从实际效果来看，激光雷达获得的点云数据经过处理之后可以用AI识别，精确判定障碍物的类型，是人还是狗，是个汽车还是棵树，进而根据障碍物类型更智能地给自动驾驶系统作为判定依据。而毫米波的探测精度则低了很多，只能判定障碍物的大体形状和距离，无法用于获得比较精确的轮廓和三维形状信息。毫米波雷达在L1、L2级别的自动驾驶辅助系统中已经广泛装车了，比如自动跟车的功能，很多都用到毫米波雷达。
如果对毫米波雷达和激光雷达有疑问，可以咨询一下北醒（北京）光子科技有限公司。北醒（北京）光子科技有限公司是一家专注于激光雷达及其解决方案的国家高新技术企业。北醒产品的优势有：1 产品帧率高、体积小、成本低、接口多；2 北醒激光雷达现已实现量产，年产能达到60万台；3 其中代理商100+，合作伙伴覆盖全球超过64个国家和地区。点击了解激光雷达在自动驾驶领域的详细介绍
国产激光雷达十大供应商
激光雷达是一种利用激光来实现精确测距的传感器，在广义上可以认为是带有3D深度信息的摄像头，被誉为“机器人的眼睛”。
激光雷达产业自诞生以来，紧跟底层器件的前沿发展，呈现出了技术水平高的突出特点。从激光器发明之初的单点激光雷达到后来的单线扫描激光雷达，以及在无人驾驶技术中获得广泛认可的多线扫描激光雷达，再到技术方案不断创新的固态式激光雷达、FMCW激光雷达，以及近年来朝向芯片化、阵列化持续发展，激光雷达一直以来都是新兴技术发展及应用的代表。
2020年，国家发改委首次官方明确“新基建”七大板块，激光雷达作为终端传感器设备，在自动驾驶、车路协同等智能交通、智慧城市领域的作用不断凸显。中国政府对自动驾驶的支持，也将对全球激光雷达产业发展起到积极的推动作用。
根据沙利文的统计及预测，至2025年激光雷达全球市场规模为1354亿美元，较2019年可实现645%的年均复合增长率。至2025年，中国激光雷达市场规模将达到431亿美元，较2019年实现631%的年均复合增长率。
激光雷达全球市场近来年逐渐开放，海外厂商在上游和中游都存在着领跑的优势，在技术和客户群等方面都领先于国内厂商。国外激光雷达技术早在2010年前就开始尝试应用于ADAS辅助避障和导航项目。作为未来自动驾驶核心传感器的代表，激光雷达核心技术主要掌握在Velodyne、Quanergy、Ibeo三家国外企业中。
美国Velodyne成立于1983年，其机械式激光雷达起步较早，技术领先，同时与谷歌、通用汽车、福特、Uber、百度等全球自动驾驶领军企业建立了合作关系，占据了车载激光雷达大部分的市场份额。
Quanergy成立于2012年，2014年推出其第一款产品M8-1，并在奔驰、现代等公司的实验车型上得到应用，M8之后Quanergy相继发布的产品都开始走固态路线，采用了OPA光学相控阵技术，规模量产后将大幅降低传感器价格。
Ibeo成立于1998年，是全球第一个拥有车规级激光雷达的企业，其于2017年推出了全固态激光雷达A-Sample样机。
但国内厂商近年来奋起直追，取得了许多突破性的进展，中国势力正在逐步崛起。
国内玩家早期分为两个流派，一类研发机械式激光雷达与Velodyne等老牌玩家抢市场，另一类则直接锁定固态激光雷达产品。
国内激光雷达领域目前有近50家入局，开发方向也不局限在汽车行业。玩家的身份比较复杂，有禾赛、速腾、镭神等明星初创企业，也有跨界而来的华为、大疆，有资格较老的，如北醒、北科天绘、国科光芯，还有一些后起之秀，如洛微、探维、光勺等。很多初创公司后面都有科技巨头和国际Tier1的影子。总体而言，国内市场竞争激烈，呈现出百花齐放的市场格局。
高工智能汽车研究院基于国产激光雷达厂商技术储备、差异化优势、前后装量产项目进程以及市场曝光度等因素，首次综合发布年度激光雷达供应商品牌影响力TOP10企业榜单。
图源：高工智能汽车
一径科技
一径科技(zvision)成立于2017年11月，总部位于北京，是一家专注于全固态激光雷达产品和技术开发的高科技公司。
自成立开始，该公司已经进行了三轮融资，投资方包括明势资本、英诺天使基金、臻云创投、云天使基金、东科创星、复星锐正资本、松禾资本等。
作为国内首家宣布量产进程的公司之一，一径科技已经与嬴彻科技就干线物流卡车自动驾驶解决方案商业化达成战略合作，成为嬴彻科技量产MEMS激光雷达供应商，其最新的ML系列激光雷达将会供应于嬴彻科技干线物流的量产自动驾驶车型。
目前，嬴彻已经与国内头部重卡主机厂启动L3量产合作项目，并在自动驾驶卡车领域首次完成L3重卡A样车，将于2021年底率先实现L3量产。考虑到卡车领域对于车载传感器的要求高于乘用车，这也意味着国产激光雷达已经完全可以满足大规模车载应用的要求。
2020年7月，一径科技常熟工厂落地，标志着车规级规模量产正式开启。常熟工厂一期投资总额达102亿元，目标建成世界首条年产能5万台的车规级MEMS激光雷达。
此外，一径科技还与全球多家顶尖自动驾驶公司、汽车主机厂签订合作协议，主要客户有通用、福特、吉利和三一等公司，目前量产落地的主攻方向为向特定区域的各种场景的相关车辆提供整体激光雷达解决方案，如高速物流、智慧矿区、智慧港口、智慧园区、智能公交、Robotaxi等。
禾赛科技
近年来快速占据自动驾驶测试市场主力份额的禾赛科技，已在2021年1月7日，提交了招股说明书，拟在科创板上市募资20亿元，有望成为国内首家以激光雷达为主营业务的上市公司。
禾赛科技2013年成立于美国硅谷圣何塞，2014年将总部搬迁至上海。公司主营业务为研发、制造、销售高分辨率3D激光雷达以及激光气体传感器产品。其中，面向广义机器人应用的激光雷达为公司核心产品。
禾赛科技公司创始人兼董事长孙恺毕业于斯坦福大学机械和电子系，创始人兼首席执行官李一帆为清华大学学士和美国伊利诺伊大学博士;创始人兼首席技术官向少卿拥有斯坦福大学电子工程和机械工程双硕士。
禾赛科技的产品包括面向无人驾驶领域的Pandar40、Pandar40P、Pandar64、PandarQT、Pandar128，以及多传感器融合感知套件Pandora;面向高级辅助驾驶领域的PandarGT;面向车联网应用的PandarMind;面向机器人市场的PandarXT等。
自成立以来，禾赛科技历经5轮融资，融资金额累计接近15亿元，最近一次融资总额173亿美元(约113亿元人民币)，刷新了激光雷达行业的最高单笔融资记录。投资方包括百度、博世、真格基金、安森美半导体等。
镭神智能
镭神智能成立于2015年,总部位于广东深圳市，是全球唯一一家同时掌握了TOF时间飞行法、相位法、三角法和调频连续波等四种测量方法的激光雷达公司，已经打造出较全的激光雷达矩阵，以此为基础提出针对不同行业软件的整体解决方案,覆盖自动驾驶、智慧交通、轨道交通、机器人、物流、测绘、安防、港口和工业自动化等九大产业生态圈应用。
自成立以来，镭神智能前后进行过5轮融资，投资方包括北极光创投、招商资本、陕西鸿创、如山资本、达晨财智、Fortune Capital、仁爱智汇、易津资本、信业基金和同威资本等。
镭神智能是国内为数不多与主机厂达成战略合作的激光雷达公司之一，该公司已与陕汽控股达成战略合作，瞄准车规级激光雷达的研发与商用车前装量产项目。
此外，陕汽控股旗下基金也是镭神智能的投资方之一，考虑到陕汽重卡在国内重卡销量排名靠前(2019年排名第四)，未来市场想象空间巨大。
早前，该公司还成功入选国家工信部新一代人工智能产业创新重点任务开展128线混合固态激光雷达技术攻关。
目前，在MEMS、Flash以及OPA三种主流固态激光雷达技术路线上，镭神都有研发布局。
镭神智能是国内唯一一家自主研发出激光雷达专用16通道TIA芯片、激光雷达自动化及半自动化生产线、1550nm光纤激光器的激光雷达公司，目前公司产品包括车规级128线、32线和16线混合固态激光雷达。
镭神智能的MEMS固态激光雷达LS20B凭借MEMS微振镜、16通道TIA芯片等核心技术与创新工艺，内部结构部件得以大大简化，整机组装效率也大幅提升;其最远测距可至300m，拥有丰富的点云和精细的角度分辨率;采用车载前装设计，可直接嵌入车头与车身完美融合，不仅简化安装、兼顾美观，还可降低多传感器的融合算法的复杂性，大大节约了车辆的改造成本;其售价为999美元(约合人民币6998元)到1299美元(约合人民币8998元)。
此外，在车路协同市场，镭神智能目前提供的激光雷达车路协同解决方案已在北京、上海、广州、苏州、重庆、郑州、许昌等多个城市落地。
大疆Livox(览沃)
无人机巨头大疆科技孵化的Livox(览沃)成立于2016年，可以说是今年国内激光雷达领域的一匹“价格”黑马。千元级低成本激光雷达成为市场关注的焦点，Horizon的价格为800美元，Tele-15的价格为1200美元，开创了激光雷达性价比的新高。
不过，该公司创新的非重复式扫描技术还有待汽车行业验证，好处是可以最大化覆盖率，但在快速场景特征提取和匹配上与传统技术路线有所不同。
以浩界Horizon产品为例，其01秒的计分时间之内可以等效64线的机械式激光雷达。根据市场反馈，在低速场景下，效果较好，但由于是单线扫描模式，中高速场景效果一般。
此后，Livox推出了用于近距离盲区探测的Mid-70和用于改进远程探测的Avia，后者可以在不同的扫描模式(新增重复线扫描模式)、范围和不同场景之间切换。
为了满足不同 *** 作场景的需求，Livox Avia提供了两种扫描模式(一种是之前的非重复扫描)，都能够同时发射多个高速扫描激光束，点云数据速率为24万点/秒。
不过，背靠大树好乘凉，借助大疆强大的供应链、管理、采购及生产体系，Livox的量产降本能力毋庸置疑，尤其是非车规级产品可以通过大疆无人机渠道进行销售。而且价格和可实现大规模量产是览沃科技的最大竞争优势。
此外，考虑到下游客户对于激光雷达的点云处理以及相关软件方面的需求，硬件为先的Livox选择开放数据集及开源算法来帮助客户降低开发门槛。
览沃科技已与小鹏、部分Tier 1、主机厂以及整体解决方案商进行了合作：L4乘用车方面与自动驾驶公司AutoX进行了合作;L4商用车方面与智能重卡公司希迪智驾(CiDi)进行了相关合作;在低速无人驾驶机器人，览沃科技与深度战略合作伙伴高仙机器人(Gaussian Robotics)达成逾万台激光雷达的采购合作。在2021年推出的全新量产小鹏P5车型上，将搭载基于浩界Horiz车规级激光雷达的小鹏定制版车规级激光雷达。
它的合作伙伴还包括上汽通用五菱、东风汽车公司、图森未来等，产品已销往包括美国、加拿大、中国、日本和欧盟在内的26个国家和地区。
速腾聚创
速腾聚创(RoboSense)成立于2014年，总部位于广东深圳，创始人邱纯鑫创业前在哈工大机电工程与自动化学院读博士，而速腾聚创的前身，就是邱纯鑫的户外移动机器人环境感知小组。
速腾聚创围绕激光雷达环境感知方案，在芯片、LiDAR传感器、AI算法等多个核心技术领域有一定成绩。其核心产品包括MEMS固态激光雷达系统技术解决方案、机械式系列激光雷达系统技术解决方案，客户有自动驾驶科技公司、车企、一级供应商等。
自成立以来，速腾聚创经历过8次融资，投资方包括东方富海、普禾资本、昆促资本、复星锐正资本、海通新能源、北汽产业投资基金、菜鸟网络、尚颀资本、众合瑞民、信业基金、康成亨投资、国投创丰等。
速腾聚创是国内最早一批涉足汽车激光雷达市场的公司之一，最初主攻机器人市场方向，是国内低线数激光雷达的主要供应商之一。早期菜鸟网络、上汽、北汽的战略投资，一时风光无限。
该公司的激光雷达曾搭载到菜鸟网络无人物流车G Plus上，当时名为“驼峰”的无人物流计划号称三年内打造10万台无人设备。但此后菜鸟网络经历一轮内部调整，达摩院重新接手无人物流研发和落地，后续发展还有待观察。与此同时，该公司还在涉足巡逻机器人、AGV、智慧物流等领域，市场战线进一步拉长。
目前速腾聚创已经推出了五个产品线，分别是机械式激光雷达RS-LiDAR-16、RS-LiDAR-32、RS-Ruby、RS-Bpearl和固态激光雷达RS-LiDAR-M1。
MEMS振镜是RS-LiDAR-M1中最核心的器件，速腾聚创设计了共计十组的验证测试，涵盖了温度、湿度、封装工艺、电磁兼容、机械振动/冲击、寿命等各个方面的验证。目前，所有测试样品累计测试时间已超过十万小时。
2021年1月的线上CES2021上，速腾聚创展示了其最新的车规级高性能MEMS固态激光雷达RS-LiDAR-M1的量产版本，该款产品在2020年12月批量出货，成为全球首款批量交付的车规级MEMS固态激光雷达。
洛微科技
洛微科技(Luminwave)成立于2018年1月，总部位于杭州，并在西安、美国洛杉矶等地设立分支机构，是一家专注于研究3D传感器和相应的硬件/软件平台支持的公司，公司通过机器学习和人工智能技术，致力于芯片级集成光子和电子集成电路的研发和生产。
2020年8月获得中科创星、峰瑞资本的数千万元天使轮投资，将主要用于基于CMOS硅光子的纯固态成像级LiDAR芯片和LiDAR模组开发。
目前，洛微科技(Luminwave)第一代的基于OPA方案的纯固态成像级LiDAR已经开发完成并自动驾驶客户提供样品，MicroLiDAR已经进入量产并开始为消费类电子等客户批量供货。
洛微科技(Luminwave)通过自主研发的硅光OPA芯片和光学方案，分辨率高达200线，远高于目前市场上其他类型LiDAR的分辨率。同时因为采用芯片方案有效控制了LiDAR的成本，可以将整机成本降到几百美元级别。
MicroLiDAR的第一款产品，是该公司在今年初推出的全球尺寸最小的基于3D ToF原理的手势识别传感器LW-FS8864系列，同时可为深度学习AI算法为手势/姿态识别应用提供支持。
纯固态LiDAR无论在自动驾驶还是消费类电子的应用都将推动新一轮智能产业升级，而洛微科技(Luminwave)两条主要产品线将同时覆盖最热门的这两大应用领域。
华为
华为是目前全球首家公开宣布涉足激光雷达领域的通讯巨头，但其实华为进入激光雷达生产领域应该算是无心插柳，原本在这块华为只是想和供应商合作硬件，自己进行软件系统的开发，但一是国内供应商技术不成熟，二是国际厂商不卖最先进的产品，因此改为了自研硬件。
华为激光雷达项目起步于2016年，历经4年多的调研、场景分析、明确需求、设计开发、车规级验证，96线激光雷达已经被推到了生产线上，年产能达10万套/线。华为在武汉有一个光电技术研究中心，总计有1万多人，该中心就正在研发激光雷达技术，目标是短期内迅速开发出100线的激光雷达。未来计划将激光雷达的成本降低至200美元，甚至是100美元，从而满足前装量产对于成本的苛刻要求。
华为2020年12月21日发布的MEMS混合固态激光雷达，采用905nm激光器，分辨率为96线，拥有全视场景150米的测距能力，大视野120°x 25°，满足城区、高速等场景的人、车测距需求;全视野中，水平、垂直线束均匀分布，不存在拼接、抖动等情况，形成稳定的点云对后端感知算法友好;小体积，满足前装量产车型需求。
在华为发布激光雷达的同日，北汽旗下ARCFOX极狐HBT谍照曝光，成为首个搭载华为激光雷达的电动车;另外，长安汽车也透露，将携手华为、宁德时代打造一个全新的高端智能汽车品牌，极有可能在首款车上搭载华为的激光雷达。
基于华为在中央域控制器MDC上的实力布局，打破了传统ECU与传感器的强耦合关系，对于国产激光雷达快速进入量产阶段是一种全新的战术打法。
同时，考虑到未来华为手机一旦也开始采用类似苹果公司搭载的消费级激光雷达，将对于车载激光雷达业务产生一定的协作效应。
此外，消息称华为计划把智能汽车BU划归消费者BG，目前整体架构和业务逻辑层面已经在规划中。这一点，未来和大疆科技非常类似，同样的产品系列可以同时覆盖工业级、消费级和车规级，最大化研发效率和产出。
万集科技
万集科技是本次榜单前十名企业中，唯一一家上市公司。该公司曾在2020年6月宣布拟定增募资不超过9亿元，其中就涉及用于自动驾驶汽车用低成本、小型化激光雷达研发及量产。
该公司从单线激光雷达入局，两年前开始8线和32线激光雷达的小批量试制。由于公司在智能交通领域的客户和项目优势，车路协同是其主要立足点之一。
同时，此前该公司在仓储、机器人领域已经拿到多个导航及避障单线激光雷达项目订单。后续，车载激光雷达和V2X是其面向智能网联汽车行业的主要市场方向。
森思泰克
森思泰克作为进入激光雷达领域的新军，此前已经在前装毫米波雷达市场实现国产份额的领先。背靠海康威视，该公司几年前开始部署激光雷达研发。
早期，海康威视旗下的安防、机器人以及智慧交通业务将成为森思泰克激光雷达业务的直接受益板块。同时，借助毫米波雷达的前装量产经验，有利于加快汽车市场导入。
此外，已经开工建设的总投资规模8亿元的海康威视石家庄科技园(其中包括森思泰克)，计划5年内将建设20条全自动生产线及装配线、年产能预计可达1000万台，建设专业毫米波及激光雷达试验室20余个。
后续，毫米波雷达和激光雷达产能将覆盖无人驾驶/车载安全、智能交通、智慧停车、平安城市/安防监控、道闸控制等领域。
探维科技
探维科技公司创始人兼CEO王世玮是清华大学精仪系博士、美国亚利桑那大学访问学者，在精密光学测量和微纳制造方面有多年研究经验，曾就职于中国信息通信研究院，参与制定多项车载设备的国家标准。
该公司从2017年成立之初就选择专攻固态激光雷达，开始研发Tensor系列激光雷达。今年4月，探维的Tensor-Pro固态激光雷达产品就已经完成量产，陆续完成交付数千台，年产量也已经达到5000台。
今年年底，探维科技计划开始给客户交付下一代的高分辨率固态激光雷达产品Scope系列，分辨率可达64x1200，测距范围达300米，精度为2厘米，视场角为25x120度。
结语：
激光雷达的发展将促进汽车行业无人驾驶技术和ADAS发展，也将提高服务型机器人的应用范围和普及度。未来随着自动驾驶技术的进一步普及，激光雷达市场规模将会进一步扩大，而单车价值量下降将会进一步有利于激光雷达的量产使用。
随着人工智能、5G技术的逐渐普及，无人驾驶、ADAS、服务型机器人和车联网等多方面的需求推动，激光雷达整体市场预计将呈现高速发展态势。
与高速发展态势相对应的，眼下，全球激光雷达行业也正在经历一轮资本热潮，但是从这些初创公司的财务情况来看，短期内盈利希望并不大。
比如，禾赛科技的招股说明书也明确写道，截至2020年9月末，禾赛科技合并层面累计未弥补亏损为387385万元，并预测未来一段时间保持较高的研发投入将是常态，这也就意味着将来禾赛科技可能会持续亏损。
通用汽车旗下自动驾驶子公司Cruise的联合创始人兼总裁凯尔·沃格特(Kyle Vogt)表示：“现在激光雷达行业正在发生一件有趣的事情。它们的价值基于完全重叠的潜在客户，以及这些客户带来的预计收入，大家对未来的预测几乎都是非常理想化。”
对此，汽车商业评论认为，激光雷达近期广受关注，和其性能的提升、适应能力的增强及价格的大幅下降有密切关系，但车规级高性能激光雷达，是否能在短期内实现在量产车上的大规模使用，可能是决定主攻汽车领域的激光雷达公司命运的关键。
传感器专家
参考来源：
《榜单发布!国产激光雷达TOP10》，作者：高工榜单
《一文看懂激光雷达产业链、竞争格局及主要玩家》，作者：激光行业观察
《车载激光雷达，黎明前的黑夜，抑或洗牌前的泡沫》，作者：钱亚光
姓名：陈心语 学号：21009102266 书院：海棠1号书院转自： 人工智能在自动驾驶技术中的应用 - 云+社区 - 腾讯云 (tencentcom)
嵌牛导读本文介绍了人工智能在无人驾驶方面的应用。
嵌牛鼻子人工智能运用于无人驾驶。
嵌牛提问人工智能在无人驾驶方面中有什么运用呢？
嵌牛正文
随着技术的快速发展云计算、大数据、人工智能一些新名词进入大众的视野，人工智能是人类进入信息时代后的又一技术革命正受到越来越广泛的重视。作为人工智能技术在汽车行业、交通领域的延伸与应用，无人驾驶近几年在世界范围内受到了产学界甚至国家层面的密切关注。
自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的 *** 作下，自动安全地 *** 作机动车辆。自动驾驶技术将成为未来汽车一个全新的发展方向。
本文将主要介绍人工智能技术在自动驾驶中的应用领域，并对自动技术的发展前景进行一个简单的分析。
人工智能是一门起步晚却发展快速的科学。20 世纪以来科学工作者们不断寻求着赋予机器人类智慧的方法。现代人工智能这一概念是从英国科学家图灵的寻求智能机发展而来，直到1937年图灵发表的论文《理想自动机》给人工智能下了严格的数学定义，现实世界中实际要处理的很多问题不能单纯地是数值计算，如言语理解与表达、图形图像及声音理解、医疗诊断等等。
1955 年Newell 和Simon 的Logic Theorist证明了《数学原理》中前52 个定理中的38 个。Simon 断言他们已经解决了物质构成的系统如何获得心灵性质的问题( 这种论断在后来的哲学领域被称为“强人工智能”) ，认为机器具有像人一样逻辑思维的能力。1956 年，“人工智能”( AI) 由美国的JohnMcCarthy 提出，经过早期的探索阶段，人工智能向着更加体系化的方向发展，至此成为一门独立的学科。
五十年代，以游戏博弈为对象开始了人工智能的研究；六十年代，以搜索法求解一般问题的研究为主；七十年代，人工智能学者进行了有成效的人工智能研究；八十年代，开始了不确定推理、非单调推理、定理推理方法的研究；九十年代，知识表示、机器学习、分布式人工智能等基础性研究方面都取得了突破性的进展。
人工智能在自动驾驶技术中的应用概述
人工智能发展六十年，几起几落，如今迎来又一次热潮，深度学习、计算机视觉和自然语言理解等各方面的突破，使得许多曾是天方夜谭的应用成为可能，无人驾驶汽车就是其中之一。作为人工智能等技术在汽车行业、交通领域的延伸与应用，无人驾驶近几年在世界范围内受到了产学界甚至国家层面的密切关注。目前，人工智能在汽车自动驾驶技术中也有了广泛应用。
自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，它是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统， 它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术, 是典型的高新技术综合体。
这种汽车能和人一样会“思考” 、“判断”、“行走” ，让电脑可以在没有任何人类主动的 *** 作下，自动安全地 *** 作机动车辆 。 按照 SAE （美国汽车工程师协会）的分级，共分为：驾驶员辅助、部分自动驾驶、有条件自动驾驶、高度自动驾驶、完全自动驾驶五个层级。
第一阶段：驾驶员辅助 目的是为驾驶者提供协助，包括提供重要或有益的驾驶相关信息，以及在形势开始变得危急的时候发出明确而简洁的警告。现阶段大部分ADAS主动安全辅助系统，让车辆能够实现感知和干预 *** 作。例如防抱死制动系统（ABS）、电子稳定性控制（ESC）、车道偏离警告系统、正面碰撞警告系统、盲点信息系统等等，此时车辆是能够通过摄像头、雷达传感器获知周围交通状况，进而做出警示和干预。
第二阶段：部分自动驾驶 车辆通过摄像头、雷达传感器、激光传感器等等设备获取道路以及周边交通信息，车辆会自行对方向盘和加减速中的多项 *** 作提供驾驶支援，在驾驶者收到警告却未能及时采取相应行动时能够自动进行干预，其他 *** 作交由驾驶员，实现人机共驾，但车辆不允许驾驶员的双手脱离方向盘。例如自适应巡航控制（ACC）、车道保持辅助系统（LKA）、自动紧急制动（AEB）系统、车道偏离预警（LDW）等。
第三阶段：有条件自动驾驶 由自动驾驶系统完成驾驶 *** 作，根据路况条件所限，必要时发出系统请求，必须交由驾驶员驾驶。
第四阶段：高度自动驾驶 由自动驾驶系统完成所有驾驶 *** 作，根据系统请求，驾驶员可以不接管车辆。车辆已经可以完成自动驾驶，一旦出现自动驾驶系统无法招架的情形，车辆也可以自行调整完成自动驾驶，驾驶员不需要干涉。
第五阶段：完全自动驾驶 自动驾驶的理想形态，乘客只需提供目的地，无论任何路况，任何天气，车辆均能够实现自动驾驶。这种自动化水平允许乘客从事计算机工作、休息和睡眠以及其他娱乐等活动，在任何时候都不需要对车辆进行监控。
自动驾驶的实现
车辆实现自动驾驶，必须经由三大环节：
第一，感知。 也就是让车辆获取，不同的系统需要由不同类型的车用感测器，包含毫米波雷达、超声波雷达、红外雷达、雷射雷达、CCD \CMOS影像感测器及轮速感测器等来收集整车的工作状态及其参数变化情形。
第二，处理。 也就是大脑将感测器所收集到的资讯进行分析处理，然后再向控制的装置输出控制讯号。
第三，执行。 依据ECU输出的讯号，让汽车完成动作执行。其中每一个环节都离不开人工智能技术的基础。
人工智能在自动驾驶定位技术中的应用
定位技术是自动驾驶车辆行驶的基础。目前常用的技术包括 线导航、磁导航、无线导航、视觉导航、导航、激光导航等。
其中磁导航是目前最成熟可靠的方案,现有大多数应用均采用这种导航技术。磁导航技术通过在车道上埋设磁性标志来给车辆提供车道的边界信息,磁性材料具有好的环境适应性,它对雨天,冰雪覆盖,光照不足甚至无光照的情况都可适应,不足之处是需要对现行的道路设施作出较大的改动,成本较高。同时磁性导航技术无法预知车道前方的障碍,因而不可能单独使用。
视觉导航对基础设施的要求较低,被认为是最有前景的导航方法。在高速路和城市环境中视觉方法受到了较大的关注。
人工智能在自动驾驶图像识别与感知中的应用
无人驾驶汽车感知依靠传感器。目前传感器性能越来越高、体积越来越小、功耗越来越低，其飞速发展是无人驾驶热潮的重要推手。反过来，无人驾驶又对车载传感器提出了更高的要求，又促进了其发展。
用于无人驾驶的传感器可以分为四类：
雷达传感器
主要用来探测一定范围内障碍物（比如车辆、行人、路肩等）的方位、距离及移动速度，常用车载雷达种类有激光雷达、毫米波雷达和超声波雷达。激光雷达精度高、探测范围广，但成本高，比如Google无人车顶上的64线激光雷达成本高达70多万元人民币；毫米波雷达成本相对较低，探测距离较远，被车企广泛使用，但与激光雷达比精度稍低、可视角度偏小；超声波雷达成本最低，但探测距离近、精度低，可用于低速下碰撞预警。
视觉传感器
主要用来识别车道线、停止线、交通信号灯、交通标志牌、行人、车辆等。常用的有单目摄像头、双目摄像头、红外摄像头。视觉传感器成本低，相关研究与产品非常多，但视觉算法易受光照、阴影、污损、遮挡影响，准确性、鲁棒性有待提高。所以，作为人工智能技术广泛应用的领域之一的图像识别，也是无人驾驶汽车领域的一个研究热点。
定位及位姿传感器
主要用来实时高精度定位以及位姿感知，比如获取经纬度坐标、速度、加速度、航向角等，一般包括全球卫星定位系统（GNSS）、惯性设备、轮速计、里程计等。现在国内常用的高精度定位方法是使用差分定位设备，如RTK-GPS，但需要额外架设固定差分基站，应用距离受限，而且易受建筑物、树木遮挡影响。近年来很多省市的测绘部门都架设了相当于固定差分基站的连续运行参考站系统（CORS），比如辽宁、湖北、上海等，实现了定位信号的大范围覆盖，这种基础设施建设为智能驾驶提供了有力的技术支撑。定位技术是无人驾驶的核心技术，因为有了位置信息就可以利用丰富的地理、地图等先验知识，可以使用基于位置的服务。
车身传感器
来自车辆本身，通过整车网络接口获取诸如车速、轮速、档位等车辆本身的信息。
人工智能在自动驾驶深度学习中的应用
驾驶员认知靠大脑，无人驾驶汽车的“大脑”则是计算机。无人车里的计算机与我们常用的台式机、笔记本略有不同，因为车辆在行驶的时候会遇到颠簸、震动、粉尘甚至高温的情况，一般计算机无法长时间运行在这些环境中。所以无人车一般选用工业环境下的计算机——工控机。
工控机上运行着 *** 作系统， *** 作系统中运行着无人驾驶软件。如图1所示为某无人驾驶车软件系统架构。 *** 作系统之上是支撑模块（这里模块指的是计算机程序），对上层软件模块提供基础服务。
支撑模块包括：虚拟交换模块，用于模块间通信；日志管理模块，用于日志记录、检索以及回放；进程监控模块，负责监视整个系统的运行状态，如果某个模块运行不正常则提示 *** 作人员并自动采取相应措施；交互调试模块，负责开发人员与无人驾驶系统交互。
图：某无人驾驶车软件系统架构
除了对外界进行认知之外，机器还必须要能够进行学习。深度学习是无人驾驶技术成功地基础，深度学习是源于人工神经网络的一种高效的机器学习方法。深度学习可以提高汽车识别道路、行人、障碍物等的时间效率，并保障了识别的正确率。通过大量数据的训练之后，汽车可以将收集到的图形，电磁波等信息转换为可用的数据，利用深度学习算法实现无人驾驶。
在无人驾驶汽车通过雷达等收集到数据时，对于原始的训练数据要首先进行数据的预处理化。计算均值并对数据的均值做均值标准化、对原始数据做主成分分析、使用PCA白化或ZCA白化。例如：将激光传感器收集到的时间数据转换为车与物体之间的距离；将车载摄像头拍摄到的照片信息转换为对路障的判断，对红绿灯的判断，对行人的判断等；雷达探测到的数据转换为各个物体之间的距离。
将深度学习应用于无人驾驶汽车中， 主要包含以下步骤：
1 准备数据，对数据进行预处理再选用合适的数据结构存储训练数据和测试元组；
2 输入大量数据对第一层进行无监督学习；
3 通过第一层对数据进行聚类，将相近的数据划分为同一类，随机进行判断；
4 运用监督学习调整第二层中各个节点的阀值，提高第二层数据输入的正确性；
5 用大量的数据对每一层网络进行无监督学习，并且每次用无监督学习只训练一层，将其训练结果作为其更高一层的输入。
6 输入之后用监督学习去调整所有层。
人工智能在自动驾驶信息共享中的应用
首先， 利用无线网络进行车与车之间的信息共享。通过专用通道，一辆汽车可以把自己的位置、路况实时分享给队里的其它汽车，以便其它车辆的自动驾驶系统，在收到信息后做出相应调整。
其次， 是3D路况感应，车辆将结合超声波传感器、摄像机、雷达和激光测距等技术，检测出汽车前方约5米内地形地貌，判断前方是柏油路还是碎石、草地、沙滩等路面，根据地形自动改变汽车设置。
另外， 汽车还将能进行自动变速，一旦探测到地形发生改变，可以自动减速，路面恢复正常后，再回到原先状态。
汽车信息共享所收集到的交通信息量将非常巨大，如果不对这些数据进行有效处理和利用，就会迅速被信息所湮没。因此需要采用数据挖掘、人工智能等方式提取有效信息，同时过滤掉无用信息。考虑到车辆行驶过程中需要依赖的信息具有很大的时间和空间关联性，因此有些信息的处理需要非常及时。
人工智能应用于自动驾驶技术中的优势
人工智能算法更侧重于学习功能，其他算法更侧重于计算功能。 学习是智能的重要体现，学习功能是人工智能的重要特征，现阶段大多人工智能技术还处在学的阶段。如前文所说，无人驾驶实际上是类人驾驶，是智能车向人类驾驶员学习如何感知交通环境，如何利用已有的知识和驾驶经验进行决策和规划，如何熟练地控制方向盘、油门和刹车。
从感知、认知、行为三个方面看， 感知部分难度最大， 人工智能技术应用最多。感知技术依赖于传感器，比如摄像头，由于其成本低，在产业界倍受青睐。以色列一家名叫Mobileye的公司在交通图像识别领域做得非常好，它通过一个摄像头可以完成交通标线识别、交通信号灯识别、行人检测，甚至可以区别前方是自行车、汽车还是卡车。
人工智能技术在图像识别领域的成功应用莫过于深度学习，近几年研究人员通过卷积神经网络和其它深度学习模型对图像样本进行训练，大大提高了识别准确率。Mobileye目前取得的成果，正是得益于该公司很早就将深度学习当作一项核心技术进行研究。 认知与控制方面，主要使用人工智能领域中的传统机器学习技术，通过学习人类驾驶员的驾驶行为建立驾驶员模型，学习人的方式驾驶汽车。
无人驾驶技术所面临的挑战和展望
在目前交通出行状况越来越恶劣的背景下，“无人驾驶”汽车的商业化前景，还受很多因素制约。
主要有：
1 法规障碍
2 不同品牌车型间建立共同协议，行业缺少规范和标准
3 基础道路状况，标识和信息准确性，信息网络的安全性
4 难以承受的高昂成本
此外，“无人驾驶”汽车的一个最大特点，就是 车辆网络化、信息化程度极高 ，而这也对电脑系统的安全问题形成极大挑战。一旦遇到电脑程序错乱或者信息网络被入侵的情况，如何继续保证自身车辆以及周围其他车辆的行驶安全，这同样是未来急需解决的问题。 虽然无人驾驶技术还存在着很多挑战，但是无人驾驶难在感知，重在“学习”，无人驾驶的技术水平迟早会超过人类，因为稳、准、快是机器的先天优势，人类无法与之比拟。
AI的应用可以让很多产品降价，以下是一些最可能受益于AI技术的产品：
1 电商产品：AI可以通过对用户行为和数据的分析，为商家提供精准的用户画像和商品推荐，从而提高销售转化率和客户满意度。此外，AI还可以协助商家优化供应链管理、库存管理和物流配送等环节，降低产品的成本，进而降低产品价格。
2 智能家居产品：AI技术可以使智能家居产品更加智能化、高效化和便捷化，提高产品的性价比。例如，智能家居产品可以通过AI技术实现智能节能、智能安全和智能控制等功能，让消费者在使用过程中更加省心省力，降低消费者的购买成本。
3 智能医疗产品：AI技术可以帮助医疗行业实现精准诊断、个性化治疗，提高医疗效率和降低医疗成本。例如，AI技术可以对患者的病历、影像等数据进行分析，帮助医生进行诊断和治疗计划的制定，提高医疗效率和精准度，降低患者的医疗费用。
4 自动驾驶汽车：随着自动驾驶技术的发展，未来自动驾驶汽车将大量普及，使得汽车的生产成本和使用成本得到极大的降低。自动驾驶汽车的核心部件是激光雷达、摄像头和传感器等，这些零部件的价格随着技术的发展和市场的扩大也会逐渐降低，从而降低消费者购车的成本。
总的来说，AI技术的应用可以帮助各行各业提高生产效率、优化资源配置、降低成本，从而使很多产品的价格更加亲民化，更加符合市场需求。同时，随着技术的不断发展，AI技术的应用可能会进一步拓展，带来更多的产品降价和市场变革。
现在的 汽车 都是往电子化、智能化的方向进行发展， 汽车 传感器是电子控制系统中一个不可或缺的部分， 使用不同类型的 汽车 传感器能够解决很多机械装置不能控制的问题， 比如说像以前柴油机使用机械的调速器来调节油压、控制喷油量，控制油量的方式不是很精确，但是现在的电控高压共轨柴油机使用油压传感器来检测油压，通过油压的修正作用，就可以精准控制喷油量。
现在一般的小车上使用的传感器大概是有几十个 ，而像奔驰、宝马等高配置车型使用的电子技术越多，那么使用的传感器也越多， 达到的两百多个。 下面是我对 汽车 的传感器进行分类和总结，大家也可以看看这些传感器的作用是什么。
传感器是什么 传感器是一种检测装置，能够把被检测到的信息转换成为电信号或者其他形式的信号输出，以满足电子控制单元ECU存储、处理和记录等功能，ECU通过这些信号进行控制执行器。 这个就和我们通过大脑控制身体的某个部位动作很相似，比如我们要踢球，首先我们要知道球的位置与球到球门的距离，然后我们才好确定使用脚的什么位置进行触球，如果踢的球打飞了，那么我们就会知道击球的位置是否正确和力度大了还是小了，通过不断的训练，那么我们也可以成为任意球大师。
汽车 ECU的控制方式有开环和闭环控制 ，工况不一样，控制的方式也是不一样的。 传感器负责收集 汽车 运行过程中的参数变化，并把变化的机械运动状态转变为电参数状态（电流、电阻和电压都可以），ECU通过处理并把车辆状态提高警告灯的形式机械输出 ，使车主们知道 汽车 各部分的状态，以便更好的驾驶车辆。 汽车 电子控制系统主要是由三部分组成：传感器、ECU和执行器。
发动机上的传感器作用 发动机是 汽车 的动力来源，主要的传感器有： 压力传感器、曲轴位置传感器、凸轮轴位置传感器、节气门位置传感器、空气流量计和氧传感器等。
这两个传感器是控制发动机点火和喷油的主要信号，我们知道发动机点火的顺序是1 3 4 2，这个点火的顺序就是由凸轮轴位置传感器确定的，但是完成一个做功行程就是由曲轴位传感器来确定。传感器的工作原理都是利用转动的转子信号切割磁感线产生交流变化的电流，通过处理后传递给ECU。
这两个传感器是检测进气量的 ，空气流量计是直接测量进气量，进入了多少空气就计算多少g的空气，作为决定喷油的主要需要之一，将信号提供给ECU计算喷油量个点火正时。
而压力传感器是间接测量进气量的，通过压动内部膜片的变化来输出电压变化。压力传感器主要是测量节气门后方进气管内的绝对压力值，如果节气门开度大，则进入的空气就多，输出的信号电压就大。
有的大气压力传感器安装在ECU内部，可以在高原的地区起到海拔修正的作用，当遇到外部海拔高度变化时起作用，传感器把这些变化变为电信号存储在ECU内。
节气门位置传感器安装在节气门轴上，在打开节气门时，那节气门开度信号传递给ECU，用于改变喷油量使用 ，比如我们踩油门踏板多一点，那么喷油器单位时间内喷油的次数就增多。
该传感器有线性变化的和开关变化的，开关变化节气门位传感器主要检测两个工况：怠速工况和全负荷工况。线性变化的传感器能实时检测节气门的开度，包括发动机的每个工况，线性变化的传感器应用十分广泛。
氧传感器检测尾气中氧气浓度占比多少，从而间接判断出进入气缸内的混合气燃烧的状况 ，以便实现对空燃比的控制（闭环控制），排气中的氧气浓度多少，代表混合气是过浓还是过稀，ECU根据该信号指令喷油器增加还是减少喷油。
底盘上的传感器作用 底盘上的传感器包括悬架、变速器、转向和制动等系统，通过这些传感器可以实现车辆的良好 *** 作和行驶稳定性。
1、悬架系统上的传感器
这类型的传感器主要使用在空气悬架上，使用液压筒式的减震器悬架系统是没有传感器的。 空气悬架需要在车身的高度升降，悬架软硬调整等，通过悬架系统的传感器可以检测分析出不同数据，对车辆状况进行调整。 主要的传感器有：车身高度传感器、侧倾角传感器和车速传感器等。
2、变速器上传感器
汽车 上有手动和自动变速器，自动变速器使用的传感器多一点，但是手动变速器和自动变速器都有一个共同的传感器：车速传感器（输出轴转速传感器）。自 动变速器ECU通过收集各方面的能够使用的传感器信号来控制变速器的换挡点和锁止离合器的锁止点，使 汽车 的动力性和燃油性得到合理化 。除了车速传感器外，还有加速度传感器、变速器油温度传感器等。
车身电器设备上的传感器 车身上的传感器主要是为了提高 汽车 的安全性、可靠性和舒适性等， 比如用于自动空调系统使用的湿度传感器、光照传感器等，用于车距保持的超声波传感器和距离传感器，提高夜间行驶安全的红外线传感器等。
除此之外在开车时，我们也经常要使用导航，使用的传感器有车速传感器、陀螺仪、罗盘传感器和方向盘角度传感器等，可以使车主在驾驶 汽车 过程中，能及时了解道路情况。
总结：通过上面的分析可以知道， 汽车 传感器是电子控制的信号源，能把 汽车 的各种工况信号转变为电信号传给中央控制器，使 汽车 达到最好的运行状态。
汽车 上的传感器好像有100多种吧：
主要的传感器有:
a空气流量计;b节气门位置传感器;c曲轴位置传感器;d氧传感器:检测排气中的氧浓度;
e进气温度传感器:f胎压传感器及路况传感器等等，还有很多，其实都是为安全行驶提供帮助的模块，传感器多说明车子运行中需要大量数据做为依托，让驾乘得到安全保障。
车用传感器是 汽车 计算机系统的输入装置，它把 汽车 运行中各种工况信息，如车速、各种介质的温度、发动机运转工况等，转化成电信号输给计算机，以便发动机处于最佳工作状态。车用传感器很多，判断传感器出现的故障时，不应只考虑传感器本身，而应考虑出现故障的整个电路。因此，在查找故障时，除了检查传感器之外，还要检查线束、插接件以及传感器与电控单元之间的有关电路。
汽车 为什么有这么传感器，作用都是干吗的，你这个问题覆盖面太大了， 汽车 上的传感器太多了。
汽车 上的传感器很多，分几大类，比如气囊一套，就有碰撞传感器，气囊电脑，方向盘里面还有个游丝也就是气囊线圈，还有主副气囊，很多车还有气帘，座椅气囊等等。光气囊就有这么多。
一部 汽车 ，有发动机系统，电器系统，气囊系统，刹车系统，转向系统，ABS系统，ESP系统，一般车就这些系统，有的高档车系统更多，这些系统都带有传感器。
就那发动机来说，这是传感器最多的，氧传感器，凸轮轴位置传感器，曲轴位置传感器，碳管电磁阀等等。
所以说你要问，就要问那个系统有什么传感器比较好回答。
所谓的自动驾驶，实际就是一个模仿人类驾驶的行为。
人开车，遇到任何一种状况，都需要先感知，再思考，最后行动的这么一个过程。
而自动驾驶的感知就是来自于各种探测设备，那么为什么现在自动驾驶需要高清摄像头、红外摄像头，毫米波雷达，激光雷达，超声波雷达、声音传感器，GPS等定位装置来感知。
不是不想节省，而是节省不了。
实际上，车企比我们任何消费者都想节省成本，因为成本越低他们赚得越多啊，没有人和钱过不去。但是因为 汽车 作为我们消费者最常用的交通载具， 安全 绝对是放在第一位的，其中也包括 成本。
早期的ADAS基本方案就是 一个车头毫米波雷达+一个驾驶位挡风玻璃下的摄像头+车尾超声波来答的配置 ，因为三个零部件成本不高，技术成熟，而且可以实现L2级别的大多数功能，如自适应巡航，AEB，LKA，行人保护，交通标志识别，倒车辅助等。
而现在为了达到更好的智能辅助驾驶，是不能模拟人的狭小视角为基础的。感知的范围需要覆盖远中近距离，车辆周围的全部立体空间。其中即便只用一种感知设备，比如特斯拉推崇的全摄像头自动驾驶模式，也必须要多个摄像头来探知不同角度的周围环境，包括能看到地面和天空，务必做到在任何驾驶中，都能杜绝盲区的出现。
因为每一种感知设备， 探测距离有长中短 ，也有 不同的FOV（视角） 的，HFOV(水平视角)，VFOV(垂直视角）。
为了让车辆拥有360 无死角的盲区，必须要覆盖所有的方位和视角。
但实际上，现在主流的自动驾驶方案中，上述的每一种车辆感知的设备都有着其存在的必要，只有多个传感设备融合，在 范围、精度、FOV、采样率、成本和一般系统复杂性 之间做好平衡，才能打造出一个安全的智能自动驾驶所需要的感知。
毫米波雷达
毫米波雷达的工作原理就是通过发射无线电信号（毫米波段） ，再将反射的零散信号收回，来探测感知周围物体，通过算法（阈值去掉噪声值留下信号能量峰值）得到反射点的信息，再得到 汽车 和其他物体之间的相对距离、相对速度、角度、运动方向等。
由于毫米波雷达的穿透性较好，可以轻松穿透塑料，所以常安装在 汽车 的前保险杠处，塑料板的里面。
毫米波的最大优点就是无视天气，穿透雾气、烟尘的能力强，受到环境因素影响较小，可以保障在日常情况下的使用。
毫米波雷达早期为24GHZ，探测距离短，精度低，探测距离大概50米到100米，精度大概是40-70CM的分辨率。而最近两年推出的77GHZ的探测距离远，能达到200米以上，精度相对较高，大概是10-40CM分辨率。但因为成本较高，还是主要用在高端车型上，如果要达到更好的辅助驾驶级别，一般至少一个77GHZ毫米波雷达（车头）搭配多个24GHZ毫米波雷达（车侧）来使用。
毫米波雷达虽然成本较激光雷达低，工艺也成熟，元器件也小，但是它也有着 致命的缺点，那就是分辨率低，无法清晰辨别较小的物体，且对金属极为敏感。
假设40CM一个反射点，即便是77GHZ的毫米波雷达动态扫描到车前方的人体正面，很有可能也就得到十几个点，如果行人对于毫米波雷达还是侧面的运动体态，那可能接受过来的信号就几个点，关键这几个点旁边还有干扰物，比如行人从一棵树旁边经过，行人拖着个大箱子，要从这一堆稀疏的点上分析出这是个人还是个其他什么玩意，要是人的肉眼，肯定是看不出来的。
如果要更清楚辨别较小物体，雷达的探测阈值需要设低，但毫米波雷达又对金属敏感度太高，调低阈值噪点增多，这样的结果就是会有越来越多“鬼影”的出现，会出现众多的虚报物体。你可以理解为一个超级近视的人取下了眼镜，想要分辨一个远处的闪闪发光的小物体，他越努力看，就越会看到四周到处都是晃动的影子和物体，哪怕前面啥东西都没有，他都不一定敢往前走。
所以毫米波雷达分辨大型物体（前方车辆），抗天气干扰能力一流，但你指望这个精度几十厘米级的雷达能够准确分清楚高速行驶车辆的前面是个啥玩意，肯定是不行的。因为它的一惊一乍，一路上动不动给你虚报，那么车都不用开了，就不停急刹着玩就好了。
所以，现在 AEB里面，越来越多的企业把毫米波雷达的权重给调低了 ，要判断前方有没有障碍物，是个什么障碍物，还是得高清摄像头点头才行。
当然如果高清摄像头认为前方拖着个大树走的卡车或者没拖货的一个超低平板卡车，都不属于车辆，不管毫米波雷达的内部示警，车速完全不减地撞上去，也真的纯属正常。
高清摄像头
汽车 摄像头是最接近人类视觉的车辆感知外界的手段了。
车载摄像头一般都拥有较广的垂直视场角，较高的分辨率，还能提供颜色和图形的信息。这就可以达到驾驶辅助中的行人、自行车、机动车等的识别。也可以分辨出路标，如路上的地面标线，路侧的限速标识。
如果采用的车载立体摄像头（如双目摄像头），还能计算出 汽车 和其他物体的相对距离，相对角度。（所以说马斯克说可以自动驾驶不用毫米波雷达，可以全部用摄像头来代替。）
但如果要盲点检测，全景泊车、泊车辅助，就需要在车身上布置多个摄像头，达到车周的覆盖空间无死角。
车载摄像头一般都是由CMOS镜头，芯片，内存，外壳组成。 原理就是将拍摄到的图像转为二维数据，进行图像匹配识别，分辨出拍到的物体是行人、 汽车 、自行车、电动车、交通标识等。
现在的摄像头排布，基本上都会采用前视，侧视，后视，内视的排布，包括广角镜头，长焦镜头，数量从5个到10个不等。
车载摄像头的优点就是分辨率高，采集信息丰富，最符合人类视觉的语义信息，成本也低。
但 缺点也很明显，因为是靠光的反射来进行拍摄，就会受光照影响较大 ，黑夜里基本无法使用。且受环境天气影响较大，雨雪、大雾，灰尘、昆虫等都会影响到摄像头，导致它无法全天候全地形工作。另一个缺点，就是只能采集平面信息，无法采集深度信息，三维立体感不强，且拍照边缘容易有失真现象，即便后期进行算法修正，也有可能造成图形的误判。
所以，毫米波雷达的分辨率低，车载摄像头又受到光照影响和无法构建3D图形，那么就需要一个分辨率高，不受光照影响且能构造清晰3D图形的探测器，那就是现在比较热门的激光雷达。
激光雷达
激光雷达，靠发射激光束，然后接受到目标回波，与发射信号做出对比后，从而得知物体的相对位置和速度等数据。
目前最主要有三种类型的激光雷达。
快闪激光雷达 ，用单个的大面积激光脉冲来照亮探测的环境，现在最常用的，大家说的基本就是TOF激光雷达。早期车企做实验时，大部分都顶着一个雷达包，那就是机械激光雷达，使用一个旋转组件，通常装载在车顶，让激光雷达可以360 覆盖周围。
另外一种固态激光雷达，就没有移动部件，只有固定的视角，使用多个传感器来覆盖车辆周围，现在上市的车辆配置的激光雷达，基本都是这种。
微机电系统激光雷达（MEMS） ，通过非常微小的镜面，用电压来改变镜面，来调整发射激光的角度。
光学相控阵雷达（PA） ，通过光学相控阵（有多个光频移相器组成）发射激光雷达。
激光雷达的优点就是分辨率高、精度高 ，对比10CM级别精度的毫米波雷达，激光雷达的精度可以轻松到 毫米级别 ，可以轻描淡写给所有周边大小物体建立3D立体图形。
网络有个经典的点云图，就是描述的激光雷达的效果。
而激光雷达的角分辨率更是超过毫米波雷达数个等级，轻松可以达到01 ，也就是说可以分辨3KM距离上的相距5M的两个目标。
激光雷达比起毫米波雷达，能抗电子干扰 。因为毫米波雷达发射的是无线电信号，属于电磁波，在我们的周围，存在着大量各种电磁波，所以会干扰毫米波雷达的判断。而激光雷达则不会受到此类干扰。
但是激光雷达由于是光束，会受到空气中微粒的影响 ，所以雨雾霾尘里会急速衰减，传播距离大大受限。对比摄像头，激光雷达无法分辨平面图像，所以也无法分辨图形和颜色的含义。
而且还是因为是 光束，所以也会受到折射面和阳光的影响 ，比如反光强烈的物体会造成激光雷达的误判，容易在点云中形成和现实物体完全不同的 “虚影”、“重影” 。
而且激光雷达现在的造价还十分高昂，市面上的32线激光雷达（扫描数据量70万点/秒）级别的，售价就高达数万美元。线束越多，垂直角分辨率越高，精度越高的激光雷达就越昂贵。
但随着自动驾驶的快速发展，需求量越来越大，国内厂商的发力。有望到 2023年，上述的激光雷达的售价降到千元级别。
超声波雷达
超声波雷达是通过发射并接受超声波（机械波），根据时间差算出障碍物距离，测距精度达到1-3CM。
超声波雷达一般有 UPA和APA ，APA和UPA的工作频率不同，不形成彼此干扰。
UPA的探测距离一般在15CM-250CM。通常安装在 汽车 前后保险杠上，用于辅助泊车。
APA的探测距离在30-500CM，如果要进行自动泊车，车辆的侧面也会装有超声波的传感器，用于测量侧方障碍物的相对距离，这里一般用的是APA因为APA的探测距离较远，也可用在驾驶的时候探测后方、侧面是否有来车过于靠近。
超声波的优点是成本极低，制作方便，遇到障碍物后反射效率高，且耗能低，与障碍物近距离时的抗自然因素干扰能力强，雨雪沙尘等恶劣天气都能使用，也不受光暗度的影响。
其 缺点就是因为是机械波，所以受温度影响较大 。零摄氏度的波速为332m/s，30摄氏度的波速为350m/s，所以温度过高或者过低，车速如果过快，都会造成超声波测距的误差，所以现有的辅助泊车还是自动泊车，实际都是要求人的视线同步进行观察的。
且因为超声波散射角大，方向性不集中，无法精准描述障碍物位置，且在测量较远距离目标时，无法保障精度。
上述这个超声波雷达的弊病，也是很多人对自动驾驶AEB不理解的地方。
我不止一次地看到有人不解评论，甚至还有 汽车 行业的人问，为什么辅助驾驶看到前方这么大一个障碍物，比如翻倒的车辆，一个大箱子，都不会报警，还会撞上去。而我在倒车，牵车的时候，一个小障碍物影响到了我的车辆前进后退，车辆都会报警。
当作者解释说，因为毫米波雷达和摄像头无法确认前方有障碍物，反而这些评论的人更加迷惑，那要什么分辨啥障碍物，像倒车一样，就如同自动泊车一样，后面有障碍物靠近了，不停报警，再不管刹停就好了啊。
但是因为倒车的原理是用超声波雷达的特性，在近距离可以很精确判断后方有无障碍物，但是 超声波雷达距离越远灵敏度越差 ，5米以上就无法判断障碍物的相对距离，且方向性较差，无法精准描述障碍物位置。所以车辆行驶中，如果前方一百米处有障碍物，超声波雷达是无法辨别出来的，等靠近了几米后报警再刹停，因为车的速度在这里，百公里刹车都是三四十米起，用超声波雷达来高速测距再刹停，黄花菜都凉了。
而现有的智能辅助驾驶中，毫米波雷达的分辨精度极低，且对金属敏感，容易产生噪点，而摄像头靠算法（智能AI）来对比障碍物，一旦融合数据在算法的辨析里出不来，前方障碍物就会被无视掉。
综上所述，就应该知道毫米波雷达，摄像头，激光雷达，超声波雷达是如何扬长补短的。
毫米波雷达精度低，但是可以方便得到周围物体的相对速度和距离。摄像头可以获得平面图形，看懂交通标识和分辨颜色。激光雷达探测精度高，可以获得周围物体的三维图像。超声波雷达在短距离测距中有着极大的成本、能耗低的优势。
所以自动驾驶走向完善，还是需要多种感知设备来进行一个搭配，才能在范围、精度、FOV、采样率、成本和一般系统复杂性之间做好平衡，搭建一个完美的感知平台。
传感器是指能感受规定的物理量，并按一定规律转换成可用输入信号的器件或装置。简单地说，传感器是把非电量转换成量的装置。传感器通常由敏感元件、转换元件和测量电路三部分组成。
我们常见的和容易理解的传感器主要有：
1里程传感
2机油压力传感
3水温、气温传感
4空气流量、空气浓度
5ABS传感
6安全气囊传感
7转速与速度传感
8位置传感
9光强度传感
10图标传感
相信从以上名称就能知道它们各自的作用了吧。
作用就是为了安全
以前机械时代没有太多，全靠人看，现在有传感器，最重要一点是保证人的安全，其次是现代化 汽车 的很多功能，比如雷达探测，360度可视化停车，跟车，定速巡航！等等
现在的 汽车 也算是精密电子仪器了。对于很多高端产品来说，传感器是为了更好地服务中央处理器来对当前的行驶状态以及驾驶环境进行检测。
汽车 的传感器有一部分是对外的，这部分传感器是为了获得前方路况以及周围的驾驶环境，一方面可以给驾驶员提供更多的信息，减少视野盲区，以及在驾驶员没有做出反应的情况下，帮助驾驶员避免危险。这部分传感器也会帮助车辆实现自动驾驶或者自动驾驶辅助的功能。
另一部分传感器是对设备的，包括对车辆的发动机、水温、机油位等状态的监控，从而帮助处理器在第一时间检测到车辆的不良状态，这些传感器是为了减少人工检测的成本，可以由电脑自动完成。
最后一部分来自对驾驶员和驾驶环境的传感器，比如对驾驶员姿态，室内温度等等，主要是为了提供更好的驾驶环境以及更舒适的自动驾驶体验。
一、 媒体与行业偏见大家可能听过一句流行语：有多少智能，就有多少人 工。 相比较那些屌炸天的算法°公司，同属人工智能序列的 AI数据资源服务提供商们，关注度、存在感普遍不 高。以为，那就是劳动力密集型产业，和搬砖没啥区 别。 媒体、行业从业者往往对搞算法的公司趋之若 鹜，但我相信，那些以「算法牛X」标榜的公司，离 了底层的数据采集、 标注服务商们，他们立刻玩亮 数据，是粮食，是水，是餐饭，没有吃的，大脑也活 不下去。 严格来说，数据、算法、算力Q三位一体，共同驱动A 成长前进。为何人们关注算法、 算力，却不肯高看一 眼数据呢？不太明白。我想根本原因就是从业者不了 解，媒体也人云亦云。 至于所认为的「劳动密集型°」，只是表象，数据服务 拼的是技术和组织流程。没有数据服务商们提供的数 据，所谓的「人工智能」也只能是行走的Bug，形不 成完整的产业链°。你会看到， 单纯搞算法的公司， 落 地方面存在困难。
二、行业从混乱到成熟
从无到有，从小到大，发展要经过几个阶段。初期，这个行业确实存在较多乱象，也比较稚嫩，随着行业逐渐成熟，加之大环境资本遇冷，小作坊式的杂牌数据服务团队都纷纷转型，死了一大片，留下来的都是正规军，有粮草、有战略、有使命。单纯蹭热点，不可能长期存在。
市面上有几家，比如百度数据众包服务，那是百度亲儿子，消化内部需求，也赚点外快。还有一些通过众包模式存活的数据服务商，但随着数据质量要求越来越高、定制化场景还原度要求加码，也遇到了生存危机。众包、自建团队，各有千秋，各有适用场景，但类似云测数据这种按高标准质量要求自建的团队，后面会活得越来越好。
为哈？数据比作餐饭，开始解决温饱，后面就要求营养。不是大鱼大肉，而是量体裁衣、针对消化系统特性、营养均衡出发定制的营养餐，才对算法的训练更有好处。
三、来龙去脉
Testin云测，这家公司创建比较早，伴随着移动互联网大潮成长，应该是2011年从做App测试开始，然后扩展到现在的应用服务。人工智能时代，我想他们推出的「云测数据」也抓住了时机。
有没有发现，测试、数据这些都是行业的苦活累活，测试也相对是一个被轻视的岗位。
从目前与同行交流情况来看，云测数据交付的数据质量、流程把控上，都是一流的。做企业服务，最重要的是交付及服务。他们积累了这么多年的服务经验，按逻辑来说，搞AI数据服务毫不奇怪，也相信他们能做好。事实上，也验证了我的猜想。
脏活累活，总有人干才行，而且还要坚持把活干好——云测数据，是其中一个，算是这个行业的头部标杆企业。
我个人比较期待数据服务行业，能有越来越多的「云测数据」出现。推荐了解云测数据的的3D点云标注服务。云测数据自研的的三维标注工具，尤其是3D点云的标注工具，通过渲染引擎等方面的优化，保证整个过程的流畅和快捷。对激光雷达成像的图像中的机动车、障碍物、行人等多目标进行3D点云标注，也是业内率先实现2D3D融合标注的平台之一。百度上面都有。
作者｜水木公
编辑｜刘伟
随着电动化和智能化的快速推进，国产车的设计真的是越来越“奔放”了，这不，有家厂商居然把车做成了机甲！
这就是长城旗下沙龙品牌的“高性能机甲战跑”——沙龙机甲龙。
外观设计上，这台全新的沙龙机甲龙采用和主流车型完全不同的设计风格。暴露在外的铆钉，棱角分明的线条，复古的方形大灯，总结下来就两个字：硬核。
除此之外，这台车的智能硬件配置也非常给力：4 个华为固态激光雷达的加持，也让它成为了成为了现阶段全球唯一实现激光雷达360°全视角覆盖的车型。
那么接下来，就让极果君一起来带你看看，这台机甲战跑到底还有什么能耐吧！
从量产版车型可以看到，机甲龙的车身布满了棱角分明的硬朗线条，哑光车漆配合上机甲风的外观设计，也给整车的外观增添了几分科幻味道。
新车的大灯很有意思，方形大灯猛地看上去有点像法拉利F40那种感觉，复古又不突兀。封闭式的前脸搭配上主动进气格栅，也让整个新车的前脸更加耐看。
前脸两侧还设计了空气导流槽，有效减少行进过程中空气所带来的阻力，有效提升车辆续航表现以及风噪表现。
重装版本的机甲龙，前机盖上还做了透明化设计，搭配上侧面宛如三角刀锋利刃出鞘的线条，进一步拉高了整车的战斗氛围，让机甲龙变得更有辨识度。
夸张的宽体轮眉和暴露的铆钉，再搭配20英寸双五辐轮圈，进一步增强了机甲龙工业风格。
车身尺寸方面，新车长宽高分别为5240/1950/1495mm，轴距为3040mm，定位中大型轿跑车，比蔚来ET7还要长出一截。
车尾部分，机甲龙车顶线条一直延伸到尾部上方，从而形成了小鸭尾设计，搭配下方夸张的扩散器和类似“排气”的灯组，营造出甚至比燃油车更炸裂的运动氛围。
重装版有超大尾翼▲
相较于去年，这次机甲龙的内饰放出了更多细节，接下来就跟着极果一起往下看吧。
和外观的特立独行不一样，内饰采用了比较常见的主流大屏交互设计。
据了解，车内将会由5块屏幕组成机甲交互系统，其中其中全液晶仪表盘尺寸为1025英寸。27英寸高清一体屏被分为了三个显示部分，整块屏幕还支持4K画质。
驾驶员正前方则是一块25英寸W-HUD抬头显示系统，可以显示导航、辅助驾驶等多方面信息。
方向盘两侧也配备了触控屏幕（Touch Bar），可以控制辅助驾驶或是其他功能，你甚至可以直接用方向盘打王者荣耀。另外，机甲龙还可以通过多屏显示以及品牌定制游戏手柄，实现车内多人游戏互动体验，支持方向盘、脚踏板、音响系统和游戏手柄之间的联动。
去年的演示视频▲
新车将搭载车规级高通骁龙8155车机芯片，并且还配有2个车内摄像头和4个独立音区。
同时，新车还配备了智能助手“小甲”，可以支持超过350条语音指令，并实现4音区独立AI语音控制，还可以通过视线注视来唤醒语音助手。
语音交互助手“小甲”▲
内饰用料部分，车内将会采用Nappa真皮包覆，侧围饰板则是采用仿麂皮材质包覆，提升车内质感。而且新车还将配备哈曼卡顿16扬声器音响系统，可以让用户获得沉浸式体验。
看完了内饰部分，还是让我们一起来看看新车的辅助驾驶系统吧。
沙龙的辅助驾驶总结起来就俩字：冗余，硬件和计算平台的保证，多道保险以便于提高车辆辅助驾驶的安全性。辅助驾驶硬件方面，开头简单提了一下，这里我们简单回顾一下。
4颗激光雷达、7颗800万高清摄像头、12颗超声波雷达等38个感知元件组成的智能驾驶系统，可以说是堆料满满。
车头和侧面的激光雷达▲
这里的激光雷达由华为打造的 96 线混合固态激光雷达，布局方式采用的是车前1颗+车前侧2颗+车尾1颗 ，得益于尾部激光雷达的加入，机甲龙在真正意义上实现了激光雷达的全视角覆盖。
并且顺带一提，这里的激光雷达还提供了自我清洗和加热功能，大部分情况下用户不用手动清洗，还是非常省事的。
除了激光雷达来自华为，车内的计算平台也同样来自华为。
沙龙机甲龙搭载了全球首发的华为双MDC智能驾驶计算平台，采用达芬奇架构打造，NPU算力达到了400 TOPS， CPU算力达440K DMIPS。
这里双平台的设计主要是为了安全，防止单个计算平台宕机后，车辆无法提供稳定的辅助驾驶服务，甚至能保证把车辆自动移步到服务区、维修点并完成停车。
沙龙的辅助驾驶系统名叫Captain-Pilot 机长智驾系统，支持高速、城市、泊车三大主要场景的驾驶辅助。另外系统还支持联网和V2X信号融合，能应对一些特殊场景，比如道路危险状况交互预警等情况。
目前看来，基于华为的强大硬件和计算平台，极狐的华为HI版本已经给大部分用户交出了满意答卷，所以沙龙机甲龙的辅助驾驶系统还是非常有看头的，只不过目前还没发体验。
动力方面，机甲龙将配备前后双电机四驱系统，前后永磁电机，最大功率为180kW和220kW，峰值扭矩750牛米，0-100公里/小时加速时间最快可达到3秒级，提供赛道、舒适、雪地、经济等多种驾驶模式。
此外新车还会配备布雷博前四活塞铝合金固定卡钳以及大尺寸前制动盘，同时还搭载CDC电控连续可调阻尼减震器。
据悉，新车将匹配容量为115千瓦时宁德时代镍钴锰三元锂电池组，CLTC工况下续航里程为802公里，并且到2023年时该车还将支持800伏、480千瓦超级快充技术。
整体看下来，机甲龙的配置还是挺高的。
总的来说，机甲龙可以说是长城旗下目前最有特色的车型。
无论是普通版还是重装版都非常地吸睛，开车上街一定回头率爆表。独特的设计，扎实的智能配置，也都能看出沙龙的满满诚意。如果你喜欢开酷酷的车，或许这辆<a class="hidden" href=">
本文来自易车号作者极果网，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）