本文是無人駕駛技術系列的第12篇，也是最後一篇（文末彙總了無人駕駛系列文章）。本文梳理總結了前面11篇涉及到的技術點，嘗試呈現一個宏觀的無人駕駛系統架構。另外，簡單分析了無人駕駛的産業鍊現狀以及根據筆者自己的經驗提出了一些給開發者、創業者，以及投資者的建議。
無人駕駛技術總結
無人駕駛是一個複雜的系統，如圖1所示，系統主要由三部分組成：算法端、Client端和雲端。其中算法端包括面向傳感、感覺和決策等關鍵步驟的算法；Client端包括機器人作業系統以及硬體平台；雲端則包括資料存儲、模拟、高精度地圖繪制以及深度學習模型訓練。
圖1 無人駕駛系統架構圖
算法子系統從傳感器原始資料中提取有意義的資訊以了解周遭環境情況，并根據環境變化做出決策。Client子系統融合多種算法以滿足實時性與可靠性的要求。舉例來說，傳感器以60HZ的速度産生原始資料，Client子系統需要保證最長的流水線處理周期也能在16ms内完成。雲平台為無人車提供離線計算以及存儲功能。通過雲平台，我們能夠測試新的算法、更新高精度地圖并訓練更加有效的識别、追蹤、決策模型。
無人駕駛算法
算法系統由幾部分組成：第一，傳感并從傳感器原始資料中提取有意義資訊；第二，感覺，以定位無人車所在位置以及感覺現在所處的環境；第三，決策，以可靠安全抵達目的地。
傳感
通常來說，一輛無人駕駛汽車裝備有許多不同類型的主傳感器。每一種類型的傳感器都各有優劣，是以，來自不同傳感器的傳感資料應該有效地進行融合。現在無人駕駛中普遍使用的傳感器包括以下幾種。
- GPS/IMU：通過高達200Hz頻率的全球定位和慣性更新資料以幫助無人車完成自我定位。GPS是一個相對準确的定位用傳感器，但是它的更新頻率過低，僅僅有10HZ，不足以提供足夠實時的位置更新。IMU的準确度随着時間降低，在長時間内并不能保證位置更新的準确性，但是，它有着GPS所欠缺的實時性，IMU的更新頻率可以達到200HZ或者更高。通過整合GPS與IMU，我們可以為車輛定位提供既準确又足夠實時的位置更新。
- LiDAR：雷射雷達可被用來繪制地圖、定位以及避障。雷達的準确率非常高，是以在無人車設計中雷達通常被作為主傳感器使用。雷射雷達是以雷射為光源，通過探測雷射與被探測無互相作用的光波信号來完成遙感測量。雷射雷達可以用來産生高精度地圖，并針對高精地圖完成移動車輛的定位；以及滿足避障的要求。以Velodyne 64-束雷射雷達為例，它可完成10HZ旋轉并每秒可達到130萬次讀數。
- 攝像頭：被廣泛使用在物體識别以及物體追蹤等場景中，像是車道線檢測、交通燈偵測、人行道檢測中都以攝像頭為主要解決方案。為了加強安全性，現有的無人車實作通常在車身周圍使用至少八個攝像頭，分别從前、後、左、右四個次元完成物體發現、識别、追蹤等任務。這些攝像頭通常以60HZ的頻率工作，當多個攝像頭同時工作時，将産生高達1.8GB每秒的巨資料。
- 雷達和聲呐：雷達通過把電磁波能量射向空間某一方向，處在此方向上的物體反射碰到的電磁波；雷達再接收此反射波，提取有關該物體的某些資訊（目标物體至雷達的距離，距離變化率或徑向速度、方位、高度等）。雷達和聲呐系統是避障的最後一道保障。雷達和聲呐産生的資料用來表示在車的前進方向上最近障礙物的距離。一旦系統檢測到前方不遠有障礙物出現，則有極大的相撞危險，無人車會啟動緊急刹車以完成避障。是以，雷達和聲呐系統産生的資料不需要過多的處理，通常可直接被控制處理器采用，并不需要主計算流水線的介入，因為可實作轉向，刹車、或預張緊安全帶等緊急功能。
感覺
在獲得傳感資訊之後，資料将被推送至感覺子系統以充分了解無人車所處的周遭環境。在這裡感覺子系統主要做的是三件事：定位、物體識别以及物體追蹤。
圖2 基于GPS/IMU的定位
定位
GPS以較低的更新頻率提供相對準确的位置資訊；IMU則以較高的更新頻率提供準确性偏低的位置資訊。我們可使用卡爾曼濾波來整合兩類資料各自的優勢，合并提供準确且實時的位置資訊更新。如圖2所示，IMU每5ms更新一次，但是期間誤差不斷累積精度不斷降低。所幸的是，每100ms可以得到一次GPS資料更新，以幫助我們校正IMU積累的誤差。是以，我們最終可以獲得實時并準确的位置資訊。然而，我們不能僅僅依靠這樣的資料組合以完成定位工作。原因有三：其一，這樣的定位精度僅在一米之内；其二，GPS信号有着天然的多路徑問題将引入噪聲幹擾；其三，GPS必須在非封閉的環境下工作，是以在諸如隧道等場景中GPS都不适用。
圖3 基于立體視覺的測距
是以作為補充方案，攝像頭也被用為定位。簡化來說，如圖3所示，基于視覺的定位由三個基本步驟組成：1. 通過對立體圖像的三角剖分，将首先獲得視差圖用以計算每個點的深度資訊；2. 通過比對連續立體圖像幀之間的顯著特征，可通過不同幀之間的特征建立相關性，并由此估計這兩幀之間的運動情況；3. 通過比較捕捉到的顯著特征和已知地圖上的點來計算車輛的目前位置。然而，基于視覺的定位方法對照明條件非常敏感，是以其使用受限并可靠性有限。
是以，借助于大量粒子濾波的雷射雷達通常作為車輛定位的主傳感器。由雷射雷達産生的點雲對環境進行了“形狀化描述”，但并不足以區分各自不同的點。通過粒子濾波，系統可将已知地圖與觀測到的具體形狀進行比較以減少位置的不确定性。
為了在地圖中定位運動的車輛，我們使用粒子濾波的方法來關聯已知地圖和雷射雷達測量過程。粒子濾波可以在10厘米的精度内達到實時定位的效果，在城市的複雜環境中尤為有效。然而，雷射雷達也有其固有的缺點：如果空氣中有懸浮的顆粒比如雨滴或者灰塵，測量結果将受到極大的擾動。是以，為了完成可靠并精準的定位，需要傳感器融合，如圖4所示，處理來整合所有傳感器的優點。
圖4 定位中的傳感器融合
物體識别與跟蹤
雷射雷達可提供精準的深度資訊，是以常被用于在無人駕駛中執行物體識别和追蹤的任務。近年來，深度學習技術得到了快速的發展，通過深度學習可達到較顯著的物體識别和追蹤精度。
卷積神經網絡（CNN）是一類在物體識别中被廣泛應用的深度神經網絡。通常，卷積神經網絡由三個階段組成：1. 卷積層使用不同的濾波器從輸入圖像中提取不同的特征，并且每個過濾器在完成訓練階段後都将抽取出一套“可供學習”的參數；2. 激活層決定是否啟動目标神經元；3. 彙聚層壓縮特征映射圖所占用的空間以減少參數的數目，并由此降低所需的計算量；4. 對物體進行分類。一旦某物體被CNN識别出來，下一步将自動預測它的運作軌迹或進行物體追蹤。
圖5 面向行為預測的随機模型
物體追蹤可以被用來追蹤鄰近行駛的車輛或者路上的行人，以保證無人車在駕駛的過程中不會與其他移動的物體發生碰撞。近年來，相比傳統的計算機視覺技術，深度學習技術已經展露出極大的優勢，通過使用輔助的自然圖像，離線訓練好的模型直接應用在線上的物體追蹤中。
決策
在決策階段，行為預測、路徑規劃以及避障機制三者結合起來實時完成無人駕駛動作規劃。
行為預測
車輛駕駛中的一個主要考驗是司機如何應對其他行駛車輛的可能行為，這種預判斷直接影響司機本人的駕駛決策，特别是在多車道環境或者交通燈變燈的情況下，司機的預測決定了下一秒行車的安全。是以，過渡到無人駕駛系統中，決策子產品如何根據周圍車輛的行駛狀況決策下一秒的行駛行為顯得至關重要。
為了預測其他車輛的行駛行為，可以使用随機模型産生這些車輛的可達位置集合，并采用機率分布的方法預測每一個可達位置集的相關機率。
路徑規劃
為無人駕駛在動态環境中進行路徑規劃是一件非常複雜的事情，尤其如果車輛是在全速行駛的過程中，不當的路徑規劃有可能造成緻命的傷害。路徑規劃中采取的一個方法是使用完全确定模型，它搜尋所有可能的路徑并利用代價函數的方式确定最佳路徑。然後，完全确定模型對計算性能有着非常高的要求，是以很難在導航過程中達到實時的效果。為了避免計算複雜性并提供實時的路徑規劃，使用機率性模型成為了主要的優化方向。
避障
安全性是無人駕駛中最為重要的考量，我們将使用至少兩層級的避障機制來保證車輛不會在行駛過程中與障礙物發生碰撞。第一層級是基于交通情況預測的前瞻層級。交通情況預測機制根據現有的交通狀況如擁堵、車速等，估計出碰撞發生時間與最短預測距離等參數。基于這些估計，避障機制将被啟動以執行本地路徑重規劃。如果前瞻層級預測失效，第二級實時反應層将使用雷達資料再次進行本地路徑重規劃。一旦雷達偵測到路徑前方出現障礙物，則立即執行避障操作。
Client系統
Client系統整合之前提到的避障、路徑規劃等算法以滿足可靠性及實時性等要求。Client系統需要克服三個方面的問題：其一，系統必須確定捕捉到的大量傳感器資料可以及時快速地得到處理；其二，如果系統的某部分失效，系統需要有足夠的健壯性能從錯誤中恢複；其三，系統必須在設計的能耗和資源限定下有效地完成所有的計算操作。
機器人作業系統
機器人作業系統ROS是現如今廣泛被使用、專為機器人應用裁剪、強大的分布式計算架構。每一個機器人任務，比如避障，作為ROS中的一個節點存在。這些任務節點使用話題與服務的方式互相通信。
ROS非常适用于無人駕駛的場景，但是仍有一些問題需要解決。
可靠性：ROS使用單主節點結構，并且沒有監控機制以恢複失效的節點。
性能：當節點之間使用廣播消息的方式通信時，将産生多次資訊複制導緻性能下降。
安全：ROS中沒有授權和加密機制，是以安全性受到很大的威脅。
盡管ROS 2.0 承諾将解決上述問題，但是現有的ROS版本中仍然沒有相關的解決方案。是以為了在無人駕駛中使用ROS，我們需要自行克服這些難題。
可靠性
現有的ROS實作隻有一個主節點，是以當主節點失效時，整個系統也随之奔潰。這對行駛中的汽車而言是緻命的缺陷。為了解決此問題，我們在ROS中使用類似于ZooKeeper的方法。如圖6所示，改進後的ROS結構包括有一個關鍵主節點以及一個備用主節點。如果關鍵主節點失效，備用主節點将被自動啟用以確定系統能夠無縫地繼續運作。此外，ZooKeeper機制将監控并自動重新開機失效節點，以確定整個ROS系統在任何時刻都是雙備份模式。
圖6 面向ROS的Zoo-Keeper結構
性能
性能是現有ROS版本中有欠考慮的部分，ROS節點之間的通信非常頻繁，是以設計高效的通信機制對保證ROS的性能勢在必行。首先，本地節點在與其他節點通信時使用回環機制，并且每一次回環通信的執行都将完整地通過TCP/IP全協定棧，進而引入高達20微秒的時延。為了消除本地節點通信的代價，我們不再使用TCP/IP的通信模式，取而代之采用共享記憶體的方法完成節點通信。其次，當ROS節點廣播通信消息時，消息被多次拷貝與傳輸，消耗了大量的系統帶寬。如果改成目的地更明确的多路徑傳輸機制則将極大地該改善系統的帶寬與吞吐量。
安全
安全是ROS系統中最重要的需求。如果一個ROS節點被挾制後，不停地在進行記憶體配置設定，整個系統最終将因記憶體耗盡而導緻剩餘節點失效繼而全線奔潰。在另一個場景中，因為ROS節點本身沒有加密機制，黑客可以很容易地在節點之間竊聽消息并完成系統入侵。
為了解決安全問題，我們使用Linux containers （LXC）的方法來限制每一個節點可供使用的資源數，并采用沙盒的方式以確定節點的運作獨立，這樣以來可最大限度防止資源洩露。同時我們為通信消息進行了加密操作，以防止其被黑客竊聽。
圖7 基于Spark和ROS的模拟平台
硬體平台
為了深入了解設計無人駕駛硬體平台中可能遇到的挑戰，讓我們來看看現有的領先無人車駕駛産品的計算平台構成。此平台由兩個計算盒組成，每一個裝備有Intel Xeon E5處理器以及4到8個Nvidia Tesla K80 GPU加速器。兩個計算盒執行完全一樣的工作，第二個計算盒作為計算備份以提高整個系統的可靠性，一旦第一個計算盒發生故障，計算盒二可以無縫接手所有的計算工作。
在最極端的情況下，如果兩個計算盒都在峰值下運作，及時功耗将高達5000W，同時也将遭遇非常嚴重的發熱問題。是以，計算盒必須配備有額外的散熱裝置，可采用多風扇或者水冷的方案。同時，每一個計算盒的造價非常昂貴，高達2萬-3萬美元，緻使現有無人車方案對普通消費者而言無法承受。
現有無人車設計方案中存在的功耗問題、散熱問題以及造價問題使得無人駕駛進入普羅大衆顯得遙不可及。為了探索無人駕駛系統在資源受限以及能耗受限時運作的可行性，我們在ARM面向移動市場的SoC實作了一個簡化的無人駕駛系統，實驗顯示在峰值情況下能耗僅為15W。
非常驚人地，在移動類SoC上無人駕駛系統的性能反而帶給了我們一些驚喜：定位算法可以達到每秒25幀的處理速度，同時能維持圖像生成的速度在30幀每秒。深度學習則能在一秒内完成2-3個物體的識别工作。路徑規劃和控制則可以在6毫秒之内完成規劃工作。在這樣性能的驅動之下，我們可以在不損失任何位置資訊的情況下達到每小時5英裡的行駛速度。
雲平台
無人車是移動系統，是以需要雲平台的支援。雲平台主要從分布式計算以及分布式存儲兩方面對無人駕駛系統提供支援。無人駕駛系統中很多的應用，包括用于驗證新算法的仿真應用，高精度地圖産生和深度學習模型訓練都需要雲平台的支援。我們使用Spark建構了分布式計算平台，使用OpenCL建構了異構計算平台，使用了Alluxio作為記憶體存儲平台。通過這三個平台的整合，我們可以為無人駕駛提供高可靠、低延遲以及高吞吐的雲端支援。
仿真
當我們為無人駕駛開發出新算法時，我們需要先通過仿真對此算法進行全面的測試，測試通過之後才進入真車測試環節。真車測試的成本非常高昂并且疊代周期異常之漫長，是以仿真測試的全面性和正确性對降低生産成本和生産周期尤為重要。在仿真測試環節，我們通過在ROS節點回放真實采集的道路交通情況，模拟真實的駕駛場景，完成對算法的測試。如果沒有雲平台的幫助，單機系統耗費數小時才能完成一個場景下的模拟測試，既耗時同僚測試覆寫面有限。
在雲平台中，Spark管理着分布式的多個計算節點，在每一個計算節點中，都可以部署一個場景下的ROS回訪模拟。在無人駕駛物體識别測試中，單伺服器需耗時3小時完成算法測試，如果使用8機Spark機群，時間可以縮短至25分鐘。
高精度地圖生成
如圖8所示，高精度地圖産生過程非常複雜，涉及到：原始資料處理、點雲生成、點雲對齊、2D反射地圖生成、高精地圖示注、地圖生成等階段。使用Spark，我們可以将所有這些階段整合成為一個Spark作業。由于Spark天然的記憶體計算的特性，作業運作過程中産生的中間資料都存儲在記憶體中。當整個地圖生産作業送出之後，不同階段之間産生的大量資料不需要使用磁盤存儲，資料通路速度加快，進而極大提高了高精地圖産生的性能。
圖8 基于雲平台的高精地圖生成
深度學習模型訓練
在無人駕駛中我們使用了不同的深度學習模型，為了保證模型的有效性及效率，有必要對模型進行持續的更新。然而，原始資料量異常巨大，僅使用單機系統遠不能完成快速的模型訓練。
為了解決這一問題，我們使用Spark以及Paddle開發了一個高可擴充性分布式深度學習平台。Paddle是百度開發的一個深度學習開源平台。在Spark driver上我們同時管理Spark運作上下文以及Paddle運作上下文，在每個節點上，Spark執行程序運作一個Paddle訓練執行個體。在此基礎上，我們使用Alluxio作為參數伺服器。實驗證明，當計算節點規模增長時，我們可以獲得線性的性能提升，這說明Spark+Paddle+Alluxio這套深度學習模型訓練系統有着高可擴充性。
無人駕駛的産業發展
為了深入了解無人駕駛的産業發展，我們邀請了牛津大學商學院的同學一起做了個産業鍊分析。宏觀來說，一個産業的發展應該是至上而下的，上遊産業的發展讓下遊産業更加繁榮，反過來刺激上遊産業的發展。理想來說，無人駕駛的産業發展應該分為三個階段：第一階段，感覺系統的發展，主要包括各類傳感器的融合使用及感覺決策系統的準确度提升，實作輔助資訊的互動及部分自動駕駛功能。第二階段，支援算法以及決策的晶片成熟，包括算法及晶片設計的發展，實作協同決策及自動駕駛。第三階段，車聯網的發展，實作高精度地圖及實時路況資訊的更新及通過深度學習實作協同感覺。
傳感器的融合使用
毫米波雷達：車載毫米波雷達市場主要供應商為傳統的汽車電子企業，如博世、大陸、 海拉等，市場占有率頭三位的企業占領了50%以上的市場佔有率。中國市場中高端汽車裝配的毫米波雷達傳感器依賴進口為主，國内自主品牌的研發生産能力尚需提高。毫米波雷達的核心組成部分為前端單片微波內建電路MMIC和雷達天線高頻PCB闆，此兩項核心技術僅掌握在國外廠商手中。國内企業總體尚處于研發階段，24GHz的産品已經取得部分研發成果，華域汽車、湖南納雷、蕪湖森思泰克、智波科技等企業在此方面有部分技術積累。
雷射雷達：雷射雷達是無人駕駛汽車硬體端的核心能力，受益于無人駕駛汽車市場規模的爆發，預計2030年全球雷射雷達市場可達到360億美元的規模。相比于國外的Velodyne、Quanergy等廠商已經具有相對成熟的産品，國内公司在雷射雷達生産研發尚處于初步成型階段。目前國内研發生産雷射雷達的初創公司數量很多，但是大多數缺乏完整的産業鍊及相應的配套裝置，受制于硬體成本及技術門檻較高等因素，能夠做出成型産品的公司往往很少。目前有産品落地的雷射雷達公司包括歐鐳雷射、鐳神智能、思岚科技和速騰聚創等。此類公司競争的着力點包括四個方面：1. 建立與各車廠的合作關系：發展新客戶，搶占新市場并積累市場需求方面的經驗；2. 硬體的量産及成本的控制：實作大規模生産的同時降低成本，通過量産實作更大的利潤（目前雷射雷達的毛利率約為27%）；3. 提高産品性能的穩定性，通過快速疊代提高産品工藝，建立技術門檻；4. 綜合提供資料存儲分析的服務，實作資料格式的統一。
攝像頭：預計2020年全球車載攝像頭的市場規模約為200億人民币，模組組裝及CMOS供應商共占據超過60%的産業價值，該産業鍊的其他環節還包括鏡頭供應商及其他部件的供應商。該子產品的行業技術壁壘較高，隻有少數廠商具有垂直整合的能力。大部分廠商将業務集中在産業鍊中的少數環節，行業的集中度很高，大多數環節的前三廠商市場佔有率合計占總體一半以上：光學鏡頭主要是台灣的大立光學、大陸的舜宇光學主導，CMOS傳感器及圖像處理器以歐美和日本南韓的廠商為主，大陸廠商在紅外濾光片和模組封裝有一定的優勢（如歐菲光、水晶光電等）。通常攝像頭硬體裝置和配套的算法及系統難以分割，硬體裝置商将攝像頭提供給自動駕駛算法公司或者汽車一級供應商，由這些下遊的公司進行硬體、晶片及算法的合成。由于車載攝像頭對安全性及穩定性的要求比普通的工業用攝像頭高，産品壁壘較高，是以攝像頭大廠相對有競争優勢。台灣的同緻電子2016年的營業收入預計比2015年增長超過40%，毛利率達到30%。未來的車載攝像頭廠商的競争将主要展現在：1. 與晶片及算法的适配性，提供整體解決方案的能力；2. 産品穩定性安全性等工藝的領先。
總體上說，傳感器與配套的算法及晶片相輔相成，未來的趨勢是提供完整的一套解決方案，而不是單個零星的硬體。另外，各種類型的傳感器的功能各有優勢，互相補充，汽車整車廠将融合使用各類傳感器，并通過量産及新技術推動傳感器的成本下降。
算法及晶片協同發展
ADAS算法及晶片技術門檻高，需要對傳感系統采集的資料進行處理，完成對周圍環境及自身車況的識别及探知，市場集中度較高。國内的ADAS算法公司主要有深圳佑駕、前向啟創、蘇州智華等。此類公司根據自身特點及戰略目标的不同，圍繞算法為中心，有三種商業模式：1. 向汽車一級供應商直接提供算法（或者外購晶片及傳感器，提供完整的ADAS模組）；2. 建立生産線，提供自産的完整ADAS模組給一級供應商或後裝市場；3. 将自身研發的晶片與算法綁定出售。 由于可以通過算法更新實作更多功能，且企業内部的自身成本與建立傳感器生産線相比非常低（主要是人工的成本），是以産業鍊中的算法環節可以帶來30%以上的産品溢價。
高精度地圖及車聯網的發展
高精度地圖參與者主要有圖商（如HERE、四維圖新）、無人駕駛科技公司（如Google、特斯拉等）、ADAS方案提供商（如Mobileye、前向啟創）和傳統車企（如通用、大衆）等四類。其中除了圖商的高精度地圖是為地圖的标準化準備外，其他參與者繪制的高精度地圖都是為了各自環節中的特定需求定制的，标準化程度較低。地圖行業的進入壁壘較高，主要由于地圖繪制的牌照數量少，資料庫建設周期長，投入資金大，而且需要大量依賴長期積累起來的實施技術。另一方面，該行業的規模經濟效應明顯，一旦建立起市場佔有率則利潤非常可觀。以四維圖新為例，2016年該公司的綜合毛利率約為80%，近50%的營業收入來自車載導航領域。在離線地圖的時代，圖商主要以銷售地圖使用許可證（License）為主，但在高精度地圖時代下，圖商将為使用者提供持續的服務。屆時一次性收費的模式将被按時間或按産品類型收費的模式取代。
車聯網市場的參與方可大緻分為四種: 車聯網服務提供商、裝置供應商、增值服務提供商以及電信營運商。1. 車聯網服務提供商居于産業鍊核心，地位類似于智能手機的操作平台，是傳統整車廠和高科技行業巨頭競争的主戰場。傳統整車廠利用捆綁銷售的方式，通過在旗下産品搭載自家品牌的車聯網系統，完成使用者的原始積累。科技公司則通過與車企在地圖、車聯網方案、自動駕駛等領域的合作進入車聯網生态系統。2. 裝置供應商是整個車聯網産業鍊實作的硬體基礎。目前該領域尚未形成巨頭競争的格局，留給創業公司發展的空間較大。縱向一體化或者專攻高利潤市場将有助于盡快确立競争地位。3. 增值服務提供商與智能手機App應用的價值類似，市場空間十分巨大，但目前尚處于初級的服務模式當中，參與者魚龍混雜，競争的關鍵點在于精準了解使用者需求，提高使用者體驗。4. 電信營運商主要将使用者請求及處理結果在車聯網中傳遞并收取通信費用。國内三大電信營運在通信市場處于絕對的寡頭地位。
下遊過熱
但是根據目前無人駕駛産業鍊的發展，顯然有點下遊過熱了，大量的風投湧入下遊，特别是L4／L5整車的無人駕駛初創公司，而許多上遊部件以及核心子產品卻沒有引起太多的注意。資本突然的湧入也造成了L4/L5整車的無人駕駛公司估值的暴漲，也直接導緻了無人駕駛從業者人心浮動，大量人才從行業領先地位的無人駕駛公司（包括Google、百度等）流失。這個現象對無人駕駛産業發展并非是好事，也讓我們想起了2016年的AR／VR風潮以及後來的AR／VR企業的倒閉潮。個人認為AR／VR的核心問題也是在上遊産業鍊沒準備好的情況下，下遊産品概念被炒作過熱，導緻資本的瘋狂。
感想與建議
這是無人駕駛系列最後一期，開始寫這個系列是因為對這個集大成技術的熱愛以及追求。寫每一期都是對做過技術的一次總結以及重新學習。在之前的11期我們都聚焦技術而不談個人的見解。最後一期想總結一下個人的一些觀點，讀者們未必會認同，但是希望可以通過這篇文章多與各位交流學習。
我為什麼沒有做無人駕駛創業
許多投資人問過我（編者注：劉少山，本文作者之一），為什麼沒有選擇無人駕駛創業，而選擇了機器人。因為在我看來無人駕駛整合了40～50個技術點，即使做好了其中90%的技術點，無人車還是上不了路。而機器人隻是整合了4～5個技術點，相對容易許多，責任也小許多。做機器人解決方案我們很快就可以出産品，很快能得到市場回報，從中學習到許多，也可以得到不斷出貨的滿足感。而做無人車做得好也可能隻是一個好的Demo，而且做無人駕駛創業需要很強的技術以及資本掌控能力，我能力還到不了這個程度。在我看來市場上有幾家無人駕駛初創公司有很強的技術把控能力，包括NURO.AI、PONY.AI、以及AutoX.AI，NURO.AI與PONY.AI應該屬于傳統的LiDAR流派，而AutoX應該是視覺流派的佼佼者。
給開發者的建議
目前的人工智能熱潮是一次大的技術革命，對廣大技術人員來說是個特别好的機會，但是如果隻掌握一個技術點是不足夠的。根據我過去幾年的經驗，在技術行業隔行如隔山，比如做算法的對軟體設計未必熟悉，專注做軟體的很少懂系統，而懂系統的了解硬體也不多。反過來也一樣，讓一個硬體工程師去寫軟體，他可能會覺得很難而不敢觸碰。但是如果能靜下心來花點時間去學一下，其實并沒有想象中那麼難。我在工作以及創業的過程中，發現能跨躍幾個細分行業（比如軟體、系統、硬體）的工程師非常難得也非常有價值。通常可以跨躍幾個細分行業的人都比較有好奇心，也有勇氣去嘗試新的東西。我以前是學系統的，覺得算法不是我的本行，一直拒絕接觸。但是當自己深入接觸後，覺得并沒有想象中那麼困難，隻要保持着好奇心，不斷學習，可以很快成才。
給投資人的建議
下遊現在過熱了，多關注上遊。我個人信奉的是更細的分工達至更高的效率。隻有上遊發展好後，下遊才會真正的繁榮。如果每個公司都說可以全棧把每個點都做好那是不成熟以及低效的。比如無人駕駛安全，基本沒人關注也沒人在這個行業創業。很多投資人說，無人駕駛本身都沒做好，哪有功夫看這種方向。但是當車做好後，如果安全沒做好，車是不可能上路的。無人駕駛安全必須随着無人駕駛其他技術點一起發展。另外為無人駕駛服務的雲計算，也是鮮有人投入，但是這在我看來是個極大的市場。
序幕剛啟
無人駕駛作為人工智能的集大成應用， 從來就不是某單一的技術，而是衆多技術點的整合。技術上它需要有算法上的創新、系統上的融合，以及來自雲平台的支援。除了技術之外，無人駕駛的整條産業鍊也是剛剛開始，需要時間去發展。目前在市場上許多創業公司都是做全棧，做整車。但是如果産業鍊沒發展成熟，做全棧與做整車公司的意義更多是Demo這項技術，而很難産品化。個人認為一個成熟的産業是應該有層次感的，上下遊清晰，分工細緻以達到更高的效率。但是今天無人駕駛行業還是混沌的，上下遊不清晰，而且資本的熱捧也導緻了市場過熱。但是相信通過幾年的發展，當上下遊發展清晰後，無人駕駛就可以真正産業化了。無人駕駛序幕剛啟，其中有着千千萬萬的機會亟待發掘。預計在2020年，将有真正意義上的無人車開始面市，很可能是在園區以及高速公路等可控場景，然後到2040年，我們應該可以看到無人駕駛全面普及，讓我們拭目以待。
點選閱讀無人駕駛技術系列文章：
光學雷達（LiDAR）在無人駕駛技術中的應用
基于ROS的無人駕駛系統
基于計算機視覺的無人駕駛感覺系統
基于Spark與ROS分布式無人駕駛模拟平台
GPS及慣性傳感器在無人駕駛中的應用
增強學習在無人駕駛中的應用
高精地圖在無人駕駛中的應用
CNN在無人駕駛中的應用
無人駕駛系統安全
無人駕駛硬體平台
無人駕駛中的決策規劃控制技術
無人駕駛剛剛開始的未來