99色在线视频-99色综合-99视频精品全国免费-99视频全部免费-能在线观看的一区二区三区-嗯!啊!使劲用力在线观看

九月初的美國勞動節，硅谷遇上創歷史紀錄的熱浪，出現了幾十年難遇的40度高溫。目前創投界同樣也有兩個熱火朝天的領域：一是比特幣與ICO（請見我們兩周前的相關分享），另一則是自動駕駛。

16年3月通用汽車宣布收購自動駕駛初創公司Cruise Automation，兩月后以5.81億美金成交。在之后一年多里，自動駕駛領域急劇升溫，各類軟硬件相關公司相繼涌現 。17年的CES也被調侃為車展，汽車尤其是自動駕駛相關展位備受矚目。17年3月Intel以153億美金收購Mobileye，將此輪熱潮推至新高點。隨之而來的是領域公司估值的節節攀升：據KPMG統計，17年2季度美國初創公司種子和A輪投前估值中位數分別約為600萬和1500萬美金；相比之下，自動駕駛領域公司A輪投前3000萬已算低估值，5000萬以上也不少見，個別已1億左右。數家公司估值已達數億美金，比如獨角獸的ZOOX和Quanergy；以及Velodyne，Drive.ai，Nauto，nuTonomy，DeepMap，圖森，Momenta，等等。科技巨頭們如Google，Apple，百度，Tesla，Uber均也重金投入。

作為科技投資者，我們堅信自動駕駛是一影響深遠的未來趨勢。與什么時候能買到質量過硬的Velodyne 64線激光雷達相比，自動駕駛的最終實現是確定的，但同時我們也認識到其技術發展和商業化將是一長期過程，長于目前高估值高投入背后投資者與創業者的預期。當然，這里不排除部分投機性的創業和資本，寄希望于熱潮中短線的收購機會。在接下來有限的篇幅內，我們將討論領域一些方面的發展與挑戰，以及投資觀點。相信大家已閱過數篇關于領域的介紹／報告，我們就不贅述相關基本概念和框架。唯一需說明的是這里對自動駕駛的定義為SAE L4和L5，即車輛一旦進入自動駕駛狀態，則無需任何人為監控和干涉（圖1）。

圖1SAE自動駕駛分級

傳感器組合一直是個熱議話題。目前的討論圍繞兩個陣營：以激光雷達為主，和以攝像頭為主。其實這樣的觀點僅僅反映出當前技術發展階段，而最終自動駕駛的實現一定是至少三類傳感器（攝像頭，毫米波雷達，激光雷達，其它非環境感知傳感器除外）的同等融合，不存在主次之分。科技的發展經常受歷史原因和便利性的影響，而不簡單是純粹技術之間優劣推理。

激光雷達為主的技術路徑源自Google自動駕駛歷史。回到09年，項目主要人員如Sebastian Thrun和Chris Urmson等還在Google X搗鼓。那時GPU還未盛行，ImageNet剛以一張會議海報的形式誕生，CNN（convolutional neural network）還未被挖掘出潛力，也不是所有公司都是人工智能公司。Thrun和Urmson教授身懷兩屆DARPA無人車挑戰賽的經驗，當時參賽車輛上也有一些攝像頭，但老實說大家都不知道怎么用好，用得最多的還是各種激光雷達。在Google大佬們鬧著要看demo的壓力下，團隊選擇了延續DARPA挑戰賽的技術經驗與路徑 － 激光雷達與SLAM（simultaneous localization and mapping），再結合Google地圖的積累和優勢，以激光雷達與其制成的3D地圖作為核心技術。

8年后的今天，Google積累了大量經驗，無疑是此路徑的領跑者，也引來了相當多的效仿者。鬧得沸沸揚揚的Google和Uber商業機密案體現出此路徑對激光雷達的依賴。而真正符合汽車級規格的固態激光雷達，不論是OPA（optical phased array），MEMS（microelectromechanical systems），Flash，等，離成本合理的量產還有較遠的距離。

另一方面，攝像頭為主的路徑源自汽車行業，與Mobileye不無干系，并受近5年來視覺算法大幅提升的影響。Mobileye圖像處理芯片一路從后裝做到前裝，ADAS是專攻，除安全性外性價比一直是重要維度，必需符合利潤空間狹窄的汽車行業要求。車企們首要目標是賣車，不是滿足科技大亨們的blue-sky toy project，眼前的市場是ADAS，不是自動駕駛。近年來深度學習大幅提升機器視覺性能，Tesla主推的攝像頭自動駕駛解決方案成為典型代表。當然Tesla的根本目的也是為了近期銷量，大勢包裝的Autopilot無疑有過分炒作的嫌疑（大家猜猜Tesla車上裝的8個攝像頭有幾個實際在被使用）。在最近不到兩年內，國內外多起Tesla Autopilot相關車禍也揭示了其不成熟的傳感器融合方案。

過分強調激光雷達或攝像頭實際上從側面說明了目前傳感器融合技術發展的不成熟。比如不少人將毫米波雷達視為簡單的障礙偵測傳感器，作為不良天氣和光線情況下的備用。實際上不論環境狀況，雷達時常是傳感器融合中第一步，由它先檢測出周圍環境中的障礙物和運動速度／方向，再由其他傳感器識別確認。并且我們從對汽車產業鏈（從OEM到Tier-2）調研中了解到，毫米波雷達存在較大的性能和性價比提升空間，如通過提升各測量維度（距離，水平方位角azimuth，垂直方位角elevation）的解析度，可實現3D雷達成像（圖2），從而大幅提高對環境場景的理解能力；同時通過多普勒效應生成的雷達標記對物體進行分類與識別，實現從detection到perception的升級。此外，毫米波雷達核心芯片的一體化將大幅降低雷達傳感器的系統成本，提升單車雷達配置數量，從目前前后總共1-3個增加到車身一周5-7個。

圖2毫米波雷達三維測量（左）及其對應的3D球坐標系（右）

傳感器組合的硬件性能設定了自動駕駛環境感知模塊性能的上限。算法不是萬能，且算法性能的重要突破不少時候源自于相關硬件的變革與提升，比如目前風行的深度學習。環境感知作為自動駕駛SLAM和計劃決策兩個必需模塊的輸入，占據幾乎首要的地位。與其它模塊相比，環境感知尚存更多科學問題，不僅僅是工程優化。可擴展和成熟的自動駕駛方案應平等合理地使用各類傳感器，達到互補及冗余。依賴任一傳感器說明其它傳感器還不好用或用不好。我們認為目前的傳感器硬件和其軟件融合離達到L4和L5還有相當距離。

與傳感器相比，計算平臺似乎受到（風險）投資者的關注較少。此塊是巨頭競爭格局，參與者包含Intel/Mobileye，NVIDIA，NXP/Freescale，Infineon，Qualcomm，Xilinx，等大中型半導體企業。了解車載計算對理解自動駕駛有指導性的意義。

首先相信大家已認識到那種塞滿后備箱的CarPC風格的計算架構是不現實的產品設計。它代表著一種極度中心化的架構，將所有相關處理集中，甚至有人提出smarter compute，dumber sensors的理念。不少初創公司選擇此架構，主要是為了更容易開發出demo，但也體現出團隊對汽車電子的理解不足。此架構的擴展性和容錯性較低，功耗巨大尤其對于純電動車輛（整套計算系統可上千瓦），很難達到汽車級規格，也不符合車廠利益。如果換成符合汽車規格和功耗要求的計算平臺，現有絕大部分demo會難做很多。

與消費電子不同，汽車電子的demo與實際產品可以存在巨大的鴻溝。用有限的計算資源保障算法的性能需要大量的反復實驗和實車經驗，而脫車離線demo（如針對某數據組的物體識別與追蹤）在無計算資源和圖像幀率等背景信息前提下參考價值非常有限。

另外我們看到OEM與Tier-1/2們正在對原本分散繁多的獨立功能ECU（Electronic Control Unit）進行整合：首先將多個相關功能的ECUs并入單個ECU；更重要的是，用DCU（Domain Control Unit）代替分散的ECUs。以傳感器為例，目前采用Mobileye方案的單目攝像頭的CMOS輸出對應一ECU，這塊電路板通常包含一塊Mobileye EyeQ3圖像處理芯片與一個Freescale微控制器（圖3）。如果車身裝有多個攝像頭，則需要多個這樣的ECU。隨著自動駕駛傳感器種類和個數的增多以及融合要求的提高，此架構的系統復雜度和維護難度劇增。與之對比，2016年NVIDIA發布的Drive PX2 AutoCruise集成了Parker SoC和額外的CPU與GPU，可同時連接多個／類傳感器并處理其間融合及后續操控，構成一個獨立單元DCU，適用于ADAS應用（圖3）。

除通用計算芯片外，DCU也可集成類似Mobileye之類的ASIC。未來自動駕駛很有可能采用混合式分布架構，包含幾塊負責不同功能模塊的DCU（而不是眾多分散獨立的ECUs）。由于技術與非技術因素，其中某些模塊會由OEM自己負責和控制，其它則由Tier-1/2供應商提供。DCU推廣牽涉的因素包括：控制和降低功耗（目前NVIDIA AutoCruise與AutoChauffeur功耗分別為10W和250W，而Mobileye EyeQ3與EyeQ4為3-5W）；升級優化DCU間通訊，如在CAN bus基礎上引入更高速率的Ethernet連接；調整AUTOSAR標準以適應異構計算和多核計算，等等。

圖3 Mobileye EyeQ3 ECU（左）與NVIDIA PX2 AutoCruise DCU ref. design（右）

自動駕駛帶來的新要求讓車載計算正在經歷一場大的變革。由于汽車行業的長研發和產品周期，汽車電子與消費電子的較大差異，以及變革中涉及的各方利益和各種標準的修改制定，這個過程不會簡短，并會對初創公司們的技術／產品影響深遠。

當然自動駕駛所需的技術不止于傳感器／環境感知與計算平臺，還包括SLAM，計劃決策，執行操控等。目前所謂的Autopilot實際只主要涉及環境感知和執行操控。在SLAM方面，絕大多數公司模仿Google技術路徑，先掃描制作駕駛環境的高精地圖，再在行駛過程中利用激光雷達／攝像頭配合GPS/IMU/Odometry，抓取環境特征并與預制地圖對比匹配完成定位。此方法的限制是對高精地圖的依賴，需要先有地圖覆蓋才能行駛，每當環境發生變化就需更新地圖，所以高精地圖的覆蓋和維護會成為部署擴展性的一瓶頸。

而另一地圖路徑則是以Mobileye為首的眾包模式，但前提是任何駕駛區域內有足夠多裝有傳感器車輛，且還需要強大的通訊和云端支持，目前這些還基本停留在概念階段。我們也看到研究者們正在探索新的SLAM算法，如各類只基于攝像頭的visual SLAM；及融合了深度學習技巧，對場景有更好的理解能力，目標是達到無需預制地圖和更高的魯棒性。但這些令人興奮的研究離產品還有較遠的距離。而對于計劃決策模塊，大多數初創軟件公司積累甚少，但此模塊恰恰是為什么人需要上駕校學開車的原因。所謂駕駛技術好壞很大程度上不在于司機能發現識別障礙物或者理解定位地圖，而是通過經驗積累對各種（包括模棱兩可）駕駛情況的合理判斷和決策。

自動駕駛是一個龐大的系統工程，所需各項技術研發以及整合能力對任何公司都是巨大的挑戰，所需資金不是幾億美金能滿足（大家猜猜Google自動駕駛模擬平臺光每年消耗的電費有多少）。目前自動駕駛初創公司們的優勢領域主要集中于傳感器和部分軟件系統，可做出不同程度的demo，但真正合規量產所需的技術遠不止于此，與之匹配的產業鏈也很長。幾乎沒有公司能獨立開發出完整的自動駕駛，更多的機會在于精通其中部分必需技術，成為部分模塊組件的供應商之一。這里的黑天鵝是某大型科技公司買下某車廠完成深度的垂直整合。另外不少人嚴重低估實際造車難度，將OEM/Tier-1類比為消費電子類的硬件加工廠。然而汽車行業硬件和軟件壁壘都很深，尤其對于優秀車廠，只是他們對部分自動駕駛技術較為陌生，以及應用對已有技術架構帶來的變化較大。

除安全性外，自動駕駛的推廣離不開駕駛／乘坐體驗。如果用戶在自動車輛中的乘坐體驗（如速度和舒適度）比人為操縱平均水平差，自動駕駛商業化規模將很有限。而乘坐體驗恰恰是車企有多年積累的強項，科技公司的弱項。尤其是執行操控模塊，雖然不少領域科技公司聲稱這已是自動駕駛中解決的問題，但實際離車廠的技術水平差距甚大。相信坐過幾次自動駕駛demo的人都有切身體會。對于汽車而言，不同型號款式車輛的各項操控變量完全不同，比如底盤任一軸長度變化半厘米就可完全改變車的整體操控。甚至同一品牌同一車型的不同車輛間的操控也有差別，直接影響執行操控模塊的校準。當然，車企們在此塊的技術也需按自動駕駛的新要求升級，比如操控精度更高的底盤。

另一影響體驗的維度是使用靈活度。汽車的普及無疑與其大幅提升人們的出行自由度緊密相關。擁有汽車或其暫時使用權意味著用戶隨時可以想去哪里就去哪里，不論是日常交通還是舉家遷移，這點在汽車滲透率高和崇尚自由文化的美國尤為突出。如果因技術（如對地圖覆蓋和更新的依賴）或監管原因明顯限制了用戶的使用靈活自由度，那么自動駕駛商業化規模會受到較大的制約。

有不少行業公司提出自動駕駛商業化不用等到私家車型的量產，可先以交通服務的形式變現。這里的交通服務一般指共享出行和物流運輸。除之前提到的因素外，此類服務推廣的需要運營商可持續經營狀況的支持。

基于已討論的各方面發展狀況，我們認為至少未來五年內自動駕駛車輛的運營成本會很高，主要體現于軟硬件技術成本，安全司機勞力成本，保險和維護成本。比如由于激光雷達和計算平臺的較長研發周期，整套硬件成本會超出車輛本身單價。此點在目前研發車輛造價上就可見一斑。又如因系統安全性難以短期內到位，車內必需安全司機。不管人為干涉的頻率和時間長短，都將明顯削弱服務型自動駕駛的價值主張。額外的人工成本可參考各城市地鐵或輕軌司機的薪金水平并適當打折，誰的工作難度系數更高尚有待討論。再如因商業化早期不會是規模化的量產車輛，更有可能是后裝改裝車輛，其相應制造和維護成本將更高。另外專用地圖的維護更新成本也是不可忽視的一部分。最后，自動駕駛服務的保險在較長一段時間內都不會低，因為保險公司需要時間去積累數據和建立承保模型，在此之前更可能會保守定價，由此帶來的高額保費將限制服務規模。保費水平可參考目前加州自動駕駛測試資格所需保險費用，且注意測試車隊規模一般不足10輛，最多不過百輛。

我們樂觀地估算，非規模化量產加安全司機階段的服務性自動駕駛車輛每輛車成本10-15萬美金，外加單車每年運營維護成本5-10萬美金。以共享出行為例，按目前Uber平均單價和接客頻率計算，即使不算折舊，也至少需要3-4年才能挽回成本，屆時車輛也基本耗盡使用壽命。換句話說，未來五年內自動駕駛出行服務只有燒錢而很難創造實質經濟效益。據最新路透社報道，以自動駕駛商業機密竊取為由，Google將向Uber索賠26億美金。一個尷尬卻又帶幾分真理的玩笑成為自動駕駛領域近期最靠譜的商業模式。

雖然自動駕駛還有較長的一段路要走，我們仍應積極地肯定本輪自動駕駛熱潮帶來的技術積累，資本與人才投入帶來的收獲終將促成自動駕駛的真正到來。從20世紀80年代末歐洲政府發起PROMETHEUS計劃，到21世紀初的美國的DARPA挑戰賽，再到2009年以來科技公司們興起的首次工業界自動駕駛發展，我們認為自動駕駛還需經歷一次技術升級并克服一系列非技術障礙才能迎來上規模的商業化。終究歸根于汽車行業技術要求高，產業鏈長，牽涉其它行業及既得利益也不少。

在這個較長過程中，我們認為投資機會在于那些同時為近期ADAS及未來自動駕駛提供必需技術并與汽車行業緊密合作且最好有車企技術背景的公司。能否進入各車廠ADAS量產車前裝平臺是重要考察點之一，既幫助驗證其技術實力和價值，又保障公司能以上規模的收入來度過自動駕駛的研發和商業化周期，同時培養汽車產業鏈上下游對公司的信任。ADAS雖沒有硅谷科技大佬們的自動駕駛或飛行汽車一般的吸引眼球，但不可否認其近期極大的市場增長空間以及其中部分技術的較大升級空間，兩者的組合為優秀初創公司帶來了機會。

與領域大部分創業者和投資者一樣，我們憧憬自動駕駛帶來的積極的經濟和社會效應，無論是提高效率，還是減少事故。我們選擇支持在這一方向上真正堅持創造價值的公司。那些投機性的收購機會就像硅谷熱浪天氣一樣短暫—16年末的歐美車企們還享受著創紀錄的銷售，17年下半年則是另一番景象。

本文作者：顏昶

復星銳正資本 投資高級經理（美國）

來源：投資界