智元)

日立在汽车立体摄像头中集成AI 提升摄像头夜间行人探测能力

博客别碰我的刘海 发表了文章 • 0 个评论 • 1013 次浏览 • 2019-06-19 11:47 • 来自相关话题

据外媒报道,日立汽车系统公司(Hitachi Automotive Systems Ltd)表示,其已经将人工智能(AI)技术应用于立体摄像头中,此类摄像头专为汽车自动刹车功能而设计。该摄像头利用数十万条数据作为“教师数据”,实现夜间行人检测功能。目前, ...查看全部

据外媒报道,日立汽车系统公司(Hitachi Automotive Systems Ltd)表示,其已经将人工智能(AI)技术应用于立体摄像头中,此类摄像头专为汽车自动刹车功能而设计。该摄像头利用数十万条数据作为“教师数据”,实现夜间行人检测功能。目前,各个竞争对手公司都在研发支持AI的传感器,日立汽车系统将向铃木汽车公司(Suzuki Motor Corp)供应此种新型传感器,以期在AI传感器的商业化上处于领先地位。

据该公司所说,其该新型传感器的性能大大优于其全球竞争对手的产品,能够在夜间检测行人,然后汽车可以自动刹车,比配备了以色列Mobileye公司主要图像处理芯片EyeQ3的车辆的刹车性能更好。

此前,日立汽车系统的摄像头都是“基于规则”来识别物体,即开发人员需要手动设置条件,其他公司的产品也是如此。但是,“基于规则”的方法会让条件变得复杂,而且很难支持夜间物体检测功能。此次,日立利用机器学习技术,可有效地在大量数据中找到条件。

一般情况下,立体摄像头是利用左右两个摄像头分别拍摄两幅图像,然后通过两幅图像之间的视差来探测物体形状以及位于车辆前方的物体,然后利用模式识别等方法判断被探测到的物体是否是行人。而日立汽车系统的立体摄像头将采用机器学习法进行图像识别。

几十万条“教师数据”都存储在新摄像头的图像处理微型计算机中,然后该摄像头拍摄的图片会与“教师数据”进行比较,以判断物体是否是行人。之前,日立汽车系统的立体摄像头使用的是正常的模式识别法,即使用多幅图像进行判断。

即使行人只有下半身被汽车前大灯照到或者是可以看到行人的整个身体,而各个身体部位的亮度不同时,与传统的模式识别法相比,该摄像头采用了机器学习,会更容易检测到行人。

当将机器学习技术应用于图像识别处理时,需要处理的数据量就会有所增加。为了解决该问题,日立汽车系统对立体摄像头的微型计算机进行了改造,提升了其性能。之前的立体摄像头使用三个微型计算机分别进行图像处理、图像识别和车辆控制。而日立汽车系统的新型立体摄像只集成了两台微型计算机,用于图像处理和图像识别。然后,再将用于图像识别的微型计算机从单核升级为双核。随着核数的增加,该微型计算机不仅可以采用机器学习技术,还能提高图像识别的处理速度。

此外,日立汽车系统还增加了CMOS传感器的动态探测范围,降低了镜头的F值(F值越小,光圈越大),将摄像头的灵敏度提高了一倍。由于其动态探测范围增大,该摄像头既能捕捉明亮,也能捕捉黑暗的物体。而由于F值变小,该摄像头就更容易在黑暗中发现行人。

转自:盖世汽车

人工智能的侵权责任与归责机制

博客susan 发表了文章 • 0 个评论 • 933 次浏览 • 2019-03-25 16:03 • 来自相关话题

随着人工智能技术的迅速普及,由其引发的侵害和侵权事件时有发生,既有因交通、生产事故引发的人身财产伤害,也有因智能系统故障引发的财产利益贬损。人工智能侵权案件与传统侵权案件引发的损害和风险的形式不同,根据传统侵权 法规定,制造商和销售商是主 要责 任主体,但人工 ...查看全部
随着人工智能技术的迅速普及,由其引发的侵害和侵权事件时有发生,既有因交通、生产事故引发的人身财产伤害,也有因智能系统故障引发的财产利益贬损。人工智能侵权案件与传统侵权案件引发的损害和风险的形式不同,根据传统侵权 法规定,制造商和销售商是主 要责 任主体,但人工智能情景下,还应当明确开发者的安全注意义务,建立新的人工智能侵权责任机制,保障行业健康发展。
四种人工智能侵权归责的观点
人工智能工具论——由使用者承担责任。 这种观点认为目前人工智能尚不具备自主意识,只是一种工具,其行为是在人类授意下做出的,因此人工智能侵权应由使用该工具的人来承担责任。使用者是人工智能程序和设备的控制者也是受益者,侵权风险是使用者的使用行为引起的,让受益者承担由其控制的工具引发的侵权责任是公平合理的。
人工智能产品论——由生产者承担责任。 根据《产品质量法》,产品质量应当检验合格,符合保障人体健康和人身、财产安全的标准或要求,生产者、销售者依法承担产品质 量责任。人工智能通常是一种产品,除了个别由于使用者或者第三人故意引起的侵权以外,大多数人工智能侵权是由于产品存在缺陷造成的。消费者对于人工智能产品缺陷,既难以理解也难以发现且难以举证,所以应当由生产者承担产品责任,销售者承担不真正连带责任。
人工智能动物论——由管理者承担责任。 由于人工智能尚不具备自主意识,其行为又与一般工具不同,不完全受人类控制,这与饲养的动物颇为相似,动物可能在人类授意下实施侵权,也可能在无人类授意下发生侵权。尽管古代立法中有让动物承担法律责任的规定,但现代立法不再将动物视作法律主体,因此动物的侵权行为应由饲养人或者管理人承担侵权责任。借鉴动物侵权法律规定,人工智能侵权也应由对其负有管理义务的人承担。
人工智能主体论——由人工智能承担责任。 人工智能最大的特点在于其拥有智能,不但可以做出行为,而且能够自主做出分析判断,同时拥有比人类更加强大的数据收集、记忆和计算能力。法律可以将自然人以外的实体规定为法律主体,例如法人,对于人工智能也可以参照这种做法。而且,已经有一些国家赋予或正在考虑赋予人工智能法律主体资格,如沙特阿拉伯的索菲亚机器人已获公民资格。如果人工智能成为法律主体,则应当承担其侵权行为引起的法律责任。
人工智能侵权的特殊性
人工智能侵权构成要素复杂。 现阶段人工智能的技术框架主要以机器学习和深度学习为中心。从软件层面,人工智能系统作出的判断、决策等行为,实际上是对人工智能模型输入一定数据而得到的函数输出结果,其基本模型可以用“输出 = 人工智能模型 (基础算法 + 训练材料)+ 输入”表示。侵权的输出结果实际受到基础算法、训练材料和输入行为三个要素的影响,这三个要素可能独立导致侵权结果,也可能相互作用累积引起侵权,这使得具体侵权案件的归责难度加大。特别是,现有的司法人员普遍没有接受过人工智能技术相关培训,而技术人员又少有精通法律的,对人工智能侵权的事实认定和法律认定都非常困难。
使用人或管理人 通常没有主观过错。 侵权案件中,通常是侵权人的违法行为造成了损害事实,违法行为与损害事实之间具有因果关系,且行为人对违法行为具有主观过错。但人工智能侵权,使用人或管理人通常不具有侵权的故意或者过失,侵权行为和损害事实是人工智能程序自主判断、决策的结果。以完全自动驾驶汽车为例,使用人给车辆下达行驶的命令,途中使用人并不参与车辆的转弯、减速、超车、避让等各类行 驶决策。在车辆自动行驶的过程中,如果发生侵权事故,尽管使用人最初下达的行驶命令与侵权事实也有一定的关系,但二者之间的因果关系太弱,使用人使用车辆的意志并不包含任何侵权意图,此时归责于使用人,则会给使用人施加过重的事故防范义务,既不符合公平原则,也不利于人工智能的推广应用。
人工智能具有一定的自主性。 由于难以归责于使用人,人工智能侵权主要应当是由产品本身问题引起的,因此应当在产品责任视角下讨论。一般产品侵权是由于存在缺陷而造成他人损害,所谓缺陷是指产品存在危及人身、他人财产安全的不合理的危险,通常在生产阶段按照相应的产品标准或质量要求应当能够发现这种缺陷。但人工智能产品与一般产品不同,虽然尚不具有类似人类的意志,但具有一定自主性,具有学习能力,引起侵权事故的原因既可能是设计生产阶段已经存在的缺陷,也可能是人工智能自主学习后产生的“危险”。而因人工智能学习引起的危险是否属于“缺陷”,在目前法律规定中尚不明确。
人工智能侵权责任主体与归责机制
生产和设计者是人工智能侵权责任主体。 目前人工智能还处于高级函数的阶段,不具备侵权的主观意志,也不具有承担侵权责任的能力。人工智能侵权还是表象,本质上仍然是有安全注意义务的人由于故意或过失而未履行相应义务,而导致人工智能侵权危险的发生。对人工智能侵权负有安全注意义务的,应当是有能力知晓人工智能工作机理并控制人工智能行为的人。一般情况下,应该是人工智能的生产者和设计者。由于人工智能构成的复杂性,产品的瑕疵或缺陷是发生在算法设计、调试阶段,还是发生在机器学习训练、测试生产阶段,又会决定该归责于设计者或生产者。在人工智能时代,设计者和生产者常常是分离的,所以这是两类不同的侵权主体。
严格适用产品责任免责事由。 人工智能侵权主要适用产品责任,侵权法和产品质量法规定了生产者的三类免责事由:(一)未将产品投入流通的;(二)产品投入流通时,引起损害的缺陷尚不存在的;(三)将产品投入流通时的科学技术水平尚不能发现缺陷的存在的。由于大量人工智能产品属于技术前沿成果,人工智能算法或程序中确实存在一些生产者(设计者)无法预见的瑕疵或缺陷,这三类免责事由仍有适用空间。一方面应宽容创新,对于开发者能够证明已尽力避免,而以当时认知和技术水平确实无法发现的缺陷风险,应当免除开发者的责任;另一方面应严格适用免责事由,严格规范开发者涉及人身、财产安全的人工智能程序开发行为,强化开发者安全注意义务,预防人工智能侵权风险发生和累积。
建立人工智能责任机制。 一是逐步建设人工智能产品标准,使开发者明确其产品需要满足的保障人体健康和人身、财产安全的国家标准或行业标准,避免出现缺陷产品。引导行业建设人工智能开发者安全注意义务准则,加强行业自律规范。二是建立人工智能缺陷产品召回机制,建立算法变化节点时间表机制。对发现缺陷后的产品应及时召回或停止提供服务,并评估人工智能算法的变化节点,排查变化原因,明确引起变化并导致侵权的责任主体。三是探索类似交强险的人工智能责任险。由于人工智能可能存在无法归责于使用者,也不宜归责于生产设计者的侵权风险,可以设立人工智能责任险,及时为被侵权人提供救济,分担开发者风险,保障行业健康发展。

研发智能联网平台 长江汽车与联想签约

博客tututu 发表了文章 • 0 个评论 • 969 次浏览 • 2019-03-20 16:12 • 来自相关话题

近日,长江汽车发布消息称,与联想集团签署了战略合作协议,双方将围绕5G应用开发、智能驾驶、车联网、工业4.0建设、全球业务合作以及海外市场开拓等领域展开全方位、多维度战略合作,全力打造AI+IoV(智能车联网平台)产品与服务。 长江汽车为前身是成立 ...查看全部
近日,长江汽车发布消息称,与联想集团签署了战略合作协议,双方将围绕5G应用开发、智能驾驶、车联网、工业4.0建设、全球业务合作以及海外市场开拓等领域展开全方位、多维度战略合作,全力打造AI+IoV(智能车联网平台)产品与服务。
长江汽车为前身是成立于1954年的杭州公交客车厂,2013年,五龙电动车(集团)有限公司注资重组杭州长江客车有限公司,并将其更名为杭州长江汽车有限公司。长江汽车于2017年12月拿到新建纯电动乘用车生产资质,随后在2018年北京车展上车发布了三款概念车,但还未具体公布上市时间。根据此前规划,长江汽车计划每一到两年推出一款新的乘用车新车型。
联想集团方面,内部孵化的子公司联想懂的通信近年来逐步加大在车联网领域布局,此前已经发布了自主研发的面向新能源汽车的MNO智能车联平台,实现对汽车连接的全生命周期管理。未来公司还将聚焦三大领域——智能交互、智能工业互联和智能车联,智能工业互联为智能交互设备及智能车的生产提供5G智能制造解决方案;智能交互通过边缘计算+云计算+超算+5G+增值服务+随意屏,为智能工业互联、智能车联提供行业定制的有屏设备解决方案;智能车联也为智能工厂提供供应链管理,如车队管理、智能物流服务等。
长江汽车方面称,智能化和网联化已经成为新能源汽车最重要的发展方向。双方的战略合作将面向未来进行更深层次的探索。依托联想集团的技术优势和全球业务能力,长江汽车将进一步加速智慧新能源汽车乃至智能交通领域的发展,并对全球化背景下的商业模式和业务推广进行探索。
来源:汽车之家

赛迪研究院召开“智能网联汽车智能计算平台专家研讨会”

博客tututu 发表了文章 • 0 个评论 • 962 次浏览 • 2019-03-19 14:02 • 来自相关话题

3月18日,智能网联汽车智能计算平台专家研讨会在北京赛迪大厦召开。本次会议由中国电子信息产业发展研究院、工业和信息化部装备工业发展中心联合举办,旨在进一步了解产业实际需求和产品研发现状、梳理制定下一步工作计划、扩大联合研究队伍。 ...查看全部
3月18日,智能网联汽车智能计算平台专家研讨会在北京赛迪大厦召开。本次会议由中国电子信息产业发展研究院、工业和信息化部装备工业发展中心联合举办,旨在进一步了解产业实际需求和产品研发现状、梳理制定下一步工作计划、扩大联合研究队伍。
无标题.png
工业和信息化部装备工业发展中心主任瞿国春、中国电子信息产业发展研究院副总工程师刘法旺、工业和信息化部装备工业发展中心数据管理处副处长邱彬、清华大学教授李克强、国汽(北京)智能网联汽车研究院有限公司总经理严刚、清华大学教授尚进、电子科技大学教授罗蕾、北京理工大学教授计卫星、中国第一汽车集团公司研发总院副院长兼智能网联开发院院长李丰军、上海汽车集团公司技术中心软件工程经理仇林至、吉利汽车研究院智能驾驶技术高级专家陈文琳、蔚来软件开发(中国)副总裁庄莉、华为技术有限公司MDC解决方案部部长毕舒展、中兴通讯汽车电子副总裁田锋、北京地平线机器人技术研发有限公司市场拓展与战略规划副总裁李星宇等领导、专家出席了会议。会议由刘法旺副总工主持。
随着智能化、网联化、电动化和共享化的发展,汽车功能和属性的改变导致其电子电气架构随之改变,进而需要更强的计算、数据存储和通信能力作为基础,车载智能计算平台是满足上述要求的重要解决方案。作为汽车的“大脑”,车载智能计算平台是新型汽车电子电气架构的核心,也是智能网联汽车产业竞争的战略制高点。
围绕着智能网联汽车技术的发展,一汽、上汽、吉利、蔚来等整车企业的专家分别介绍了计算平台应用需求及工作进展,华为、中兴、地平线等计算平台研发企业的专家分别介绍了计算平台研发进展与工作计划。
刘法旺副总工介绍了中国电子信息产业发展研究院在车载计算平台领域的研究进展与工作计划。基于对国内外企业的研发现状分析,他指出应加强国家层面指导、明确发展重点、攻关核心技术、软硬协同开发,以市场化机制建立研发和应用生态。此外,刘法旺副总工还公布了中国电子信息产业发展研究院、工业和信息化部装备工业发展中心、清华大学、国汽智联、北京理工大学等在计算平台参考架构方面的初步研究成果和后续研究计划,并诚挚邀请各单位和企业加入联合研究。
在听取了各单位工作介绍之后,来自高校和研究机构的资深专家也发表了意见。专家高度评价了国内企业的工作进展,并对下一步工作提出建议。会议最后由装备工业发展中心瞿国春主任作总结发言。
2019年1月,中国电子信息产业发展研究院与工业和信息化部装备工业发展中心联合成立智能网联汽车智能计算平台工作组,致力于推动平台总体架构和技术路线研究,加强整车企业与研发单位之间的需求对接,加快推进平台研发、应用示范、标准研制及产业链和应用生态建设。该工作组将联合研发资源,不断深入智能网联汽车智能计算平台研究,并于近期发布《车载智能计算基础平台参考架构1.0(2019年)》。
 

使能自动驾驶解决方案的大规模应用课程

知识讲堂tututu 发表了文章 • 0 个评论 • 969 次浏览 • 2019-02-27 17:25 • 来自相关话题

 
 


《新一代人工智能产业创新重点任务揭榜工作方案》发布 聚焦智能网联汽车产业

博客tututu 发表了文章 • 0 个评论 • 957 次浏览 • 2019-02-27 14:39 • 来自相关话题

2018年年末,为加快推动我国新一代人工智能产业创新发展,落实《促进新一代人工智能产业发展三年行动计划(2018-2020年)》,工业和信息化部印发了《新一代人工智能产业创新重点任务揭榜工作方案》(以下简称《方案》)的通知,具体落实开展新一代人工智能产业创新重 ...查看全部
2018年年末,为加快推动我国新一代人工智能产业创新发展,落实《促进新一代人工智能产业发展三年行动计划(2018-2020年)》,工业和信息化部印发了《新一代人工智能产业创新重点任务揭榜工作方案》(以下简称《方案》)的通知,具体落实开展新一代人工智能产业创新重点任务揭榜工作。
此次方案聚焦“培育智能产品、突破核心基础、深化发展智能制造、构建支撑体系”等重点方向,希望通过各省、自治区、直辖市及计划单列市、新疆生产建设兵团工业和信息化主管部门、中央企业集团、人工智能相关行业组织(以下统称推荐单位)积极组织企业、高校、科研院所等,征集并遴选一批掌握人工智能核心关键技术、创新能力强、发展潜力大的企业、科研机构等,调动产学研用各方积极性,营造人工智能创新发展的良好氛围。
在智能产品方面,智能网联汽车作为人工智能产业的重要产品受到重点聚焦。智能网联汽车产业创新活跃,已聚集了大量企业,相关技术和产品具有较好发展基础,按照“揭榜挂帅”的工作机制,加快我国人工智能产业和实体经济深度融合,促进创新发展。
《方案》中提出,到2020年,突破自动驾驶智能芯片、车辆智能算法、自动驾驶、车载通信等关键技术,实现智能网联汽车达到有条件自动驾驶等级水平,自动驾驶智能芯片图像处理、信息融合、智能控制等计算能力缩小与国际先进水平差距,车载V2X系统通信能力及其能效比达到国际先进水平,满足车辆有条件自动驾驶等级下智能感知、自主决策、协同控制以及智能信息交换共享等计算和通信技术要求,完成安全、可靠的车辆智能化平台技术与功能验证及应用示范,形成平台相关标准,支撑高度自动驾驶(HA级)。
《方案》聚焦我国人工智能产业发展面临的短板,瞄准《促进新一代人工智能产业发展三年行动计划(2018-2020年)》目标,特别是针对智能传感器、神经网络芯片等薄弱环节,集聚资源,夯实产业发展基础,加快实现技术产业突破。同时,充分发挥人工智能在产业升级、产品开发、服务创新等方面的技术优势,有利于加快制造业关键技术装备智能化发展。
在支撑体系方面,选择高质量的行业训练资源库、标准测试、智能化网络基础设施、安全保障体系等作为揭榜攻关任务。这些资源体系是影响人工智能健康发展的重要要素,需要加快完善基础环境、保障平台,加快形成我国人工智能产业创新发展的支撑能力。

ADAS视觉方案盘点上篇:摄像头、芯片和算法

博客tututu 发表了文章 • 0 个评论 • 1021 次浏览 • 2019-02-26 12:47 • 来自相关话题

对跨学科领域来说,一个粗略的盘点只是刚刚向门内迈了一步。 摄像头是ADAS核心传感器,相比毫米波雷达和激光雷达,最大优势在于识别(物体是车还是人、标志牌是什么颜色)。汽车行业价格敏感,摄像头硬件成本相对低廉,因为近几年计算机视觉发展迅速,从摄像头 ...查看全部
对跨学科领域来说,一个粗略的盘点只是刚刚向门内迈了一步。
摄像头是ADAS核心传感器,相比毫米波雷达和激光雷达,最大优势在于识别(物体是车还是人、标志牌是什么颜色)。汽车行业价格敏感,摄像头硬件成本相对低廉,因为近几年计算机视觉发展迅速,从摄像头角度切入ADAS感知的创业公司数量也非常可观。
这些创业公司可以统称为视觉方案提供商。他们掌握核心的视觉传感器算法,向下游客户提供车载摄像头模组,芯片以及软件算法在内的整套方案。前装模式下,视觉方案提供商扮演二级供应商的角色,与Tier1配合为OEM定义产品。后装模式里,除了提供整套设备,也存在售卖算法的模式。
本文中将对视觉ADAS功能、硬件需求、评价标准等进行解析,在《【车云报告】ADAS视觉方案入门盘点(下篇)》内容中将参考Mobileye,对国内11家创业公司的产品进行详细解读。
一、视觉ADAS可实现功能 
因为安全记录、停车等需要,摄像头在车上的大量应用是行车记录仪、倒车影像等辅助功能。一般通过安装在车身各个位置的广角摄像头采集影像,经过标定和算法处理,生成影像或拼接形成视图补充驾驶员视觉盲区,不用涉及整车控制,因此更加注重视频处理,技术已经成熟并逐渐普及。 
目前在行车辅助功能中,摄像头可用来单独实现很多功能,并且按照自动驾驶发展规律逐渐演进。
这些功能更加强调对输入图像的处理,从拍摄的视频流中提取有效目标运动信息做进一步分析,给出预警信息或直接调动控制机构。相比视频输出类功能,强调高速下的实时性,这部分技术正处在发展上升期。
二、视觉ADAS软硬需求
视觉系ADAS产品由软硬件组成,主要包括摄像头模组、核心算法芯片以及软件算法。硬件方面考虑行车环境(震动、高低温等),大前提是要符合车规级要求。
(一)车载ADAS摄像头模组
车载ADAS摄像头模组需要定制化开发。为了适应车辆全天候全天时的需要,一般要满足在明暗反差过大的场合(进出隧道),很好平衡图像中过亮或太暗部分(宽动态);对光线比较灵敏(高感光),避免给芯片带来太大压力(并不是一昧追逐高像素)。
摄像头模组是基础。好比一张底子不错的照片才有修饰美化的余地,保证拍摄图像够用的基础上,算法才能更好地发挥效力。
另外在参数上,ADAS与行车记录仪对摄像头的需求不同。用于行车记录仪的摄像头需要看清车头周围尽可能多的环境信息(后视镜位置看向两个前轮,水平视角约要110度)。ADAS的摄像头更讲究为行车时预留更多判断时间,需要看得更远。类似相机镜头广角和长焦,两项参数不能兼得,ADAS在硬件选取时只能取其平衡。
(二)核心算法芯片
图像相关算法对计算资源有很高的要求,因此芯片性能讲究。如果在算法上叠加深度学习来帮助识别率提升,对硬件性能的要求只增不减,主要考虑的性能指标是运算速度、功耗、以及成本。
目前用于ADAS摄像头的芯片多数被国外垄断,主要供应商有瑞萨电子(Renesas Electronics)、意法半导体(ST)、飞思卡尔(Free scale)、亚德诺(ADI)、德州仪器(TI)、恩智浦(NXP)、富士通(Fujitsu)、赛灵思(Xilinx)、英伟达(NVIDIA)等,提供包括ARM、DSP、ASIC、MCU、SOC、FPGA、GPU等芯片方案 。
ARM、DSP、ASIC、MCU、SOC是软件编程的嵌入式方案,FPGA因为对硬件直接编程,和嵌入式相比处理速度更快。
GPU和FPGA并行处理能力强。图片这样的文本,尤其在使用深度学习算法需要多个像素点同时计算,FPGA和GPU会更有优势。两类芯片的设计思路类似,都是为了处理大量简单重复的运算。GPU的性能更强但耗能也更高,FPGA因为编程和优化都是直接在硬件层面进行的,能耗会低很多。
因此在平衡算法和处理速度,尤其是用于前装并且算法稳定时,FPGA被视为一个热门方案。FPGA是个好选择。但同时,FPGA对技术要求也很高。原因在于计算机视觉算法是C语言,FPGA硬件语言是verilog,两种语言不同,将算法移植到FPGA的人既要有软件背景,又要有硬件背景。在人才最贵的今天,是笔不小的成本。
现阶段可用于传统计算机视觉算法的车规级芯片有多种选择,但是适用于传统算法叠加深度学习算法的低功耗高性能芯片,还没有真正出现。
(三)算法
ADAS视觉算法的源头是计算机视觉。
传统的计算机视觉识别物体大致可以分为图像输入、预处理、特征提取、特征分类、匹配、完成识别几个步骤。 
有两处尤其依赖专业经验:第一是特征提取。在识别障碍时可用特征很多,特征设计尤其关键。判断前方障碍物是不是车,参考特征可能是车尾灯,也可能车辆底盘投在地面的阴影等。第二是预处理和后处理,预处理包括对输入图像噪声的平滑、对比度的增强和边缘检测等。后处理是指对分类识别结果候选进行再处理。
科研中的计算机视觉算法模型运用到实际环境中,不一定就能表现得很好。因为科研得出的算法会增加诸如天气、道路复杂情况在内的条件限制,现实世界里除了关注复杂环境的算法表现,还要考虑各种环境下算法的鲁棒性(是否稳定)。
算法上比较重要的一个变化是深度学习的渗透。
深度学习让计算机模拟人类思考的神经网络,可以自己学习判断。通过直接向计算机输入标定后的原始数据,比如挑选一堆异形车图片,然后丢给计算机让它自己学习什么是一辆车。这样就可以免去计算视觉特征提取、预处理等步骤,感知过程可以简化为输入图片-输出结果两步。 
业内比较一致的观点认为,在感知方面,深度学习将会弯道超车传统视觉算法。目前深度学习的算法模型已经开源,而且算法种类不多,因此有降低门槛大量优秀结果涌现的可能。但是受限于没有合适的车端平台,离产品化还有一段距离。 
业内对深度学习在ADAS应用的看法都比较客观冷静。不少观点认为深度学习算法是一个黑箱(Blackbox)算法,类似人感性决策的过程,可以很快输出一个结果,很难在发生事故后反查原因,因此在使用深度学习时要加入理性决策部分,并且分区块设计。
也有观点认为传统计算机视觉算法比我们想象的“智能”,在不断寻找车辆图片共性和差异的过程中,也能检测出一些异形车辆。并且在叠加深度学习算法后,传统计算机视觉算法也可以帮助减少深度学习神经网络的层数,简化算法。 
可以肯定的是,无论哪种算法,数据都是用来训练测试的宝贵资源,而且不是单纯的越多越好,而是越有效越好(符合实际用车环境并保证多样化)。
(四)不同摄像头平台
单目和双目 
视觉方案要完成ADAS任务,一般要实现测距(本车与前方障碍物距离)和识别(障碍物是什么)两项工作。按照车载摄像头模组的不同,目前主流ADAS摄像头可以分为单目和双目两种技术路线。 
单目摄像头的算法思路是先识别后测距:首先通过图像匹配进行识别,然后根据图像大小和高度进一步估算障碍与本车时间。在识别和估算阶段,都需要和建立的样本数据库进行比较。想要识别各种车,就要建立车型数据库,想要识别麋鹿,就要建立麋鹿数据库。 
双目摄像头的算法思路是先测距后识别:首先利用视差直接测量物体与车的距离,原理和人眼类似。两只眼睛看同一个物体时,会存在视差,也就是分别闭上左右眼睛看物体时,会发现感官上的位移。这种位移大小可以进一步测量出目标物体的远近。然后在识别阶段,双目仍然要利用单目一样的特征提取和深度学习等算法,进一步识别障碍物到底是什么。
因为视差越远越小的缘故,业内有观点认为,双目在20米内有明显的测距优势,在20米距离外,视差减小测距存在难度,可以用高像素摄像头和更优秀的算法来提升测距性能,该处是难点也是核心竞争力。
双目镜头间距和测距是两个此消彼长的参数,镜头间距越小,检测距离越近,镜头间距越大,检测距离越远。考虑车内美观和ADAS需要,小尺寸远距离双目产品更受欢迎。
因为增加了一个镜头,带来更多运算量,整个摄像头模组的性能要求和成本都更高了。而且在两者都有的标定工作上,双目要比单目更加复杂。 
而且选择双目方案切入市场并不能完全绕开单目方案的难点,在第二个阶段,你依然要需要一个庞大的数据库,依然需要打磨算法。
多摄像头方案
除了单双目之外,还有多摄像头组成的平台。有的方案中选用长焦和广角摄像头于ADAS主摄像头配合,兼顾周围环境与远处物体探测。比如Mobileye方案,在下文会介绍。
也有在环视平台上叠加ADAS功能的情况。例如对于环视做车道偏离预警(LDW),与单目实现该功能比有一定优势。在大雨天气或者前方强光源的情况下,前视摄像头有可能看不清车道线,环视摄像头斜向下看车道线且可以提供多个角度,基本不会受到地面积水反光的影响,功能可以比前视做得更稳定。但同时也要考虑侧向无车灯照射时,摄像头的夜间表现。
这几种方案在技术路线上和单目没有本质差别,更多是基于不同平台,发挥不同类型摄像头模组的优势分配任务,或者提供更多视角来解决一些复杂环境中单目势单力薄的情况。
三、视觉系ADAS产品测试与评价
目前没有统一的ADAS测试评价标准。常规的测试一般分为两个阶段:
在算法库测试,库中包含了各类工况下收集的行车场景视频,通过用库中的场景视频跑分,测试算法识别率。目前测试库由各家自采自测,因为采集所用的传感器不同,不同企业间的测试单看结果没有可比性。
由德国卡尔斯鲁厄理工学院和芝加哥丰田技术研究所联合创办的KITTI,是国际上权威性较高的机动车辅助驾驶应用技术评估的算法评测平台。目前有部分公司在该网站测试算法,结果公开可查。不同公司跑分的用时存在差异,因此在看结果排名时,也不能忽略多个参数比较。
在实车测试阶段,将产品DEMO安装到车上测试,根据漏报、误报判断算法可靠性,对发现问题进行反复调试。现阶段高质量的实车测试大多由主机厂和零部件供应商掌握,准确测量需要借助激光雷达等设备,在相互校验的过程中完成测量,成本略高,检测周期也略长。
业内人士表示,测试产品能力70-90分的区分更多使用算法库测试,区别90-95分,甚至是95-98分时,必须进行实车定量测试。而目前ADAS各家拉开差距正是在于将90分提高到99分。想做到这点必须要通过大量的实际道路测试打底,并对算法的准确性和鲁棒性不断打磨。因此从某种程度上来说,经历过主机厂Tier1严苛训练的方案提供商,产品可靠性更高,前装经验会成为下一次合作洽谈的资本。
目前企业对外宣称衡量算法能力的“识别率”指标不能说完全没有参考价值。前提是谈论所谓的识别率要把产品放在不同复杂场景下评估,并且单独讲识别率指标没有意义,需要把它和其他指标放在一起考量。产品必须确保在不同的路况、天气、车型,对不同姿态的人、不同的车道线,算法都能稳定工作(鲁棒性)。
四、一哥Mobileye
讲视觉系ADAS不得不提一家以色列公司Mobileye,1999年成立,2007年推出首款产品,2014年8月1号在纽交所上市。公司主要从事汽车工业的计算机视觉算法和驾驶辅助系统芯片技术的研究。Mobileye的产品覆盖了全球50个国家,据官方资料显示,截至2015年底,Mobileye在全球有1000万的装载量,到2016年底会有273款车的SOP的合同。 
(一)公司定位
前装业务中,这家以色列公司作为二级零部件供应商向Tier1提供产品,涉及车辆应用的部分会和主机厂配合。通过一级供应商提供集成、个性化开发以及测试工作。后装采取代理销售的方式。
(二)产品功能
目前可用安装在后视镜后的单颗彩色摄像头(非标准RGB Sensor)对目标物进行检测、识别和分类,同时还会对物体的运动轨迹进行跟踪、分析,并分析道路状况。实现功能包括车道检测、车辆检测、行人检测、动物检测、交通标志识别、红绿灯识别、灯光控制。 
Mobileye具有自主研发设计的芯片EyeQ系列,由意法半导体公司生产供应。现在已经量产的芯片型号有EyeQ1、Eye Q2、EyeQ3,EyeQ4正在开发进行中,预计将于2018年推出,其工程样本有望在2016年第四季度发布。2016年5月Mobileye宣布将与意法联手合作研发下一代将用于自动驾驶的EyeQ5芯片,2018年开始提供工程样品。 
目前Mobileye后装产品的终端售价约为8000元左右,前装价格会低很多。
Mobileye不同芯片可以实现不同的ADAS功能。其中EYEQ2支持产品级的AEB,EyeQ3是支持full AEB。EyeQ2等级只能做到ASIL-B,EyeQ3可以做到ASIL-D等级。(ASIL,Automotive Safety Integration Level,汽车安全完整性等级,是ISO26262中的系统危害风险等级指标,从A到D产品的安全等级依次增加。)
2007年在沃尔沃上实现了摄像头+雷达集成防撞预警的功能。(EyeQ1)
2008年在宝马上实现了单摄像头车道偏离预警、交通标志识别等功能。(EyeQ1)
2010年在沃尔沃上做到了行人防撞检测,首个行人检测AEB。(EyeQ2)
在宝马、通用、欧宝上,用单摄像头实现了拥堵情况下车道内跟车行驶。(EyeQ2)
2013年在宝马和尼桑上用一个摄像头实现AEB功能(部分) 。(EyeQ2)
利用EYEQ2实现了宝马量产的基于摄像头的自适应巡航(ACC)和交通拥堵辅助(Traffic Jam Assistant)。(EyeQ2)
2015年在奥迪上实现了基于摄像头的全AEB功能。(EyeQ3)
在特斯拉车型上实现了交通等检测、利用深度神经网路判断自由空间和路径规划。(EyeQ3) 
在Mobileye的过往演讲和介绍中,提到了一些前车识别算法上的细节:
从前车识别来看,一般单目有两种算法来进行预估,一种是THW(Time Headway),一种是TTC(Time to Collision)。THW计算公式中时间t=两车距离/本车速度;TTC公式中时间t'=辆车距离/两车相对速度。TTC对于计算要求也更高一些,因为除了本车速度之外,还要实时测算出前车的速度,计算方法是通过两车之间的距离变化以及本身速度进行估算。
Mobileye将两种算法用在不同场景。
前向碰撞检测(FCW)方面采用TTC,尤其是高速行驶前车急刹的情况,可以很明显发现,TTC的算法更符合实际情况。Mobileye检测规划路径中会遇到的前车后(不仅仅是识别本车道车辆)用图像的变化快慢来做TTC,以此判断碰撞可能,采取干预、控制、刹车操控。
目前 Mobileye 的后装产品 TTC时间设定为 2.7 秒,官方给出的FCW精准度大约在99.99%。前装方面,对离本车最近的本车道车辆来计算TTC做AEB,AEB一般在1秒上下的区间里起作用。
Mobileye采用THW算法,未来加上控制,可以做到用单个摄像头做ACC或低速Traffic Jam Assistant。目前市面上这两个功能都是毫米波雷达来实现,如果用摄像头完成,可以融合视觉检测到的车道、静止障碍物、车辆横向运动、限速牌,汇总多个信息来做ACC决策,控制会更精准。
Mobileye后装产品THW时间设置可以从2.5秒到0.1秒。
(三)自动驾驶规划
关于自动驾驶如何实现,Mobileye一共会涉及三个方面:感知、地图与驾驶策略。
感知方面,根据Mobileye的规划,单用摄像头方案实现自动驾驶功能且不考虑冗余的情况下,需要8个摄像头来满足360度全方位感知的需要。2015年Mobileye发布了三路摄像头做ADAS功能。三个摄像头分工不同:中间的主摄像头可以实现大部分功能,检测距离可以达到150米,检测到之后跟踪距离可以达到250米。另有一枚小角度摄像头探测更远距离,一枚广角镜头探测更宽视野。
算法上主要实现四项内容,并且对深度学习的要求逐项增加:
1.识别道路上移动/固定的物体;
2.识别出道路分割线以及其他交通标识;
3.在道路上没有分割线或者分割线不清晰的情况下,分辨出哪些是可以通过的空间,并勾勒出可通过空间与其他部分的隔离线;
4.可驾驶的路径:在识别出可通过空间之后,找到一条可供于驾驶的路线。
地图方面是对感知系统的冗余设计,包含Roadbook、高精度定位、可行驶路径三个方面。Mobileye打算用具备深度学习功能的图像识别体系制作高精度地图。数据采集上会与车企合作,用众包方式获得和更新数据。 
驾驶策略方面,车企可以通过提供的SDK访问Mobileye预先训练的网络应用层,让控制单元很快计算并得出可通行的路径方案。车企在其提供的算法基础之上,再以自身在车辆控制上的经验进行优化或者再次开发。这一功能会基于Eye实现。
Mobileye计划2016年推出半自动汽车技术,准备研发的系统可以让汽车阅读交通、街道各类信号,从而与其它车辆保持适当车距。大众、宝马和通用购买了2018 年生产的系统,该系统可使车辆在高速上自动行驶。2016年5月Mobileye与两家保密车企已经达成协议,将在2019年为后者提供全自动驾驶汽车系统。
在2016年7月,Mobileye和宝马、英特尔共同开发无人驾驶汽车技术。2016年8月宣布和德尔福汽车公司共同开发SAE(美国汽车工程协会)4/5级自动驾驶全套解决方案。
(四)团队介绍
创始人之一是耶路撒冷希伯来大学计算机科学系教授阿姆农·沙书亚(Amnon Shashua)。Mobileye在美国、德国、日本、西班牙也有分部或研究部门,现在公司员工约600多人,研发人员占比为70%-80%。目前在中国仅有面向后装的销售团队,办公地点位于上海,没有研发人员。
(五)投融资
2006年5月,获得1500美金投资。
2007年10月,高盛投资的1亿美金投资。
2013年7月Mobileye向5家独立的金融投资方出售4亿美元股份。投资方包括黑石、Fidelity、Wellinton、恩特租车公司以及中国投资公司赛领国际投资基金。这笔交易对Mobileye的除现金外估值达到15亿美元。
本文转载自车云报告。

2019汽车人工智能计算技术及市场趋势

博客tututu 发表了文章 • 0 个评论 • 962 次浏览 • 2019-02-25 17:56 • 来自相关话题

人工智能(AI)正在缓慢但坚定地渗透越来越多的市场,包括我们每个人的日常出行。Yole在本报告中介绍了AI通过自动驾驶汽车和信息娱乐应用/系统对全球汽车生态系统的影响。 据麦姆斯咨询介绍,在自动驾驶领域,两大趋势正在并行:一方面,经典的原始设备制造 ...查看全部
人工智能(AI)正在缓慢但坚定地渗透越来越多的市场,包括我们每个人的日常出行。Yole在本报告中介绍了AI通过自动驾驶汽车和信息娱乐应用/系统对全球汽车生态系统的影响。
据麦姆斯咨询介绍,在自动驾驶领域,两大趋势正在并行:一方面,经典的原始设备制造商(OEM)正在为汽车增加功能(包括用于物体识别的深度学习算法),提高高级驾驶辅助系统(ADAS)水平;另一方面,初创公司和科技巨头则在提供基于自动驾驶汽车的服务,例如自动驾驶穿梭巴士和出租车。   
丰富多样的生态(特别是传感器和计算领域)正在快速拥抱这些不同的应用和系统。在ADAS生态系统中,我们看到了通用汽车、福特、丰田、宝马、奥迪和奔驰等经典OEM厂商,以及特斯拉(Tesla)和蔚来(Nio)等新面孔。在自动驾驶车辆方面,包括谷歌(Waymo)、优步(Uber)、Yantex、百度和苹果在内的科技巨头,今年将在目标城市提供首批自动驾驶出租车服务;其它还包括一些提供出行即服务(Mobility-as-a-service, Maas)的初创公司。   
在自动驾驶穿梭巴士、公共汽车和商用车方面,我们发现了一批初创公司,如Navya、EasyMile和Drive.ai等,为封闭环境的人员或货物提供低速运输服务。而像大陆(Continental)这样的汽车一级供应商(Tier-1)也在大笔投资这个充满前景的市场。对于传统汽车市场,我们预计今年将推出首款2级和3级ADAS汽车(基于人工智能的自动驾驶)。   
英特尔(Mobileye产品)和英伟达(NVIDIA)等主要厂商提供的计算应用也取得了巨幅增长。英伟达的Xavier GPU包括了专为深度学习算法而设计的计算单元。瑞萨(Renesas)、赛灵思(Xilinx)和Kalray等厂商的专用产品提供的其他解决方案也显示出了巨大的潜力。   
AI通过语音和手势识别技术渗透汽车领域。智能家居巨头谷歌和亚马逊在汽车中分别引入了它们知名的语音识别解决方案“Ok,Google!”和“Alexa”。谷歌正通过整合其安卓(Android)操作系统进一步发展。索尼(Sony)Softkinetic在OEM厂商开发手势识别解决方案方面发挥着核心作用。   在计算方面,相关厂商与自动驾驶领域的厂商差异不大,它们都需要为这些特定应用开发功能强大、耗能、适应性强的解决方案。   
预期的变革   
2018年,只有自动驾驶汽车可以声称拥有车载AI。相关的计算市场主要由和数据中心同等的计算机驱动,但是数量相当低,使得2018年计算市场的市场规模仅为1.56亿美元。未来10年,随着自动驾驶出租车和穿梭巴士的发展,这个市场仍将是汽车人工智能的主要营收来源,预计2028年计算市场的总营收将达到90亿美元。   
2019年,首批符合“ADAS 3级”标准的汽车将上路,人工智能将进入ADAS 2级汽车,取代传统的计算机视觉算法。Yole预计2019年ADAS计算市场规模将达到6300万美元,到2028年达到近37亿美元。   
对于信息娱乐系统,AI已经出现在宝马、沃尔沃和奔驰等高端车型的选装装备中,但量相对较低。此外,嵌入式车载计算仍然相当便宜,因为计算是在云端完成的。不过,就智能家居市场而言,人们希望将AI引入边缘应用,这意味着需要创建功能强大、更昂贵的计算。Yole预计信息娱乐相关的计算营收将大幅增长,将从2018年的1800万美元增长至2028年的7.68亿美元。
所有与AI相关的计算实际上都在爆炸式增长,预计2018~2028年期间将获得50%的复合年增长率,总营收到2028年将增长至约140亿美元。   
我们目前在什么位置,将走向何方?   
这是一条风险与收益成正比的道路,第一家在安全性、自主性和服务功能方面拥有成熟技术的公司无疑将占据大部分市场份额。目前,谷歌Waymo在技术和服务层面已经拥有相当大的领先优势,其第一批自动驾驶汽车已经上路,并且已有少数用户体验了其服务。在ADAS方面,奥迪今年推出了第一款3级(2019款奥迪A8)轿车,而在奥迪之后,大多数OEM都能够提供2级以上ADAS功能,并计划在今年和明年推出高端的ADAS 3级车型。出于安全和市场原因,一些OEM(如福特、沃尔沃和丰田)决定跳过3级直接进军4级,预计将在2025年左右推出相关车型。  
信息娱乐方面,目前仅有少数几家厂商参与竞争。索尼Softkinetic领导了手势识别领域,而谷歌凭借其丰富的经验,在语音识别领域利用其创新技术占据了领先地位。   
在计算方面,呈现了两大巨头领导竞争的局面,它们分别是:ADAS市场的英特尔Mobileye,以及自动驾驶汽车市场的英伟达。这两家公司的解决方案很强大,而且它们还提供了强大的软件及堆栈,专门用于处理AI和计算机视觉算法,并适应汽车生态系统。然而,由于汽车产业的迭代周期较慢,瑞萨和赛灵思等其他竞争对手仍紧随其后。   
这场自动驾驶革命来得很快也很有前景,但也充满了挑战。虽然风险很大,但进入的将是一个价值数百亿美元的市场。AI及其相关计算,将成为希望进入该领域厂商的重要催化剂。

赛迪智库发布《人工智能“新基建”发展白皮书》

博客自动驾驶小能手 发表了文章 • 0 个评论 • 65 次浏览 • 2020-07-24 14:44 • 来自相关话题









































(作者:赛迪智库)

周青教授:自动驾驶安全性水平还比不上人类司机

博客自动驾驶小能手 发表了文章 • 0 个评论 • 86 次浏览 • 2020-06-18 08:57 • 来自相关话题

在标准工况下让自动驾驶汽车跑起来,已经很难了。如果要在不常见的碰撞工况下实现保护,那就更加任重道远。 ...查看全部

在标准工况下让自动驾驶汽车跑起来,已经很难了。如果要在不常见的碰撞工况下实现保护,那就更加任重道远。

自动驾驶汽车技术发展如火如荼,其安全性备受关注。我们不仅要关注正常行驶工况下的安全性,也要关注非正常工况下的安全性,比如汽车碰撞等小概率事件。我们团队主要致力于研究汽车在危险状态下的安全性。

近年来,汽车安全性提高很快,但是否已经满足了我们的安全需求呢?我认为,在很多情况下都是不满足的。

现在的汽车还未完全实现针对真实道路事故工况的保护。汽车安全设计都是针对指定工况开展的,不可能涵盖所有工况。如果实际的事故工况偏离实验室工况较大,那么,偏离得越多,可能保护效果越差。我们也没有实现针对中国的事故工况和中国人体型的保护。在中国,汽车进入家庭不到20年的时间,汽车行业的很多技术规范和标准基本都是直接沿用汽车发达国家的标准,并没有针对中国人的体型、中国的实际工况来设计。而且,无论是国内还是国外,也还没有考虑未来可能发生什么风险场景、造成什么样的事故。

1592441834359863.jpg

我们发现,实际发生的交通和事故工况是非常复杂的。

首先,人员复杂。比如,目前所有的碰撞保护标准都不是针对老年人的,而我们正在面临社会人口的快速老龄化。20多年前我开始研究老年人的碰撞损伤容限,我们知道老年人损伤容限低,但是我们不知道低多少,我的研究给出了量化结果;再比如,最近二三十年里美国人体重增加很多,使得非标准体重人群比例增加,而汽车碰撞安全性是按照标准体重、标准身材设计的。

其次,工况复杂。过去十几年中,我们做人车碰撞、汽车与自行车碰撞研究,但中国近年来又出现了很多电动两轮车,出现了很多不一样的工况,更别说人车混行、老年代步车以及未来可能发生的新型事故工况了。

着眼未来,智能汽车时代如何考量自动驾驶汽车的安全性?

根据世卫组织的报告,全世界的交通事故要造成每年大约130万人的死亡,其中90%以上的事故成因是由人造成的。我们对未来充满期待,很多人认为自动驾驶普及后,由电脑开车,把人类司机从系统里去除,交通事故风险就能降低90%。但事实并不如此,自动驾驶汽车无非是把犯错误的主体从人变成电脑了。谁见过不犯错误的电脑?谁见过没有漏洞的软件?微软的操作系统,持续改进升级二三十年了,还在不断打补丁呢!

我们姑且先来看看未来智能交通环境下车辆动力学响应与控制的边界,就知道这事儿有多难。如果出现紧急或危险情况,自动驾驶汽车对行车环境的感知、对信息的融合以及通讯都需要时间,作出预判和决策也需要时间,然后到执行层面对车辆进行控制以及车辆的动力学响应还需要时间,而在紧急危险情况下这个反应时间只有几秒钟。再加上传感器失误、通信延迟、软件漏洞、机械故障等,这些工况不常见,但在所难免,应对不当的话就可能发生事故。事实上,目前每年约130万人的交通事故死亡,相对巨大的出行里程,就是小概率事件。正是汽车的主动安全和被动安全技术水平,才保证了减少意外,并在意外发生时减少伤亡。

所以,如果给未来自动驾驶汽车设定一个最低的安全性目标,就至少要达到人类司机的平均水平,确保发生交通事故的概率不高于目前的水平。

1592441810958330.jpg

假设目前的自动驾驶车辆的安全性是四五十分的水平,而我们传统的汽车碰撞安全保护技术只能从95分提升至99分(还剩1分就是我们承受的交通事故伤亡)。这就要求我们两条腿走路,给传统的碰撞安全保护加大难度,让它下沉到90分,能把90分的汽车安全性水平提高到99分,这就是所谓的智能碰撞保护,成为自动驾驶车辆上路的最终安全保障,努力涵盖所有危险工况、不常见的工况。当然,这也是很具挑战性的研发课题。

因此,我们需要启动主被动的碰撞协同保护,即预碰撞保护机制。所有的保护装置可以在碰撞发生前预启动,这是因为已经知道乘员的身高、体重等信息,对一两秒后要发生的碰撞形态和强度大致也可以做出预判,从而提供有针对性的一体化的碰撞保护,比如调节约束系统安全带的力、移动座椅等。

预碰撞保护系统,也叫自适应碰撞保护,我们已经研究了10年。目前有一个科技部支持的、与欧洲19家单位合作的研究项目,两年后结题。该课题的核心任务,首先是要根据现在的交通事故形态推演未来可能会具有什么样的事故形态;然后,基于碰撞预判,在发生碰撞时要把载荷比较均衡地施加在乘员身上,而且约束载荷是针对预判的事故工况和乘员状态配置过的,以此来降低事故损伤。这样一个未来的智能碰撞保护体系可以兼顾人的驾乘舒适性和碰撞安全保护。

我们团队最近的一个研究成果表明,实际碰撞的固有风险包括碰撞强度、乘员坐姿等,还有乘员约束系统引起的非固有风险。未来自动驾驶时代,我们争取把非固有风险降到最低。如果未来的智能汽车有很多是单座车的话,座椅随乘员意愿有更灵活多样的调整空间,乘员约束系统也有很大的改善空间,我们把约束装置搭载在座椅上,还可以针对中国人的体型特征进行设计。

总而言之,在标准工况下让自动驾驶汽车跑起来,已经很难了。如果要在不常见的碰撞工况下实现保护,那就更加任重道远。(作者:周青)

自动驾驶汽车只可预防三分之一事故?

博客自动驾驶小能手 发表了文章 • 0 个评论 • 109 次浏览 • 2020-06-10 09:40 • 来自相关话题

据统计,驾驶员失误几乎是造成交通事故的主要原因。这就是为什么自动化一直被视为潜在的安全游戏规则改变者。但是,根据高速公路安全保险协会(IIHS)的一项最新研究,如果自动驾驶系统像人一样开车,自动驾驶汽车可能只能防止 ...查看全部

据统计,驾驶员失误几乎是造成交通事故的主要原因。这就是为什么自动化一直被视为潜在的安全游戏规则改变者。

但是,根据高速公路安全保险协会(IIHS)的一项最新研究,如果自动驾驶系统像人一样开车,自动驾驶汽车可能只能防止大约三分之一的车祸。

IIHS研究副总裁兼该研究的合著者Jessica Cicchino说:“自动驾驶汽车最终可能会比人类更好地识别危险,但我们发现仅凭这一点并不能防止大量的撞车事故。”
传统观念认为,自动驾驶汽车有一天可能使撞车成为过去。
现实并非如此简单。根据对警方报告的撞车事故的全国调查,驾驶员失误是事件链中的最终故障,导致每10起撞车事故中有9起以上。
但是该研究所的分析表明,其中只有三分之一的交通事故是由于自动驾驶汽车客运避免人为的错误而避免发生,这些错误仅仅是因为它们比人类驾驶员具有更准确的感知能力,并且不容易遭受过失错误。为了避免剩下的三分之二,需要对它们进行专门编程,以将安全性置于速度和便利之上。
该研究的主要作者,IIHS研究科学家亚历山德拉·穆勒(Alexandra Mueller)表示:“制造出能够像人一样驾驶的自动驾驶汽车本身就是一个巨大的挑战。” “但实际上,他们必须比这更好,才能兑现我们都听过的诺言。”
为了估计如果将无人驾驶汽车设计为做出与人类相同的风险决策时可能继续发生的撞车事故,IIHS的研究人员对《国家机动车撞车因果关系调查》中报告的5000多起警察报告的撞车事件进行了调查。这些事故案例由美国国家公路交通安全管理局(National Highway Traffic Safety Administration)收集,代表了美国境内发生的车祸,其中至少有一辆车被拖走,并召集了紧急医疗服务。
IIHS团队审查了案例文件,并将导致崩溃的与驾驶员相关的因素分为五类:“感知和意识”错误包括诸如驾驶员分心、视线障碍和未能及时识别危险之类的事情。当驾驶员错误判断交通间距,错误地估计另一辆车行驶的速度或对另一位道路使用者将要做什么做出错误的假设时,就会发生“预测”错误。
“计划和决定”错误包括因路况而驾驶太快或太慢,主动驾驶或与前方车辆之间的跟随距离太小。“执行和性能”错误包括不适当或不正确的规避操作,过度补偿和其他控制车辆的错误。“失能”涉及因饮酒或吸毒,医疗问题或方向盘入睡而造成的损害。
研究人员还确定,某些碰撞是不可避免的,例如由于车辆故障(如爆胎或车轴损坏)引起的那些碰撞。
在这项研究中,研究人员设想了未来道路上所有车辆都将自动驾驶的未来。他们认为这些未来的车辆将防止那些完全由感知错误或无能力驾驶导致的撞车事故。这是因为可以期望全自动驾驶汽车的摄像头和传感器能够比人类驾驶员更好地监视道路并识别潜在危险,并且不会分散注意力或丧失驾驶能力。
仅由于感测和感知错误而导致的崩溃占总数的24%,而失能为力占10%。如果道路上的所有车辆都是自动驾驶,则可以避免那些碰撞,尽管这将需要能够正常工作的传感器和永不故障的系统。除非专门为自动驾驶汽车编程以避免其他类型的预测,决策和性能错误,否则其余三分之二可能仍然会发生。
考虑一下2018年3月在亚利桑那州坦佩市杀死一名行人的Uber测试车的撞车事故。其自动驾驶系统最初难以正确识别路边的49岁的Elaine Herzberg。但是一旦这样做,它仍然无法预测她会越过车辆的前方,并且它未能执行正确的规避动作来避免在她这样做时撞击她。
计划和确定错误(例如超速和非法操作)是导致研究样本中约40%的撞车事故的原因。驾驶员的故意决策可能导致撞车的事实表明,驾驶员的偏好有时可能会与自动驾驶汽车的安全优先级相冲突。为了使自动驾驶汽车兑现消除大多数碰撞的诺言,必须将其设计为着眼于安全性,而不是在这两种情况不一致时优先考虑骑乘者。
自动驾驶汽车不仅需要遵守交通法规,还需要适应路况并实施驾驶策略,以应对其他道路使用者的行为存在不确定性,例如在人多的地区驾驶比人类驾驶员慢交通或低可见度条件下。
“我们的分析表明,对于自动驾驶汽车要实现其承诺比人类驾驶员更安全的承诺,将安全性置于骑手偏好之上至关重要。”穆勒说。(文稿来源:千家网)

首款智能共享汽车!车门开在车头,显示屏车窗,未来滴滴会这样吗?

博客自动驾驶小能手 发表了文章 • 0 个评论 • 104 次浏览 • 2020-06-09 14:45 • 来自相关话题

网约车软件相信大家都用过吧,它的方便之处就在于:只要在手机上点一点,师傅就会开车过来接我们! ...查看全部

网约车软件相信大家都用过吧,它的方便之处就在于:只要在手机上点一点,师傅就会开车过来接我们!
可以说现在的网约车服务,颠覆了传统的出租车行业!
不过,在无人驾驶技术日渐成熟的情况下,未来可能会出现一批无人驾驶的租车服务。
不久前,德国大陆集团推出了一款自动驾驶概念车——
The Bee 
这款概念车非常小巧可爱,它采用了小型化的设计概念,最多可以搭载两名成人。
此外,它采用了非常灵活的模块化的设计——车厢可以和底盘可以拆卸开来,方便车辆底盘单独进行货运工作。
作为一款无人驾驶电动车,The Bee 与我们目前使用的网约车一样,只需要在 APP上进行下单预约。
不一会儿,它就会如约而至!看到了么?车厢玻璃竟还是一个显示屏,能显示乘客预约信息。
动力方面,The Bee 采用了电力驱动,最高时速为60公里每小时,续航里程为350公里,完全能够应付市区内的出行需求。
车辆的内部玻璃面板也充当了电子显示屏幕的作用,不仅能显示出路况和目的地等信息,用户还可以将自己的手机与之连接,处理一些简单工作~
乘客还能够跟同行的其他车辆进行视频聊天。
除了拥有高度的自驾驶能力外,车辆之间互联早已是标配,多辆一起出行时,后车会自动跟上前车的步伐。
当车辆在路上行驶时,The Bee 系统会观察前方路况为通畅或拥堵,并通过预先设定好的速度和车辆间距,自动控制油门和刹车。
另外在行人出现的路段,车辆的智能系统更会密切观察周围环境。它能自动识别行人信息并停车,在前挡风玻璃显示屏上显示出 Please go ahead ! 并闪烁绿灯、转动车轮,作出避让动作~
与其它常规的车辆相比,The bee 绝不是一般滴灵活。它能在狭小的空间里辗转腾挪实现前轮单独转向,在掉头和转向功能上毫无困难的说。    
而出于对于弱势群体的关爱和人性化的考虑,这辆车还设置了独特的前门,面对老人等不便人群,它就会打开前门、降低底盘,以方便乘客的上下车。
对于残疾人乘客,也是如此~
The Bee 的设计概念可以说十分人性化了,相信它在将来肯定会受到公众的欢迎。
不过目前在自动驾驶技术还未完善,而且相应的配套技术、设施和交通规则还未纳入城市规划的情况下,The Bee 的面市还有一段较长的路要走。

一篇文章告诉你,中国自动驾驶测试19个「热区」都在哪儿?

博客自动驾驶小能手 发表了文章 • 0 个评论 • 126 次浏览 • 2020-06-04 11:01 • 来自相关话题


当新技术最终发展成新的常态时,也许 Hot Zone 的概念就不复存在。

「超过 100 辆了。」

100 辆装载着激光雷达等高科技传感器的汽车整整齐齐排成 5 列,照片上一眼甚至看不到尾部的车辆在哪。

这是文远知行旗下 Robotaxi(自动驾驶出租车)运营的车队,在中美两地 Robotaxi 服务全开放运营超百天,旗下无人驾驶车队超 100 辆规模。

文远知行旗下 Robotaxi 车队超过 100 辆规模,这是个不小的数字|文远知行

在行业里,同时调度运营 100 辆自动驾驶车辆是一个门槛,文远知行车队分布在中美两地,具体有没有跨过门槛不得而知,但已经是一个很大的进步。

事实上,关于自动驾驶汽车上路的新闻不断登上科技头版,让人们感觉自动驾驶时代即将来临。

但是事情并没有这么简单。在中国,自动驾驶还有许多不完善的地方,技术、政策等都有一定限制,为了安全考虑,自动驾驶车辆并不能随意开上路,它依然存在着很多条件,比如每辆车的驾驶位必须配备一名安全员,,并且自动驾驶车辆只能在规定的封闭或公开道路上进行测试,自动驾驶测试牌照就是在规定之下的产物。

从政策上定义来说,测试牌照也是根据政策一步步迭代而来。以北京市为例,2017 年底最初制定的政策当中提到,规模化测试一批次不超过 5 辆,每批次累积完成 5000 公里及能力评估;两年后,政策放宽到一批次不限 5 辆,并丰富了测试内容,增加载人、载物、编队行驶测试等等。

自动驾驶相关政策也在一步步进化|北京市自动驾驶车辆道路测试报告 2019

自动驾驶测试牌照也许是目前自动驾驶公司最希望得到的东西之一,不仅仅是因为拿到牌照是得到了行业和政府级别的认可,最核心的地方在于,在技术还不足够完善的情况下,自动驾驶车辆上路是为了获取大量最真实的数据,这是利用计算机制造仿真场景进行测试给不了的。

因此,从各个地方发放的自动驾驶测试牌照的数量上,就能看出这些区域对于自动驾驶行业的积极性。

《中国智能网联汽车产业发展报告(2019)》显示,据不完全统计,截至 2019 年 6 月 30 日,全国共有 20 余个省区市出台了智能网联汽车测试管理规范或实施细则,其中 19 个城市发出测试牌照,牌照数量总计近 200 张。虽然仅仅过了不到一年,但牌照数量恐怕早就超过了 200 张,侧面也能看出中国对自动驾驶行业的侧重。

在 19 个城市当中,谁才是中国自动驾驶的 Hot Zone,即最火热的地方?极客公园(ID:geekpark)梳理统计了一张图表,看看那些城市正在寻找自动驾驶的最佳机会。

中国各城市自动驾驶发放测试牌照情况|极客公园制图

哪里是中国自动驾驶的热区?

不出意外,北京是中国自动驾驶的「路测圣地」。在《北京市自动驾驶车辆道路测试报告(2019 年)》当中提到,北京市自动驾驶道路测试的申请企业数、车辆数、路测里程均位居全国第一。首都在拥抱新技术落地方面,足够称得上开放二字。

当然,提到自动驾驶,除了北京以外,一般人们会想到的城市就是广州。在这两个分居南北的一线城市中,自动驾驶行业有着最多的拥簇。和北京每年发布自动驾驶道路测试报告的风格不太一样的是,广州的关键词则是「运营」,Robotaxi 的试运营有不少都在这里。

北上广深四大一线城市中,深圳在自动驾驶方面的进展远远落后,目前只有腾讯一家获得了道路测试牌照,而其他三座城市都已开启不同程度的载人测试。

一线城市或者大城市在发展自动驾驶上有着得天独厚的优势,即人才。如果仔细梳理每一家公司的所在地,北京与广州肯定数一数二,这也是为什么提到道路测试,人们首先会想到这两个城市的原因。但三、四线城市,甚至一些县城发展自动驾驶,也有其优势所在——政策的开放。

2018 年 4 月,工信部、公安部、交通运输部就联合发布了《智能网联汽车道路测试管理规范(试行)》,鼓励全国各省市建设智能网联/自动驾驶汽车示范区。诸如保定、襄阳、武汉等有一定汽车产业基础的城市就能够率先开启自动驾驶的步伐。不止如此,在申请流程、路测价格等方面,小城市存在更大的吸引力。以沧州为例,尽管没有什么产业基础,但政策上的开放让它在智能网联建设中取得了行业瞩目的进展。沧州智能网联测试区范围将延伸至沧州市主城区,成为了全国第一个在主城区市政道路开放智能网联汽车测试的城市。

沧州成为了自动驾驶测试的开放城市|百度 Apollo

百度 Robotaxi 落地长沙时,百度集团副总裁、智能驾驶事业群组总经理李震宇曾提到,长沙市政府的决策过程十分高效,自动驾驶落地得以在几个月之内完成。可见政府如果在这方面足够开放,企业方还是有很大需求的。

最后值得说明的是,没有自动驾驶道路测试牌照不代表这些城市不关注智能驾驶。当地是否有配套性的政策出台也能够反映问题,比如长沙专门针对 Robotaxi 的测试进行了道路改造以及相关政策的支持。5G、车路协同等道路端的打造也是城市的重点项目,合肥将建设的 5G 车路协同示范线、杭州号称在亚运会之前建设完毕,投资 707 亿元的自动驾驶高速公路,都是行业良好发展的势头。

测试与试运营双向进攻

以下是部分典型城市的详细介绍:

道路测试:

北京

企业:百度、小马智行、丰田等

从路测角度看,无论是测试距离,或是参与企业数量,北京都是中国自动驾驶热度最高的区域。2018 年开始,北京甚至每年都会发布一份自动驾驶车辆道路测试报告(以下简称《报告》),这一点和美国加州十分相似。

2019 年的《报告》中提到,北京市已累计在海淀区、顺义区、北京经济技术开发区和房山区开放 151 条、总长 503.68 公里的自动驾驶测试道路。从 2018 到 2019 年底,有 13 家企业(涵盖 6 家互联网企业、6 家主机厂、1 家地图厂商)的 77 辆车参与了北京市自动驾驶车辆一般性道路测试,路测里程达 104 万公里。

其中,百度是测试里程数和测试车辆数最多的企业,75.4 万公里的测试里程数占据了将近 1/4。实际上,整个 2019 年在北京测试里程过万的,也只有百度、小马智行和丰田三家。

德清

企业:蔚来汽车、零跑汽车等

没想到,浙江省北部的一个小县城,成为了自动驾驶行业青睐的地区。

在 2019 年 10 月举行的 2019 全球未来出行大会上,无人驾驶体验项目成为公众关注的焦点。同时,德清智能网联汽车封闭测试场正式发布启用,成为全国首个全县域开放的城市级自动驾驶测试区。

用户在德清体验无人驾驶车辆|视觉中国

除自动驾驶汽车道路测试以外,以真实道路场景作为依托,德清打造的自动驾驶与智慧出行示范区可以开展 10 种以上特定场景下的示范应用,包括智能公交、景区无人巴士、智慧停车、无人物流与无人运输、L4 级自动驾驶网约车等。

与近期开放主城区道路测试的沧州类似,德清将重点优势放在了「场景」上。一方面,多场景可以吸引更多不同细分领域的自动驾驶企业,比如乘用车和商用车都可以在这一区域内进行测试;另一方面,全县域和主城区开放的道路在开放程度上更高,有利于车企获取数据的多样性。

打个比方,一辆自动驾驶汽车开到北京四环和六环外一个偏僻的道路上,道路复杂程度一定是不可相比的,但目前北京自动驾驶道路测试限制在五环之外,这就是道路开放程度的差异。

自动驾驶试运营

广州

企业:小马智行、文远知行

与北京不同的是,广州的关键词是运营。文远知行、小马智行(Pony.ai)都在广州开展了 Robotaxi 试运营项目。

2018 年 2 月,小马智行在广州南沙落地了中国首支常态化试运营的无人驾驶车队,同年 12 月发布了 PonyPilot 项目的同名内测版小程序。通过小程序,试乘者在覆盖区域内可以自由选择想去的目的地。

文远知行在近日也宣布 Robotaxi 开放运营已经超百天。有 40 多辆自动驾驶汽车在广州黄埔区、开发区开展的 Robotaxi 开放运营。文远知行在 2020 年初还发布了一份 Robotaxi 试运营报告,里面提到在 2019 年 12 月无人驾驶出行订单共完成了 8396 个出行订单,订单总里程达到 41140 公里。

虽然是试运营,但 Robotaxi 这件事对自动驾驶行业来说意义重大,它能帮助自动驾驶公司完成「获取数据」这一环节,进而可以完善自动驾驶行业的技术迭代。

广州就这样成为了自动驾驶公司的一块「福地」。就在 5 月初,百度 Apollo 也与广州开发区签订战略合作协议,双方在自动驾驶、智能交通等领域开展全面合作。百度 Apollo 将深度参与广州开发区智能网联先导区建设,助力开发区打造人工智能世界级产业集群。

百度李震宇说到,无人驾驶时代的交通出行一定会到来,在向那个最高点持续攀登的过程中,Apollo 选择将合适的产品阶段落地,将智能驾驶技术带来的价值不断释放,即「攀登珠峰,沿途下蛋」。Robotaxi 的试运营就像是一枚金蛋,其中凝聚着的价值还有许多潜力未被释放。

上海、长沙

企业:滴滴、AutoX、百度等

比起广州,上海并没有多家自动驾驶公司在此处进行试运营,起步的时间比较晚。但这不妨碍它寻找到自己的「阵地」。

广州的 Robotaxi 试运营采用的是专用的 App 或者小程序,尽管是小规模针对普通用户开放,实际使用起来,难免有用户认知的一层障碍存在。

一个明显的好处在于,上海、长沙等地正在将专用的 App 过渡到人们日常使用 App,近日的新闻 AutoX 接入高德地图就是典型的例子。如果将自动驾驶打车试运营接入到月活几亿的 App 中,消费者的活跃度和对自动驾驶的认知必定会大大提升。

另外,据极客公园了解,滴滴也即将在上海开启 Robotaxi 试运营,百度地图已在长沙上线自动驾驶出行服务的板块,都是一样的道理。作为和用户离得最近的出行服务,也许可以将 Robotaxi 与普通民众贴的更近一些。

中国电动汽车百人会智能网联研究院在最近发布的《自动驾驶七大应用场景商业路径发展洞察》中提到,Robotaxi 正在和民众日常出行习惯逐渐融合。在技术迭代速度变快,成本下降的时期,面向公众的自动驾驶开始快速发展,呈现出固定点到点-区域上下车、特定人群-公开人群-免费-收费、单一城市-多个城市的趋势。

Robotaxi 在迭代过程中正在快速接近用户习惯 | 中国电动汽车百人会

目前规模最大的自动驾驶公司 Waymo 旗下有 600 辆自动驾驶汽车正在测试或者试运营,其中还包括不配备安全员的 Robotaxi。根据初期的用户反馈,有没有安全员的 Robotaxi,乘坐体验上都非常相似。可见用户对于这项新产品的初步反馈还是比较信任的。在更加拥抱创新的中国,也一样如此。

据瑞银集团 (UBS Group AG) 分析师预测,到 2030 年,全球自动驾驶出租车市场每年的价值可能超过 2 万亿美元。而麦肯锡研究报告则显示,中国将成为全球最大的自动驾驶市场,到 2030 年,自动驾驶汽车总销售额将达 2300 亿美元,基于自动驾驶的出行服务订单金额可达 2600 亿美元。实际上,如果算上智能交通,自动驾驶这块蛋糕要大得多。

Hot Zone 只是自动驾驶技术的前瞻试验场,这些区域也许会成为自动驾驶最早进入日常生活的地方。RoboTaxi 从早期的固定点到点的上下车扩大到区域任意点上下车,从面向特定人群扩大到普通民众,从免费体验逐步过渡到收费运营,更贴近消费场景,为 RoboTaxi 大规模推广打下了基础。

值得一提的是,相关政策、企业运营经验、技术与人如何更好地相处,也会变成新技术落地,推向市场可参考的重要内容。当新技术最终发展成新的常态时,也许 Hot Zone 的概念就不复存在。

李克强:智能网联汽车发展现状、对策建议

博客自动驾驶小能手 发表了文章 • 0 个评论 • 122 次浏览 • 2020-06-02 14:02 • 来自相关话题


两会专访丨方运舟:我国新能源汽车如何保持领先优势

博客自动驾驶小能手 发表了文章 • 0 个评论 • 148 次浏览 • 2020-05-25 09:11 • 来自相关话题

 精彩观点摘要“补贴延长,有助于保持中国在新能源汽车领域的领先优势”“新能源汽车市场,目前不是产品之间的竞争,也不是新能源汽车之 ...查看全部

 精彩观点摘要

“补贴延长,有助于保持中国在新能源汽车领域的领先优势”

“新能源汽车市场,目前不是产品之间的竞争,也不是新能源汽车之间的竞争,而是新能源汽车与传统汽车之间平衡或者竞争的过程。”

“对于新造车企业而言,未来突破点就在智能化和新技术应用。”

“一些高速公路上的充电桩由于损坏或缺乏维护,导致不能充电,占比达20%-30%,甚至有可能更多。”

“新能源汽车的普及将促进新基建的发展,反过来,新基建的完善也将加快新能源汽车的普及。”

我国新能源汽车行业正在遭遇前所未有的巨大挑战,补贴退坡,销量下滑,外资品牌加剧竞争,再加上新冠疫情的多方面冲击。

1590369084972615.jpg

不过,在全国人大代表、浙江合众新能源汽车有限公司董事长方运舟看来,这些挑战并不可怕。5月21日,他在接受《智能网联汽车》杂志记者采访时表示,我国新能源汽车经过10年发展,已经形成先发优势。国家出台的补贴延期等支持政策,将助新能源汽车行业度过暂时的难关,继续保持领先优势。未来,随着中国新能源汽车企业的不断发力,更多高端产品的陆续投放,加快品牌向上的突破和提升,中国在新能源汽车领域的领先优势有望进一步突显。

至于新冠疫情对新能源汽车行业的影响,方运舟认为,一是导致居民消费越来越谨慎;二是造成部分零部件供应不及时。“我们新上市的哪吒U智能电动车订单火爆,受疫情影响,零部件短缺,订单满足率只能达到20%~30%。”方运舟告诉记者,经过此次疫情,将更多思考如何支持零部件企业稳健、可持续地发展。

“扶持政策将助力保持领先优势”

在国家一系列政策扶持下,经过十年的发展,我国新能源汽车产业取得了显著的成绩,产销量连续多年保持世界第一,成为了领跑者,在技术、产业环境方面具有一定的优势。

但是,作为新兴产业,我国新能源汽车产业依然存在很多问题。方运舟指出,我国新能源汽车行业技术更新快,产品无规模效应,利润微薄甚至亏损;新能源汽车关键系统供应链资源紧张,成本居高不下;新能源汽车品牌溢价能力不足,二手车残值率低;尤其是在今年新冠肺炎疫情影响下,汽车市场持续下滑,消费呈疲软态势。

所以,基于行业现状和发展趋势,结合今年疫情的影响。方运舟建议国家研究出台政策,以支持新能源汽车稳定健康发展。具体政策建议包括:

1、大力推进对公市场使用新能源汽车;

2、放开城市新能源汽车限购指标;

3、支持新能源汽车下乡,拓展农村市场;

4、积极推进路权、电价、停车、高速收费等方面给予新能源汽车优惠;

5、延长国补政策退坡时间,加快资金结算;

6、给予金融、税费及资金支持;

7、给予新能源汽车企业专项研发资金支持,助力技术升级;

事实上,今年以来,国家已经出台了新能源汽车补贴延续两年的政策。方运舟认为:“从今年短期看,新政对新能源汽车供给侧和需求侧都会产生一定的刺激效应,将遏制此前新能源车市下滑趋势。另一方面,也将有效缓解新能源车企的成本压力,为产业发展形成更大的成本效应赢得必要时间。从长期来看,新政将使国内新能源补贴政策在时间维度上与国际市场保持一致,有助于保持中国在新能源汽车领域的领先优势。”

“未来突破点在智能化和新技术应用”

尽管政策延期,但是补贴退出是早晚的事,新能源汽车企业总要面对越来越激烈的竞争和挑战。方运舟对于竞争有着多维度的思考。

“新能源汽车市场,目前不是产品之间的竞争,也不是新能源汽车之间的竞争,而是新能源汽车与传统汽车两个业态或者两个系统之间的一个平衡或者竞争的过程。”方运舟表示,特斯拉的出现,会让用户更能感知到新能源汽车与智能科技所带来的好处。另外,特斯拉国产化降价,也从侧面证明了中国新能源汽车这些年来在技术和零部件方面实现了不断优化和提升。

在激烈的竞争环境下,面向未来,新能源汽车企业如何建立核心优势呢?方运舟认为,应该从产品布局、模式创新、服务创新等方面发力,全面提升我国新能源汽车高质量发展水平。具体可以采取以下措施:

第一,要把新技术快速地应用到车上去。这是新能源汽车相比传统汽车所具有的优势。

第二,要做好产品和质量。产品为王,质量为本,打造高品质的智能电动汽车,将新能源汽车市场进一步做大,为消费者提供更优质、更多元的选择。只要产品过硬,质量服务够好,消费者自然会接受。

第三,在用户服务方面,要有自己的创新,要让用户在使用过程中体验到惊喜,才能快速赢得消费者的喜爱。

要想赢得消费者喜爱,汽车智能化技术是重要的砝码。方运舟告诉记者,近年来,汽车智能化技术发展很快,哪吒U已经实现L2+级自动驾驶的水平,各项智能化配置很受年轻消费者青睐。

“对于新造车企业而言,未来突破点就在智能化和新技术应用。”方运舟坚定地说,尽管受疫情影响,经营有困难,但合众不会减少智能网联领域的研发资金,反而会加大投入。

据方运舟介绍,合众在智能化方面制定了详细的发展战略。通过聚焦EPT2.0动力总成平台、PIVOT2.0智能座舱、PIVOT Driver 2.0智能驾驶及域控制器,深度赋能产品系列。

今年刚上市的哪吒U,就是集众多智能科技于一身的一款纯电SUV。全球首搭量产的“透明”A柱和车内生命体征监测系统,以及同级独有的小You智能机器人、IME互动呼吸灯,同时还配备L2+级自动驾驶辅助系统、全车AI语音控制,能够为用户带来智能互联的新鲜体验。

“发展新基建,将加快新能源汽车普及”

影响新能源汽车发展的还有充电基础设施。合众汽车在市场调研时发现,充电基础设施建设不完善,影响新能源汽车使用的便利性。主要体现在充电基础设施建设的规模不足;已建成的充电桩主要分布在在郊县等偏远地段,中心城区的数量相对少,充电基础设施空间分布不合理;充电桩的维护不到位,部分地区出现“故障桩”、“僵尸桩”。“一些高速公路上的充电桩由于损坏或缺乏维护,导致不能充电,占比达20%-30%,甚至有可能更多。”方运舟担忧地说,“要支持新能源汽车稳定发展,必须打破充电基础设施的制约。”

当然,新能源汽车作为新生事物,在发展初期存在充电接口不统一、充电设施不完善等问题,完全可以理解。方运舟认为,随着新能源汽车的日渐普及,充电桩会越来越规范和统一。尤其是“新基建”的推动下,充电桩的建设步伐会加快,最终达到车桩平衡。

今年初,为刺激经济发展,国家鼓励发展“新基建”,包括括5G基站、新能源汽车充电桩、大数据中心、人工智能等领域。除充电桩与新能源汽车直接相关外,5G、人工智能等也与智能汽车息息相关。

方运舟表示:“未来新基建中智慧交通、智慧城市以及数字化建设等相关内容,与新能源汽车结合将会越来越多,相互融合贯通、相互促进。新能源汽车的普及将推动促进新基建的发展,反过来,新基建等各种设施的完善也将加快智能新能源汽车的普及。”

随着“新基建”风口的确立,各路资本纷纷涌入,掀起了新一轮充电桩投资热潮。有人担心出现野蛮生长、资源浪费的情况,方运舟认为,在当前的政策背景下,汽车企业和充电桩企业,充电桩企业之间将会深入沟通,通力合作,不会造成大规模的重复浪费,充电桩的建设会逐渐趋于合理布局。(作者:吕钊凤|智能网联汽车杂志)

自动驾驶商业化运营的三大痛点

博客自动驾驶小能手 发表了文章 • 0 个评论 • 219 次浏览 • 2020-05-21 17:56 • 来自相关话题

在无人配送、无人出租汽车、干线无人物流车等领域,国内大多数企业的自动驾驶能力,已经具有了一定的商业化条件,但距离完全意义上的自动驾驶应用还有很长的路要走。 ...查看全部

在无人配送、无人出租汽车、干线无人物流车等领域,国内大多数企业的自动驾驶能力,已经具有了一定的商业化条件,但距离完全意义上的自动驾驶应用还有很长的路要走。

1590055021912350.jpg


围绕自动驾驶技术商业化应用场景以及相关标准、法规等话题,5月12日,在中国电动汽车百人会召开的自动驾驶商业应用场景高端研讨会上,来自产学研领域的10余位专家,在云会议上进行了精彩的研讨。
会议同期还发布了由中国电动汽车百人会智能网联研究院联合“自动驾驶城市示范与产业协同创新联盟”成员企业共同推出的自动驾驶应用场景与商业化路径系列研究报告,包括Robotaxi、干线物流、无人配送、无人环卫、无人公交、封闭园区物流以及自主代客泊车等七大应用场景的研究成果。
“经过十多年的发展,国内的自动驾驶有了长足的进步,尤其是在今年的疫情期间,自动驾驶的商业化得到了很好的验证。”来自中国电动汽车百人会智能网联研究院的朱雷博士,充分肯定了国内自动驾驶商业化的落地情况,不过,在商业应用场景的未来发展层面,他也指出,当前行业发展依旧存在很多痛点。

01技术成熟度有待提高

1590054871353139.jpg

“无人配送预计3-5年内能够实现规模化应用,但就目前来看,技术层面还是有比较大的挑战,尤其是在传感器和计算方面。”美团首席科学家、AI平台部总经理夏华夏表示,自动驾驶技术是一个复杂的多层软件和硬件的系统工程,尽管美团现在在自研包括云端的软件和车载的软件,同时也在跟很多供应商合作研发或者选取硬件的平台,但随着越来越多车载传感器的集成,对计算性能的要求也会非常高。

无人驾驶与公共交通结合,是解决目前城市拥堵问题的有效途径,但由于无人公交对安全的高标准以及国内线控底盘技术十分薄弱,以致于多数商用车企业多在1-3公里简单的环线上开展低速运营,因此,在海梁科技董事长胡剑平看来,自动驾驶在公共交通场景的落地,需要技术及产业链端成熟度的不断提升。
“无人驾驶公交在初期是以单车智能为主,未来一定是做车路协同和群体智能。”针对发展车路协同的技术,胡剑平还强调,无人驾驶和公共交通的结合不仅是一台车,不是单车就能解决问题的,一定是一个系统和生态。
“自动驾驶技术本身就具有复杂性,软硬件的开发以及整车的集成测试,都是异常艰巨的。”嬴彻科技执行副总裁黄刚指出,要做到自动驾驶商业化落地,不只是把自动驾驶的技术跟卡车这一端连接起来,车端也要做非常复杂的智能化升级开发,包括电子架构、供电系统以及线控底盘的开发等。

02安全性问题不容忽视

“城市场景下的路况非常复杂,经常有人横穿道路,甚至会出现‘鬼探头’的情况。”针对自动驾驶商业化落地中的安全性问题,美团首席科学家、AI平台部总经理夏华夏认为,在城市场景下,无人配送车的安全问题不容忽视,需要在自动驾驶的软件,包括车辆底层的“小脑”都要具备对这类人和物的识别能力。同时,他还强调车辆的安全问题,不仅要考虑物理的安全,也要考虑网络的安全。
1590054897369374.jpg
与美团首席科学家、AI平台部总经理夏华夏持相同态度的,还有嬴彻科技执行副总裁黄刚。他认为,在产品端,首先要满足在功能安全性上真正可靠,并能按照汽车行业的标准能够实现量产,像ADU(自动驾驶计算平台)、激光雷达等都要满足相应的标准,并能保证车辆在极端严酷的高低温、电磁干扰环境中正常运行。
1590054915344778.jpg
“对于无人驾驶环卫车而言,安全稳定性的要求是其非常重要的一个指标。”智行者联合创始人李晓飞指出,无人驾驶环卫车作业的环境非常复杂,崎岖不平的道路会对无人车产生很大的震动影响,甚至在清扫的过程中也会有灰尘遮挡住激光雷达,而这些都是不能忽视且在设计之初就要做好的环节。

03政策法规需要加速完善

“相关政策的不完善,也是自动驾驶商业化落地运营的一大难点。”在美团首席科学家、AI平台部总经理夏华夏看来,工厂内的AGV、楼内的配送车以及港口的货运车,都有自己的路权,然而Robotaxi、无人配送车以及城市巴士等却需要跟其他的社会车辆共享路权,甚至还会有触碰到相应的法律法规的风险,这需要联合行业以及政府的专家一起去推动解决。
测试道路,是自动驾驶卡车领域尤为关注的一个问题。嬴彻科技执行副总裁黄刚指出,尤其是面向高速公路的场景下,大卡车、牵引头、挂车需要有合适的测试道路,包括封闭道路、开放的测试道路,此外,他还希望上路之前法规认证这些体系能够尽早地完善起来,以助力自动驾驶卡车领域,早日实现商业落地。
1590054937871873.jpg
“受限于法律法规,从目前的发展情况来看,在美国的测试进度要比国内相对快一些。”图森未来合伙人、高级副总裁吴楠补充到,从技术层面上来说,图森未来能够满足相关的自动驾驶卡车在高速公路上运营的技术上的要求,但国内在高速公路上的正式商业化,还需要相关法律法规的支持。目前图森未来在等国内的政策逐步开放,以期让在美国等多地进行验证的技术在中国也可以应用及实现。(作者:郭王虎 | 智能网联汽车杂志)

联想:下一波AI浪潮更大

博客自动驾驶小能手 发表了文章 • 0 个评论 • 143 次浏览 • 2020-05-18 14:41 • 来自相关话题

人工智能是一个广阔的领域,涵盖了图像识别,自然语言处理(NLP)和机器人技术等各个领域。人工智能技术的发展有时似乎是疯狂的,因此很难跟上所有正在发生的事情。毫不奇怪,许多组织寻求其IT供应商合作伙伴来帮助他们开发和部署AI解决方 ...查看全部

人工智能是一个广阔的领域,涵盖了图像识别,自然语言处理(NLP)和机器人技术等各个领域。人工智能技术的发展有时似乎是疯狂的,因此很难跟上所有正在发生的事情。

毫不奇怪,许多组织寻求其IT供应商合作伙伴来帮助他们开发和部署AI解决方案,以最好地满足他们的需求。David Ellison是联想的高级人工智能数据科学家,他的职责包括使用尖端的AI技术为客户组织提供解决方案,同时内部支持联想全球数据中心集团的总体AI战略。
联想已经商业交付的项目包括使用卷积神经网络从图像中提取特征并将其分类为缺陷或非缺陷的工厂中检测制造缺陷的项目。联想还为赛车公司开发了计算机视觉系统,以决定是否应召唤特定的赛车维修保养。
根据Ellison的说法,今年和不久的将来,人工智能的主要趋势包括基于计算机视觉的应用程序,用于训练AI模型的数据生成和数据标记算法的开发以及归因于变压器的自然语言处理的快速发展。
让我们仔细看看联想对AI的一些主要近期趋势的概述。
计算机视觉
在计算机视觉方面,开发人员和研究人员现在开始探索将这种能力与人工智能的其他一些领域相结合的实用方法,比如机器人技术或自动应用图像字幕等应用的自然语言处理。据Ellison说,这部分是因为计算机视觉的一些基本问题已经被证明很难解决,研究人员正在寻找新的方法来解决这些问题,而不是简单地推动研究领域向前发展。
“我认为我们在解决一些核心的计算机视觉任务时遇到了问题,比如3D投影,”埃里森告诉Next平台。“例如,当你看到一张图片,一栋建筑的二维图像,人类的大脑可以将其推断成三维的形状,但机器很难做到这一点。”在这方面已经有很多研究,但这是一个尚未解决的核心问题,我认为人们会感到沮丧,会尝试一些新的东西,或者尝试将它与其他领域相结合,找到更好的用途。”
Ellison认为,这就是为什么机器人技术是目前最广泛研究的人工智能领域之一,因为它为人们提供了一个明确的目标。他列举的例子包括使人工智能能够使用视觉感应在其周围的空间中安全移动——无论是制造工厂的机械臂,还是使用人工智能导航到目的地的自动车辆。
训练数据
已经熟悉AI的人们会知道,成功训练模型的关键因素之一就是数据,其中很多都是数据。实际上,对它进行训练的数据越多,传递所需结果的效果就越好。根据埃里森的说法,计算机视觉目前正处于困境中,因为用于训练模型的数据集没有足够多的样本。例如,用于训练模型以导航室内空间的广泛使用的3D空间吉布森数据库(Gibson Database of 3D Spaces)包含572座由1,447层楼组成的完整建筑物。虽然令人印象深刻,但这不太可能是人工智能系统在现实世界中可以满足的全面要求。
当对象的方位与训练计算机视觉模型时的方位不同时,会发生类似的问题。在广泛用于AI训练的ImageNet数据集中,“一切都像是一张椅子,只是一张椅子的照片,它位于房间正对着摄像机的中间。如果您将椅子的侧面翻过来,计算机视觉应用程序突然会认不出椅子。”Ellison说。
这个缺点是一个名为ObjectNet的新数据集的灵感来源,它以不同的配置显示日常项目,例如椅子翻转或倒置。这个训练集被用来解决计算机视觉的一些缺点,例如不能识别方向不正常或部分模糊的物体。
但是获取足够大且多样化的数据集进行AI训练的问题仍然存在,这导致了Ellison识别出的另一个主要趋势,即使用AI首先帮助生成数据集的趋势。
自我监督与综合数据
建立数据集需要人工操作人员对数据进行大量手动标记,因此,现在越来越多的研究项目集中在自我监督算法上,这些算法可以获取已收集的数据并使计算机自动为数据添加标签。
“一个典型的例子是带有计算机视觉应用程序和接近传感器的机器人。计算机视觉比接近传感器能够看得更远。但是随着机器人的前进,计算机视觉中出现的东西最终将作为对象出现在接近传感器中。”埃里森解释说。获取该传感器数据并及时回溯到首次看到该对象的时间,然后可以对其进行标记。 
开发人员面临的另一个挑战是,一旦部署,AI系统极不可能遇到的数据点,因此可能无法在训练数据集中表示。但是,如果这些边缘情况代表实际情况,则需要考虑这些情况,以确保AI模型正确处理它们。 
“关键示例是自动驾驶汽车。您的数据集中将有多少次在黄昏的暴风雪中开车上山?您不会在数据集中拥有很多这样的情况,因此它们实际上必须进行模拟数据。” Ellison说。 
换句话说,通过使用通过多种方法(例如生成模型)创建的综合数据来解决极端情况。但这提出了一个问题,即数据科学家或开发人员如何才能确保此类合成数据能够准确表示AI在现实生活中会遇到的情况。 
Ellison承认:“这是一个主要问题,”到目前为止,解决方案是仅生成更多数据,并希望这将为那些用例提供足够的综合数据。但是,还使用了诸如神经网络自动编码器或更复杂的生成对抗网络(GAN)之类的方法,其中一个网络创建合成数据,第二个网络用于判断该候选数据的质量。 
“因此,它认为这种示例足够现实,这是对自身的一种训练。您同时训练两个神经网络,一个生成这些示例,一个判断这些示例,并希望最终得到更现实的东西。” Ellison说。 
GANs已经被用于生成数据的一个很好的例子是“深度伪造”技术,这种技术已经被用于创建逼真的人脸,或者改变视频,使视频中的人看起来像是在单独的音轨中说话。据埃里森说,这表明了这类模型已经达到的复杂程度。
转换自然语言处理
与此同时,过去几年自然语言处理领域的成功案例之一是基于转换的深度学习模型,埃里森相信这些模型将继续占据主导地位。这是因为它们已经发展到能够识别句子之间的依赖关系和连接,而早期模型中使用的递归神经网络(RNNs)本质上是顺序的,往往会失去单词的上下文。
“如果您看一个变压器,它具有蒙版的多头注意力层,添加和规范层以及前馈层,但是它不具备RNN具有的所有反馈机制,实际上会减慢处理速度,因此它们能够看到更大的区域。”
根据Ellison的说法,这会影响模型解释含义的能力,因为RNN在识别多个句子中的同一实体方面存在问题。
“ RNN非常擅长用“蒂姆搬椅子”这样的句子来确定主题,但是如果您跟进“他有红头发”,我们知道这里的“他”仍然是指蒂姆,但是一种算法可以很难在这两个句子之间跳跃。递归神经网络在这样做时遇到了问题。”
这种架构已导致变压器在许多最近开发的NLP模型中扮演重要角色,例如Google的BERT和OpenAI的GPT-2,以及Facebook的RoBERTa和Microsoft的MT-DNN,它们在诸如此类的NLP任务中显示出巨大的希望例如文档分类,情感分析,问题解答和句子相似度。(作者:THE NEX TPLATFORM)

赛迪观点丨新基建助力5G和AI芯片发展

博客自动驾驶小能手 发表了文章 • 0 个评论 • 174 次浏览 • 2020-05-09 16:43 • 来自相关话题

高技术含量、广阔市场前景以及对生产生活的变革性影响使5G和人工智能成为全社会关注的焦点,集成电路在5G和人工智能领域发挥着基础支撑作用。新基建加速5G和人工智能产业的发展,为集成电路带来更为广阔的市场空间,将进一步推动集成电路产业高速发展。 ...查看全部

高技术含量、广阔市场前景以及对生产生活的变革性影响使5G和人工智能成为全社会关注的焦点,集成电路在5G和人工智能领域发挥着基础支撑作用。新基建加速5G和人工智能产业的发展,为集成电路带来更为广阔的市场空间,将进一步推动集成电路产业高速发展。

新基建提速5G通信芯片发展

(一)新基建助力5G网络建设进一步提速

根据工信部的数据,截至2020年3月底,全国已建成5G基站19.8万个,5G套餐用户规模超过5000万户,5G终端连接超过2000万。2020年,在新基建浪潮推动下,国内5G网络建设将进一步提速。三大运营商计划在2020年新建50万个5G基站,5G相关资本开支1803亿元,实现5G网络覆盖全国所有地级市及以上城市。预计2019—2026年间,国内5G通信市场总体规模将超1万亿元。

(二)新基建5G通信推动芯片“量质同升”

基带芯片、射频收发器芯片及射频前端芯片等集成电路芯片和元器件为5G通信提供了基础性支撑。以射频前端芯片为例,射频前端芯片是移动通信设备的核心器件之一。受益于5G新基建的带动,5G通信芯片的需求大幅增加。一方面,5G基站部署数量有望达到4G基站的1.5倍,新建基站数量的增加带来射频前端芯片需求量的增加;另一方面,5G通信采用了载波聚合和大规模多输入多输出等关键技术,带来了射频前端芯片需求量的成倍增长。此外,5G通信更高的频段和更大的带宽对射频前端芯片性能提出了更高的要求。例如,基站侧射频功率放大器将由横向扩散金属氧化物半导体工艺向具有高频率、高功率特性的氮化镓工艺演进,基站侧滤波器将由金属腔体滤波器转向体积更小、性能更优的陶瓷介质滤波器,终端侧射频前端芯片由传统分立方案向集成度更高、性能更优异的射频前端模组演进等。

(三)抓住新基建发展浪潮推动5G通信芯片快速发展

一是充分发挥5G通信整机企业对集成电路的带动作用。5G通信芯片和元器件是5G通信整机产业链中的重要一环。应充分发挥整机企业的带动作用,以产品为导向、应用为牵引,加强5G新基建相关通信芯片上下游企业的协同合作。鼓励整机企业培育扶持更多5G通信芯片供应商,为5G通信芯片企业提供验证试错机会,并与5G通信芯片企业联合通关解决试用中发现的问题,提升5G通信芯片企业的技术水平。

二是建立5G通信芯片领域的国家级制造业创新中心。通过建设制造业创新中心,集聚国内行业创新资源,搭建5G通信芯片共性技术研发中试线平台,加强前沿和共性关键技术研发,建设服务5G通信集成电路产品产业化的公共服务平台,打通技术产业化链条。

三是引导5G通信芯片产业合理投资布局。应引导5G通信芯片相关企业合理布局,避免资源过度分散。引导地方政府结合本地现状合理定位,因地制宜发展5G通信芯片产业,避免盲目跟风和信息不对称带来的资源浪费。

新基建助力人工智能芯片实现突破

(一)新基建为人工智能芯片提供广阔市场需求

芯片是实现人工智能技术创新的重要载体,我国推动新基建将为人工智能芯片带来广阔的市场空间。根据IDC数据,2019年我国AI芯片市场规模为122亿元。根据新基建投资测算,预计2025年,人工智能基础设施建设新增投资约为2200亿元,人工智能核心产业规模超过4000亿元,这将使AI芯片市场规模超过300亿元,年均增速达到20%。

(二)我国人工智能芯片产业发展潜力巨大

目前,我国人工智能在图像识别、语音识别等算法和应用领域取得进展,涌现出一批创新型企业。由于技术门槛较高,国内人工智能芯片的产业化应用仍处在发展初期,但近年来也发展迅速。在云端训练和推理芯片部分,以百度、阿里、华为、寒武纪、比特大陆和上海熠知等为代表的国内企业,已陆续发布多款代表性芯片,并实现产品应用。在设备端推理芯片部分,新兴创业芯片公司较为集中,产品性能和功耗可与海外同类产品相匹敌,但未来该市场的竞争将较为激烈。国内海量的数据和丰富的应用场景,成为国内人工智能芯片发展的重要驱动力。特别是国内企业果断把握时机,积极投入专用集成电路芯片研发。同时在面向前沿的类脑计算领域,也涌现出了西井科技、深思创芯、灵汐科技等开发人工智能神经网络平台芯片的代表性企业。

(三)把握新基建机遇推动我国人工智能芯片实现突破发展

一是加快突破人工智能芯片核心技术。加速构建满足人工智能应用需求的人工智能芯片产品体系,重点发展针对人工智能算法及应用场景定制的ASIC芯片,支持由终端向云端逐步突破的图像处理器(GPU)芯片,推广基于现场可编程逻辑门阵列(FPGA)芯片的应用解决方案。加强面向人工智能算法的指令集和面向卷积、矩阵乘法等深度学习基础任务的计算架构创新,推进新型高带宽内存技术和高速通信接口技术创新。加强前瞻理论技术研究布局,研究软件定义芯片等新型可重构芯片技术,研究类脑智能计算理论,重点突破具备自主感知、学习和推理能力的类脑芯片及系统。

二是依托新基建开展人工智能芯片规模应用。鼓励各地区结合自身产业及科研优势,培育面向智能手机、安防监控、自动驾驶、医疗影像、互联网智能服务等具备区域发展特色领域的人工智能应用及芯片创新产业。通过政策引导、资金支持、构建数据开放机制等方式,协力推动人工智能技术在制造业、医疗、农业、电子商务等领域的深入应用。

三是培育人工智能芯片产业生态。发展人工智能芯片软件配套设施,打造包含硬件驱动、函数库、编译器等在内的软件开发工具包,形成面向开发者友好易用的编译环境。加速提升集成电路设计、制造、封测水平,完善芯片设计自动化工具(EDA),突破核心知识产权(IP),推进先进工艺商用,提升三维硅通孔等先进封装和先进芯片测试技术水平。构建人工智能芯片、应用软件与整机系统的协同优化体系,推进基于人工智能芯片的新型智能终端及智能应用解决方案的创新发展。(作者葛婕、夏梦阳供职于赛迪智库集成电路所)

腾讯云副总裁王龙:解决AI技术落地难题,“解耦”是关键

博客自动驾驶小能手 发表了文章 • 0 个评论 • 296 次浏览 • 2020-05-06 15:24 • 来自相关话题

在AI技术突破此起彼伏的今天,如何解决AI技术的产业落地问题,真正让AI为企业实现“降本、增效、创新”的目标,最终实现AI和产业  互联网的融合?腾讯云副总裁王龙结合自身经历和产业 ...查看全部
在AI技术突破此起彼伏的今天,如何解决AI技术的产业落地问题,真正让AI为企业实现“降本、增效、创新”的目标,最终实现AI和产业  互联网的融合?腾讯云副总裁王龙结合自身经历和产业实际,对这一问题发表了自己的观点。

近年来,AI技术已经深深渗透进越来越多的行业。从金融、医疗、交通运输到娱乐领域,AI已经无处不在。

但随之而来就是AI技术“落地难”的问题,如何让AI新技术从人们口中的“热词”真正成为身边的“热应用”,真正为企业实现“降本、增效、创新”的目标,最终实现AI与产业互联网的融合?

在2019年3月27日举办的新智元 “智能云·芯世界“AI技术峰会上,腾讯云副总裁王龙先生发表了题为《人工智能:产业互联网的”芯“动力》的演讲,对这一话题分享了自己的想法。

以下为新智元整理的演讲内容:

腾讯云副总裁 王龙

各位来宾,各位朋友,早上好!感谢新智元的邀请,让我有机会和大家分享一下我对AI与产业互联网的一些想法。

过去的二十年,我在中国、德国、美国的IT行业中历炼,经历过很多新技术从孵化、热炒再到成熟的整个周期。从最早的ERP到MES,再到后来的云计算、移动支付和AI。可以看到一个共同的现象,就是很多时候一项新技术作为当时热词很流行,真正进入实体经济之后却往往会遇到很多困难。同样的,AI显然也遇到了相同的情况。

过去的两年中,腾讯云与IT界各企业服务公司开展了很多合作,也有很多成功的案例。我们也在不断思考,AI到底如何才能走向成熟?如何才能让这些热词、这些技术为实体产业带来真正的动力?

我们先来看看已经被证实的,AI确实能够有效服务产业互联网的场景。

AI已经解锁的一些产业互联“芯”场景

降低成本:智能客服、智能核保

基于语音识别、自然语言处理等AI技术的智能客服解决方案,已经可以为金融客户节省90%以上的客服人员和质检人员,实现7*24小时的在线客服问答,并提供更加高效和客观的客服质量管理。

与之类似,AI文字识别和自研语音处理技术在保险理赔和核保领域,也可以实现提高审核效率、节约人工成本的效用。通过自动化技术能够在几小时、甚至几分钟之内给出保单的核保结论。

提升效率:实人实名、地铁安检

现在很多人会使用手机做一些和金融相关的操作,去政府部门办事的时候,不管是提取公积金,还是处理医疗保险,都可以使用AI实人实名服务来登录和验证身份,平均业务办理时间减少70%。而过去使用传统认证方式,涉及到身份认证可能80%需要去现场办理。

北京的上班族对地铁安检一定不陌生。尤其在早晚高峰时段,进站安检的时候排队往往很长。但是在人流密度极大、安检人员配备接近饱和的情况下,一台安检机能否起到维护安全的作用?安检机制的有效性如何保证?会不会成为一个摆设?

利用AI算法可以有效解决这些疑问。再敬业的安检员也免不了偶尔有所倦怠,AI则完全不存在这个问题,在算法的辅助下,地铁安检会更高效,同时节省大量人力和成本。

快速创新:内容增强、人脸融合

AI无论是在P图、挂件还是人脸融合方面都有众多应用场景,给我们的生活带来了很多便利和乐趣。腾讯云也推出了人脸融合技术,开发了一些小程序能够将人脸与历史人物进行融合。

同样的技术也用在了电影摄制中,比如《速度与激情7》男主角保罗·沃克在拍摄过程中去世,通过AI技术,他的弟弟拍了剩余的动作,然后再“换脸”,最终让电影如期上映,《猩球崛起》也使用了这样的技术。

总体而言,任何新技术应用到企业和行业的时候,其爆发点可能永远只有三条:为企业降低成本、为企业增加效益、为企业寻找创新的机会。

当然,我们也看到,以目前的AI技术水平,很多时候还只能在产业的某一个环节、某一个步骤实现“降本、增效、创新”,只有在极少数情况下,AI技术才可能完全替代人类。

然而,在经过数百个场景和项目的验证中,我们也逐渐看到了AI技术落地的一些挑战和边界。

三类场景、五大要素:AI与产业互联网融合的“芯”挑战

AI落地的最大挑战到底是什么?要想解答这个问题,利用AI技术真正实现“降本、增效、创新”的目标,必须从技术上来回答一个问题,AI能够做到什么事情?目前来看,AI在产业中应用的主要场景可以分为三大类:

首先是智能感知。原来有些事情必须通过人和很复杂的设备感知物理世界,把物理世界映射到数字世界中,现在这个过程可以通过AI实现。例如基于视频/图像识别的人流检测、基于视频/图像识别的行为检测等。

其次是智能交互。以前,在完成感知环节后,需要将大量数据传输到云端服务器上才能进行交互,现在通过AI技术,很多时候在边缘节点上就能够实现人机交互。例如智能音箱和其他能够实现语音控制的硬件设备等。

最后是智能决策。以前我们的很多决策都基于逻辑判断和专家系统。现在通过AI技术和深度学习,可以在某些领域基于大量数据和算法获得更优的决策质量。例如信用卡支付交易欺诈识别、工业设备预测性维保等。

这三类场景的应用,AI如果真正落地,也面临巨大的挑战。几年前,我们一直说AI要有强大的算力、优秀的算法、足够好的数据框架,最后要有落地的场景。现在,随着AI技术逐步从线上走到线下,人们逐步发现正是这些要素的缺乏,形成了对产业很大的挑战。

换句话说,如果算力成本不够低,算法和框架的性能不够高,AI落地的时候就会因为成本过高而失去商业价值,这种情况下,即使实现了商业化,也没法实现规模化。

AI技术真正落地障碍重重

AI落地难:线上线下,两个世界

对于AI在线下场景的应用,企业第一位考虑的往往是投资回报。对于算法和模型而言,如果是线上应用,数据质量往往较好,数据分布收敛度较高,算法和模型性能只要稍微提升一点,就会产生很好的效果。

线下的情况则大不一样,以最常见的摄像头为例,光照条件、拍摄角度、抖动、传输延时等因素都是优化算法必须考虑的因素。对于音箱,距离不同,算法和模型上的挑战都可能截然不同。另外,对于智能设备而言,模型、算法和软件的版本更新,也会随时导致意想不到的后果。

AI落地难:场景、资源、模型、设备、数据,牵一发而动全身

应用场景、资源与基础设施、算法和模型、智能设备、数据构成了AI技术落地的五要素。如何将这五大要素在落地场景中实现协调,是AI技术在产业界落地中另一个关键点。在实现智能感知、智能决策、智能交互的时候,往往任何一个要素的变化都会导致其他要素的变化。比如算法模型发生变化,设备资源调度都要跟着改变。结果就是,真正落地实施的时候就会需要算法专家、设备专家、资源专家,以及应用开发的合作伙伴都在场。最终结果就是AI落地的成本太高,没有办法真正在产业应用中大规模铺开。

如何解决?标准化、模块化、自服务化

怎么办?首先我们需要让这五个要素并行发展,让我们不再需要在任何时候都要顾及所有要素。也就是说,算法专家不用关心应用是什么情况,设备供应商也不用关心算法问题,把这五个要素进行解耦,让一个要素相对其它几个要素变得更加透明。例如,对于一个已经落地的应用,换了摄像头,负责优化算法其他几个人不需要在场,可以远程自适应进行算法的调整,这样才可能让整个AI落地的成本快速降到有商业价值的水平。

这个思路看上去有点像PC操作系统的诞生,为什么大家都愿意用操作系统?就是因为操作系统把鼠标、键盘等所有这些设备之间的复杂度,都通过一个标准化的协议屏蔽掉,它们之间能够互相解耦,各自专注自己擅长的方向。只有这样才能降低各个方面的成本,AI才能真正规模化,实现商业上的成功。

腾讯云AI产品“芯”引擎:“解耦”促进AI与产业互联网融合

腾讯云AI大数据产品矩阵共分为三层。

最下面的一层是基础服务产品层,过去几年已经发展得非常成熟了,目前腾讯云已经建立了专业大数据平台、数据仓库和数据湖,积累的数据通过机器学习和深度学习能力,形成各种AI引擎能力。

最上面的一层是行业解决方案,也就是AI技术成功落地的案例。今天上面介绍的四个典型场景就属于这一层的内容,包括基于AI语音识别、人脸识别、内容增强等方面的行业应用,这一层主要面对具体业务管理者。

基于实际需要,为了更好的落地,我们在这两层中间进一步提供应用服务产品层,目的就是希望能够把AI落地的成本降低,并让各个部件之间形成解耦,让每个人都有机会参与到这个生态环境中。这一层主要面对的是开发者。开发者可以完全不理会计算模型,也不需要理会什么设备能够解决AI落地的问题。

腾讯云AI目前对外也提供三大技术平台:腾讯人工智能服务平台、腾讯智能对话平台和腾讯数据资产管理平台。

智能对话平台可以让语音语义技术通过音箱、麦克风和传感器连接线下场景,像智能门锁和生产设备控制,智能家居的语音助手都适用这样的场景。

人工智能服务平台可以把数据科学家、智能设备提供商、应用开发者更好的解耦,让这些人更专注在自己擅长的领域,从而使得生态中的所有角色都能健康、高效的发展。

我们希望能够为业界提供最好的技术和平台,让更多的合作伙伴能够以更简单、更方便、更低成本的方式来使用腾讯的技术和服务。我们也欢迎更多的合作伙伴加入我们,参与到AI技术落地的浪潮中来,一起更好地服务产业互联网,为中国的产业数字化转型做出贡献。(作者:新智元)

日立在汽车立体摄像头中集成AI 提升摄像头夜间行人探测能力

博客别碰我的刘海 发表了文章 • 0 个评论 • 1013 次浏览 • 2019-06-19 11:47 • 来自相关话题

据外媒报道,日立汽车系统公司(Hitachi Automotive Systems Ltd)表示,其已经将人工智能(AI)技术应用于立体摄像头中,此类摄像头专为汽车自动刹车功能而设计。该摄像头利用数十万条数据作为“教师数据”,实现夜间行人检测功能。目前, ...查看全部

据外媒报道,日立汽车系统公司(Hitachi Automotive Systems Ltd)表示,其已经将人工智能(AI)技术应用于立体摄像头中,此类摄像头专为汽车自动刹车功能而设计。该摄像头利用数十万条数据作为“教师数据”,实现夜间行人检测功能。目前,各个竞争对手公司都在研发支持AI的传感器,日立汽车系统将向铃木汽车公司(Suzuki Motor Corp)供应此种新型传感器,以期在AI传感器的商业化上处于领先地位。

据该公司所说,其该新型传感器的性能大大优于其全球竞争对手的产品,能够在夜间检测行人,然后汽车可以自动刹车,比配备了以色列Mobileye公司主要图像处理芯片EyeQ3的车辆的刹车性能更好。

此前,日立汽车系统的摄像头都是“基于规则”来识别物体,即开发人员需要手动设置条件,其他公司的产品也是如此。但是,“基于规则”的方法会让条件变得复杂,而且很难支持夜间物体检测功能。此次,日立利用机器学习技术,可有效地在大量数据中找到条件。

一般情况下,立体摄像头是利用左右两个摄像头分别拍摄两幅图像,然后通过两幅图像之间的视差来探测物体形状以及位于车辆前方的物体,然后利用模式识别等方法判断被探测到的物体是否是行人。而日立汽车系统的立体摄像头将采用机器学习法进行图像识别。

几十万条“教师数据”都存储在新摄像头的图像处理微型计算机中,然后该摄像头拍摄的图片会与“教师数据”进行比较,以判断物体是否是行人。之前,日立汽车系统的立体摄像头使用的是正常的模式识别法,即使用多幅图像进行判断。

即使行人只有下半身被汽车前大灯照到或者是可以看到行人的整个身体,而各个身体部位的亮度不同时,与传统的模式识别法相比,该摄像头采用了机器学习,会更容易检测到行人。

当将机器学习技术应用于图像识别处理时,需要处理的数据量就会有所增加。为了解决该问题,日立汽车系统对立体摄像头的微型计算机进行了改造,提升了其性能。之前的立体摄像头使用三个微型计算机分别进行图像处理、图像识别和车辆控制。而日立汽车系统的新型立体摄像只集成了两台微型计算机,用于图像处理和图像识别。然后,再将用于图像识别的微型计算机从单核升级为双核。随着核数的增加,该微型计算机不仅可以采用机器学习技术,还能提高图像识别的处理速度。

此外,日立汽车系统还增加了CMOS传感器的动态探测范围,降低了镜头的F值(F值越小,光圈越大),将摄像头的灵敏度提高了一倍。由于其动态探测范围增大,该摄像头既能捕捉明亮,也能捕捉黑暗的物体。而由于F值变小,该摄像头就更容易在黑暗中发现行人。

转自:盖世汽车

人工智能的侵权责任与归责机制

博客susan 发表了文章 • 0 个评论 • 933 次浏览 • 2019-03-25 16:03 • 来自相关话题

随着人工智能技术的迅速普及,由其引发的侵害和侵权事件时有发生,既有因交通、生产事故引发的人身财产伤害,也有因智能系统故障引发的财产利益贬损。人工智能侵权案件与传统侵权案件引发的损害和风险的形式不同,根据传统侵权 法规定,制造商和销售商是主 要责 任主体,但人工 ...查看全部
随着人工智能技术的迅速普及,由其引发的侵害和侵权事件时有发生,既有因交通、生产事故引发的人身财产伤害,也有因智能系统故障引发的财产利益贬损。人工智能侵权案件与传统侵权案件引发的损害和风险的形式不同,根据传统侵权 法规定,制造商和销售商是主 要责 任主体,但人工智能情景下,还应当明确开发者的安全注意义务,建立新的人工智能侵权责任机制,保障行业健康发展。
四种人工智能侵权归责的观点
人工智能工具论——由使用者承担责任。 这种观点认为目前人工智能尚不具备自主意识,只是一种工具,其行为是在人类授意下做出的,因此人工智能侵权应由使用该工具的人来承担责任。使用者是人工智能程序和设备的控制者也是受益者,侵权风险是使用者的使用行为引起的,让受益者承担由其控制的工具引发的侵权责任是公平合理的。
人工智能产品论——由生产者承担责任。 根据《产品质量法》,产品质量应当检验合格,符合保障人体健康和人身、财产安全的标准或要求,生产者、销售者依法承担产品质 量责任。人工智能通常是一种产品,除了个别由于使用者或者第三人故意引起的侵权以外,大多数人工智能侵权是由于产品存在缺陷造成的。消费者对于人工智能产品缺陷,既难以理解也难以发现且难以举证,所以应当由生产者承担产品责任,销售者承担不真正连带责任。
人工智能动物论——由管理者承担责任。 由于人工智能尚不具备自主意识,其行为又与一般工具不同,不完全受人类控制,这与饲养的动物颇为相似,动物可能在人类授意下实施侵权,也可能在无人类授意下发生侵权。尽管古代立法中有让动物承担法律责任的规定,但现代立法不再将动物视作法律主体,因此动物的侵权行为应由饲养人或者管理人承担侵权责任。借鉴动物侵权法律规定,人工智能侵权也应由对其负有管理义务的人承担。
人工智能主体论——由人工智能承担责任。 人工智能最大的特点在于其拥有智能,不但可以做出行为,而且能够自主做出分析判断,同时拥有比人类更加强大的数据收集、记忆和计算能力。法律可以将自然人以外的实体规定为法律主体,例如法人,对于人工智能也可以参照这种做法。而且,已经有一些国家赋予或正在考虑赋予人工智能法律主体资格,如沙特阿拉伯的索菲亚机器人已获公民资格。如果人工智能成为法律主体,则应当承担其侵权行为引起的法律责任。
人工智能侵权的特殊性
人工智能侵权构成要素复杂。 现阶段人工智能的技术框架主要以机器学习和深度学习为中心。从软件层面,人工智能系统作出的判断、决策等行为,实际上是对人工智能模型输入一定数据而得到的函数输出结果,其基本模型可以用“输出 = 人工智能模型 (基础算法 + 训练材料)+ 输入”表示。侵权的输出结果实际受到基础算法、训练材料和输入行为三个要素的影响,这三个要素可能独立导致侵权结果,也可能相互作用累积引起侵权,这使得具体侵权案件的归责难度加大。特别是,现有的司法人员普遍没有接受过人工智能技术相关培训,而技术人员又少有精通法律的,对人工智能侵权的事实认定和法律认定都非常困难。
使用人或管理人 通常没有主观过错。 侵权案件中,通常是侵权人的违法行为造成了损害事实,违法行为与损害事实之间具有因果关系,且行为人对违法行为具有主观过错。但人工智能侵权,使用人或管理人通常不具有侵权的故意或者过失,侵权行为和损害事实是人工智能程序自主判断、决策的结果。以完全自动驾驶汽车为例,使用人给车辆下达行驶的命令,途中使用人并不参与车辆的转弯、减速、超车、避让等各类行 驶决策。在车辆自动行驶的过程中,如果发生侵权事故,尽管使用人最初下达的行驶命令与侵权事实也有一定的关系,但二者之间的因果关系太弱,使用人使用车辆的意志并不包含任何侵权意图,此时归责于使用人,则会给使用人施加过重的事故防范义务,既不符合公平原则,也不利于人工智能的推广应用。
人工智能具有一定的自主性。 由于难以归责于使用人,人工智能侵权主要应当是由产品本身问题引起的,因此应当在产品责任视角下讨论。一般产品侵权是由于存在缺陷而造成他人损害,所谓缺陷是指产品存在危及人身、他人财产安全的不合理的危险,通常在生产阶段按照相应的产品标准或质量要求应当能够发现这种缺陷。但人工智能产品与一般产品不同,虽然尚不具有类似人类的意志,但具有一定自主性,具有学习能力,引起侵权事故的原因既可能是设计生产阶段已经存在的缺陷,也可能是人工智能自主学习后产生的“危险”。而因人工智能学习引起的危险是否属于“缺陷”,在目前法律规定中尚不明确。
人工智能侵权责任主体与归责机制
生产和设计者是人工智能侵权责任主体。 目前人工智能还处于高级函数的阶段,不具备侵权的主观意志,也不具有承担侵权责任的能力。人工智能侵权还是表象,本质上仍然是有安全注意义务的人由于故意或过失而未履行相应义务,而导致人工智能侵权危险的发生。对人工智能侵权负有安全注意义务的,应当是有能力知晓人工智能工作机理并控制人工智能行为的人。一般情况下,应该是人工智能的生产者和设计者。由于人工智能构成的复杂性,产品的瑕疵或缺陷是发生在算法设计、调试阶段,还是发生在机器学习训练、测试生产阶段,又会决定该归责于设计者或生产者。在人工智能时代,设计者和生产者常常是分离的,所以这是两类不同的侵权主体。
严格适用产品责任免责事由。 人工智能侵权主要适用产品责任,侵权法和产品质量法规定了生产者的三类免责事由:(一)未将产品投入流通的;(二)产品投入流通时,引起损害的缺陷尚不存在的;(三)将产品投入流通时的科学技术水平尚不能发现缺陷的存在的。由于大量人工智能产品属于技术前沿成果,人工智能算法或程序中确实存在一些生产者(设计者)无法预见的瑕疵或缺陷,这三类免责事由仍有适用空间。一方面应宽容创新,对于开发者能够证明已尽力避免,而以当时认知和技术水平确实无法发现的缺陷风险,应当免除开发者的责任;另一方面应严格适用免责事由,严格规范开发者涉及人身、财产安全的人工智能程序开发行为,强化开发者安全注意义务,预防人工智能侵权风险发生和累积。
建立人工智能责任机制。 一是逐步建设人工智能产品标准,使开发者明确其产品需要满足的保障人体健康和人身、财产安全的国家标准或行业标准,避免出现缺陷产品。引导行业建设人工智能开发者安全注意义务准则,加强行业自律规范。二是建立人工智能缺陷产品召回机制,建立算法变化节点时间表机制。对发现缺陷后的产品应及时召回或停止提供服务,并评估人工智能算法的变化节点,排查变化原因,明确引起变化并导致侵权的责任主体。三是探索类似交强险的人工智能责任险。由于人工智能可能存在无法归责于使用者,也不宜归责于生产设计者的侵权风险,可以设立人工智能责任险,及时为被侵权人提供救济,分担开发者风险,保障行业健康发展。

研发智能联网平台 长江汽车与联想签约

博客tututu 发表了文章 • 0 个评论 • 969 次浏览 • 2019-03-20 16:12 • 来自相关话题

近日,长江汽车发布消息称,与联想集团签署了战略合作协议,双方将围绕5G应用开发、智能驾驶、车联网、工业4.0建设、全球业务合作以及海外市场开拓等领域展开全方位、多维度战略合作,全力打造AI+IoV(智能车联网平台)产品与服务。 长江汽车为前身是成立 ...查看全部
近日,长江汽车发布消息称,与联想集团签署了战略合作协议,双方将围绕5G应用开发、智能驾驶、车联网、工业4.0建设、全球业务合作以及海外市场开拓等领域展开全方位、多维度战略合作,全力打造AI+IoV(智能车联网平台)产品与服务。
长江汽车为前身是成立于1954年的杭州公交客车厂,2013年,五龙电动车(集团)有限公司注资重组杭州长江客车有限公司,并将其更名为杭州长江汽车有限公司。长江汽车于2017年12月拿到新建纯电动乘用车生产资质,随后在2018年北京车展上车发布了三款概念车,但还未具体公布上市时间。根据此前规划,长江汽车计划每一到两年推出一款新的乘用车新车型。
联想集团方面,内部孵化的子公司联想懂的通信近年来逐步加大在车联网领域布局,此前已经发布了自主研发的面向新能源汽车的MNO智能车联平台,实现对汽车连接的全生命周期管理。未来公司还将聚焦三大领域——智能交互、智能工业互联和智能车联,智能工业互联为智能交互设备及智能车的生产提供5G智能制造解决方案;智能交互通过边缘计算+云计算+超算+5G+增值服务+随意屏,为智能工业互联、智能车联提供行业定制的有屏设备解决方案;智能车联也为智能工厂提供供应链管理,如车队管理、智能物流服务等。
长江汽车方面称,智能化和网联化已经成为新能源汽车最重要的发展方向。双方的战略合作将面向未来进行更深层次的探索。依托联想集团的技术优势和全球业务能力,长江汽车将进一步加速智慧新能源汽车乃至智能交通领域的发展,并对全球化背景下的商业模式和业务推广进行探索。
来源:汽车之家

赛迪研究院召开“智能网联汽车智能计算平台专家研讨会”

博客tututu 发表了文章 • 0 个评论 • 962 次浏览 • 2019-03-19 14:02 • 来自相关话题

3月18日,智能网联汽车智能计算平台专家研讨会在北京赛迪大厦召开。本次会议由中国电子信息产业发展研究院、工业和信息化部装备工业发展中心联合举办,旨在进一步了解产业实际需求和产品研发现状、梳理制定下一步工作计划、扩大联合研究队伍。 ...查看全部
3月18日,智能网联汽车智能计算平台专家研讨会在北京赛迪大厦召开。本次会议由中国电子信息产业发展研究院、工业和信息化部装备工业发展中心联合举办,旨在进一步了解产业实际需求和产品研发现状、梳理制定下一步工作计划、扩大联合研究队伍。
无标题.png
工业和信息化部装备工业发展中心主任瞿国春、中国电子信息产业发展研究院副总工程师刘法旺、工业和信息化部装备工业发展中心数据管理处副处长邱彬、清华大学教授李克强、国汽(北京)智能网联汽车研究院有限公司总经理严刚、清华大学教授尚进、电子科技大学教授罗蕾、北京理工大学教授计卫星、中国第一汽车集团公司研发总院副院长兼智能网联开发院院长李丰军、上海汽车集团公司技术中心软件工程经理仇林至、吉利汽车研究院智能驾驶技术高级专家陈文琳、蔚来软件开发(中国)副总裁庄莉、华为技术有限公司MDC解决方案部部长毕舒展、中兴通讯汽车电子副总裁田锋、北京地平线机器人技术研发有限公司市场拓展与战略规划副总裁李星宇等领导、专家出席了会议。会议由刘法旺副总工主持。
随着智能化、网联化、电动化和共享化的发展,汽车功能和属性的改变导致其电子电气架构随之改变,进而需要更强的计算、数据存储和通信能力作为基础,车载智能计算平台是满足上述要求的重要解决方案。作为汽车的“大脑”,车载智能计算平台是新型汽车电子电气架构的核心,也是智能网联汽车产业竞争的战略制高点。
围绕着智能网联汽车技术的发展,一汽、上汽、吉利、蔚来等整车企业的专家分别介绍了计算平台应用需求及工作进展,华为、中兴、地平线等计算平台研发企业的专家分别介绍了计算平台研发进展与工作计划。
刘法旺副总工介绍了中国电子信息产业发展研究院在车载计算平台领域的研究进展与工作计划。基于对国内外企业的研发现状分析,他指出应加强国家层面指导、明确发展重点、攻关核心技术、软硬协同开发,以市场化机制建立研发和应用生态。此外,刘法旺副总工还公布了中国电子信息产业发展研究院、工业和信息化部装备工业发展中心、清华大学、国汽智联、北京理工大学等在计算平台参考架构方面的初步研究成果和后续研究计划,并诚挚邀请各单位和企业加入联合研究。
在听取了各单位工作介绍之后,来自高校和研究机构的资深专家也发表了意见。专家高度评价了国内企业的工作进展,并对下一步工作提出建议。会议最后由装备工业发展中心瞿国春主任作总结发言。
2019年1月,中国电子信息产业发展研究院与工业和信息化部装备工业发展中心联合成立智能网联汽车智能计算平台工作组,致力于推动平台总体架构和技术路线研究,加强整车企业与研发单位之间的需求对接,加快推进平台研发、应用示范、标准研制及产业链和应用生态建设。该工作组将联合研发资源,不断深入智能网联汽车智能计算平台研究,并于近期发布《车载智能计算基础平台参考架构1.0(2019年)》。
 

使能自动驾驶解决方案的大规模应用课程

知识讲堂tututu 发表了文章 • 0 个评论 • 969 次浏览 • 2019-02-27 17:25 • 来自相关话题

 
 


《新一代人工智能产业创新重点任务揭榜工作方案》发布 聚焦智能网联汽车产业

博客tututu 发表了文章 • 0 个评论 • 957 次浏览 • 2019-02-27 14:39 • 来自相关话题

2018年年末,为加快推动我国新一代人工智能产业创新发展,落实《促进新一代人工智能产业发展三年行动计划(2018-2020年)》,工业和信息化部印发了《新一代人工智能产业创新重点任务揭榜工作方案》(以下简称《方案》)的通知,具体落实开展新一代人工智能产业创新重 ...查看全部
2018年年末,为加快推动我国新一代人工智能产业创新发展,落实《促进新一代人工智能产业发展三年行动计划(2018-2020年)》,工业和信息化部印发了《新一代人工智能产业创新重点任务揭榜工作方案》(以下简称《方案》)的通知,具体落实开展新一代人工智能产业创新重点任务揭榜工作。
此次方案聚焦“培育智能产品、突破核心基础、深化发展智能制造、构建支撑体系”等重点方向,希望通过各省、自治区、直辖市及计划单列市、新疆生产建设兵团工业和信息化主管部门、中央企业集团、人工智能相关行业组织(以下统称推荐单位)积极组织企业、高校、科研院所等,征集并遴选一批掌握人工智能核心关键技术、创新能力强、发展潜力大的企业、科研机构等,调动产学研用各方积极性,营造人工智能创新发展的良好氛围。
在智能产品方面,智能网联汽车作为人工智能产业的重要产品受到重点聚焦。智能网联汽车产业创新活跃,已聚集了大量企业,相关技术和产品具有较好发展基础,按照“揭榜挂帅”的工作机制,加快我国人工智能产业和实体经济深度融合,促进创新发展。
《方案》中提出,到2020年,突破自动驾驶智能芯片、车辆智能算法、自动驾驶、车载通信等关键技术,实现智能网联汽车达到有条件自动驾驶等级水平,自动驾驶智能芯片图像处理、信息融合、智能控制等计算能力缩小与国际先进水平差距,车载V2X系统通信能力及其能效比达到国际先进水平,满足车辆有条件自动驾驶等级下智能感知、自主决策、协同控制以及智能信息交换共享等计算和通信技术要求,完成安全、可靠的车辆智能化平台技术与功能验证及应用示范,形成平台相关标准,支撑高度自动驾驶(HA级)。
《方案》聚焦我国人工智能产业发展面临的短板,瞄准《促进新一代人工智能产业发展三年行动计划(2018-2020年)》目标,特别是针对智能传感器、神经网络芯片等薄弱环节,集聚资源,夯实产业发展基础,加快实现技术产业突破。同时,充分发挥人工智能在产业升级、产品开发、服务创新等方面的技术优势,有利于加快制造业关键技术装备智能化发展。
在支撑体系方面,选择高质量的行业训练资源库、标准测试、智能化网络基础设施、安全保障体系等作为揭榜攻关任务。这些资源体系是影响人工智能健康发展的重要要素,需要加快完善基础环境、保障平台,加快形成我国人工智能产业创新发展的支撑能力。

ADAS视觉方案盘点上篇:摄像头、芯片和算法

博客tututu 发表了文章 • 0 个评论 • 1021 次浏览 • 2019-02-26 12:47 • 来自相关话题

对跨学科领域来说,一个粗略的盘点只是刚刚向门内迈了一步。 摄像头是ADAS核心传感器,相比毫米波雷达和激光雷达,最大优势在于识别(物体是车还是人、标志牌是什么颜色)。汽车行业价格敏感,摄像头硬件成本相对低廉,因为近几年计算机视觉发展迅速,从摄像头 ...查看全部
对跨学科领域来说,一个粗略的盘点只是刚刚向门内迈了一步。
摄像头是ADAS核心传感器,相比毫米波雷达和激光雷达,最大优势在于识别(物体是车还是人、标志牌是什么颜色)。汽车行业价格敏感,摄像头硬件成本相对低廉,因为近几年计算机视觉发展迅速,从摄像头角度切入ADAS感知的创业公司数量也非常可观。
这些创业公司可以统称为视觉方案提供商。他们掌握核心的视觉传感器算法,向下游客户提供车载摄像头模组,芯片以及软件算法在内的整套方案。前装模式下,视觉方案提供商扮演二级供应商的角色,与Tier1配合为OEM定义产品。后装模式里,除了提供整套设备,也存在售卖算法的模式。
本文中将对视觉ADAS功能、硬件需求、评价标准等进行解析,在《【车云报告】ADAS视觉方案入门盘点(下篇)》内容中将参考Mobileye,对国内11家创业公司的产品进行详细解读。
一、视觉ADAS可实现功能 
因为安全记录、停车等需要,摄像头在车上的大量应用是行车记录仪、倒车影像等辅助功能。一般通过安装在车身各个位置的广角摄像头采集影像,经过标定和算法处理,生成影像或拼接形成视图补充驾驶员视觉盲区,不用涉及整车控制,因此更加注重视频处理,技术已经成熟并逐渐普及。 
目前在行车辅助功能中,摄像头可用来单独实现很多功能,并且按照自动驾驶发展规律逐渐演进。
这些功能更加强调对输入图像的处理,从拍摄的视频流中提取有效目标运动信息做进一步分析,给出预警信息或直接调动控制机构。相比视频输出类功能,强调高速下的实时性,这部分技术正处在发展上升期。
二、视觉ADAS软硬需求
视觉系ADAS产品由软硬件组成,主要包括摄像头模组、核心算法芯片以及软件算法。硬件方面考虑行车环境(震动、高低温等),大前提是要符合车规级要求。
(一)车载ADAS摄像头模组
车载ADAS摄像头模组需要定制化开发。为了适应车辆全天候全天时的需要,一般要满足在明暗反差过大的场合(进出隧道),很好平衡图像中过亮或太暗部分(宽动态);对光线比较灵敏(高感光),避免给芯片带来太大压力(并不是一昧追逐高像素)。
摄像头模组是基础。好比一张底子不错的照片才有修饰美化的余地,保证拍摄图像够用的基础上,算法才能更好地发挥效力。
另外在参数上,ADAS与行车记录仪对摄像头的需求不同。用于行车记录仪的摄像头需要看清车头周围尽可能多的环境信息(后视镜位置看向两个前轮,水平视角约要110度)。ADAS的摄像头更讲究为行车时预留更多判断时间,需要看得更远。类似相机镜头广角和长焦,两项参数不能兼得,ADAS在硬件选取时只能取其平衡。
(二)核心算法芯片
图像相关算法对计算资源有很高的要求,因此芯片性能讲究。如果在算法上叠加深度学习来帮助识别率提升,对硬件性能的要求只增不减,主要考虑的性能指标是运算速度、功耗、以及成本。
目前用于ADAS摄像头的芯片多数被国外垄断,主要供应商有瑞萨电子(Renesas Electronics)、意法半导体(ST)、飞思卡尔(Free scale)、亚德诺(ADI)、德州仪器(TI)、恩智浦(NXP)、富士通(Fujitsu)、赛灵思(Xilinx)、英伟达(NVIDIA)等,提供包括ARM、DSP、ASIC、MCU、SOC、FPGA、GPU等芯片方案 。
ARM、DSP、ASIC、MCU、SOC是软件编程的嵌入式方案,FPGA因为对硬件直接编程,和嵌入式相比处理速度更快。
GPU和FPGA并行处理能力强。图片这样的文本,尤其在使用深度学习算法需要多个像素点同时计算,FPGA和GPU会更有优势。两类芯片的设计思路类似,都是为了处理大量简单重复的运算。GPU的性能更强但耗能也更高,FPGA因为编程和优化都是直接在硬件层面进行的,能耗会低很多。
因此在平衡算法和处理速度,尤其是用于前装并且算法稳定时,FPGA被视为一个热门方案。FPGA是个好选择。但同时,FPGA对技术要求也很高。原因在于计算机视觉算法是C语言,FPGA硬件语言是verilog,两种语言不同,将算法移植到FPGA的人既要有软件背景,又要有硬件背景。在人才最贵的今天,是笔不小的成本。
现阶段可用于传统计算机视觉算法的车规级芯片有多种选择,但是适用于传统算法叠加深度学习算法的低功耗高性能芯片,还没有真正出现。
(三)算法
ADAS视觉算法的源头是计算机视觉。
传统的计算机视觉识别物体大致可以分为图像输入、预处理、特征提取、特征分类、匹配、完成识别几个步骤。 
有两处尤其依赖专业经验:第一是特征提取。在识别障碍时可用特征很多,特征设计尤其关键。判断前方障碍物是不是车,参考特征可能是车尾灯,也可能车辆底盘投在地面的阴影等。第二是预处理和后处理,预处理包括对输入图像噪声的平滑、对比度的增强和边缘检测等。后处理是指对分类识别结果候选进行再处理。
科研中的计算机视觉算法模型运用到实际环境中,不一定就能表现得很好。因为科研得出的算法会增加诸如天气、道路复杂情况在内的条件限制,现实世界里除了关注复杂环境的算法表现,还要考虑各种环境下算法的鲁棒性(是否稳定)。
算法上比较重要的一个变化是深度学习的渗透。
深度学习让计算机模拟人类思考的神经网络,可以自己学习判断。通过直接向计算机输入标定后的原始数据,比如挑选一堆异形车图片,然后丢给计算机让它自己学习什么是一辆车。这样就可以免去计算视觉特征提取、预处理等步骤,感知过程可以简化为输入图片-输出结果两步。 
业内比较一致的观点认为,在感知方面,深度学习将会弯道超车传统视觉算法。目前深度学习的算法模型已经开源,而且算法种类不多,因此有降低门槛大量优秀结果涌现的可能。但是受限于没有合适的车端平台,离产品化还有一段距离。 
业内对深度学习在ADAS应用的看法都比较客观冷静。不少观点认为深度学习算法是一个黑箱(Blackbox)算法,类似人感性决策的过程,可以很快输出一个结果,很难在发生事故后反查原因,因此在使用深度学习时要加入理性决策部分,并且分区块设计。
也有观点认为传统计算机视觉算法比我们想象的“智能”,在不断寻找车辆图片共性和差异的过程中,也能检测出一些异形车辆。并且在叠加深度学习算法后,传统计算机视觉算法也可以帮助减少深度学习神经网络的层数,简化算法。 
可以肯定的是,无论哪种算法,数据都是用来训练测试的宝贵资源,而且不是单纯的越多越好,而是越有效越好(符合实际用车环境并保证多样化)。
(四)不同摄像头平台
单目和双目 
视觉方案要完成ADAS任务,一般要实现测距(本车与前方障碍物距离)和识别(障碍物是什么)两项工作。按照车载摄像头模组的不同,目前主流ADAS摄像头可以分为单目和双目两种技术路线。 
单目摄像头的算法思路是先识别后测距:首先通过图像匹配进行识别,然后根据图像大小和高度进一步估算障碍与本车时间。在识别和估算阶段,都需要和建立的样本数据库进行比较。想要识别各种车,就要建立车型数据库,想要识别麋鹿,就要建立麋鹿数据库。 
双目摄像头的算法思路是先测距后识别:首先利用视差直接测量物体与车的距离,原理和人眼类似。两只眼睛看同一个物体时,会存在视差,也就是分别闭上左右眼睛看物体时,会发现感官上的位移。这种位移大小可以进一步测量出目标物体的远近。然后在识别阶段,双目仍然要利用单目一样的特征提取和深度学习等算法,进一步识别障碍物到底是什么。
因为视差越远越小的缘故,业内有观点认为,双目在20米内有明显的测距优势,在20米距离外,视差减小测距存在难度,可以用高像素摄像头和更优秀的算法来提升测距性能,该处是难点也是核心竞争力。
双目镜头间距和测距是两个此消彼长的参数,镜头间距越小,检测距离越近,镜头间距越大,检测距离越远。考虑车内美观和ADAS需要,小尺寸远距离双目产品更受欢迎。
因为增加了一个镜头,带来更多运算量,整个摄像头模组的性能要求和成本都更高了。而且在两者都有的标定工作上,双目要比单目更加复杂。 
而且选择双目方案切入市场并不能完全绕开单目方案的难点,在第二个阶段,你依然要需要一个庞大的数据库,依然需要打磨算法。
多摄像头方案
除了单双目之外,还有多摄像头组成的平台。有的方案中选用长焦和广角摄像头于ADAS主摄像头配合,兼顾周围环境与远处物体探测。比如Mobileye方案,在下文会介绍。
也有在环视平台上叠加ADAS功能的情况。例如对于环视做车道偏离预警(LDW),与单目实现该功能比有一定优势。在大雨天气或者前方强光源的情况下,前视摄像头有可能看不清车道线,环视摄像头斜向下看车道线且可以提供多个角度,基本不会受到地面积水反光的影响,功能可以比前视做得更稳定。但同时也要考虑侧向无车灯照射时,摄像头的夜间表现。
这几种方案在技术路线上和单目没有本质差别,更多是基于不同平台,发挥不同类型摄像头模组的优势分配任务,或者提供更多视角来解决一些复杂环境中单目势单力薄的情况。
三、视觉系ADAS产品测试与评价
目前没有统一的ADAS测试评价标准。常规的测试一般分为两个阶段:
在算法库测试,库中包含了各类工况下收集的行车场景视频,通过用库中的场景视频跑分,测试算法识别率。目前测试库由各家自采自测,因为采集所用的传感器不同,不同企业间的测试单看结果没有可比性。
由德国卡尔斯鲁厄理工学院和芝加哥丰田技术研究所联合创办的KITTI,是国际上权威性较高的机动车辅助驾驶应用技术评估的算法评测平台。目前有部分公司在该网站测试算法,结果公开可查。不同公司跑分的用时存在差异,因此在看结果排名时,也不能忽略多个参数比较。
在实车测试阶段,将产品DEMO安装到车上测试,根据漏报、误报判断算法可靠性,对发现问题进行反复调试。现阶段高质量的实车测试大多由主机厂和零部件供应商掌握,准确测量需要借助激光雷达等设备,在相互校验的过程中完成测量,成本略高,检测周期也略长。
业内人士表示,测试产品能力70-90分的区分更多使用算法库测试,区别90-95分,甚至是95-98分时,必须进行实车定量测试。而目前ADAS各家拉开差距正是在于将90分提高到99分。想做到这点必须要通过大量的实际道路测试打底,并对算法的准确性和鲁棒性不断打磨。因此从某种程度上来说,经历过主机厂Tier1严苛训练的方案提供商,产品可靠性更高,前装经验会成为下一次合作洽谈的资本。
目前企业对外宣称衡量算法能力的“识别率”指标不能说完全没有参考价值。前提是谈论所谓的识别率要把产品放在不同复杂场景下评估,并且单独讲识别率指标没有意义,需要把它和其他指标放在一起考量。产品必须确保在不同的路况、天气、车型,对不同姿态的人、不同的车道线,算法都能稳定工作(鲁棒性)。
四、一哥Mobileye
讲视觉系ADAS不得不提一家以色列公司Mobileye,1999年成立,2007年推出首款产品,2014年8月1号在纽交所上市。公司主要从事汽车工业的计算机视觉算法和驾驶辅助系统芯片技术的研究。Mobileye的产品覆盖了全球50个国家,据官方资料显示,截至2015年底,Mobileye在全球有1000万的装载量,到2016年底会有273款车的SOP的合同。 
(一)公司定位
前装业务中,这家以色列公司作为二级零部件供应商向Tier1提供产品,涉及车辆应用的部分会和主机厂配合。通过一级供应商提供集成、个性化开发以及测试工作。后装采取代理销售的方式。
(二)产品功能
目前可用安装在后视镜后的单颗彩色摄像头(非标准RGB Sensor)对目标物进行检测、识别和分类,同时还会对物体的运动轨迹进行跟踪、分析,并分析道路状况。实现功能包括车道检测、车辆检测、行人检测、动物检测、交通标志识别、红绿灯识别、灯光控制。 
Mobileye具有自主研发设计的芯片EyeQ系列,由意法半导体公司生产供应。现在已经量产的芯片型号有EyeQ1、Eye Q2、EyeQ3,EyeQ4正在开发进行中,预计将于2018年推出,其工程样本有望在2016年第四季度发布。2016年5月Mobileye宣布将与意法联手合作研发下一代将用于自动驾驶的EyeQ5芯片,2018年开始提供工程样品。 
目前Mobileye后装产品的终端售价约为8000元左右,前装价格会低很多。
Mobileye不同芯片可以实现不同的ADAS功能。其中EYEQ2支持产品级的AEB,EyeQ3是支持full AEB。EyeQ2等级只能做到ASIL-B,EyeQ3可以做到ASIL-D等级。(ASIL,Automotive Safety Integration Level,汽车安全完整性等级,是ISO26262中的系统危害风险等级指标,从A到D产品的安全等级依次增加。)
2007年在沃尔沃上实现了摄像头+雷达集成防撞预警的功能。(EyeQ1)
2008年在宝马上实现了单摄像头车道偏离预警、交通标志识别等功能。(EyeQ1)
2010年在沃尔沃上做到了行人防撞检测,首个行人检测AEB。(EyeQ2)
在宝马、通用、欧宝上,用单摄像头实现了拥堵情况下车道内跟车行驶。(EyeQ2)
2013年在宝马和尼桑上用一个摄像头实现AEB功能(部分) 。(EyeQ2)
利用EYEQ2实现了宝马量产的基于摄像头的自适应巡航(ACC)和交通拥堵辅助(Traffic Jam Assistant)。(EyeQ2)
2015年在奥迪上实现了基于摄像头的全AEB功能。(EyeQ3)
在特斯拉车型上实现了交通等检测、利用深度神经网路判断自由空间和路径规划。(EyeQ3) 
在Mobileye的过往演讲和介绍中,提到了一些前车识别算法上的细节:
从前车识别来看,一般单目有两种算法来进行预估,一种是THW(Time Headway),一种是TTC(Time to Collision)。THW计算公式中时间t=两车距离/本车速度;TTC公式中时间t'=辆车距离/两车相对速度。TTC对于计算要求也更高一些,因为除了本车速度之外,还要实时测算出前车的速度,计算方法是通过两车之间的距离变化以及本身速度进行估算。
Mobileye将两种算法用在不同场景。
前向碰撞检测(FCW)方面采用TTC,尤其是高速行驶前车急刹的情况,可以很明显发现,TTC的算法更符合实际情况。Mobileye检测规划路径中会遇到的前车后(不仅仅是识别本车道车辆)用图像的变化快慢来做TTC,以此判断碰撞可能,采取干预、控制、刹车操控。
目前 Mobileye 的后装产品 TTC时间设定为 2.7 秒,官方给出的FCW精准度大约在99.99%。前装方面,对离本车最近的本车道车辆来计算TTC做AEB,AEB一般在1秒上下的区间里起作用。
Mobileye采用THW算法,未来加上控制,可以做到用单个摄像头做ACC或低速Traffic Jam Assistant。目前市面上这两个功能都是毫米波雷达来实现,如果用摄像头完成,可以融合视觉检测到的车道、静止障碍物、车辆横向运动、限速牌,汇总多个信息来做ACC决策,控制会更精准。
Mobileye后装产品THW时间设置可以从2.5秒到0.1秒。
(三)自动驾驶规划
关于自动驾驶如何实现,Mobileye一共会涉及三个方面:感知、地图与驾驶策略。
感知方面,根据Mobileye的规划,单用摄像头方案实现自动驾驶功能且不考虑冗余的情况下,需要8个摄像头来满足360度全方位感知的需要。2015年Mobileye发布了三路摄像头做ADAS功能。三个摄像头分工不同:中间的主摄像头可以实现大部分功能,检测距离可以达到150米,检测到之后跟踪距离可以达到250米。另有一枚小角度摄像头探测更远距离,一枚广角镜头探测更宽视野。
算法上主要实现四项内容,并且对深度学习的要求逐项增加:
1.识别道路上移动/固定的物体;
2.识别出道路分割线以及其他交通标识;
3.在道路上没有分割线或者分割线不清晰的情况下,分辨出哪些是可以通过的空间,并勾勒出可通过空间与其他部分的隔离线;
4.可驾驶的路径:在识别出可通过空间之后,找到一条可供于驾驶的路线。
地图方面是对感知系统的冗余设计,包含Roadbook、高精度定位、可行驶路径三个方面。Mobileye打算用具备深度学习功能的图像识别体系制作高精度地图。数据采集上会与车企合作,用众包方式获得和更新数据。 
驾驶策略方面,车企可以通过提供的SDK访问Mobileye预先训练的网络应用层,让控制单元很快计算并得出可通行的路径方案。车企在其提供的算法基础之上,再以自身在车辆控制上的经验进行优化或者再次开发。这一功能会基于Eye实现。
Mobileye计划2016年推出半自动汽车技术,准备研发的系统可以让汽车阅读交通、街道各类信号,从而与其它车辆保持适当车距。大众、宝马和通用购买了2018 年生产的系统,该系统可使车辆在高速上自动行驶。2016年5月Mobileye与两家保密车企已经达成协议,将在2019年为后者提供全自动驾驶汽车系统。
在2016年7月,Mobileye和宝马、英特尔共同开发无人驾驶汽车技术。2016年8月宣布和德尔福汽车公司共同开发SAE(美国汽车工程协会)4/5级自动驾驶全套解决方案。
(四)团队介绍
创始人之一是耶路撒冷希伯来大学计算机科学系教授阿姆农·沙书亚(Amnon Shashua)。Mobileye在美国、德国、日本、西班牙也有分部或研究部门,现在公司员工约600多人,研发人员占比为70%-80%。目前在中国仅有面向后装的销售团队,办公地点位于上海,没有研发人员。
(五)投融资
2006年5月,获得1500美金投资。
2007年10月,高盛投资的1亿美金投资。
2013年7月Mobileye向5家独立的金融投资方出售4亿美元股份。投资方包括黑石、Fidelity、Wellinton、恩特租车公司以及中国投资公司赛领国际投资基金。这笔交易对Mobileye的除现金外估值达到15亿美元。
本文转载自车云报告。

2019汽车人工智能计算技术及市场趋势

博客tututu 发表了文章 • 0 个评论 • 962 次浏览 • 2019-02-25 17:56 • 来自相关话题

人工智能(AI)正在缓慢但坚定地渗透越来越多的市场,包括我们每个人的日常出行。Yole在本报告中介绍了AI通过自动驾驶汽车和信息娱乐应用/系统对全球汽车生态系统的影响。 据麦姆斯咨询介绍,在自动驾驶领域,两大趋势正在并行:一方面,经典的原始设备制造 ...查看全部
人工智能(AI)正在缓慢但坚定地渗透越来越多的市场,包括我们每个人的日常出行。Yole在本报告中介绍了AI通过自动驾驶汽车和信息娱乐应用/系统对全球汽车生态系统的影响。
据麦姆斯咨询介绍,在自动驾驶领域,两大趋势正在并行:一方面,经典的原始设备制造商(OEM)正在为汽车增加功能(包括用于物体识别的深度学习算法),提高高级驾驶辅助系统(ADAS)水平;另一方面,初创公司和科技巨头则在提供基于自动驾驶汽车的服务,例如自动驾驶穿梭巴士和出租车。   
丰富多样的生态(特别是传感器和计算领域)正在快速拥抱这些不同的应用和系统。在ADAS生态系统中,我们看到了通用汽车、福特、丰田、宝马、奥迪和奔驰等经典OEM厂商,以及特斯拉(Tesla)和蔚来(Nio)等新面孔。在自动驾驶车辆方面,包括谷歌(Waymo)、优步(Uber)、Yantex、百度和苹果在内的科技巨头,今年将在目标城市提供首批自动驾驶出租车服务;其它还包括一些提供出行即服务(Mobility-as-a-service, Maas)的初创公司。   
在自动驾驶穿梭巴士、公共汽车和商用车方面,我们发现了一批初创公司,如Navya、EasyMile和Drive.ai等,为封闭环境的人员或货物提供低速运输服务。而像大陆(Continental)这样的汽车一级供应商(Tier-1)也在大笔投资这个充满前景的市场。对于传统汽车市场,我们预计今年将推出首款2级和3级ADAS汽车(基于人工智能的自动驾驶)。   
英特尔(Mobileye产品)和英伟达(NVIDIA)等主要厂商提供的计算应用也取得了巨幅增长。英伟达的Xavier GPU包括了专为深度学习算法而设计的计算单元。瑞萨(Renesas)、赛灵思(Xilinx)和Kalray等厂商的专用产品提供的其他解决方案也显示出了巨大的潜力。   
AI通过语音和手势识别技术渗透汽车领域。智能家居巨头谷歌和亚马逊在汽车中分别引入了它们知名的语音识别解决方案“Ok,Google!”和“Alexa”。谷歌正通过整合其安卓(Android)操作系统进一步发展。索尼(Sony)Softkinetic在OEM厂商开发手势识别解决方案方面发挥着核心作用。   在计算方面,相关厂商与自动驾驶领域的厂商差异不大,它们都需要为这些特定应用开发功能强大、耗能、适应性强的解决方案。   
预期的变革   
2018年,只有自动驾驶汽车可以声称拥有车载AI。相关的计算市场主要由和数据中心同等的计算机驱动,但是数量相当低,使得2018年计算市场的市场规模仅为1.56亿美元。未来10年,随着自动驾驶出租车和穿梭巴士的发展,这个市场仍将是汽车人工智能的主要营收来源,预计2028年计算市场的总营收将达到90亿美元。   
2019年,首批符合“ADAS 3级”标准的汽车将上路,人工智能将进入ADAS 2级汽车,取代传统的计算机视觉算法。Yole预计2019年ADAS计算市场规模将达到6300万美元,到2028年达到近37亿美元。   
对于信息娱乐系统,AI已经出现在宝马、沃尔沃和奔驰等高端车型的选装装备中,但量相对较低。此外,嵌入式车载计算仍然相当便宜,因为计算是在云端完成的。不过,就智能家居市场而言,人们希望将AI引入边缘应用,这意味着需要创建功能强大、更昂贵的计算。Yole预计信息娱乐相关的计算营收将大幅增长,将从2018年的1800万美元增长至2028年的7.68亿美元。
所有与AI相关的计算实际上都在爆炸式增长,预计2018~2028年期间将获得50%的复合年增长率,总营收到2028年将增长至约140亿美元。   
我们目前在什么位置,将走向何方?   
这是一条风险与收益成正比的道路,第一家在安全性、自主性和服务功能方面拥有成熟技术的公司无疑将占据大部分市场份额。目前,谷歌Waymo在技术和服务层面已经拥有相当大的领先优势,其第一批自动驾驶汽车已经上路,并且已有少数用户体验了其服务。在ADAS方面,奥迪今年推出了第一款3级(2019款奥迪A8)轿车,而在奥迪之后,大多数OEM都能够提供2级以上ADAS功能,并计划在今年和明年推出高端的ADAS 3级车型。出于安全和市场原因,一些OEM(如福特、沃尔沃和丰田)决定跳过3级直接进军4级,预计将在2025年左右推出相关车型。  
信息娱乐方面,目前仅有少数几家厂商参与竞争。索尼Softkinetic领导了手势识别领域,而谷歌凭借其丰富的经验,在语音识别领域利用其创新技术占据了领先地位。   
在计算方面,呈现了两大巨头领导竞争的局面,它们分别是:ADAS市场的英特尔Mobileye,以及自动驾驶汽车市场的英伟达。这两家公司的解决方案很强大,而且它们还提供了强大的软件及堆栈,专门用于处理AI和计算机视觉算法,并适应汽车生态系统。然而,由于汽车产业的迭代周期较慢,瑞萨和赛灵思等其他竞争对手仍紧随其后。   
这场自动驾驶革命来得很快也很有前景,但也充满了挑战。虽然风险很大,但进入的将是一个价值数百亿美元的市场。AI及其相关计算,将成为希望进入该领域厂商的重要催化剂。

近十年来,感知、自然语言处理、形式逻辑、控制理论、认知系统架构、搜索与优化技术等基础领域的发展极大促进了人工智能技术的广泛应用,特别是对汽车人工智能领域应用的推动尤为明显。汽车人工智能的核心是“交互”,包括车辆与周边环境进行交互与适应、与其他车辆进行信息交换、与车内/车外人员进行交互等,和已有的驾驶辅助系统(ADAS)不同。