Facebook加入
LINE加入
2021/12/25
汽創君：汽車技術發展到如今，幾乎沒有人質疑無人駕駛會成為汽車行業變革的巨大浪潮，然而對於各項技術落地的時間點，各大車企、互聯網公司、研究機構、通訊公司、科技巨頭等眾說紛紜，本文援引莫尼塔財新智庫的一篇研究，系統梳理了無人駕駛各關鍵技術節點以及其成熟時間。接下來，ENJOY:
Key point：
1)汽車電子沿著兩橫三縱的技術架構，逐步實現成熟的智能化和網聯化：2016年-2018年主要是三大感測器的融合使用；2017年-2019年主要是高精度地圖的成熟；2019年-2022年是車載通訊模塊、互聯網終端、通信服務的成熟；2022年-2025年主要是決策晶元和演算法的成熟。
2)2016-2018—三大感測器融合：國內毫米波雷達今年開始出貨；車載視覺系統硬體已經達到消費級水平，進入軟體成熟期；激光雷達成本不斷下降，加速ADAS和無人駕駛的普及進程。
3)2017-2020—高精度地圖的成熟：傳統地圖無法滿足自動駕駛的要求，高精度地圖是L3、L4級別最為關鍵的技術；當前精度地圖參與者主要有圖商、自動智能駕駛科技公司、ADAS方案提供商、傳統車企四類，其優劣勢各不相同，硬體軟體逐步融合。
4)2019-2022—車載通訊模塊的成熟：LTE-V在延時、頻譜帶寬、可靠性、組網成本、演進路線等方面都具有優勢，未來的發展趨勢大概率是使用LTE-V標準；目前布局的主要是半導體廠商和汽車廠商，但國內很多公司都進入了產業鏈，大唐電信也發布了全球第一台LTE-V車聯網設備，有望在車載通訊模塊爆發之際獲得高速成長。
5)2022-2025—演算法和決策晶元的成熟：各大廠商都在用不同的晶元設計支持不同的演算法，Google自己已經開發了TPU，用於CNN加速，地平線也在開發BPU，Intel收購Moileye打造晶元演算法一體化，未來或是FPGA支持下的深度學習演算法來實現自動駕駛。
1. 汽車電子發展時間表
1.1 汽車電子沿著兩橫三縱技術架構走向成熟
智能網聯汽車是搭載先進的車載感測器、控制器、執行器等裝置，融合現代通信與網路技術，實現車與X(人、車、路、後台等)智能信息交換共享，具備複雜的環境感知、智能決策、協同控制和執行等功能，可實現安全、舒適、節能、高效行駛，並最終可替代人來操作的新一代汽車。按照技術應用和應用場景，組成了兩橫三縱的技術架構。
1.2 汽車電子時間發展表—智能化與網聯化協同發展
汽車電子的發展有兩個維度，智能化和網聯化，沿著兩橫三縱的技術架構，逐步實現成熟的智能化和網聯化。
2016年-2018年主要是三大感測器的融合使用，感測器和視覺解決方案的融合促進實現自適應巡航、自動緊急制動等部分自動駕駛(PA)功能，以及輔助網聯信息交互；2017年-2019年主要是高精度地圖的成熟，實時路況的更新和更豐富的路況信息加速實現車道內自動駕駛、全自動泊車等有條件自動駕駛(CA)功能，以及部分網聯信息協同感知；
2019年-2022年是車載通訊模塊、互聯網終端、通信服務的成熟，5G網路建設的部署完成和商業化，V2X信息交互低延遲要求共同推動網聯化的加速，實現更複雜路況(近郊)的全自動駕駛；2022年-2025年主要是決策晶元和演算法的成熟，隨著人工智慧嵌入式落地智能終端，FGPA通用架構向ASIC專用架構的轉變，演算法和晶元設計的協同發展，實現全區域的無人駕駛等高級(HA)/完全自動駕駛(FA)功能和網聯協同決策控制的功能。
1.3 各國陸續出台政策推動ADAS的普及
歐盟委員會考慮2017年將19項安全技術納入新車的標準配置，並將強制執行，自動緊急制動和車道偏離警告成為標配；國內2017年速度輔助系統、自動緊急制動、車道偏離預警/車道偏離輔助的加分要求已設定為系統裝機量達到100%。各國政策陸續出台，要求汽車逐步配備汽車電子相關組建，成為汽車電子發展最大的推動力。
1.4 國外谷歌和特斯拉兩種發展路徑加速發展
1）自動駕駛目前進展
加州車管局(DMV)公開了自動駕駛項目的脫離測試數據，基本衡量了目前主要自動駕駛項目在加州境內在不同天氣環境，不同的路段進行測試的進展，谷歌的性能明顯優於其他廠商。
2）谷歌和特斯拉代表兩種不同發展路徑
谷歌和特斯拉在無人駕駛領域採取了兩種不同的有代表性的發展路徑，谷歌利用地圖和深度學習實時建模來實現自動駕駛；特斯拉依賴於傳統的感測器的融合實現數據搜集識別、處理分析、完成自動駕駛功能。從自動駕駛精度來看，谷歌的沒有明確的數據，但其軟體層面的可以檢測和理解手勢之類的信號並作出反應；moblieye的FCW(前向碰撞預警)的演算法識別精度達到99.99%；特斯拉的演算法處理水平很高，賓士的路測車有著比特斯拉多一倍的感測器，但是精度遠不及特斯拉。
谷歌的自動駕駛技術發展可以分為兩段，以waymo成為獨立事業部為轉折點：第一階段，主要突出軟體領域和技術突破，採用自有的高精度地圖和Velodyne提供的64線激光雷達方案，配備谷歌chauffeur軟體系統，最為突出的是展示的無人駕駛原型車中直接拋棄了傳統車的剎車、方向盤、油門等設備，僅用一個啟動鍵實現無人駕駛，而硬體製造原型車都是來源傳統車企，如2014年展示的谷歌第二代車型就是從白色雷克薩斯RX 450H混合動力SUV改造而來。
2016年11月，waymo成為獨立事業部后，開始採用硬體和軟體并行的方案，採用自己研發的激光雷達，傳統感測器和8個視覺模塊相互融合，最新展示的無人車使用了三個不同探測距離的激光雷達，自主技術研發將激光雷達成本降低九成。未來技術商業化首先落地在貨運(有個固定場景的低速共享市場)和共享車服務的應用。
2016年11月，特斯拉Autopilot2.0 發布，該系統將包含8個攝像頭，覆蓋360度可視範圍，對周圍環境的監控距離最遠可達 250 米；車輛配備的12 個超聲波感測器完善了視覺系統，探測和感測硬、軟物體的距離接近上一代系統的兩倍。增強版前置雷達通過冗餘波長提供周圍更豐富的數據，雷達波可以穿越大雨、霧、灰塵，甚至前方車輛。另外，Autopilot2.0使用的處理晶元NVIDIA Drive PX 2的處理性能為原來Mobileye Q3的40倍。
1.5 國內科技公司和傳統車企合作打造自動駕駛，精度提升速度快
通過863計劃實施和國家自然科學基金委項目支持，清華大學、國防科技大學、北京理工大學等部分高校、院士團隊、汽車企業在環境感知、人的行為認知及決策、基於車載和基於車路通信的駕駛輔助系統的研究開發取得了積極進展，並開發出無人駕駛汽車演示樣車。清華大學等高校聯合企業開發的自適應巡航控制系統、行駛車道偏離預警系統、行駛前向預警系統等具有先進駕駛輔助系統(ADAS)功能樣機，正在逐步進入產業化階段。
2. 2016-2018—三大感測器融合
2.1 毫米波雷達國內今年開始出貨
毫米波雷達的主流方向是24GHz和77GHz，24GHz主要應用於汽車後方，77GHz主要應用於前方和側向。未來毫米波雷達會逐漸向77GHz頻段(76-81GHz)統一，其中76-77GHz主要用於長距離毫米波雷達，77-81GHz主要用於中短距離毫米波雷達(已有歐盟、CEPT成員國、新加坡、美國FCC委員會、加拿大工業部等進行相關規劃)。
隨著配備從高端車型向中低端車型下沉的趨勢，目前毫米波雷達已經逐漸普及，一般配備情況是「1長+6短」(如賓士S級)、「1長+4短」(如奧迪A4)、「1長+2短」(如別克威朗)。
前端單片微波集成電路MMIC和雷達天線高頻PCB板是其核心組成部分。MMIC由國外公司掌控，特別是77GHz的MMIC，只掌握在英飛凌、ST、飛思卡爾等極少數國外晶元廠商手中，國內處於初始研發階段，主要在24GHz雷達方面，華域汽車、杭州智波、蕪湖森思泰克等企業在已有部分積累。
雷達天線高頻PCB板技術也掌握在國外廠商手中，Schweizer佔據全球30%市場份額，在77GHz方面優勢明顯，PCB使用的層壓板材則主要由Rogers、Isola等公司提供。國內高頻PCB板廠商暫無技術儲備，根據圖紙代加工，元器件仍需國外進口，滬電股份已就24GHz和77GHz高頻雷達用PCB產品與Schweizer開展合作。
圖表9：毫米波雷達的拆分及供應體系
目前市場中高端汽車裝配的毫米波雷達感測器全部依賴進口，華域汽車已經能生產24GHz毫米波雷達，主要完成BSD盲點偵測、LCA車道切換輔助等功能，解決產品形態的導入。國內第二階段的研發將同樣針對24GHz產品，目標是降低成本，預計產品2017年底出現。
2.2 車載視覺系統硬體成熟，軟體逐步升級
車載視覺系統包括車載圖像感光晶元、專用圖像處理ISP晶元、車載光學鏡頭、車載視覺系統。
藉由鏡頭採集圖像后，由攝像頭內的感光組件電路及控制組件對圖像進行處理並轉化為電腦能處理的數字信號，從而實現感知車輛周邊的路況情況、前向碰撞預警、道偏移報警和行人檢測等功能。
硬體方面，車載攝像頭主要由CMOS鏡頭(包括lens和光感晶元等)，晶元，其他物料(內存，sim卡，外殼)組成。
軟體方面，以mobileye為例，主要體現在晶元的升級和處理平台的升級，工作頻率從122Mhz提升到332Mhz，訪問方式的改變使速率提升一倍，圖像由640*480彩色像素提升為2048*2048(Input)和4096*2048(output)等。
圖表11：mobileye 產品發展歷程
從市場競爭格局來看，除了極少數廠商具備垂直一體化的能力，絕大部分廠商都將業務集中於產業中的某個或者某幾個環節。光學鏡片主要是台灣的廠商在主導，大陸廠商在紅外截止濾光片上有一定優勢，圖像感測器主要是歐美和韓國廠商為主，模組環節大陸、韓國、台灣、日本廠商份額居前，國內廠商成長迅速。
目前汽車零部件提供商巨頭的攝像頭感測器都已於整車廠合作量產，同時加大研發投入，注重晶元和演算法的提升。國內未來攝像頭的發展主要體現在專用圖像處理晶元與複雜圖像處理技術突破，基本實現自主研製，最終實現車載視覺與其他感知系統融合產品的大規模應用。
2.3 激光雷達成本逐步下降
激光雷達是一種集激光、全球定位系統與慣性導航系統三大技術於一身的綜合光探測與測量系統，其工作原理是通過透鏡、激光發射及接收裝置，基於激光飛行時間(TOF：time of fly)原理獲得目標物體位置、移動速度等特徵數據，並且獲得的數據本身就是三維數據，不需要通過大量運算和處理才生成目標三維圖像，激光測距有非常高的精度。所以，激光三維成像雷達是目前能獲取大範圍三維場景圖像效率最高的感測器，也是目前能獲取三維場景精度最高的感測器。
激光雷達組件主要包括激光器，感測器(收發器)，光學鏡片，如上圖所示這套發射/接收組件和旋轉鏡面結合在一起，鏡面不只反射二極體發出去的光，而且也能把反射回來的光再反射給接收器。通過旋轉鏡面，能夠實現360度的視角。
根據激光雷達線目的不同，主要分為2D、2.5D(1,4,8線)和3D(16,32,64線)兩類。前者主要探測目標位置和輪廓，後者可以形成環境性視覺感知。
國內公司在多線激光雷達上較國外高水平企業還有較大差距。國內的激光雷達產品多用於服務機器人、地形測繪、建築測量等領域，但是國內企業尚未研製出可用於ADAS及無人駕駛系統的3D激光雷達產品，主要還是處在探索研發階段。
《製造2025》重點技術路線圖顯示，國內將逐步實現測距激光雷達相關硬體的自主研製，突破厘米級實時測距關鍵技術、樣機生產與測試，實現低成本、小型化。到2025年左右，實現多線激光雷達軟硬體技術自主化，掌握與其他車載感測器融合關鍵技術，實現大規模車載應用，支撐HA級整車產品需求。
3. 2017-2020—高精度地圖的成熟
高精度地圖是L3、L4級別的自動駕駛階段屬於最為關鍵技術，高精度地圖的成熟可以減少汽車對雷達等感知設備的依賴程度，在降低成本的同時提升自動駕駛技術的可靠性，同時也是V2X與自動駕駛技術融合的載體，統一的標準有助於技術的應用和發展。
3.1 傳統地圖無法滿足自動駕駛，高精度地圖是L3、L4級別最為關鍵技術
相比於傳統地圖，高精度一方面絕對坐標精度更高，如HERE指出其下一代繪圖應用將精確到厘米級；另一方面所含有的道路交通信息元素更豐富和細緻。
具體而言，高精度地圖分為三個圖層：活動層、動態層、分析層：
1) 活動層與傳統地圖相比增加了高精度道路級別的數據(道路形狀、坡度、曲率、鋪設、方向等)、車道屬性相關數據(車道線類型、車道寬度等)，及高架物體、防護欄、樹、道路邊緣類型、路邊地標等大量目標數據；
2) 動態層將實時更新來自其他車輛感測器、道路感測器等檢測到的交通數據，實時更新和補充，進入網聯化第二階段—協同感知；
3) 分析層通過實時大數據分析人類駕駛記錄幫助訓練無人駕駛車，進入網聯化第三階段—協同決策和控制。
目前ADAS 地圖具備了活動層信息， 精度為1-5m 。如寶馬ASR(Adaptive Speed Recommendation)在減速的區域，會提前50-300米提醒用戶減速，提前具體會依據目前車速、汽車剎車速度及司機反映時間調整；在轉彎的路段，會考慮路寬、車道數目、整個路況等，計算合理的汽車速度。
目前高精度地圖主要是ADAS級，實現L2/L3級自動駕駛，未來隨著5G帶來的車聯網的數據處理便利和計算機視覺、3D建模技術的成熟，基於深度學習的環境感知技術以及端閉環實時更新雲技術的發展，高精度地圖會逐步向HAD級發展，我們預期2018年5G標準確立和人工智慧爆發進入成熟期，高精度地圖會逐漸成熟，成為支撐智能駕駛網聯化的關鍵技術之一。
高精度地圖的採集和處理有多種的技術方案，一般而言，主流圖商和高科技公司如谷歌、百度採用專業化採集的方式，使用激光雷達和攝像頭進行高精度的數據和城區全區域覆蓋的採集，而傳統車企和ADAS方案商會使眾包模式以及UGC實時更新方式來採集數據。不同的方式在成本和實時更新，數據精度和區域覆蓋上各有優缺點，目前的趨勢必將是圖商和傳統車企、ADAS方案商的戰略合作，科技公司產品的商業化落地，這都會促進採集方式的整合，推動行業的發展。
3.2 高精度地圖產業鏈和主要參與者
高精度地圖，除了提供道路信息，還提供實時路況信息和3D建模，參與汽車路徑規劃，在ADAS交互與決策中，起著非常重要的作用。
高精度地圖參與者主要有圖商、自動智能駕駛科技公司、ADAS方案提供商、傳統車企四類，採用的方式和方案優劣勢各不相同，圖商有著先天優勢的基因：繪圖基礎深厚，地圖精度和覆蓋率有保障，技術積累足。傳統車企和ADAS方案商採用眾包方案，數據量大且實時更新。
3.3 國外發展趨勢：硬體和軟體的融合
1）圖商布局
以海外圖商代表公司HERE為例，HERE核心業務為通過其豐富的地圖數據和核心的位置平台為汽車、消費者和企業客戶提供位置服務和解決方案，其地圖數據覆蓋約200個國家，超過4,600萬公里。通過不斷的和傳統車企，科技公司以及數據信息流入口(感測器廠商)展開合作，產業鏈生態布局也向上滲透到數據輸入端的感測器和演算法晶元等領域，目標成為無人駕駛技術方案提供商。HERE的戰略布局正是汽車電子自動駕駛領域的一個趨勢：硬體和軟體的融合。
圖表21：Here 的發展時間表
2）其他公司布局情況
除了圖商外，其他參與者近些年來布局頻繁。從數據採集方式來看，谷歌和蘋果的特點是：更易直接實時更新、覆蓋面更廣，更精準。但無人駕駛領域需要龐大的輸入數據，使得特斯拉(OTA空中更新)和uber(otter和沃爾沃貨車運營)在無人駕駛測試和高精度地圖上有著更易延伸和拓展的優勢。
數據收集只是高精度地圖作為基礎支撐技術的一部分，對車輛周邊環境的數據計算和處理時，谷歌一直走在高精度地圖的實時建模和演算法優化最前沿，其基於城市規劃和路徑優化規劃的演算法方案使谷歌在地圖技術提供上依然具有較大的優勢。
3.4 國內相關公司加大布局力度
1）國內圖商布局
四維圖新有著15年的地圖數據和實時採集更新積累，2016年以來積極布局ADAS高精度地圖，不斷加快上下游產業鏈的一體化整合。1月與東軟戰略合作，強化車聯網平台軟體實力，5月，收購聯發科技旗下傑發科技晶元商，試圖完成軟硬體的綜合布局，10月高調宣布高級輔助駕駛地圖率先得到商業化，12月入股HERE並設立合資子公司，一系列動作高調彰顯了四試圖抓住ADAS風口，從傳統圖商向完整解決方案提供商轉型的決心。
2）國內科技公司的布局
百度在2014 年全資收購具有甲級測繪資質的公司長地萬方；騰訊在2013 年全資收購另一家甲級測繪資質公司科菱航睿；高德軟體則在2014 年成為阿里旗下的100%控股子公司，目前各大互聯網公司均已經間接擁有了國家測繪局的甲級地圖測繪資質，為將來的產業鏈整合和智能汽車領域的布局奠定了基礎。2014 年，騰訊耗資近12 億元成為四維圖新公司的第二大股東。
3.5 高精度地圖的成熟
按照《製造2025》技術發展路線圖來看，在2020之前提供適用於PA級智能網聯汽車的高精度地圖，且地圖精度達亞米級；在2025年左右提供適用於CA級智能網聯汽車地圖，範圍覆蓋全國主要高速公路；在2030年左右，實現高精度地圖生產自動化及標準化，滿足無人駕駛需求，範圍覆蓋全國主要道路。
隨著人工智慧深化和5G2018年標準鎖定，高精度地圖在智能化和網聯化自動駕駛領域的應用會越來越成熟。
4. 2019-2022—車載通訊模塊的成熟
4.1 車載通訊模塊通訊標準發展趨勢
V2X是未來智能交通運輸系統的關鍵技術，具體包括 V2P (車與行人)、V2V(車與車)、V2I(車與基礎設施)等，它連接了車與車、車與基站、基站與基站。基於V2X技術不僅可以大幅提升交通安全、降低交通事故率，而且可以為自動駕駛等提供低成本、易實施的技術路線和基礎平台。
現階段主要有兩個標準被廣泛認可，分別是美國主導的以IEEE 802.11p為基礎的專用短距離通信(DSRC)和以3GPP主導的基於3GPP的長期演進項目(LTE)。
DSRC 技術是由 IEEE 802.11 進行演進擴充的無線區域網標準, 有最大傳輸時延及可靠性不可控等缺陷。同時，由於其需要在路邊投入較大，難以滿足車輛離路后獲取服務的應用場景，商業模式不清晰, 難以大規模商用。與之相比，LTE-V技術在4.5G/5G 網路有望使車聯網實現更優化的性能，同時解決DSRC技術未能滿足的離路覆蓋、盈利模式、容量等方面的問題，目前該標準的制訂者通信行業是大唐通信集團和華為， 通信標準化協會(Chinese Communication Standards Association，CCSA)已經在針對LTE V2X推出了工作項目。
LTE-V技術主要可以分為兩類: LTE-V-Direct(短程直通式通信), 通過網路終端實現車與車之間的統信來做到低時延高性能；另一個, LTE-V-Cell(廣域蜂窩式)，通過 LTE的公網做回傳+相關的安全管理來實現功能。V2X(LTE-V-Direct)支持安全類業務, LTE-V-Cell支持信息娛樂即Telematics業務。
圖表26：LTE-V 應用
根據汽車工程學會的研究表明，智能網聯汽車技術(V2X)的廣泛應用可使普通道路的交通效率提高30%以上。根據美國國家公路交通安全管理局(NHTSA)的官方數據顯示，車輛與車輛通信技術(V2V)能預知即將發生的交通事故並對潛在危險發出實時預警，它的廣泛應用能幫助避免高達81%輕型碰撞事故。
4.2 車聯網產業鏈
布局車聯網的廠商主要是半導體廠商和汽車廠商，但國內很多公司都進入了產業鏈，大唐電信發布了全球第一台LTE-V車聯網設備，可支持車聯網 V2X 自組織通信，並具有核心自主知識產權。
圖表27：車聯網產業鏈
我們預計2019年-2022年將是車載通訊模塊成熟的時期，車載通訊模塊出貨量將快速增長。根據HIS預測，2020年到2025年將是V2X系統晶元出貨量將呈爆髮式增長，到2026年達到6000萬套。
圖表28：V2X 系統晶元出貨量預測
4.3 國內外廠商提前布局車聯網市場
車聯網除了應用在安全防盜、車載功放、信息娛樂上，在無人駕駛領域的應用成為未來確定性趨勢，半導體廠商紛紛推出V2X方案, 以期搶佔新一輪車聯網市場。目前包括高通、華為、大唐電信、意法半導體(ST)、恩智浦(NXP)、博通等半導體廠商均已推出相關解決方案。
5. 2022-2025—演算法和決策晶元的成熟
決策晶元和演算法，就像汽車的大腦，將感測器及通訊模塊搜集到的信息進行計算處理，作出決策。
5.1 演算法的發展
目前在智能汽車領域，深度學習已在逐步取代之前的傳統演算法。基於深度學習架構的人工智慧已經被廣泛應用於計算機視覺、自然語言處理、感測器融合、目標識別、自動駕駛等汽車的各個領域，而利用GPU構建神經網路最終實現自動駕駛是各大智能駕駛相關廠商正亟待探索的領域。深度學習由多元網路模型組成，深度網路包含了多層神經元，對於給定任務，第一層神經元通過學得了對邊緣的檢測，而第二層的神經元可能學的識別，第三層或再往上則識別更複雜的形狀。對於自動駕駛來說，其難點在於程式環境下的駕駛場景是十分複雜和難以預測的，因此需要通過融合多種感測器的數據來幹事、定位、決策和規劃。
以英偉達最新一代的無人駕駛汽車計算平台為例，主要是基於卷積神經網路(CNN)的演算法，測試演算法的直接輸入數據為像素級的車載攝像頭錄像的路況信息，輸出數據為方向盤的控制信號, 英偉達首先在雲端通過大規模的數據訓練得到了訓練好的卷積神經網路, 之後將上述卷積神經網路的參數部署到了無人駕駛汽車的計算平台中，根據英偉達的實驗結果，用訓練好的卷積神經網路完成無人駕駛汽車的操作，得到了很好的結果。
深度學習與傳統演算法最大的不同在於給予給定的模型后深度學習可以自動學習如何完成給定的任務，而這些任務可以使多樣性的包括圖像、語音、無人機、自動駕駛等。
5.2 決策晶元的發展
CPU&GPU領域存在大量的開源軟體和應用軟體，任何新的技術首先會用CPU實現演算法；FGPA支持深度可變的流水線結構，提供大量的并行計算資源，可以在一個晶元中為多種應用提供非常靈活的定製協處理功能，成為CPU&GPU晶元硬體加速的協處理器架構平台。隨著技術突破和量產的經濟性，ASIC或成為進入消費電子的主流晶元平台。目前而言，在自動駕駛領域，全球技術主流處在CPU&GPU階段，Intel決定以167億美元收購FPGA生產商Altera，IBM和Xilinx聯合戰略合作或成為加速FGPA產品在智能終端的落地。未來將是演算法和晶元協同發展，軟體和硬體融合設計的趨勢。
以英偉達為例，在智能汽車和人工智慧時代，抓住GPU并行計算在大數據處理和深度學習中的優勢，通過不斷地整合覆蓋基於深度學習的大數據訓練平台DGX-1，人工智能終端嵌入式平台Jetson，和數據中心的Tesla平台，三大平台的優勢協同加速英偉達的產業鏈布局。
公司在2015年3月推出了第一款面向自動駕駛的晶元方案-Drive PX系列，並於2016年1月推出其2代產品，可以支持多種雷達和視覺感測器信號的融合處理，沃爾沃將成為首家使用的車企；2016年9月公司與百度宣布合作開發自動駕駛平台，兩家公司將在AI 和深度學習技能方面展開合作，打造一款『從雲到車』的架構平台並向OEM 廠商提供；百度已經進行了多年的無人車研發和測試，具備豐富的無人駕駛演算法和人工智慧技術積累，而英偉達則能夠提供支撐演算法運行的硬體計算平台，雙方合作不僅能夠推動百度無人車的早日商業化，更能夠將雙方的優勢資源整合，共同為第三方提供自動駕駛解決方案，與英特爾、Mobileye、特斯拉和谷歌等公司搶佔市場；
在傳統計算場景逐漸多元化的發展下，人工智慧和自動駕駛等場景需要越來越強大的計算力，英特爾的戰略布局已經從傳統PC和伺服器計算領域轉移到以物聯網、人工智慧和自動駕駛為核心的未來計算領域。過去是演算法根據晶元來優化，2017年3月，英特爾宣布收購在演算法領域有90%市佔率的mobileye，集演算法與晶元於一體，發力汽車大腦，可以看成晶元和演算法并行協同發展的時代的開啟。
註：本文援引數據來自莫尼塔財新智庫，供大家參考探討。請勿用於任何商業用途。
熱門推薦
留言回覆
