漫談中美無人駕駛技術差距

雷鋒網按：作者王星煒，英飛凌半導體應用工程師。，已獲作者授權。

近年來，無人駕駛一直是個熱門的話題，說到無人駕駛技術美國領先多少，小星在此先和大家聊聊，算是拋磚引玉。

先說觀點，後面多圖細細聊。

個人覺得中美無人駕駛技術確存差距。美國基於其政策推動具有很深的技術積澱，領先於，但此差距並不存在代差。只要加強政策力度，依託互聯網大潮，仍有加速追趕的機會。畢竟能夠自主開發戰鬥機並追趕美國的相關技術，相比汽車技術要更具挑戰。但是汽車技術的特性就是需要以可接受的成本提供安全可靠的性能並大量量產，這就是其特有的技術難點。

後面將基於無人駕駛的三大技術進行詳細分析：

機器人技術Robotics
人工智慧AI
雲技術Cloud

↑5 technology trends to watch 五大技術看點（來自CES的主辦方CEA）

一、機器人技術Robotics

1.汽車感知感測器技術

↑汽車感知感測器技術（來自奧迪）

在這個技術領域，相對的美國政府、企業和學校間的互動最多，政策影響最深遠，並在持續影響中。較早的起步和更沉得住氣的基礎技術研發，使得個別企業掌控了該領域的核心技術。對比三大無人駕駛技術，個人認為美國的汽車感知感測器技術是領先最多的方面。

汽車感知感測器技術細分包括

超聲波測距感測器
攝像頭圖像感測器
雷達感測器
激光掃描儀

↑超聲波測距感測器、攝像頭圖像感測器、雷達感測器和激光掃描儀（來自奧迪）

↑超聲波測距感測器和雷達感測器（來自奧迪）

其中政策影響深遠的典型例子就是DARPA及其著名的DARPA挑戰賽。其成就了Velodyne，也間接養育了谷歌Google無人汽車的雛形。

什麼是DARPA？

美軍方的國防部先進研究項目局Defense Advanced Research Projects Agency （DARPA）。聽著這個項目局的名字是不是就覺得這個組織肯定很霸氣，不亞於神盾局什麼的？相信我，看了後面的詳細介紹你就會發現實際上它比名字上表現出來的更霸氣。

說到DARPA，我們就先拋開汽車應用，說說它之前主導開發的技術成果。

↑網際網路INTERNET

首先大家今天能夠上網，能夠看到這篇文章全賴於DARPA。是不是覺得說的有點玄乎奇迹？相信我，一點也不玄。因為網際網路是DARPA主導開發的。網際網路INTERNET的前身為ARPANET，是由ARPA（Advanced Rearch Projects Agency）研究開發的。1975年，ARPANET由實驗室網路改製成操作性網路，整個網路轉交給國防部通信署管理，同時ARPA更名為DARPA（Defence ARPA）。

↑全球定位系統GPS

其次是全球定位系統GPS。大家手機上使用導航軟體時的位置信息來源GPS。而在GPS導航衛星發射前，DARPA建立了一個有5顆衛星組成的網路Transit。1960年，Transit開始工作，確保美國海軍艦船位置每小時更新，誤差不超過200米。

↑隱形戰機

再有就是隱形戰機概念也是最早由DARPA提出的。甚至美國空軍最初聽到這個概念時也大吃一驚。隱形戰機的第一個原型HavenBlue於上世紀70年代末開始測試，成為F-117夜鷹隱形戰機的前身。

↑基於半導體砷化鎵的無線通訊技術

還有DARPA比較不為人知的成就就是半導體砷化鎵工藝的開發。如果大家對半導體技術了解不多可以這麼簡單理解。今天電腦里用的CPU，內存和顯卡晶元大部分使用用硅材料為基礎的。可能你覺得這些晶元的運行速度已經挺快了。但是實際上它們還不夠快。類似無線通訊技術需要更快的運行速度。因此半導體砷化鎵工藝被開發出來，其有更快的電子遷移速度。雖然它的價格相比硅半導體工藝貴很多，但是可以很好的滿足無線通訊，衛星和雷達以及軍工應用的需求。換句話說，今天大家可以輕鬆的使用手機通話、看微信、看網頁那也是託了DARPA很大的福的。

↑無人駕駛汽車挑戰賽

那麼說回汽車，DARPA在無人駕駛汽車的研究中又扮演一個什麼地位呢？今天為人熟知的谷歌無人駕駛汽車使用很多的技術實際上脫胎於DARPA組織的陸地挑戰賽（Grand Challenge）。DARPA早在十多年就開始提供資金支持，協調大學研究機構、車企、感測器供應商和半導體供應商合作，進行一系列的無人駕駛汽車挑戰賽。而這個系列的挑戰賽被稱為DARPA陸地挑戰賽。這一系列挑戰賽中比較有名的就是2004年和2005年的兩屆陸地挑戰賽（Grand Challenge）和2007年舉行的城市挑戰賽（Urban Challenge）。

↑TerraMax的陸地挑戰賽參賽車型

由於2004年當時的技術限制，在當年第一屆無人駕駛陸地挑戰賽舉辦的時候甚至沒有一家參賽隊伍能夠完成主辦方DARPA設定的加州莫哈韋沙漠240公里賽道。因此在2005年的第二屆陸地挑戰賽中DARPA將賽道的最低目標距離設定為11.78公里。這也是第一屆中無人駕駛汽車最遠的行駛。此屆挑戰賽中有5輛無人駕駛汽車完成了目標。而其中比較出名的應該就是如上照片中顯示的TerraMax無人駕駛卡車。上圖為2005年TerraMax的陸地挑戰賽參賽車型。下圖為在BBC TOPGEAR汽車節目19季第5集中出鏡的TerraMax無人駕駛卡車（左）和詹姆斯梅駕駛的路虎攬勝（右）的越野比賽起點照片。要知道TerraMax還僅僅是2005年挑戰賽中5個完賽隊伍中的最後一名。

↑BBC TOPGEAR出鏡的TerraMax無人駕駛卡車（左）和詹姆斯梅駕駛的路虎攬勝（右）

第三屆的陸地挑戰賽被DARPA官方稱為城市挑戰賽（Urban Challenge）。於2007年在加州的喬治空軍基地進行。比賽被設定成讓無人駕駛汽車可以使用於城市駕駛環境中。賽道全長96公里，限時為6個小時。並且不同的隊伍之間會有路線交叉的過程。而如果大家去搜索美國Velodyne公司的歷史的話，就會發現它的前期主要產品為音響產品。就是因為Velodyne公司參與了前兩屆的DARPA陸地挑戰賽，才開始了激光掃描儀產品的開發，並成為業界360度高性能激光掃描儀的領先者。因此說DARPA挑戰賽成就了如今的Velodyne，成為激光掃描儀LIDAR界的巨人一點不為過。

↑Velodyne公司的激光掃描儀產品

到了2007年的城市挑戰賽中，Velodyne公司的激光掃描儀已經應用到了大部分的參賽隊伍中。6個完賽的參賽隊伍中只有第三名的VictorTango隊沒有使用Velodyne公司產品。

↑斯坦福隊使用的大眾帕薩特旅行版（左）和VictorTango隊使用的福特翼虎（上）在路口相遇

↑VictorTango所用的來自IBEO和SICK的感測器

上圖一為城市挑戰賽中斯坦福隊使用的大眾帕薩特旅行版（左，第二名完賽）和VictorTango隊使用的福特翼虎（上，第三名完賽）在路口相遇。上圖二為VictorTango所用的來自IBEO和SICK的感測器。而IBEO是小型化低成本激光掃描儀的領先者。SICK則是IBEO的母公司，並且擁有眾多的激光感測器產品。IBEO和SICK的激光掃描儀也應用在前三名完賽的隊伍中，普及率僅次於美國Velodyne公司。

↑斯坦福隊無人駕駛汽車主要開發成員Sebastian Thrun

其中照片中站在斯坦福隊無人駕駛汽車前的Sebastian Thrun以及部分其他團隊成員最終被谷歌挖走。後來就有個谷歌無人駕駛汽車。

↑谷歌無人駕駛汽車早期測試車型（來自谷歌）

↑谷歌無人駕駛汽車量產車型（來自谷歌）

美國政府引導影響深遠還體現在對於關鍵感測器-激光掃描儀的持續成本優化。

↑行業分析顯示，激光掃描儀在高級別的無人駕駛中不可或缺

從CES2016已經可以看到一個非常明顯的信號，激光掃描儀未來發展趨勢是固態化，小型化，低成本化。

↑激光掃描儀未來發展趨勢是固態化

之前提到最早谷歌提出的無人駕駛汽車就是基於置於車頂的機械旋轉激光雷達產品實現的。它其實就是來自Velodyne公司的64波束激光雷達。而這款產品當初的價格也是驚人的超過了7萬美金。是谷歌採用的原型車豐田普銳斯售價的兩倍還要多。雖然它的性能非常好，但是為了實現將來無人駕駛汽車的量產，成本降低是必然之路。Velodyne的產品包括64波束（用於谷歌無人駕駛汽車）、32波束（用於福特CES2016無人駕駛概念車）以及混合固態Hybrid Solid State 16波束 VLP-16 PUCK（將用於未來的福特無人駕駛計劃）激光掃描儀產品。如下圖分別為與CES2016發布的基於福特蒙迪歐的無人駕駛概念車，以及裝配於車頂的4個Velodyne 32波束激光雷達。

↑福特CES2016無人駕駛概念車

↑裝配於車頂的4個Velodyne 32波束激光掃描儀

而福特今年發布的CES2017展示用無人駕駛概念車已經裝配上了前面提到的固態激光掃描儀產品。

↑福特CES2017無人駕駛概念車

↑裝配於車身的2個Velodyne 固態激光掃描儀

而CES2016發布的來自Quanergy的「固態」激光掃描儀S3更是首次引入了全固態激光掃描儀的概念。讓我們來通過Quanergy在CES上的演講和其相關的專利說明來詳細探討一下它的創新之處吧。簡單的說，這是一款全「固態」的激光雷達，或者稱光學相控陣激光掃描儀。其目標量產成本為250美元。首先如下圖一所示，其滿足了激光掃描儀小型化的大趨勢，整個尺寸只有90mm x 60mm x 60mm。如圖二的產品工作原理展示中可以看到內部機構不存在任何的機械旋轉部件。所有的激光探測水平和垂直視角都是通過電子方式實現的。因此其名副其實的是全「固態」激光掃描儀產品。

↑Quanergy的「固態」激光掃描儀S3

↑Quanergy激光掃描儀S3產品工作原理展示

美國政府影響至今仍在持續。

除了以上對於激光掃描儀成本優化的固態化趨勢，DARPA正主導繼續與加州Berkeley以及麻省理工MIT進行下一代頻率調製連續波FMCW 激光掃描儀晶元的開發，將進一步降低激光掃描儀的成本。

實際上美軍方DARPA主導的項目小組，以加利福尼亞大學為核心已經基本完成了原型半導體晶元的開發，並且在IEEE國際電子工程師協會上發布了正式的論文。如果需要從事相關的激光感測器開發或者對激光感測器小型化感興趣的朋友，可以搜索相關的論文進行進一步的研究。

如下是論文原型晶元的示意圖，用來給感興趣的朋友一個大概的總覽。下圖一為原型晶元的組成示意圖，包括左上角的MEMS tunable VCSEL微機械可調諧垂直腔面發射激光器作為發射源和右上角及下方的兩組光敏二極體作為接收器件。

下圖二所示由晶元組成的閉環可控光學頻率調製連續波FMCW控制電路。電路顯示由三大類的器件組成。該三大類的器件分別分佈在三種半導體層上。紅色表示的器件為三五價III-IV半導體層。典型代表為砷化鎵GaAs或者磷化銦InP半導體工藝。三五價半導體是直接能帶半導體，更夠發出更強的光，適合製作光學晶元。

因此原型晶元的激光發射源和光敏二極體接收單元均由該類型的半導體完成。藍色部分硅光電子層Silicon Photonics（又稱SiP），是基於硅基工藝製作的光學半導體。因此耦合器Coupler和相位測量干擾儀Interferometer由該半導體層製作。黑色部分為傳統硅基CMOS層，其他傳統的控制單元都有該半導體層製作。下圖三為具體的三種類型半導體層的分佈情況。

↑原型晶元的組成示意圖

↑由晶元組成的閉環可控光學頻率調製連續波FMCW

↑三種類型半導體層的分佈情況

神奇的是，此概念提出一年以後原型樣片真的被做出來並進行了相關的測試。其產學研的扶植力度可見一斑。這也是其深厚技術積澱的一種體現。

↑由麻省理工MIT設計的FMCW激光掃描晶元

↑該晶元的內部結構介紹

↑晶元實物放大圖

以上，汽車感知感測器技術方面，受美國政府持續扶植影響，美國的技術優勢最明顯。

不過由於全球供應鏈一體化的影響，加上是最大的汽車銷售市場，相應的技術還是逐漸應用到了國內的無人駕駛概念車上，比如上汽、長安等車廠。而且國內院校比如同濟大學和清華大學也參與了相關技術研究，因此加速追趕並不是不可能的。

↑裝備激光掃描儀的上汽iGS無人駕駛概念車在廣德試驗場進行測試

↑長安汽車的無人駕駛概念車

↑同濟大學與奧迪汽車組成聯合實驗室

↑奧迪汽車聯合同濟大學在上海的道路上測試無人駕駛概念車

2.汽車控制執行技術

a. 電子線控剎車（Brake By Wire）

電子線控剎車（Brake By Wire）：這個線傳操控系統的出現可以說最主要的誘因就是電動汽車的出現。因為傳統剎車系統需要通過發動機的工作建立制動助力所需的真空助力。是的，剎車也是需要助力的。如果大家家裡有車可以試一下，在發動機熄火的情況下，最多可以深踩3次剎車。再踩的話就會覺得剎車踏板特別硬，幾乎無法靠人力踩動。

如下圖就是傳統剎車系統所需的真空助力器和傳統系統和電子線控剎車系統（又稱電子液力剎車系統EHB）系統對比圖。可以看到真空助力器是一個非常大的傢伙，你可以很容易在發動機艙內找到它。當駕駛者踩下剎車踏板時踏板連接的推桿將力傳遞到真空助力器。真空助力器是一個通過大氣壓和真空之前的壓力差將力矩放大然後傳送給液壓制動總泵進行制動的裝置。真空源是由發動機的負壓產生的（發動機吸入空氣的時候會產生負壓，但不是所有的發動機都能夠找到真空源，比如渦輪增壓發動機）。

由於採用氣壓差來放大力，因此其體積必須做的很大，占空間又不容易布置。電動車或者純電行駛的插電式混合動力汽車，由於沒有發動機或者發動機不工作，無法獲得穩定的真空源。一種方法是使用電子真空泵。但是電子真空泵需要持續運轉，比較耗油。另一種更加智能的方法就是使用電子線控剎車系統。傳統的剎車系統（第2圖上半部分）駕駛者踩剎車踏板，通過推板經過真空助力器放大力矩給到制動總泵。制動總泵驅動液壓系統傳遞剎車力到ABS/ESP剎車防抱死/電子穩定系統控制器。ABS/ESP再根據車輛狀況把剎車力分配到四個車輪。

傳統剎車系統所需的真空助力器

傳統剎車系統和電子線控剎車系統對比圖

那麼EHB系統基於電機的剎車助力器到底是什麼樣子的呢？我們就基於市場上的兩大解決方案舉個例子。首先要說的就是如下圖所示的來自德國博世BOSCH的iBooster系統。

博世 iBooster所屬新的EHB系統（上圖下半部分）將駕駛者踩剎車踏板的動作轉換成行程位置電信號，剎車助力控制器控制電機給出剎車助力所需的力矩給到制動總泵。制動總泵驅動液壓系統傳遞剎車力到ABS/ESP剎車防抱死/電子穩定系統控制器。ABS/ESC再根據車輛狀況把剎車力分配到四個車輪。

德國博世BOSCH的iBooster系統

博世 iBooster所屬新的EHB系統

而另一大解決方案就是如下圖所示來自德國大陸汽車Continental的MK C1系統。可以看到MK C1的主要理念和博世 iBooster基本相同。但是MK C1更進一步將原來的ESC系統MK 100中的ESC控制器，真空泵，真空助力器三個部件合而為一。大大簡化了系統的複雜程度。

德國大陸汽車Continental的MK C1系統

MK C1將ESC控制器，真空泵，真空助力器三個部件合而為一

那麼博世iBooster在國內的一個最早的成功案例就是目前比亞迪E6所用的剎車系統。該電子線控剎車系統可以靈活的在電機能量回收制動和機械剎車片摩擦制動之間進行分配。並且當純電機能量回收制動的時候為了給駕駛者一個合理的剎車踏板力回饋，剎車助力電機還能夠反向給出一個阻力力矩。讓駕駛者感覺到合理的阻尼感受。同時電子線控剎車系統還能夠提供可選擇的剎車響應模式。

比如運動模式下剎車就一踩就有，響應靈敏。而舒適模式下，剎車就顯得柔和線性，相較運動模式沒有那麼緊繃。和駕駛輔助系統結合以後，當檢測到可能的碰撞時則可以加快制動響應或者直接增加制動壓力。使得車輛能夠在更短的距離內停止下來。

說到電子線控剎車系統的安全性，更偏向一個系統級的安全方案。電子線控剎車系統中的電子剎車助力器和傳統的電子穩定系統ESC以及電子轉向助力系統EPS三者互為備份。三者中的任何一個模塊出現故障，另兩個模塊都能夠部分覆蓋故障模塊的功能。比如電子剎車助力器出現故障，電子穩定系統ESC將能建立制動液壓壓力，配合EPS將車輛安全剎停在車道內。

相反如果電子穩定系統ESC出現故障，電子剎車助力器可自行建立制動液壓，配合EPS將車輛剎停在車道內。當電子助力轉向EPS失效時，電子穩定系統ESC將通過對不同側的車輪施加不同剎車力產生扭矩矢量，將車輛保持在車道的中心位置。

b. 電子線控轉向（Steering By Wire）

相信大家目前接觸到的車輛都是帶轉向助力的。

轉向助力主要分兩大類

液壓轉向助力
電子轉向助力

液壓轉向助力的一個弊端就是不管是否轉向，液壓系統都要通過發動機傳輸過來的動力位置助力油壓。因此系統複雜，且耗油。而電子轉向助力通過電機在需要轉向的時候提供助力，而不需轉向時是不耗油的。而且系統較液壓助力系統簡單很多。如下即是電子助力轉向系統的示意圖和系統構架圖。

↑電子助力轉向系統的示意圖

↑電子助力轉向系統構架圖

而今天介紹的電子線控轉向系統可謂是電子轉向助力的進階版。因為電子線控轉向系統在正常工作時斷開了方向盤和轉向系統之間的機械連接，而完全靠電子信號傳輸給轉向控制器然後操控轉向執行器實現。電子線控轉向系統的代表車型就是英菲尼迪的Q50，目前該車型已經國產，稱為Q50L。

由於採用了電子線控轉向系統，車輛的轉向特性可以智能的調節，比如偏沉穩還是偏輕盈靈動。並且結合駕駛輔助系統的車道識別功能還能主動的修正車輛行駛方向保持在車道中間位置行駛。下圖即為英菲尼迪Q50電子線控轉向系統的示意圖和展示照片。

那麼如果電子系統出現故障，駕駛者發現轉動方向盤完全不能控制車輛轉向的時候是一件非常恐怖的事情。因此整個系統充分考慮了安全性。當轉向系統工作在電子線控模式的時候，整個系統借鑒了飛機電傳飛操系統的多餘度安全理念。通過3個轉向控制器相互冗餘地控制轉向系統。相互之間進行校驗，保證控制信號始終和駕駛者的轉向意圖相關。下圖為轉向系統工作在電子線控模式。此時轉向系統和方向盤斷開連接，由電子控制器控制。

↑英菲尼迪Q50電子線控轉向系統的示意圖

↑英菲尼迪Q50電子線控轉向系統展示照片

目前電子線控轉向系統還沒有全面市場化，僅在少數車型上出現。其中主要原因是前面提到的轉向特性智能調節和自動車道保持等功能在某種程度上仍可以使用傳統的電子助力轉向系統實現。那麼電子線控轉向系統的真正意義是將來系統成熟以後可以完全斷開機械連接。從而為將來的無人駕駛汽車服務。如下圖的無人駕駛概念車，車內的乘員可以直接控制方向也可以交給自動駕駛而分別躺下。方向盤位置可以靈活移動，無疑為空間的利用將更加高效。而這就需要電子線控轉向系統的支持。

↑無人駕駛概念車方向盤位置可靈活移動

二、人工智慧AI

該技術方向又分成兩大塊：

硬體
軟體

硬體方面由於美國長期的計算機技術的領先地位，其優勢依然十分明顯。人工智慧AI所需的硬體目前呈現三足鼎立的狀態。分別被NVIDIA、INTEL和IBM所引領。NVIDIA作為GPU的領先供應商，正將其主營業務從圖形處理以及遊戲產業轉向基於GPU的人工智慧AI的深度學習計算平台。

↑NVIDIA Jetson TX1 嵌入式深度學習計算平台

↑NVIDIA DRIVE PX無人駕駛計算平台

而INTEL在其傳統計算機/伺服器行業的增速放緩后，戰略性的收購了FPGA領導者ALTERA和AI架構的創新初創公司Nervana。並且迅速融合其優勢，並向無人駕駛人工智慧AI技術方向迅速發展。更是與寶馬BMW以及Moblieye組成了戰略同盟，進行無人汽車的開發

↑INTEL 人工智慧AI產品架構

↑寶馬BMW和INTEL以及Moblieye組成了戰略同盟

而最低調最不為人知的可以說是IBM。藍色巨人悄然進行著人工智慧AI神經網路晶元的開發，並已在汽車外的多個行業開花結果。

↑IBM神經網路晶元示意圖

↑IBM神經網路晶元原理介紹

軟體方面則以谷歌最為突出，但企業如百度仍然可以走出特色的發展路線進行追趕。

不管是搜索引擎還是無人駕駛在實現方法上，「科班出身」的谷歌更依賴於基礎技術本身，而「特色」的百度則更多在基礎技術上針對市場進行人工優化。

換句話說，谷歌的設計思路是不相信人工調整。所有的錯誤結果都應該從某種程度上通過優化基礎演算法自動發現並糾正。即花大量的精力和資源在前端技術優化上，使其可以適應於不同的使用環境。而百度的設計思路是在某種程度上技術總會出錯，這個時候就應該透過人工優化來進行糾正。即花更多的精力和資源在後端應用優化上，讓其更適應於終端使用環境。

這就好比開發一款車。一方專註車型平台的優化。最終可以將這個平台用於A級車，拉長以後變成B級車，墊高后變成SUV，拉長拉高加兩個座位就成了MPV。車型可以用於亞洲、歐洲、美洲等多個市場。但是可能對市場並不是最優化的。而另一方針對市場需求花大量精力優化一款A級車，結果可能針對市場更優化。

谷歌提出的AI First人工智慧為先戰略已在圖像識別、機器翻譯等多個領域獲得進展。

↑谷歌提出的AI First人工智慧為先在圖像識別的應用

那麼「科班出身」的谷歌對基礎技術有多專註呢？我們之前介紹過美軍方牽頭的DARPA無人駕駛挑戰賽，谷歌一步一步進行了各種感測器的集成並創造了特有的量產版無人駕駛汽車。而另一方面，軟體演算法方面谷歌領導了相關深度學習Deep Learning和谷歌大腦Google Brain技術開發，進行了大量的基礎研究。因此谷歌在無人駕駛汽車領域可謂不管硬體還是軟體，各方面都親力親為。下圖為之前提到的谷歌大腦項目中檢測到的人臉、人體和貓。

↑谷歌大腦Google Brain技術

而百度無人駕駛汽車一下子登上了央視《新聞聯播》，在2015年的尾巴給國人一個大大的驚喜。12月10號路試成功，14號成立無人駕駛事業部，16號參加烏鎮互聯網大會進行宣講。一切都來得這麼突如其來，卻井然有序。層層推進，步步為營。也一下子有了真正在路上跑的無人駕駛技術。

「特色」的百度在戰略性地和傳統整車廠寶馬合作。其無人駕駛汽車由寶馬3系GT車型改裝而來。原3系GT車型已經配備了如自適應巡航和行人車道識別等先進駕駛輔助ADAS系統。和谷歌的無人駕駛概念車一樣，百度在改裝的過程中在車頂加裝了64波束的激光掃描儀。從而獲得更多的路況信息。由於硬體方面有了寶馬的合作，百度可將更多的精力傾注於軟體演算法方面的開發。

和谷歌一樣其核心演算法也基於深度學習技術，這種技術讓無人駕駛汽車可以通過演算法和大量基礎數據識別各種障礙物並自行做出判斷。然而的路況是充滿了挑戰的。車輛、非機動車、行人的隨機插入一直都是各方討論的熱點。這方面相信百度較谷歌有更多的資源進行基於路況的人工優化，特別是基於的高速和地面道路進行大量的路試和調整。下圖為百度無人駕駛汽車，由寶馬3系GT車頂加裝激光掃描儀改裝而來。

↑基於寶馬3系GT車型的百度無人駕駛汽車

三、雲技術Cloud

1.互聯技術V2X

這是三大核心技術當中，個人認為中美技術差距最小的方面。

因為互聯技術，特別是車車通信V2X的標準一直沒有統一，美國在這方面走過許多彎路。

最早的DSRC專用近距通訊技術IEEE802.11p與4G LTE技術之爭。DSRC一直以200m內點對點通訊1秒的通訊實時性，壓得4G LTE 6~7秒的通訊延遲死死喘不過氣來。

↑DSRC Dedicated Short-Range Communications IEEE802.11p (5.9GHz)

不過隨著5G LTE或者稱LTE-V2X的發展，徹底解決了實時性問題，業界也逐漸統一了觀點。而通訊又是企業的強項，因此差距並不大。

華為在與高通的相關競爭當中並不落下風，華為還率先與多家國內外整車廠展開了合作和實車測試。

↑5G LTE與之前的通訊協議的比較

↑高通Qualcomm 5G C-LTE 技術方案

↑華為 5G LTE-V2X 技術方案

但隨著V2X技術的引入，信息安全成為關鍵中的關鍵。需要政府牽頭制訂相關加密標準，否則一旦無人駕駛汽車被黑客攻破，其後果是不堪想象的。

綜上所述，在無人駕駛三大核心技術-汽車感知感測器技術、人工智慧AI和互聯技術V2X上，在政策的扶植下，美國確實領先。但是只要加強政策力度，依託互聯網大潮，仍有加速追趕的機會。

2. 基於雲技術的地圖採集優化技術

那麼下面主要提一下比較新的基於雲技術的地圖採集優化技術

地圖數據眾包採集concocting Crowd-Sourced Mapping Data技術

通用汽車將把Bolt最為一個平台Platform來不斷對其軟體進行升級學習。從而向最終的全自動駕駛目標而演進。在CES2016的演講中瑪麗貝拉（通用汽車CEO）透露了通用汽車正在和駕駛輔助系統的領導供應商Mobileye進行合作開發自動駕駛項目。其傳統自動駕駛功能主要應用於良好的高速公路，必須有規範化的車道線和指示信號燈或路牌。

而通用汽車和Mobileye開發的系統則可以基於每輛裝備安吉星OnStar 4GLTE技術的通用品牌汽車將各個路段的車道線和指示信號燈或路牌圖像信息通過移動網路上傳到雲進行統一計算。這樣具備這種技術的自動駕駛汽車就可以基於雲數據快速學習多變複雜的道路，最終實現良好的自動駕駛體驗。下圖為通用汽車和Mobileye開發的地圖數據眾包採集自動駕駛系統概念圖。