在最极端的情况下，如果两个计算盒都在峰值下运行，及时功耗将高达5000W，同时也将遭遇非常严重的发热问题。因此，计算盒必须配备有额外的散热装置，可采用多风扇或者水冷的方案。同时，每一个计算盒的造价非常昂贵，高达2万-3万美元，致使现有无人车方案对普通消费者而言无法承受。

　　现有无人车设计方案中存在的功耗问题、散热问题以及造价问题使得无人驾驶进入普罗大众显得遥不可及。为了探索无人驾驶系统在资源受限以及能耗受限时运行的可行性，我们在ARM面向移动市场的SoC实现了一个简化的无人驾驶系统，实验显示在峰值情况下能耗仅为15W。

　　非常惊人地，在移动类SoC上无人驾驶系统的性能反而带给了我们一些惊喜：定位算法可以达到每秒25帧的处理速度，同时能维持图像生成的速度在30帧每秒。深度学习则能在一秒内完成2-3个物体的识别工作。路径规划和控制则可以在6毫秒之内完成规划工作。在这样性能的驱动之下，我们可以在不损失任何位置信息的情况下达到每小时5英里的行驶速度。

　　云平台

　　无人车是移动系统，因此需要云平台的支持。云平台主要从分布式计算以及分布式存储两方面对无人驾驶系统提供支持。无人驾驶系统中很多的应用，包括用于验证新算法的仿真应用，高精度地图产生和深度学习模型训练都需要云平台的支持。我们使用Spark构建了分布式计算平台，使用OpenCL构建了异构计算平台，使用了Alluxio作为内存存储平台。通过这三个平台的整合，我们可以为无人驾驶提供高可靠、低延迟以及高吞吐的云端支持。

　　仿真

　　当我们为无人驾驶开发出新算法时，我们需要先通过仿真对此算法进行全面的测试，测试通过之后才进入真车测试环节。真车测试的成本非常高昂并且迭代周期异常之漫长，因此仿真测试的全面性和正确性对降低生产成本和生产周期尤为重要。在仿真测试环节，我们通过在ROS节点回放真实采集的道路交通情况，模拟真实的驾驶场景，完成对算法的测试。如果没有云平台的帮助，单机系统耗费数小时才能完成一个场景下的模拟测试，既耗时同事测试覆盖面有限。

　　在云平台中，Spark管理着分布式的多个计算节点，在每一个计算节点中，都可以部署一个场景下的ROS回访模拟。在无人驾驶物体识别测试中，单服务器需耗时3小时完成算法测试，如果使用8机Spark机群，时间可以缩短至25分钟。

　　高精度地图生成

　　如图8所示，高精度地图产生过程非常复杂，涉及到：原始数据处理、点云生成、点云对其、2D反射地图生成、高精地图标注、地图生成等阶段。使用Spark，我们可以将所有这些阶段整合成为一个Spark作业。由于Spark天然的内存计算的特性，作业运行过程中产生的中间数据都存储在内存中。当整个地图生产作业提交之后，不同阶段之间产生的大量数据不需要使用磁盘存储，数据访问速度加快，从而极大提高了高精地图产生的性能。

　　图8 基于云平台的高精地图生成深度学习模型训练

　　在无人驾驶中我们使用了不同的深度学习模型，为了保证模型的有效性及效率，有必要对模型进行持续的更新。然而，原始数据量异常巨大，仅使用单机系统远不能完成快速的模型训练。

　　为了解决这一问题，我们使用Spark以及Paddle开发了一个高可扩展性分布式深度学习平台。Paddle是百度开发的一个深度学习开源平台。在Spark driver上我们同时管理Spark运行上下文以及Paddle运行上下文，在每个节点上，Spark执行进程运行一个Paddle训练实例。在此基础上，我们使用Alluxio作为参数服务器。实验证明，当计算节点规模增长时，我们可以获得线性的性能提升，这说明Spark+Paddle+Alluxio这套深度学习模型训练系统有着高可扩展性。

　　无人驾驶的产业发展

　　为了深入了解无人驾驶的产业发展，我们邀请了牛津大学商学院的同学一起做了个产业链分析。宏观来说，一个产业的发展应该是至上而下的，上游产业的发展让下游产业更加繁荣，反过来刺激上游产业的发展。理想来说，无人驾驶的产业发展应该分为三个阶段：第一阶段，感知系统的发展，主要包括各类传感器的融合使用及感知决策系统的准确度提升，实现辅助信息的交互及部分自动驾驶功能。第二阶段，支持算法以及决策的芯片成熟，包括算法及芯片设计的发展，实现协同决策及自动驾驶。第三阶段，车联网的发展，实现高精度地图及实时路况信息的更新及通过深度学习实现协同感知。

　　传感器的融合使用

　　毫米波雷达：车载毫米波雷达市场主要供应商为传统的汽车电子企业，如博世、大陆、 海拉等，市场占有率头三位的企业占领了50%以上的市场份额。中国市场中高端汽车装配的毫米波雷达传感器依赖进口为主，国内自主品牌的研发生产能力尚需提高。毫米波雷达的核心组成部分为前端单片微波集成电路MMIC和雷达天线高频PCB板，此两项核心技术仅掌握在国外厂商手中。国内企业总体尚处于研发阶段，24GHz的产品已经取得部分研发成果，华域汽车、湖南纳雷、芜湖森思泰克、智波科技等企业在此方面有部分技术积累。

　　激光雷达：激光雷达是无人驾驶汽车硬件端的核心能力，受益于无人驾驶汽车市场规模的爆发，预计2030年全球激光雷达市场可达到360亿美元的规模。相比于国外的Velodyne、Quanergy等厂商已经具有相对成熟的产品，国内公司在激光雷达生产研发尚处于初步成型阶段。目前国内研发生产激光雷达的初创公司数量很多，但是大多数缺乏完整的产业链及相应的配套设备，受制于硬件成本及技术门槛较高等因素，能够做出成型产品的公司往往很少。目前有产品落地的激光雷达公司包括欧镭激光、镭神智能、思岚科技和速腾聚创等。此类公司竞争的着力点包括四个方面：1. 建立与各车厂的合作关系：发展新客户，抢占新市场并积累市场需求方面的经验；2. 硬件的量产及成本的控制：实现大规模生产的同时降低成本，通过量产实现更大的利润（目前激光雷达的毛利率约为27%）；3. 提高产品性能的稳定性，通过快速迭代提高产品工艺，建立技术门槛；4. 综合提供数据存储分析的服务，实现数据格式的统一。

转载请注明出处。